« Est-ce que ChatGPT peut répondre avec nos documents à nous ? » C'est souvent la première vraie question d'une équipe qui a dépassé le stade des tests. Un LLM seul ne connaît ni vos contrats, ni vos procédures, ni votre catalogue. La technique qui comble ce manque s'appelle le RAG. Voici ce que c'est, comment ça marche, et quand ça vaut le coup en entreprise.
Réponse courte
Le RAG (Retrieval Augmented Generation, ou génération augmentée par récupération) est une méthode qui connecte un modèle de langage à vos propres documents. À chaque question, le système recherche d'abord les passages pertinents dans votre base, les ajoute au prompt, puis le LLM rédige une réponse appuyée sur ces sources. En clair : le RAG donne à l'IA une mémoire d'entreprise à jour, sans réentraîner le modèle.
RAG IA : définition simple
Le terme vient d'un article de recherche publié en 2020 par des chercheurs de Facebook AI Research (Lewis et al., « Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks »). L'idée est restée la même depuis : séparer la connaissance (vos documents, stockés et cherchables) de la capacité à rédiger (le LLM).
Un LLM sans RAG répond de mémoire. Avec RAG, on lui tend le bon classeur, ouvert à la bonne page, avant chaque réponse. Il ne devient pas plus intelligent, il devient mieux informé.
Ce que le RAG apporte concrètement :
- des réponses fondées sur vos informations, pas sur des généralités ;
- des sources citées, que l'utilisateur peut vérifier ;
- une base qui se met à jour sans toucher au modèle : on ajoute un document, il est cherchable ;
- moins d'hallucinations sur les sujets internes, sans les supprimer totalement.
Comment fonctionne un RAG LLM ?
Un RAG tourne en deux temps.
1. La préparation des documents. On rassemble les sources (PDF, pages de wiki, fiches produit, tickets de support). On les découpe en morceaux de quelques paragraphes. Chaque morceau est transformé en embedding, une suite de nombres qui représente son sens. Ces vecteurs sont rangés dans une base de données vectorielle, qui sait retrouver les textes proches d'une question, même formulée avec d'autres mots.
2. La réponse à chaque question. La question de l'utilisateur est elle aussi convertie en vecteur. Le système récupère les passages les plus proches, souvent complétés par une recherche par mots-clés classique (on parle de recherche hybride). Ces passages sont insérés dans le prompt avec des consignes du type « réponds uniquement à partir de ces extraits et cite-les ». Le LLM rédige alors la réponse.
La qualité finale dépend surtout de la recherche : si les bons passages ne remontent pas, le meilleur modèle répondra à côté.
Exemples de RAG en entreprise
Voici les cas d'usage que je vois revenir le plus souvent chez mes clients :
- Support client : un assistant qui répond à partir de la documentation produit et des tickets résolus, avec un lien vers la source.
- Base de connaissances interne : « Quelle est la procédure de note de frais ? », « Qui valide un devis au-delà de tel montant ? ». Les réponses sortent des documents RH et qualité.
- Commercial : retrouver en quelques secondes la bonne référence client, la fiche technique ou la clause type d'une proposition.
- Juridique et achats : interroger un corpus de contrats pour repérer une clause, une échéance, une pénalité.
Le point commun : une information qui existe déjà, mais qu'on passe du temps à chercher.
RAG, fine tuning ou contexte long : que choisir ?
| Critère | RAG | Fine tuning | Contexte long |
|---|---|---|---|
| Principe | Chercher les bons passages à chaque question | Réentraîner le modèle sur vos exemples | Coller les documents dans le prompt |
| Données qui changent | Oui, mise à jour simple | Non, il faut réentraîner | Oui, mais à chaque requête |
| Sources citées | Oui | Non | Possible |
| Idéal pour | Connaissances internes volumineuses | Style, format, tâche répétitive | Petit corpus, prototype |
Mon conseil : le fine tuning change la manière dont le modèle répond, pas ce qu'il sait. Pour vos documents, commencez par le RAG. Et pour quelques dizaines de pages stables, un projet Claude avec fichiers joints suffit souvent.
Les limites du RAG à connaître
Le RAG n'est pas magique. Les problèmes que je rencontre le plus :
- Des documents faux ou périmés : le système répondra faux, avec aplomb. Le ménage documentaire passe avant la technique.
- Un mauvais découpage : un tableau coupé en deux ou une clause séparée de son contexte donne des réponses incomplètes.
- Les droits d'accès : un stagiaire ne doit pas obtenir une réponse tirée d'un document de la direction. Les permissions doivent suivre jusque dans la recherche.
- Les questions transverses : croiser beaucoup de sources dépasse un RAG simple ; il faut alors un agent qui enchaîne plusieurs recherches.
- Les données personnelles : si le corpus en contient, le RGPD s'applique, et selon l'usage, l'AI Act aussi.
RAG et agents IA : le lien
Le RAG est devenu une brique des agents IA. Un agent ne se contente plus d'une recherche unique : il décide quand chercher, reformule, consulte plusieurs sources puis agit. Le protocole MCP facilite cette connexion entre l'IA et vos outils (Drive, CRM, base documentaire). Côté automatisation, des outils comme n8n proposent des briques prêtes à l'emploi pour ce type de flux ; j'en parle dans mon comparatif n8n vs Make.
Exemple concret : mon cerveau IA personnel
Le même principe marche à l'échelle d'une personne. Dans ma vidéo, je montre comment j'ai assemblé mon propre « cerveau IA » en 9 étapes avec Claude Code, GBrain (ma mémoire), des connecteurs MCP, Telegram et ElevenLabs. L'objectif : un assistant qui retrouve mon contexte, prépare mes rendez-vous et produit des brouillons à partir de mes documents. C'est exactement la logique du RAG : une mémoire interrogeable d'abord, la rédaction ensuite.
Lancer un projet RAG en 5 étapes
- Choisir un cas d'usage : une question métier fréquente, avec un coût clair quand on cherche à la main.
- Préparer le corpus : documents à jour, autorisés, dédoublonnés. C'est souvent 50 % du travail.
- Prototyper sur un échantillon, avec 20 vraies questions posées par les futurs utilisateurs.
- Évaluer : la réponse est-elle exacte, la source est-elle la bonne, l'assistant sait-il dire « je ne sais pas » ?
- Déployer avec les droits d'accès, un suivi des questions sans réponse et un processus de mise à jour des documents.
Si vous ne savez pas par quel cas commencer, un audit IA permet de repérer celui qui rapportera le plus vite.
FAQ
Qu'est-ce que le RAG en intelligence artificielle ?
Le RAG (Retrieval Augmented Generation) est une technique qui permet à un modèle de langage de répondre à partir de documents externes. Le système recherche les passages utiles, les ajoute au prompt, puis le LLM génère une réponse fondée sur ces sources.
Quelle est la différence entre RAG et fine tuning ?
Le RAG ajoute des connaissances au moment de la question, sans modifier le modèle. Le fine tuning réentraîne le modèle sur des exemples pour changer son style ou son comportement. Pour des informations qui évoluent, le RAG est plus simple à maintenir.
Le RAG supprime-t-il les hallucinations ?
Non, il les réduit sur les sujets couverts par vos documents. Le modèle peut encore mal interpréter un passage ou répondre quand la recherche n'a rien trouvé. D'où l'importance de citer les sources et de tester l'assistant sur de vraies questions.
Faut-il une base de données vectorielle pour faire du RAG ?
C'est la solution la plus courante, car elle retrouve les textes par le sens. Une recherche par mots-clés, ou un mélange des deux, fonctionne aussi.
Le RAG est-il compatible avec des données confidentielles ?
Oui, à condition de choisir une architecture adaptée : hébergement maîtrisé, offre entreprise sans entraînement sur vos données, droits d'accès appliqués à la recherche. Je compare ces garanties dans mes guides Claude entreprise et ChatGPT Entreprise.
Combien de temps pour mettre en place un RAG ?
Un prototype sur un corpus propre se monte vite. La production prend plus de temps : nettoyage des documents, droits d'accès, évaluation. Le facteur limitant est rarement la technique.
Vous voulez que l'IA réponde avec les documents de votre entreprise ? Réservez un appel avec moi : on identifie votre premier cas d'usage RAG et le corpus à préparer. Je vous accompagne ensuite comme consultante IA, jusqu'à l'intégration de l'IA dans votre entreprise, et je forme vos équipes à la création d'agents IA. Ou revenez à l'accueil.