Qu'est-ce que le RAG ?

Le RAG (Retrieval-Augmented Generation, ou génération augmentée par récupération) est une technique qui permet à une IA générative de consulter une base de documents spécifique avant de formuler sa réponse, plutôt que de se fier uniquement à ses connaissances générales.

Concrètement, le RAG combine deux étapes : une recherche (« retrieval ») dans une base de documents propre à l'utilisateur (dossiers clients, procédures internes, référentiels métier), puis une génération de réponse par le modèle de langage, en s'appuyant sur les extraits pertinents trouvés.

L'intérêt principal est de réduire le risque d'erreur ou d'approximation (voir hallucination) en ancrant la réponse dans des sources vérifiables et à jour, plutôt que dans les seules connaissances générales du modèle.

En pratique, dans un cabinet

Le RAG est particulièrement utile pour interroger un corpus de dossiers clients, une base réglementaire interne, ou une bibliothèque de gabarits d'agence, avec des réponses qui citent directement les documents sources. C'est un des leviers que nous mobilisons dans nos missions de développement sur-mesure lorsque le besoin s'y prête.

Deux exemples concrets

En cabinet. Un assistant RAG branché sur les procédures internes, les lettres de mission types et la doctrine du cabinet répond aux questions des collaborateurs (« quelle mention pour une lettre de mission de tenue avec révision ? ») en citant le document source. La réponse est ancrée dans ce que le cabinet a écrit, pas dans une connaissance générale.

Ce qu'il faut retenir

• Le RAG réduit fortement les hallucinations sur vos sujets internes, mais il ne les supprime pas : vérifier que la source citée dit bien ce que la réponse affirme.
• La qualité dépend de la base documentaire : des documents à jour, bien nommés, sans doublons contradictoires.
• Le RAG ne modifie pas le modèle ; il lui fournit des extraits au moment de la question. Il est donc plus simple et moins coûteux à maintenir qu'un fine-tuning.