Nouveau cas client : LeadsIt, l’application de prospection B2B que nous avons construite avec l’IA. Lire le cas client →

Article · 7 min de lecture

RAG : comment une IA répond à partir de vos propres documents

Le RAG (génération augmentée par la recherche) est une méthode qui fait répondre une IA à partir de vos documents plutôt que de sa mémoire. Le système cherche d’abord les passages utiles dans vos fichiers, puis le modèle rédige une réponse fondée sur ces passages et indique d’où vient chaque information.

Le RAG, définition simple

RAG est l’abréviation de l’anglais « Retrieval-Augmented Generation », que l’on traduit par génération augmentée par la recherche. C’est une façon d’utiliser un modèle de langage, le moteur qui rédige le texte, en lui fournissant au moment de chaque question les extraits de vos documents qui permettent d’y répondre. Le modèle ne répond donc pas de mémoire : il répond à partir de ce qu’on vient de lui donner à lire.

Une image aide à comprendre. Un modèle seul ressemble à une personne cultivée qui répond de tête. Un RAG ressemble à la même personne à qui l’on tend le bon classeur, ouvert à la bonne page, avant chaque question. Elle peut alors répondre précisément et montrer le paragraphe sur lequel elle s’appuie.

Le RAG ne modifie pas le modèle lui-même. Vos documents restent à part, dans un index consultable. C’est ce qui permet de les mettre à jour facilement et de contrôler qui y a accès.

Pourquoi un modèle seul ne suffit pas

Un modèle de langage apprend à partir d’une grande quantité de textes publics, jusqu’à une certaine date. Il ne connaît donc ni vos procédures internes, ni vos contrats, ni vos tarifs, ni les décisions prises la semaine dernière. Interrogé sur ces sujets, il risque de répondre de façon générale, ou pire, d’inventer une réponse qui a l’air juste.

Ce dernier point est le plus gênant en entreprise. Une réponse fausse mais bien rédigée est difficile à repérer. Sans source, l’utilisateur n’a aucun moyen simple de vérifier. Le RAG répond à ce problème de deux façons : il donne au modèle l’information exacte, et il permet d’afficher la source pour que chacun puisse contrôler.

Comment fonctionne un RAG, étape par étape

Le fonctionnement se déroule en deux temps. D’abord une préparation, faite une fois puis tenue à jour. Ensuite, à chaque question, une recherche suivie d’une rédaction.

Pendant la préparation, vos documents sont découpés en passages courts. Chaque passage est transformé en une représentation numérique de son sens, appelée « embedding ». Ces représentations sont rangées dans un index, une sorte de catalogue où l’on peut chercher par sens et pas seulement par mot exact. Chaque passage garde aussi son titre, sa date et ses droits d’accès.

Quand un utilisateur pose une question, le système cherche dans l’index les passages les plus proches de cette question, parmi ceux que l’utilisateur a le droit de voir. Il les transmet au modèle avec une consigne claire : répondre uniquement à partir de ces passages, citer les sources, et dire « je ne sais pas » si l’information n’y figure pas.

  • Découper les documents en passages.
  • Indexer chaque passage avec son titre, sa date et ses droits.
  • Chercher les passages pertinents pour la question posée.
  • Faire rédiger la réponse à partir de ces passages seulement.
  • Afficher les sources pour permettre la vérification.

À quoi sert un RAG en entreprise

Le RAG convient à toutes les situations où la réponse existe déjà quelque part par écrit, mais où il faut du temps pour la retrouver. C’est le cas de beaucoup de questions internes et de nombreuses questions de clients.

Un exemple public : pour l’Autorité de protection des données personnelles de Monaco (APDP), Open Intelligence a construit Céos, un assistant en français et en anglais sur son site. Il répond aux questions du public à partir des documents de l’autorité, en s’appuyant sur ces textes plutôt que sur des connaissances générales.

  • Base de connaissances interne : procédures, notes de service, règlement intérieur.
  • Support client : fiches produits, conditions générales, réponses types.
  • Juridique : recherche dans des contrats ou des textes de référence.
  • Technique : manuels, fiches d’intervention, historiques de pannes.
  • Site public : répondre aux visiteurs à partir de votre documentation officielle.

Les limites d’un RAG

Un RAG ne vaut que ce que valent vos documents. Si deux versions d’une procédure cohabitent, il peut citer la mauvaise. Si une information n’est écrite nulle part, il ne pourra pas l’inventer correctement. Le tri des sources est donc une étape à part entière du projet.

La recherche peut aussi se tromper. Si elle ne retrouve pas le bon passage, le modèle répondra à partir d’un passage voisin ou dira qu’il ne sait pas. La qualité de la recherche se règle et se mesure, avec des questions de test dont on connaît la bonne réponse.

Enfin, un RAG est fait pour retrouver et reformuler une information écrite. Il n’est pas fait pour calculer un chiffre d’affaires à partir d’une base de données ou pour prendre une décision. Pour ces besoins, il faut le compléter par des connecteurs vers vos logiciels ou par une validation humaine.

Ce qui fait un bon RAG

Un bon RAG cite ses sources de façon précise : le document, la section, et si possible la date. Il refuse de répondre quand l’information manque plutôt que de combler le vide. Il respecte les droits d’accès d’origine, pour qu’un utilisateur ne découvre pas par l’assistant un document qui lui est fermé.

Il est aussi tenu à jour automatiquement. Quand un document change, l’index suit. Et il est évalué régulièrement, avec un jeu de questions réelles, pour repérer les dérives avant les utilisateurs.

Un bon RAG se reconnaît enfin à l’usage. Les utilisateurs cliquent sur les sources au début, puis de moins en moins, parce qu’ils ont constaté qu’elles étaient justes. Quand une réponse déçoit, ils peuvent le signaler en un geste, et ce signalement sert à corriger un document ou un réglage.

  • Citations précises et vérifiables.
  • Refus explicite quand l’information n’est pas dans les sources.
  • Droits d’accès hérités des systèmes d’origine.
  • Mise à jour automatique de l’index.
  • Évaluation régulière sur des questions réelles.

RAG et confidentialité de vos documents

Confier ses documents à un système d’IA pose une question légitime : où vont-ils ? Dans un RAG, les documents sont indexés dans une base que vous pouvez héberger où vous le souhaitez, y compris sur vos propres serveurs. Seuls les quelques passages utiles à une question sont transmis au modèle au moment de répondre.

Le point à vérifier est donc le modèle. S’il est fourni par un service extérieur, lisez ses conditions : les données envoyées sont-elles conservées, et servent-elles à l’entraînement ? Si ces garanties ne suffisent pas, il est possible d’utiliser un modèle ouvert hébergé en Europe ou chez vous. Dans ce cas, aucun passage ne quitte votre infrastructure.

Si vos documents contiennent des données personnelles, le RGPD s’applique comme pour tout traitement. Il faut savoir pourquoi ces données sont indexées, qui peut les consulter et combien de temps elles restent dans l’index. Le RAG facilite ce travail, puisque chaque passage est rattaché à un document identifié que l’on peut retirer.

Faire construire un RAG sur vos documents

Open Intelligence construit des RAG sur mesure à partir des documents de ses clients. Notre moteur OpenOS conserve la source et la date de chaque information, et les réponses citent leurs passages. L’hébergement peut se faire en Europe, en cloud privé ou sur vos serveurs, avec le modèle de votre choix.

Questions fréquemment posées

Que veut dire RAG ?

RAG signifie « Retrieval-Augmented Generation », soit génération augmentée par la recherche. Le système recherche d’abord les passages utiles dans vos documents, puis le modèle rédige sa réponse à partir d’eux. Le terme désigne une méthode, pas un produit.

Quelle est la différence entre un RAG et ChatGPT ?

Un assistant grand public répond surtout à partir de ce que son modèle a appris lors de son entraînement. Un RAG cherche d’abord dans vos documents et répond à partir des passages trouvés, en les citant. Il connaît donc vos informations internes et reste à jour quand elles changent.

Un RAG utilise-t-il mes documents pour entraîner l’IA ?

Non, pas par principe. Dans un RAG, vos documents restent dans un index séparé et sont seulement lus au moment des questions. Vérifiez tout de même les conditions du fournisseur de modèle que vous utilisez, ou choisissez un modèle hébergé chez vous.

Quels types de documents un RAG peut-il utiliser ?

La plupart des documents texte : PDF, documents bureautiques, pages d’intranet, wikis, tickets, courriels. Les PDF scannés demandent une reconnaissance de caractères au préalable. Les tableaux complexes et les images demandent un traitement particulier.

Un RAG peut-il encore se tromper ?

Oui. Il peut citer un document obsolète, manquer le bon passage ou mal reformuler. Ces erreurs se réduisent en triant les sources, en réglant la recherche et en évaluant les réponses sur des questions de test. Les citations permettent à l’utilisateur de vérifier rapidement.

Passez de la question à la décision

Le moyen le plus rapide de comprendre Open Intelligence est de le voir répondre sur vos propres documents. Décrivez votre besoin : nous revenons vers vous avec une solution sur mesure et un devis chiffré.