Le RAG expliqué aux dirigeants
Le RAG, pour retrieval augmented generation, est une architecture qui force un modèle d’IA à consulter vos documents avant de répondre, puis à citer ses sources. C’est la réponse standard à un problème que tout dirigeant a constaté en essayant ChatGPT : le modèle répond avec assurance, y compris quand il invente.
Si votre entreprise envisage un assistant qui répond depuis sa documentation, ses contrats, ses procédures ou son catalogue, le RAG est très probablement l’architecture qu’on vous proposera. Voici ce qu’elle fait, ce qu’elle ne fait pas, et les questions à poser à ceux qui vous la vendent.
Pourquoi un modèle seul invente
Un LLM, le type de modèle derrière ChatGPT ou Claude, a appris sur un immense corpus public. Il ne connaît ni vos contrats, ni vos tarifs, ni votre procédure qualité. Interrogé dessus, il fait ce pour quoi il est entraîné : produire la réponse la plus plausible. Plausible ne veut pas dire vrai. C’est ce qu’on appelle une hallucination, et aucune prochaine version ne la fera disparaître : c’est la nature de l’outil quand il répond de mémoire.
Le RAG, définition simple
Trois étapes. Vos documents sont d’abord découpés et indexés dans une base qui permet de chercher par sens, pas seulement par mot-clé. Quand un utilisateur pose une question, le système retrouve les passages les plus pertinents. Le modèle rédige ensuite sa réponse à partir de ces passages, et uniquement de ces passages, en citant les documents utilisés.
L’image qui marche en comité de direction : sans RAG, vous interrogez quelqu’un de très cultivé qui répond de mémoire. Avec RAG, vous interrogez la même personne en lui imposant d’ouvrir le classeur, de lire la page et de vous la montrer.
Ce que le RAG corrige, et ce qu’il ne corrige pas
Il corrige l’essentiel : des réponses fondées sur vos documents plutôt que sur la mémoire du modèle, des sources vérifiables en un clic, et une mise à jour qui suit vos documents. Quand une procédure change, on réindexe ; pas besoin de réentraîner quoi que ce soit.
Il ne corrige pas vos documents. Si votre documentation est fausse, contradictoire ou périmée, le système répondra avec les mêmes défauts, en citant proprement ses sources. Nous avons vu un assistant répondre pendant des mois depuis des procédures obsolètes que personne n’avait retirées de l’index. Le RAG déplace la question de la qualité des réponses vers la qualité du corpus. C’est un progrès, à condition de s’occuper ensuite du corpus.
Il ne supprime pas non plus toutes les erreurs. La recherche peut remonter le mauvais passage, le modèle peut mal le lire. Un bon système mesure son taux de réponses correctes sur un jeu de questions de référence, et sait refuser de répondre quand il ne trouve rien de solide. Ces mécanismes, citations, validation, refus, sont détaillés dans notre note sur le contrôle des hallucinations.
Enfin, il ne remplace pas la gestion des droits. L’assistant ne doit jamais répondre depuis un document que le demandeur n’a pas le droit d’ouvrir. Ce chantier, souvent sous-estimé, est décrit dans ce que demande vraiment un assistant sur documents internes. Et si le corpus contient des données personnelles, la conformité se conçoit dès l’architecture, RGPD compris.
Quand le RAG est la bonne architecture
Le RAG excelle partout où la réponse existe déjà dans un corpus : support client sur une base de connaissances, questions juridiques internes, procédures, avant-vente sur un catalogue complexe, onboarding. Ce sont des cas à fort volume, où la valeur se mesure bien.
Il est le mauvais outil pour ce qui demande du calcul, des décisions en plusieurs étapes ou des actions dans vos systèmes. Pour cela, on parle d’agents, et c’est un autre niveau d’exigence.
Quatre questions à poser à qui vous propose un RAG : comment mesurez-vous la qualité des réponses, que fait le système quand il ne sait pas, comment gérez-vous les droits d’accès, et que devient l’index quand un document change. Les réponses vous diront si vous parlez à des gens qui ont déjà mis ce type de système en production.
C’est l’architecture que nous déployons le plus souvent en premier chez nos clients, parce qu’elle produit de la valeur vite et qu’elle se mesure bien. Notre offre d’IA sur mesure couvre ce type d’assistant, du prototype sur vos documents réels jusqu’à la mise en production.