Qu’est-ce que le RAG — et quand votre entreprise en a-t-elle vraiment besoin ?

Les grands modèles de langage sont des rédacteurs remarquables et de piètres bibliothécaires. Interrogez-en un sur votre politique de congés, les conditions de garantie de votre produit ou les tarifs du dernier trimestre : il produira une réponse assurée, fluide — et souvent fausse. La génération augmentée par récupération (RAG) corrige cela en donnant au modèle les bonnes pages à lire avant qu’il ne réponde.

Le RAG, en termes simples

Un système RAG comporte deux volets. Le volet indexation lit vos documents, les découpe en passages et stocke pour chacun une « empreinte de sens » numérique (un embedding) dans une base vectorielle comme PostgreSQL avec pgvector. Le volet réponse prend la question de l’utilisateur, trouve les passages dont le sens est le plus proche et les transmet au modèle avec une consigne : réponds uniquement à partir de ces passages, et cite-les.

1. Ingestion : PDF, fichiers Word, tableurs, pages web et enregistrements de bases de données sont nettoyés et découpés.
2. Embedding : chaque fragment devient un vecteur qui capture son sujet.
3. Récupération : la question est vectorisée de la même manière ; les fragments les plus proches sont récupérés, souvent en combinaison avec une recherche par mots-clés.
4. Génération : le modèle rédige une réponse ancrée dans ces fragments, avec des citations renvoyant à la source.

Pourquoi ne pas simplement fine-tuner un modèle ?

Le fine-tuning enseigne à un modèle un style ou une compétence pointue. C’est un mauvais moyen de lui apprendre des faits qui changent — prix, politiques, stocks, contrats. Le RAG conserve la connaissance dans une base de données que vous contrôlez : mettez à jour un document et la réponse suivante en tient compte. Vous obtenez aussi des citations, un contrôle d’accès par document et la possibilité de changer de modèle sans rien réentraîner.

Cinq signes que votre entreprise est prête pour le RAG

• Votre équipe répond chaque semaine aux mêmes questions à partir des mêmes documents.
• Des connaissances essentielles dorment dans des PDF et des disques partagés où personne ne cherche efficacement.
• Vos clients attendent des heures des réponses qui figurent déjà dans vos manuels.
• Les nouvelles recrues mettent des mois à devenir productives parce que « tout est quelque part ».
• Les réponses doivent respecter les droits d’accès — tout le monde ne doit pas tout voir.

Ce qui rend un système RAG prêt pour la production

Un prototype bricolé en un week-end peut impressionner en démo et échouer au troisième jour. La différence tient à la rigueur d’ingénierie : un découpage adapté à vos types de documents, une recherche hybride, des filtres de droits appliqués au moment de la requête, un refus de répondre quand les sources manquent et — surtout — un jeu d’évaluation de vraies questions aux bonnes réponses connues, relancé à chaque modification d’un prompt ou d’un modèle.

Par où commencer

Choisissez un processus à fort volume et bien documenté — questions RH, support produit ou procédures internes. Rassemblez cinquante vraies questions. Construisez, mesurez, puis étendez. C’est exactement ainsi que nous menons nos projets RAG, et c’est pourquoi nos assistants restent précis après le lancement.