Le RAG, ou génération augmentée par la recherche, consiste à retrouver des informations dans des sources puis à les fournir à un modèle pour l’aider à produire une réponse.
Exemple en entreprise
Un assistant consulte une procédure interne avant d’expliquer les étapes d’une intervention et de citer le passage utilisé.
Ce qu’il faut retenir
Le RAG ne garantit pas l’exactitude. Une recherche incomplète, une source obsolète ou une mauvaise interprétation peuvent produire une réponse erronée.
Passer de la notion à la pratique
Découvrez les méthodes et démonstrations associées, puis examinez leur pertinence pour votre entreprise.
Que change le RAG par rapport au modèle seul ?
Le modèle reçoit des informations retrouvées au moment de la demande. La réponse peut ainsi être reliée à des documents identifiés, mais la recherche, les droits et la fidélité de la réponse restent à vérifier. Le RAG n’est pas un nouveau modèle qui connaîtrait automatiquement toutes les données de l’entreprise.
Exemple de contrôle : poser une question dont la réponse existe dans une procédure, puis une question sans réponse dans le corpus. Examiner les passages retrouvés, la citation et la manière dont le manque d’information est signalé.
RAG et fine-tuning répondent à des besoins différents
Le RAG recherche des informations utiles au moment de répondre. Le fine-tuning modifie le comportement d’un modèle par un entraînement complémentaire. Leur pertinence doit être testée selon le besoin ; l’un n’est pas un remplacement universel de l’autre.
Source et révision
Révision éditoriale du 25 septembre 2026 : définition, exemple et référence. Référence : Lewis et al., Retrieval-Augmented Generation.
Vous souhaitez appliquer cette notion à vos usages ? Parlons-en lors d’un premier échange gratuit et sans engagement.