Qu'est-ce que le RAG ? Comment l'IA arrête de deviner et commence à citer

Ce qu'est réellement le RAG

Un modèle de langage seul est comme un examen à livre fermé. Tout ce qu'il peut vous dire a été fixé à la fin de son entraînement, et l'interroger sur votre contrat, votre code ou l'actualité d'hier vous vaut soit un refus, soit une supposition présentée avec assurance. Pourquoi l'IA se trompe traite ce problème en détail.

Le RAG transforme cet examen à livre fermé en examen à livre ouvert. Avant que le modèle ne rédige une réponse, le système interroge une source de connaissances, comme vos fichiers téléchargés, un wiki d'entreprise ou le web en direct, en extrait les passages les plus pertinents et les insère dans le prompt aux côtés de votre question. Le modèle répond alors à partir de ce texte récupéré plutôt que de sa seule mémoire.

C'est toute l'idée. Le nom est intimidant ; le mécanisme, lui, tient en trois mots : « chercher d'abord ». Tout le reste de l'ingénierie du RAG consiste à faire en sorte que cette étape de recherche trouve les bons passages.

Pourquoi les modèles ont besoin d'une étape de récupération

Deux limites strictes créent ce besoin.

L'entraînement a une date de fin. Un modèle entraîné jusqu'au début de 2026 ne sait rien de ce qui s'est passé après, et réentraîner un modèle de pointe est un projet long de plusieurs mois et extrêmement coûteux. La récupération permet à un produit d'IA de répondre sur l'annonce de ce matin sans que personne n'ait à réentraîner quoi que ce soit.

Les données d'entraînement étaient publiques. Vos factures, vos tickets et vos documents internes n'en faisaient jamais partie, et aucun prompt aussi astucieux soit-il ne peut récupérer une information que le modèle n'a jamais vue. La récupération est le seul moyen pour un modèle généraliste de répondre à partir de données privées.

Il existe aussi une troisième raison, plus subtile : l'ancrage. Quand la réponse doit provenir d'un passage fourni, le modèle peut citer sa source, et vous pouvez la vérifier. Une réponse produite de mémoire n'offre rien à vérifier, ce qui est exactement ce qui rend les hallucinations dangereuses.

Comment fonctionne un pipeline RAG, étape par étape

Tout système RAG, d'une fonction de chat avec un PDF à un produit de recherche d'entreprise, suit les mêmes cinq étapes.

1. Découpage. Les documents sources sont découpés en passages, typiquement de quelques centaines de mots chacun, car la récupération fonctionne sur des passages plutôt que sur des fichiers entiers.
2. Indexation. Chaque fragment est converti en un embedding, une liste de nombres représentant son sens, puis stocké dans une base de données vectorielle de façon à ce que les sens similaires se retrouvent proches les uns des autres.
3. Récupération. Votre question est encodée de la même façon, et le système extrait les fragments dont les embeddings sont les plus proches, généralement les 3 à 10 meilleurs passages.
4. Augmentation. Ces passages sont insérés dans le prompt, entourés d'instructions du type « répondez uniquement à partir du contexte ci-dessous ».
5. Génération. Le modèle rédige la réponse à partir du prompt augmenté, en citant idéalement le passage qui appuie chaque affirmation.

Quand vous téléchargez un long document dans un outil de chat et que vous lui posez des questions, une version de ce processus s'exécute. Le guide du chat avec PDF montre à quoi cela ressemble concrètement dans Whizi.

RAG contre contexte long contre fine tuning

Ces trois approches sont souvent confondues parce qu'elles « enseignent » toutes au modèle vos données. Elles le font de façons incompatibles.

L'économie tranche plus que la théorie. Une fenêtre de contexte de 1 million de tokens, que proposent désormais des modèles de pointe comme Gemini et la famille GPT-5.6, contient environ 1 500 pages, donc on peut réellement coller un manuel entier. Mais au tarif de GPT-5.6 Terra, à $2 par million de tokens en entrée, envoyer 300 000 tokens de manuel à chaque question coûte environ $0.60 par question, tandis que récupérer les 2 000 bons tokens coûte moins d'un demi-centime. Posez trois questions et le contexte long revient 100 fois plus cher pour les mêmes réponses. Qu'est-ce qu'une fenêtre de contexte explique cette limite sous-jacente.

Le fine tuning est l'exception : il change la façon dont le modèle se comporte, pas ce qu'il sait. Les équipes l'utilisent pour le ton et le format de sortie, puis ajoutent quand même le RAG pour les faits.

Où vous utilisez déjà le RAG sans le savoir

La recherche web dans les chatbots. Quand ChatGPT, Gemini ou Perplexity fouille le web et répond avec des liens, c'est du RAG avec internet comme source de connaissances.

Le chat avec vos fichiers. Téléchargez un PDF et posez des questions : découpage, embedding et récupération s'exécutent en coulisses pour tout document trop long pour tenir confortablement dans le contexte.

Les bots de support client. Ceux qui répondent à partir d'un vrai centre d'aide et citent l'article sont des systèmes RAG. Ceux qui improvisent n'en sont pas, et ça se voit.

Les assistants IA qui répondent sur l'actualité. Toute réponse correcte sur un événement postérieur à la date limite d'entraînement du modèle est arrivée par récupération, pas par mémoire.

Où le RAG échoue, et comment le repérer

Le RAG réduit les hallucinations ; il ne les élimine pas, et il ajoute ses propres modes de défaillance.

Les échecs de récupération. Si l'étape de recherche extrait les mauvais passages, le modèle répond de façon fluide à partir d'un contexte hors sujet. Symptôme : une réponse qui cite votre document mais traite une question légèrement différente.

Les index obsolètes. La base de données vectorielle ne connaît les documents qu'à leur dernière indexation. Un système RAG bâti sur les politiques du trimestre dernier donne des réponses obsolètes présentées avec assurance et accompagnées de citations, ce qui est plus convaincant qu'une simple hallucination, et donc pire.

Les sources contradictoires. Quand les passages récupérés se contredisent, les modèles ont tendance à les fondre en un seul paragraphe lisse et erroné plutôt que de signaler le conflit.

La défense pratique est la même que pour toute réponse d'IA : vérifiez le passage cité, pas seulement l'existence de la citation. Une réponse RAG dont la source ne dit pas réellement ce que la réponse affirme est l'échec grave le plus fréquent dans les systèmes en production.