RAG : définition simple de l'IA qui cite ses sources

Un chatbot classique répond de mémoire : il déroule ce qu'il a retenu pendant son entraînement, sans rien consulter. Le RAG fait l'inverse : l'IA cherche d'abord dans une base de documents, puis rédige en s'appuyant sur ce qu'elle a trouvé. Définition, fonctionnement en 3 étapes, et ce que ça règle (ou pas).

Le RAG, c'est quoi exactement ?

Le RAG (Retrieval-Augmented Generation, génération augmentée par récupération) est une technique qui connecte un modèle de langage à une base documentaire externe. Avant de répondre, le système recherche les passages pertinents dans cette base, les glisse dans le contexte du modèle, et le modèle rédige sa réponse à partir de ces extraits, citations à l'appui. Le terme vient d'un papier de chercheurs de Facebook AI Research publié en 2020.

C'est l'examen à livre ouvert. Sans RAG, un LLM répond de mémoire, comme un étudiant privé de ses notes : quand il ne sait plus, il improvise avec aplomb. Avec RAG, le même étudiant a le manuel sous les yeux : il repère le bon chapitre et répond en le citant. Le modèle ne devient pas plus intelligent, il devient mieux documenté.

Comment ça marche, en 3 étapes ?

Un système RAG enchaîne trois opérations : indexer les documents, retrouver les bons passages, générer la réponse. Les deux premières font toute la différence avec un chatbot classique.

1. L'indexation. Les documents (PDF, pages web, doc interne) sont découpés en morceaux, chacun converti en embedding : une série de nombres qui capture son sens. Deux textes qui disent la même chose obtiennent des nombres proches, même sans mot en commun. Le tout est rangé dans une base dite vectorielle.

2. La recherche. Votre question subit la même conversion. Le système compare ses nombres à ceux de la base et remonte les passages les plus proches par le sens. C'est plus fin qu'une recherche par mots-clés : « congés payés » retrouvera aussi le paragraphe qui parle de « jours de repos ».

3. La génération. Les passages retrouvés sont ajoutés à votre question dans la consigne envoyée au modèle, avec une instruction du type « réponds en t'appuyant sur ces extraits ». Le modèle rédige, en pointant d'où vient chaque affirmation.

Où croisez-vous déjà du RAG sans le savoir ?

Le RAG est partout où une IA répond avec des sources cliquables. Perplexity et les modes recherche de ChatGPT ou Gemini appliquent le principe au web entier : recherche d'abord, rédaction ensuite, liens à l'appui.

NotebookLM, l'outil de Google, applique la même mécanique à vos propres fichiers : vous importez vos PDF et vos notes, et il ne répond qu'à partir d'eux, citation exacte à l'appui. Troisième terrain, moins visible : les chatbots d'entreprise, comme un assistant de support branché sur la doc produit ou un outil RH nourri de la convention collective de la boîte.

Le RAG élimine-t-il les hallucinations ?

Non, il les réduit. Une étude de Stanford (2024) a testé des outils de recherche juridique équipés de RAG et vendus comme fiables : ils produisaient encore des réponses erronées dans 17 à 33 % des cas selon l'outil, contre 43 % pour GPT-4 seul. Net progrès, mais loin du zéro promis par le marketing.

Pourquoi ça déraille encore : la recherche peut rater le bon passage, le modèle peut mélanger les extraits, et une base obsolète donne des réponses obsolètes proprement sourcées. On a détaillé la mécanique dans pourquoi ChatGPT invente des réponses. Le bon réflexe reste donc de cliquer sur les citations avant de réutiliser une réponse, et de creuser via nos articles Intelligence artificielle.

FAQ

Quelle différence entre RAG et fine-tuning ?

Le fine-tuning ré-entraîne le modèle sur vos données : coûteux, et les connaissances se figent dans le modèle. Le RAG branche une base consultée à chaque question, que vous mettez à jour sans toucher au modèle. Les deux se combinent très bien.

ChatGPT utilise-t-il le RAG ?

Le modèle de base, non : il répond de mémoire. Mais son mode recherche web et les fonctions qui lisent vos fichiers reposent sur le même principe : récupérer des passages pertinents, puis générer à partir d'eux.

Faut-il être développeur pour utiliser du RAG ?

Non. NotebookLM offre un RAG clé en main sur vos propres documents, gratuitement. Côté développeurs, bases vectorielles et frameworks d'orchestration permettent d'assembler un RAG maison.

Sources

• Lewis et al., Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks : le papier fondateur (NeurIPS 2020) qui a posé le terme RAG.
• IBM : What is retrieval-augmented generation? : définition de référence et description de l'architecture.
• Stanford RegLab : Hallucination-Free? : l'étude qui mesure 17 à 33 % d'hallucinations sur des outils juridiques équipés de RAG.
• Google NotebookLM : exemple grand public de RAG appliqué à vos propres documents.