Le RAG expliqué simplement : comment un agent IA s’appuie sur vos documents

Un commercial demande : « Jusqu’à combien de remise puis-je aller sans accord ? » Posée à un assistant d’IA générique, la question obtient une réponse claire, bien tournée, et sans aucun rapport avec votre grille tarifaire. L’outil ne l’a jamais lue. Il répond quand même.

AWS résume ce travers par une image : un modèle d’IA ressemble à un nouvel employé trop enthousiaste, qui ne se tient pas au courant mais répond à chaque question avec une confiance absolue. Le RAG consiste à lui donner, avant chaque réponse, le bon classeur ouvert à la bonne page, et à lui demander de dire quelle page il a lue.

Ce guide explique ce que ce principe change pour un agent IA qui travaille avec vos documents, et où sont ses limites.

Ce que veut dire RAG

RAG est l’abréviation de l’anglais retrieval-augmented generation. On peut le traduire par « génération augmentée par la recherche » : le texte produit par l’IA est enrichi par ce qu’une recherche a trouvé. Il n’existe pas de traduction officielle, et les éditeurs n’emploient pas tous la même.

Le principe : d’abord chercher, dans une collection de documents choisie, les passages utiles à la question. Ensuite répondre : le modèle de langage, c’est-à-dire le programme qui rédige le texte, reçoit la question avec ces passages et s’appuie dessus pour écrire.

Le nom vient d’un article de recherche publié en 2020 par des chercheurs de Facebook AI Research, de l’University College London et de l’université de New York. Leurs documents venaient de Wikipédia. Depuis, le mot désigne le principe général plus que l’architecture précise de cet article.

En pratique, cela se passe en trois temps :

Pourquoi c’est utile

Trois raisons reviennent dans la documentation des éditeurs.

Vos documents internes. Un modèle de langage a appris sur de grands volumes de textes. Il ne connaît pas vos tarifs, vos contrats ni vos notes d’incidents. Le RAG lui donne accès à ces documents sans avoir à le réentraîner, comme le souligne AWS dans sa présentation du principe.

Des informations à jour. Les données d’entraînement d’un modèle s’arrêtent à une date. Ce qui a changé ensuite, il l’ignore. Avec le RAG, il suffit de changer le document. L’article de 2020 le montrait déjà : les chercheurs ont mis à jour les connaissances de leur modèle en remplaçant simplement son index de Wikipédia de 2016 par celui de 2018, sans le réentraîner. Pour vous, c’est la grille de cette année qui remplace celle de l’an dernier.

Des réponses vérifiables. La réponse peut citer ses sources : le document, voire le passage exact. Une personne peut alors ouvrir le document et vérifier. Anthropic, par exemple, propose pour son modèle Claude une fonction de citations qui renvoie les passages exacts sur lesquels s’appuie chaque affirmation. Sur ce site, l’exemple de devis contrôlé affiche sa source de la même façon : « Grille tarifaire 2026.xlsx ».

Trois exemples dans une PME

Sur les pages de ce site, le même geste revient : chercher la pièce avant de conclure.

• Le support client. Avant de préparer une réponse, l’agent s’appuie sur votre base de connaissances, vos notes d’incidents et les réponses déjà envoyées. Quand l’information n’y est pas, il le signale au lieu d’inventer. Le guide sur le tri des tickets support détaille ce travail de préparation.
• Les devis. L’agent compare le devis à la grille tarifaire rangée dans vos documents et à la proposition envoyée au client par mail. Le guide sur la grille tarifaire et les remises montre ce contrôle pas à pas.
• Les factures fournisseurs. Quand une ligne dépasse la commande, l’agent cherche un avenant, un devis complémentaire ou un mail d’accord. Sans justificatif, l’écart part chez votre équipe.

Dans les trois cas, la réponse vaut ce que vaut le document retrouvé. D’où les limites.

Les limites du RAG

Le RAG déplace une partie du problème vers vos documents et vers la recherche.

Un document absent. L’agent ne retrouve pas ce qui n’est écrit nulle part. Une règle qui n’existe que dans la tête d’une personne lui reste inaccessible. Le bon comportement est alors de le dire, pas de combler le trou.

Un document périmé ou en double. Si deux versions de la grille tarifaire traînent dans le même dossier, la recherche peut tomber sur la mauvaise. AWS le rappelle : pour que les réponses restent à jour, il faut tenir les documents à jour. L’agent ne sera jamais plus récent que vos documents.

Une recherche qui passe à côté. La question emploie un mot, le document un autre. Microsoft note qu’une recherche par mots-clés échoue quand les termes de la question ne correspondent pas à ceux du document. Autre piège, décrit par Anthropic : un passage découpé hors de son document perd son contexte. « Le tarif augmente au 1er janvier » ne dit plus de quel produit ni de quelle année il s’agit.

Des accès à régler. Comme le rappelle Microsoft, les utilisateurs et les agents ne doivent récupérer que du contenu autorisé.

Des erreurs qui subsistent. En 2024, des chercheurs, principalement de Stanford, ont évalué des outils de recherche juridique fondés sur le RAG, dont certains éditeurs promettaient d’« éliminer » les hallucinations, ces réponses inventées par l’IA. Leur conclusion : les hallucinations étaient moins fréquentes qu’avec un assistant généraliste, mais les promesses étaient exagérées. Une réponse appuyée sur un document reste donc à vérifier quand elle engage l’entreprise. Le guide sur les hallucinations de l’IA explique pourquoi.

Enfin, le RAG n’est pas toujours nécessaire. Anthropic note qu’une base de connaissances assez petite peut être donnée en entier au modèle, sans recherche préalable. Le RAG devient utile quand les documents sont trop nombreux pour être lus d’un bloc.

RAG et MCP, deux choses différentes

On croise souvent ces deux sigles ensemble. Le RAG est une méthode : chercher les bons passages avant de répondre. Le MCP (Model Context Protocol) est un standard ouvert, publié par Anthropic en novembre 2024, pour brancher une application d’IA sur d’autres systèmes. Sa documentation le compare à un port USB-C : une prise commune, au lieu d’un câble par logiciel.

Par MCP, un agent peut lire, par exemple des documents ou une base de connaissances, et agir, par exemple envoyer un message ou créer un événement dans un agenda. La recherche d’un RAG peut donc très bien passer par MCP. En résumé, le RAG dit comment l’agent trouve la bonne information, le MCP dit par où il se branche sur vos logiciels, pour lire comme pour agir. Le MCP expliqué simplement entre dans le détail.

Ce que le RAG ne change pas

Retrouver le bon document ne suffit pas à décider. L’IA lit et retrouve, le code calcule, une personne valide ce qui engage l’entreprise. Dans l’exemple du devis, les remises sont lues par l’IA, le dépassement est calculé par le code, et la dérogation, si elle est accordée, reste une décision de votre équipe. Les garde-fous de la page d’accueil détaillent ce partage.

Par où commencer

Avant de parler technique, regardez vos documents : un agent qui s’appuie sur eux hérite aussi de leurs défauts.

1. Listez les documents qui font foi pour l’usage visé : la base de connaissances du support, la grille tarifaire en vigueur, les contrats types.
2. Faites le ménage : les versions périmées, les doublons, les règles qui ne sont écrites nulle part.
3. Choisissez un usage où une réponse sourcée évite une recherche à votre équipe, et où une personne peut vérifier la source quand la réponse engage l’entreprise.

Le cadrage demande ensuite vos règles et un accès en lecture aux logiciels et aux dossiers où se trouvent ces documents. L’agent est testé sur vos vrais documents avant sa mise en service.

Pour voir ce qu’un agent fait concrètement avec vos documents et vos logiciels, et ce qu’il vous laisse décider, la page Agents IA sur mesure présente des cas d’usage et les garde-fous mis en place.