RAG, génération augmentée par recherche

Le RAG suit deux temps distincts. D’abord, une question est comparée à un index de documents ; le système sélectionne quelques passages. Ensuite, ces passages et la question sont transmis à un modèle de langage, qui rédige une réponse. Le modèle n’acquiert pas la connaissance : il la reçoit pour cette requête précise.

La qualité commence bien avant la génération. Les documents sont nettoyés, découpés en segments et associés à des métadonnées : date, langue, propriétaire, service, niveau de confidentialité. Un règlement abrogé doit disparaître de l’index ou être clairement marqué. Une note de travail ne doit pas concurrencer une procédure approuvée.

• La recherche lexicale retrouve les expressions exactes, références et numéros de procédure.
• La recherche sémantique s’appuie sur des embeddings pour rapprocher des formulations voisines.
• Un classement final peut privilégier un document récent, validé et accessible à l’utilisateur.

La réponse doit afficher les sources réellement utilisées, avec un lien vers le passage consultable. Cette trace permet à l’utilisateur de contrôler le sens du texte généré. Si aucune source suffisante n’est retrouvée, la bonne réponse est parfois de l’indiquer ou d’orienter vers un expert, plutôt que de compléter les blancs par une phrase vraisemblable.

Le RAG est utile lorsqu’une équipe perd du temps à retrouver une information déjà écrite : procédure qualité, notice produit, référentiel support ou règles de remboursement. Il ne remplace pas le responsable du document. Il donne un accès conversationnel à un corpus dont les auteurs, les dates et les droits restent identifiés.

Dans un centre de services, un conseiller peut poser une question avec les mots du client et obtenir les extraits correspondant à la procédure valide. Dans une direction juridique, il peut préparer une recherche dans des clauses approuvées sans prétendre rendre un avis. Dans les deux cas, le texte généré sert d’aide à la lecture et non de source autonome.

• Le corpus doit avoir un propriétaire chargé de publier, corriger ou retirer les documents.
• Les droits de recherche doivent refléter les droits déjà appliqués aux espaces documentaires.
• Les questions réelles des utilisateurs servent à évaluer les sources retrouvées avant toute ouverture large.

La définition suffit pour comprendre le principe ; le choix du corpus, des connecteurs et du parcours utilisateur demande un projet distinct. Notre article RAG en entreprise traite ce déploiement. Pour un assistant documenté, le service de chatbot IA et RAG examine notamment les sources disponibles et les règles de validation.

Un RAG apporte des informations au moment de la question. Il convient donc aux contenus qui changent : catalogue, documentation, consignes internes ou jurisprudence suivie par l’entreprise. Mettre à jour une source et reconstruire son index est généralement plus direct que modifier le comportement d’un modèle.

Le fine-tuning, lui, ajuste un modèle sur des exemples. Il peut aider à produire un format, un ton ou une classification très spécialisée. Il n’est pas une bibliothèque consultable : demander une information nouvelle à un modèle ajusté ne garantit ni sa présence ni sa date de mise à jour. Les deux approches peuvent être associées, mais elles ne se substituent pas l’une à l’autre.

• Un résultat proche par le sens peut rester hors sujet ou incomplet.
• Une source retrouvée peut être périmée, contradictoire ou interdite d’accès.
• Une citation ne rend pas automatiquement correcte l’interprétation rédigée par le modèle.

Il faut tester des questions sans réponse, des termes ambigus et des documents voisins mais incompatibles. Nous déconseillons de présenter un RAG comme une garantie d’exactitude : c’est une architecture qui améliore l’accès à un corpus, avec des contrôles documentaires et humains à maintenir. Un audit IA peut définir ces tests, les critères d’acceptation et les cas où l’outil doit refuser de répondre. Les corrections remontées par les utilisateurs doivent ensuite alimenter la revue régulière du corpus dans le temps, pas seulement celle de la formulation générée.