Chercher avant de répondre
Qu’est-ce que le RAG ?
Le RAG permet à une IA de rechercher des informations dans des documents, puis de les ajouter à sa demande avant de rédiger sa réponse.
RAGRetrieval-Augmented Generation, ou génération augmentée par la recherche.
Le RAG en action
Posez une question à trois petites bases documentaires
La démonstration est préparée à l’avance : elle montre le mécanisme sans envoyer de données à une IA.
Avant la première question
Exemple : retrouver la règle des congés
Un salarié demande combien de jours il peut reporter. Le système recherche les passages pertinents dans le règlement interne, transmet ces extraits au modèle, puis produit une réponse avec leurs références. Si le mauvais document ou une ancienne version est retrouvée, la réponse peut rester erronée malgré le RAG.
Les documents sont préparés pour être retrouvés
Un système RAG découpe souvent les fichiers en passages, leur associe des informations utiles et crée un index. Les embeddings peuvent aider à comparer le sens d’une question avec celui des passages.
Ce n’est pas un nouvel entraînement. Les documents restent dans une base externe : ils sont recherchés au moment de la question.
- 1
Collecterdocuments autorisés et utiles
- 2
Découperen passages assez autonomes
- 3
Indexertexte, métadonnées et vecteurs
- 4
Mettre à jourversions, droits et suppressions
À chaque demande
Le système sélectionne seulement quelques passages
La question est transformée en requête. Un moteur recherche des candidats, peut les reclasser, puis fournit les meilleurs passages au modèle avec les instructions.
Pourquoi utiliser le RAG
Il relie les capacités du modèle à des informations choisies
Actualiser sans réentraîner
Un document corrigé peut remplacer l’ancienne version dans la base.
Utiliser un savoir métier
Procédures, catalogues ou dossiers peuvent compléter les connaissances générales.
Montrer les sources
Les références permettent au lecteur de remonter au passage d’origine.
Limiter le contexte
Seuls les passages utiles sont envoyés au modèle, au lieu de tous les documents.
Ce que le RAG ne fait pas
Une source ajoutée n’est pas une garantie de vérité
Le résultat dépend de toute la chaîne. Si les documents sont faux, anciens, mal découpés ou inaccessibles, le système peut retrouver le mauvais passage ou ne rien trouver.
Le modèle risque de répondre avec ses connaissances générales ou d’inventer.
Une exception ou une date peut être perdue lors du découpage.
Même avec le bon passage, la génération peut ajouter une mauvaise interprétation.
Une référence présente ne prouve pas qu’elle soutient réellement l’affirmation.
Trois méthodes différentes
RAG, long contexte et entraînement ne répondent pas au même besoin
Utile pour une base vaste, changeante ou accompagnée de sources.
Simple pour un petit ensemble, mais le volume peut coûter plus cher et distraire le modèle.
Utile pour un style ou une tâche répétée, pas pour actualiser rapidement des faits.
Évaluer une réponse RAG
Six contrôles avant de lui faire confiance
- 01
La source est-elle fiable ?
Vérifiez son auteur, son origine et ses droits. - 02
Est-elle à jour ?
Regardez la date et la version du document. - 03
Le passage répond-il vraiment ?
La proximité de sujet ne suffit pas. - 04
Le contexte est-il complet ?
Cherchez exceptions, tableaux et notes voisines. - 05
La réponse respecte-t-elle le passage ?
Comparez chaque affirmation importante. - 06
Le système sait-il dire « je ne sais pas » ?
L’absence de résultat doit être visible.
Sources de référence
Pour approfondir
Ces ressources décrivent les étapes de recherche, d’ajout au contexte et de génération.
Google CloudDéfinition et trois étapes du RAG →Google CloudFonctionnement, recherche et limites →Google CloudRecherche et génération fondée sur les données →
Sources consultées le 27 septembre 2026.
La suite logique
Apprenez maintenant à reconnaître une réponse qui dépasse ses sources.
Comprendre une notion
Gardez le fil de votre apprentissage.
Une étape courte et clairement reliée à ce que vous venez de lire.