Le RAG expliqué simplement : faire répondre une IA sur vos documents

Un modèle de langage généraliste ne connaît pas vos contrats, vos procédures ni vos fiches techniques. Si on lui pose une question sur votre entreprise, il répond avec ce qu’il a appris sur Internet, ou il invente une réponse plausible. Le RAG corrige ce défaut.

Le principe en trois étapes

1. Vos documents sont découpés et indexés. Chaque document est découpé en passages de quelques paragraphes. Chaque passage est converti en une suite de nombres qui représente son sens, qu’on appelle un vecteur ou embedding. Deux passages qui parlent de la même chose obtiennent des vecteurs proches, même s’ils n’emploient pas les mêmes mots.

2. La question déclenche une recherche. Quand quelqu’un pose une question, elle est convertie de la même façon, et le système retrouve les passages dont le sens est le plus proche. On combine souvent cette recherche par le sens avec une recherche par mots exacts, utile pour un numéro d’article ou une référence produit.

3. Le modèle rédige à partir des passages trouvés. Les passages sont transmis au modèle avec la question et une consigne : répondre uniquement à partir de ces extraits, et indiquer lesquels ont servi. La réponse arrive avec ses sources, que l’utilisateur peut ouvrir pour vérifier.

Ce que ça change par rapport à un chatbot généraliste

• Les réponses portent sur vos contenus, y compris ceux qui n’ont jamais été publiés.
• Chaque réponse est vérifiable. Le renvoi au document et à la page transforme une affirmation en information contrôlable.
• Le corpus se met à jour sans réentraînement. On ajoute un document à l’index, il devient interrogeable.
• Les droits d’accès peuvent être respectés. La recherche ne porte que sur les documents que l’utilisateur a le droit de consulter.

Quand le RAG est utile

Le RAG est adapté quand l’information existe déjà par écrit, qu’elle est dispersée, et que la retrouver prend du temps. Quelques cas typiques :

• un cabinet qui doit retrouver une clause dans des centaines de contrats ;
• un service technique qui cherche une procédure dans des manuels de plusieurs milliers de pages ;
• un support client qui répond toujours à partir de la même documentation produit ;
• un nouvel employé qui doit s’approprier des procédures internes.

Notre démonstration d’assistant documentaire montre le déroulé complet, de l’indexation à la réponse sourcée.

Quand il ne l’est pas

Le RAG ne sert à rien si l’information n’est écrite nulle part. Il ne remplace pas non plus un calcul ou une requête dans une base de données : pour connaître le chiffre d’affaires du mois, il faut interroger le logiciel comptable, pas faire lire des documents à un modèle.

Il est également mal adapté aux questions qui demandent de synthétiser l’ensemble d’un corpus, comme « quels sont les thèmes récurrents de nos mille derniers tickets ». La recherche ne remonte que quelques passages : elle ne lit pas tout.

Ce qui fait la qualité d’un assistant RAG

Le choix du modèle compte moins qu’on ne le croit. La qualité se joue surtout sur quatre points.

1. L’état des sources. Un document obsolète resté dans l’index produit une réponse fausse et bien sourcée. Il faut décider qui retire les anciennes versions.
2. Le découpage. Un tableau coupé en deux ou une clause séparée de son titre deviennent incompréhensibles. Le découpage doit suivre la structure réelle des documents.
3. La recherche. Si le bon passage n’est pas retrouvé, le meilleur modèle du monde ne peut pas bien répondre. C’est la partie qu’on teste le plus.
4. Le jeu de questions d’évaluation. On rassemble des questions réelles dont la bonne réponse est connue, et on mesure à chaque modification combien le système en réussit. Sans cette mesure, on ne sait pas si un changement améliore ou dégrade le résultat.

RAG ou réentraînement du modèle

Réentraîner un modèle (fine-tuning) modifie sa façon de répondre : son ton, son format, sa spécialisation sur un type de tâche. Cela ne lui donne pas un accès fiable à des faits précis, et tout changement de contenu impose un nouvel entraînement.

Pour faire répondre une IA sur des documents qui évoluent, le RAG est presque toujours le bon point de départ. Le réentraînement vient éventuellement ensuite, pour un besoin précis que le RAG ne couvre pas.

Par où commencer

Choisissez un corpus limité et un groupe d’utilisateurs précis : la documentation d’un produit pour le support, par exemple. Rassemblez vingt à trente questions que ces utilisateurs posent vraiment. Ce sont elles qui serviront à juger le résultat.

Notre page Assistants IA & RAG décrit ce que nous livrons et ce que nous vérifions pendant le cadrage. Si vos documents sont confidentiels, lisez aussi notre guide sur l’IA et les données sensibles.

Questions fréquentes

Que signifie RAG ?

RAG est l’acronyme de retrieval-augmented generation, en français génération augmentée par récupération. Le système récupère d’abord les passages pertinents dans un corpus défini, puis un modèle de langage rédige la réponse à partir de ces passages.

Un assistant RAG peut-il encore inventer une réponse ?

Oui, même si le risque baisse fortement. On le limite en obligeant le système à citer ses sources, en lui demandant de ne pas répondre quand rien de pertinent n’est trouvé, et en testant régulièrement un jeu de questions dont on connaît la bonne réponse.

Faut-il entraîner un modèle sur nos documents ?

Non. Avec le RAG, le modèle n’est pas réentraîné : vos documents sont indexés à part et consultés au moment de la question. Ajouter ou retirer un document ne demande donc aucun nouvel entraînement.

Nos documents doivent-ils quitter l’entreprise ?

Pas nécessairement. L’index et le modèle peuvent être hébergés chez un fournisseur européen ou suisse, ou sur votre propre infrastructure. Le choix dépend de la sensibilité des documents et se décide pendant le cadrage.