Le RAG est devenu la réponse par défaut à une question qui n'a pas toujours été posée. On me demande de « brancher l'IA sur nos documents » avant même de m'avoir dit quelles questions les gens se posent réellement. Or c'est une technique, pas une stratégie — et comme toute technique, elle a un domaine de validité assez précis.
Ce que c'est, sans jargon
RAG veut dire retrieval-augmented generation : génération augmentée par la recherche. Le principe tient en trois temps.
- On découpe les documents en morceaux et on les indexe de façon à pouvoir les retrouver par le sens, pas seulement par les mots exacts.
- Quand quelqu'un pose une question, le système va chercher les quelques morceaux les plus pertinents.
- Il les colle dans le contexte du modèle, avec la question, et lui demande de répondre à partir de ces morceaux uniquement.
C'est tout. Il n'y a pas d'apprentissage, le modèle ne « connaît » pas ta documentation : on lui remet sous le nez, à chaque question, le bout de texte censé contenir la réponse.
Cette description importe, parce qu'elle explique directement les limites. Si le bon morceau n'est pas retrouvé, il n'y a pas de miracle en aval. Et si le morceau retrouvé dit une bêtise, le système la répète avec assurance.
Les cas où ça apporte vraiment
Un corpus volumineux et hétérogène. Quelques centaines de documents, plusieurs milliers de pages, répartis entre des dossiers, un intranet et des PDF. Personne ne sait plus où est quoi. C'est le terrain de jeu naturel du RAG : la valeur vient de la recherche, pas de la rédaction.
Le besoin de citer la source. Un bon système RAG renvoie la réponse et le document d'où elle vient. Sur des sujets réglementaires, contractuels ou techniques, cette traçabilité vaut souvent plus que la réponse elle-même. Elle permet à l'humain de vérifier en dix secondes au lieu de chercher pendant vingt minutes.
Une matière qui bouge souvent. Tarifs, procédures, catalogue produit. Comme rien n'est figé dans le modèle, mettre à jour le corpus suffit à mettre à jour les réponses. C'est un avantage réel sur toute approche qui consisterait à figer la connaissance dans un prompt géant.
Beaucoup de questions, peu de variété dans les intentions. Une équipe support, un service RH, un réseau de franchisés. Quand cinquante personnes cherchent la même information dans un labyrinthe, le gain est immédiat et visible.
Les cas où ça déçoit
La documentation se contredit. C'est le scénario le plus fréquent et le plus douloureux. Deux procédures coexistent, l'une de 2023 et l'autre de 2025, personne n'a supprimé la première. Le système en retrouve une des deux, au hasard de la formulation de la question, et répond avec le même aplomb dans les deux cas. Avant, l'ambiguïté était visible : deux fichiers, deux dates, un humain qui tranche. Après, elle est masquée par une réponse unique et lisse. Le RAG n'a pas créé le problème, il l'a rendu invisible.
La question demande du calcul ou de l'agrégation. « Combien de contrats arrivent à échéance ce trimestre ? » n'est pas une question de recherche documentaire. Le système va retrouver trois ou quatre contrats parmi deux cents et te donner un chiffre faux avec conviction. Ce type de question relève d'une base de données et d'une requête, pas d'un corpus et d'une recherche sémantique.
Le corpus est minuscule. Vingt pages ? Mets-les directement dans le contexte du modèle. Les fenêtres de contexte actuelles avalent sans difficulté ce qui tenait dans un classeur. Tu économises une infrastructure d'indexation, une étape de recherche qui peut se tromper, et beaucoup de complexité pour rien.
Personne n'est propriétaire du corpus. Si aucun nom n'est associé à la mise à jour des documents, le système se dégrade en silence. Six mois plus tard il répond sur la base d'un monde qui n'existe plus, et il le fait toujours aussi bien.
Le vrai conseil : nettoyer avant
C'est le message que je répète le plus, et celui qui plaît le moins parce qu'il ressemble à du travail sans gloire.
Avant toute mise en place, fais un passage sur le corpus :
- Supprime les versions périmées. Pas « archive » dans un sous-dossier indexé aussi — supprime, ou sors-les explicitement du périmètre.
- Tranche les contradictions. Quand deux documents disent l'inverse, quelqu'un doit décider lequel fait foi. Ce n'est pas un travail d'IA, c'est un travail de métier.
- Date et attribue. Chaque document a une date de dernière revue et un responsable. Sans ça, tu ne pourras pas maintenir.
- Enlève ce qui n'est pas de la connaissance. Comptes rendus de réunion, brouillons, échanges de mails. Ils polluent la recherche et font remonter des morceaux plausibles mais sans autorité.
Ce chantier a une propriété intéressante : il crée de la valeur même si tu abandonnes le projet IA en cours de route. Une documentation triée sert à tout le monde, tout de suite.
Comment décider en une heure
Écris les vingt questions que ton équipe pose le plus souvent. Pour chacune, réponds à deux choses : est-ce que la réponse existe quelque part par écrit ? Est-ce qu'elle existe à un seul endroit ?
Si la majorité coche les deux cases, le RAG a un vrai terrain. Si beaucoup de réponses n'existent nulle part, tu as un problème de documentation, et aucune couche technique ne le résoudra. Si beaucoup existent en plusieurs versions contradictoires, tu as un problème de gouvernance — et il faut le régler d'abord, sous peine de l'automatiser.