Ce qu’est le RAG
RAG est l’abréviation anglaise de Retrieval-Augmented Generation, que l’on traduit par génération augmentée par récupération. Le principe : avant de répondre, le système va chercher dans une base de documents les passages utiles à la question, puis les transmet au LLM avec la consigne de répondre à partir de ces sources.
La technique a été décrite dans un article de recherche publié en 2020 par des chercheurs de Facebook AI Research, notamment avec l’University College London. Elle est depuis devenue l’une des façons les plus courantes de faire travailler une IA sur les données d’une entreprise.
Comment ça fonctionne
- Les documents de l’entreprise sont découpés en passages et indexés pour pouvoir être retrouvés par le sens, pas seulement par les mots exacts.
- Quand une question arrive, le système récupère les passages les plus pertinents.
- Le modèle reçoit la question et ces passages, et rédige une réponse en s’appuyant dessus, idéalement en citant ses sources.
Usages en PME et en fiduciaire
- Retrouver un document dans des milliers de dossiers en posant une question en français courant.
- Interroger les procédures internes : « comment traite-t-on une demande de délai ? ».
- Préparer un rendez-vous en rassemblant l’historique d’un client.
Associé à une IA locale, le RAG permet d’interroger ses propres documents sans les envoyer à un éditeur.
Les limites
La qualité d’un RAG dépend d’abord de la base : des documents en double, périmés ou mal numérisés donnent des réponses fausses. La recherche peut aussi manquer le bon passage. Enfin, les droits d’accès doivent être respectés : un collaborateur ne doit pas obtenir, par une question, un document qu’il n’a pas le droit de consulter. Nous faisons le point sur ce qui fonctionne encore dans notre article RAG en 2026.