Fondamentaux IA
RAG (Retrieval-Augmented Generation)
Le RAG (Retrieval-Augmented Generation) fait chercher à l'IA les bons passages de vos documents avant de répondre. Fonctionnement, limites, RAG vs fine-tuning.
Qu'est-ce que le RAG ?
Le RAG (Retrieval-Augmented Generation, ou génération augmentée par récupération) est une méthode qui fait chercher à une IA les passages utiles dans une base de documents avant de répondre. Le modèle rédige ensuite sa réponse à partir de ces extraits, au lieu de s'appuyer seulement sur ce qu'il a appris pendant son entraînement.
La méthode est décrite en 2020 par des chercheurs de Facebook AI Research, de l'University College London et de l'Université de New York, dans l'article Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks (Patrick Lewis et ses coauteurs). Elle devient la façon standard de brancher un LLM sur les documents d'une entreprise.
Aussi connu sous : génération augmentée par récupération, génération à enrichissement contextuel, retrieval augmented generation.
Pourquoi le RAG compte pour les marketeurs
Le RAG est déjà dans les outils du quotidien. Les Projets de Claude et de ChatGPT, NotebookLM de Google ou la recherche web de Perplexity reposent sur ce principe : retrouver des passages, puis répondre en les citant.
Pour un marketeur, le RAG change la nature des réponses. Un assistant branché sur la charte de marque, les fiches produits ou les études clients répond à partir de ces documents, avec des sources vérifiables. Il limite les hallucinations sur les sujets internes, que le modèle ne peut pas connaître, et reste à jour dès qu'un document change, sans réentraîner le modèle.
Comment fonctionne le RAG
Un système RAG suit quatre étapes.
Le découpage et l'indexation
Les documents (PDF, pages web, fiches, tickets) sont découpés en passages de quelques paragraphes. Chaque passage est converti en vecteur, une suite de nombres qui représente son sens, puis rangé dans une base vectorielle.
La recherche
La question de l'utilisateur est convertie de la même façon. Le système retrouve les passages au sens le plus proche, souvent combinés à une recherche par mots-clés classique. Un tri supplémentaire peut reclasser les meilleurs résultats.
L'enrichissement du prompt
Les passages retenus sont ajoutés au prompt, avec une consigne du type « réponds uniquement à partir de ces extraits et cite-les ». Ils occupent une partie de la fenêtre de contexte du modèle.
La génération
Le modèle rédige la réponse à partir des extraits et indique leurs sources. Une bonne mise en place prévoit aussi le cas où aucun passage ne répond : le modèle doit alors le dire au lieu d'inventer.
RAG vs fine-tuning vs fenêtre de contexte
Trois approches permettent de faire travailler un modèle sur ses propres données.
| Approche | Principe | Quand l'utiliser |
|---|---|---|
| RAG | chercher les passages utiles à chaque question | gros volume de documents qui changent souvent |
| Fine-tuning | réentraîner le modèle sur ses exemples | style ou format très spécifique, données stables |
| Fenêtre de contexte | coller tous les documents dans la conversation | quelques documents, besoin ponctuel |
Le RAG apporte des connaissances, le fine-tuning modifie un comportement. Un Skill apporte une méthode de travail, et se combine souvent avec le RAG.
Cas d'usage marketing
- Un assistant qui répond aux questions des commerciaux à partir des fiches produits et des argumentaires.
- Une base d'avis et d'études clients interrogeable pour retrouver la bonne preuve dans une proposition commerciale.
- Un chatbot de support qui cite la page d'aide exacte dans chaque réponse.
- Un contrôle de conformité qui vérifie un texte publicitaire contre la charte de marque.
Limites du RAG
- La réponse ne vaut que ce que valent les documents : une base obsolète ou contradictoire produit des réponses fausses avec une source à l'appui.
- Un mauvais découpage coupe une information en deux, et le système retrouve un passage incomplet.
- La recherche peut manquer le bon passage, surtout avec des acronymes ou un vocabulaire interne.
- Les droits d'accès doivent suivre : un collaborateur ne doit pas obtenir, via l'IA, un document qu'il n'a pas le droit de lire.
- Un document piégé peut contenir des instructions cachées, une prompt injection, que le modèle risque de suivre.
Comment démarrer avec le RAG
Le plus simple est de commencer sans développement : un Projet Claude, un Projet ChatGPT ou NotebookLM avec quelques documents de référence. Les Skills de Join Médicis indiquent ensuite à l'IA comment exploiter ces documents, les guides MCP la branchent aux outils, et les automatisations et agents IA industrialisent ces usages.
Questions fréquentes
Le RAG supprime-t-il les hallucinations ?
Non. Il les réduit sur les sujets couverts par les documents, mais le modèle peut encore mal lire un extrait ou compléter une réponse. Les sources citées permettent de vérifier.
Faut-il savoir coder pour utiliser le RAG ?
Non pour les outils grand public qui l'intègrent, comme les Projets Claude ou NotebookLM. Un système RAG sur mesure, branché aux bases de l'entreprise, demande un développeur.
Quelle différence entre RAG et recherche web ?
La recherche web est un RAG dont la base est internet. Un RAG d'entreprise cherche dans des documents internes choisis.
Quelle différence entre RAG et fine-tuning ?
Le RAG ajoute des documents au moment de la question. Le fine-tuning modifie le modèle lui-même, avec un coût plus élevé et une mise à jour plus lente.
Une erreur, un lien cassé, un souci de sécurité ? Dis-le-nous, on corrige.
Dernière mise à jour : 12 novembre 2026