NouveauFormations IA à Rennes disponibles : Voir le programme →

Qu'est-ce que le RAG (génération augmentée par la recherche) ?

Le RAG va chercher les passages pertinents dans vos documents et les transmet au modèle d'IA avec la question. Le modèle répond à partir de ces extraits et peut citer ses sources, sans réentraînement.

Partager
Qu'est-ce que le RAG (génération augmentée par la recherche) ?

Le RAG, ou génération augmentée par la recherche, est une méthode qui va chercher les passages pertinents dans vos propres documents puis les transmet au modèle d'IA avec la question. Le modèle répond en s'appuyant sur ces extraits, et peut citer ses sources. Il connaît ainsi vos procédures sans être réentraîné.

Mise à jour : octobre 2026

Un commercial cherche la clause de retour applicable à un client professionnel. Il ouvre trois dossiers partagés, deux versions des conditions générales, et finit par appeler un collègue. L'information existe, mais elle est éparpillée. Le RAG sert précisément à rendre ce type de connaissance interrogeable en langage naturel.

Comment fonctionne le RAG ?

Le RAG ajoute une étape de recherche avant la réponse du modèle. Un modèle d'IA seul répond à partir de ce qu'il a appris pendant son entraînement : il ne connaît ni vos tarifs ni vos procédures. Anthropic définit le RAG comme une méthode qui récupère les informations pertinentes dans une base de connaissance et les ajoute à la requête de l'utilisateur. Le principe a été formalisé par Lewis et ses coauteurs dans un article de recherche publié en 2020.

  1. Découpage. Les documents sont coupés en courts passages, de quelques centaines de tokens chacun selon Anthropic.
  2. Indexation. Chaque passage est converti en embedding, une représentation numérique qui permet de mesurer la proximité de sens, puis stocké dans une base consultable. Anthropic ne propose pas son propre modèle d'embeddings et renvoie vers des fournisseurs spécialisés.
  3. Recherche. À chaque question, le système retrouve les passages les plus proches par le sens, souvent complétés par une recherche par mots exacts.
  4. Génération avec citations. Les passages retenus sont transmis au modèle avec la question. Avec la fonction de citations de Claude, la réponse renvoie aux passages exacts qui la justifient, ce qui permet de vérifier.

Quand utiliser le RAG plutôt qu'un modèle seul ?

Le RAG se justifie quand la réponse dépend de documents propres à l'entreprise, nombreux et qui changent. Si votre base est petite, il est parfois inutile : Anthropic indique qu'en dessous de 200 000 tokens, soit environ 500 pages, on peut placer toute la base dans la requête, sans RAG.

SituationApproche adaptéePourquoi
Question de culture généraleModèle seulAucun document interne nécessaire
Quelques documents courtsDocuments placés directement dans la requêtePlus simple, pas d'index à maintenir
Base documentaire volumineuse et vivanteRAGSeuls les passages utiles sont transmis
Besoin de vérifier chaque affirmationRAG avec citationsChaque réponse renvoie à sa source

Quelles sont les limites du RAG ?

Un RAG ne vaut que ce que valent les documents qu'on lui donne. Nous voyons quatre limites à anticiper.

  • Qualité des documents. Doublons, versions périmées ou scans illisibles produisent des réponses fausses ou contradictoires. Le tri vient avant la technique.
  • Droits d'accès. Si tout le monde peut interroger la base, chacun peut lire des contrats de travail ou des marges. Les droits doivent suivre ceux des documents d'origine.
  • Mise à jour. Un document modifié doit être réindexé, sinon l'IA cite l'ancienne version.
  • Hallucinations résiduelles. Le RAG réduit les réponses inventées sans les supprimer. Le découpage peut aussi faire perdre le contexte d'un passage, problème qu'Anthropic décrit dans ses travaux sur la recherche contextuelle. Les citations permettent de contrôler.

Quels usages en PME ?

Les usages les plus utiles sont ceux où une équipe cherche souvent la même information dans des documents dispersés : procédures internes et accueil des nouveaux arrivants, conditions générales et contrats types pour les commerciaux, fiches produits et réponses types pour le support client, réponses à appels d'offres déjà rédigées. Nous recommandons de commencer par un seul périmètre, de tester la qualité des réponses sur des questions réelles, puis d'élargir.

Pour situer le RAG parmi les autres briques, lisez la différence entre un chatbot et un agent IA et ce qu'est le protocole MCP, qui relie l'IA à vos outils métier.

Sources

Qui répond

Aurélien Page, fondateur d'Audiaa, agence IA et No Code à Rennes. Son parcours.

Faire réaliser votre agent IA
Nous intégrons un agent ou un assistant IA dans vos outils, avec garde-fous écrits et documentation. Devis gratuit sous 2 jours ouvrés.
Découvrir l'offre agent IA sur mesure

Questions fréquentes

Le RAG empêche-t-il l'IA d'inventer ?

Il réduit le risque, car le modèle s'appuie sur des extraits réels, mais il ne le supprime pas. Les citations permettent de vérifier chaque réponse à la source.

Faut-il réentraîner un modèle pour faire du RAG ?

Non. Le modèle reste le même : on lui transmet, à chaque question, les passages pertinents de vos documents. Mettre à jour la base suffit pour mettre à jour les réponses.

Mes documents sont-ils envoyés au fournisseur du modèle ?

Les passages retenus sont transmis au modèle à chaque question. Le lieu d'hébergement et les conditions d'utilisation des données dépendent du fournisseur et du mode de déploiement choisis, à examiner avant de lancer le projet.