Imaginez que vous engagiez un collaborateur brillant, capable de rédiger des textes impeccables et de répondre à des questions complexes. Problème : il ne connaît rien à votre entreprise, à vos produits, à vos procédures. C'est exactement la situation des intelligences artificielles généralistes comme ChatGPT, Claude ou Mistral : très compétentes, mais ignorantes de votre contexte.
Le RAG (Retrieval-Augmented Generation, « génération augmentée par la recherche ») règle ce problème sans réentraîner le moindre modèle. Avant de répondre, l'IA va chercher les passages pertinents dans vos documents, puis rédige sa réponse à partir de ce qu'elle a trouvé. Le terme vient d'un article de recherche publié en 2020 par une équipe de Facebook AI Research, de l'University College London et de New York University : Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks, Lewis et al., NeurIPS 2020. L'idée est depuis devenue le socle de la quasi-totalité des assistants d'entreprise.
Une mise en garde avant d'aller plus loin. Vous croiserez partout des pourcentages spectaculaires sur les gains du RAG : tant de précision en plus, tant d'hallucinations en moins. Ces chiffres dépendent entièrement du corpus testé, du domaine, du modèle et de la manière de mesurer. Ils ne se transposent pas d'une entreprise à l'autre, et la plupart de ceux qui circulent ne renvoient à aucune source vérifiable. Cet article vous donne donc la méthode, les critères et les pièges — pas des statistiques invérifiables. Les seuls chiffres qui vaudront quelque chose pour vous sont ceux que vous mesurerez sur vos propres questions.
Le RAG expliqué avec une métaphore simple
Imaginez une documentaliste exceptionnelle. Quand vous lui posez une question, elle ne répond pas de mémoire. Elle parcourt les rayonnages, trouve les documents pertinents, lit les passages qui comptent, puis vous donne une réponse synthétique en vous indiquant d'où elle la tire.
C'est exactement ce que fait un système RAG, en quatre temps :
1. La question arrive. Un utilisateur interroge votre assistant : « Quelle est notre politique de retour pour les produits électroniques ? »
2. La recherche. Le système identifie, dans votre base documentaire (procédures, catalogues, FAQ, contrats, comptes rendus), les passages qui traitent réellement du sujet.
3. L'extraction. Seuls ces passages — quelques paragraphes, pas des documents entiers — sont retenus.
4. La génération. Le modèle reçoit la question et ces passages, puis rédige une réponse en langage naturel appuyée sur eux.
La différence tient en une phrase : sans RAG, une IA généraliste répond avec ce qu'elle a appris sur internet, qui peut être faux, périmé ou simplement étranger à votre activité. Avec le RAG, elle répond avec vos documents officiels.
Ce que le RAG change concrètement
Avant le RAG, intégrer une IA dans une entreprise laissait deux options : un outil générique peu fiable sur vos spécificités, ou l'entraînement d'un modèle sur-mesure, hors de portée d'une PME. Le RAG ouvre une troisième voie, et elle change quatre choses.
1. Les réponses sont ancrées. L'assistant ne dit plus « je pense que le magasin ouvre à 9 h », il dit « selon la page Horaires d'ouverture, le magasin ouvre à 8 h 30 du lundi au vendredi ». Ce n'est pas une question de modèle plus intelligent : c'est que la bonne information lui a été mise sous les yeux au moment de répondre.
2. Le système peut avouer qu'il ne sait pas. Une hallucination, c'est une information plausible et fausse produite avec aplomb. Quand la réponse doit venir des documents fournis, un système correctement configuré peut répondre « je n'ai pas trouvé cette information dans la documentation » plutôt que d'inventer. Attention : c'est une possibilité, pas une garantie automatique — cela se paramètre, se teste et se vérifie.
3. La mise à jour est immédiate. Vous corrigez un tarif dans votre catalogue ? L'assistant donne la nouvelle valeur dès l'indexation du document, sans réentraînement ni intervention technique.
4. Les réponses sont traçables. Un bon système cite ses sources : « d'après votre manuel de procédures RH, section 3.2… ». C'est ce qui permet à un humain de vérifier, donc de faire confiance. Une réponse sans source n'est pas vérifiable, et une réponse non vérifiable n'a pas sa place dans un processus client.
Comment ça marche techniquement, en clair
Trois briques suffisent à comprendre l'essentiel.
1. La base documentaire. Vos fichiers (PDF, Word, pages web, tickets, bases de données) sont découpés en morceaux de taille raisonnable — on parle de chunks — puis convertis en embeddings : des représentations mathématiques du sens de chaque passage. Deux textes qui parlent de la même chose avec des mots différents se retrouvent proches l'un de l'autre. Ce découpage est plus déterminant qu'il n'y paraît : mal fait, il coupe une procédure en deux et le système ne retrouvera jamais la moitié manquante.
2. La recherche. À la question posée, le système ne cherche pas des mots-clés exacts mais du sens. Demandez « politique de retour », il rapportera aussi « conditions de remboursement » et « procédure d'échange ». Les systèmes sérieux combinent cette recherche sémantique avec une recherche par mots-clés classique, précisément parce que les références produit, les numéros d'article et les noms propres se retrouvent mieux littéralement.
3. La génération. Un grand modèle de langage reçoit la question et les passages retenus, et rédige. Le modèle n'est pas la partie difficile — ils sont tous très bons à cet exercice. La qualité d'un système RAG se joue pour l'essentiel sur les deux premières briques : si le bon passage n'a pas été retrouvé, aucun modèle ne rattrapera la réponse.
L'analogie : une IA classique répond de mémoire, un système RAG a le droit de consulter ses notes pendant l'examen. Encore faut-il que les notes soient bonnes, à jour, et qu'il trouve la bonne page.
Trois usages typiques
Voici trois scénarios représentatifs de ce qu'on met en place aujourd'hui. Ce sont des illustrations de mécanique, pas des références clients : les gains réels dépendent de votre volume de demandes et de l'état de votre documentation.
L'assistant qui maîtrise votre catalogue
Un commerce en ligne branche un assistant sur son catalogue produit, ses fiches techniques et l'historique des questions clients. L'assistant peut alors recommander la bonne référence pour un projet donné, comparer les caractéristiques de deux modèles, expliquer la différence entre deux produits proches, indiquer les délais de livraison annoncés. Les demandes répétitives partent en automatique, l'équipe garde les cas qui demandent un jugement.
L'assistant qui connaît vos procédures
Une entreprise de services accumule des procédures internes dispersées : intégration des nouveaux, sécurité, administratif, technique. Un nouvel arrivant passe un temps considérable à chercher qui fait quoi et où. Avec un assistant nourri de ces documents, n'importe quel collaborateur pose sa question en langage naturel — « comment demander un congé exceptionnel ? », « quelle est la procédure en cas de panne informatique ? » — et obtient l'extrait du bon document, avec sa référence.
Le support client outillé
Un assureur alimente son système avec ses contrats types, ses conditions générales et ses guides de souscription. Les conseillers interrogent la base en langage naturel (« que couvre exactement l'assurance habitation en cas de cyclone ? ») et obtiennent les clauses exactes avec leur référence, au lieu de feuilleter un PDF de 80 pages pendant que le client attend. C'est souvent le meilleur point de départ : on outille d'abord les équipes internes, on ouvre aux clients seulement quand la qualité est prouvée.
Focus Polynésie : pourquoi c'est particulièrement pertinent ici
Une documentation multilingue
Les entreprises polynésiennes jonglent souvent entre le français, le tahitien et l'anglais. Un système RAG peut interroger des documents dans ces différentes langues et répondre dans celle de l'utilisateur : un client anglophone qui demande vos horaires obtiendra une réponse en anglais construite à partir d'un document rédigé en français.
Les spécificités locales
Les modèles généralistes connaissent mal le fenua. Réglementation douanière locale, contraintes logistiques inter-îles, saisonnalité touristique, fiscalité polynésienne : ce sont précisément les sujets sur lesquels une IA généraliste répond de travers avec assurance, et précisément ceux qu'un RAG corrige, puisque la réponse vient de vos documents et non de sa mémoire.
L'insularité
La dispersion géographique rend le support en présentiel coûteux. Un assistant documentaire est disponible en même temps à Tahiti, Moorea, Raiatea et Rangiroa, sans frais de déplacement, et surtout avec la même réponse partout — ce qui est souvent le vrai problème d'un réseau multi-îles : la cohérence.
Le décalage horaire
Avec onze à douze heures de décalage avec la métropole selon la saison, les équipes polynésiennes travaillant avec la France ou l'international perdent une demi-journée à chaque aller-retour de question. Un assistant qui répond aux questions documentaires pendant que l'autre bout dort récupère une partie de ce temps mort.
Combien ça coûte ?
Méfiez-vous des grilles tarifaires toutes faites : le prix d'un système RAG dépend de variables qui vous appartiennent. Plutôt qu'un chiffre qui ne voudrait rien dire, voici les postes à chiffrer et ce qui les fait varier.
- L'indexation et le stockage. Fonction du volume de documents et de la fréquence de mise à jour. Quelques dizaines de PDF ne coûtent presque rien ; des dizaines de milliers de pages réindexées chaque semaine, c'est un autre budget.
- Les requêtes au modèle. Facturées au volume de texte traité. Le coût dépend donc du nombre de questions par mois et de la quantité de contexte envoyée à chaque fois. C'est le poste qui grimpe si l'usage décolle — faites-le simuler sur votre volume réel avant de signer.
- L'intégration. Le plus variable : brancher l'assistant sur un site web se chiffre en jours, le brancher sur un ERP ou un logiciel métier ancien peut se chiffrer en semaines.
- La maintenance. Mise à jour du corpus, suivi de la qualité des réponses, ajustements. Ce poste est systématiquement sous-estimé, et c'est celui qui décide si le système sera encore utile dans un an.
Deux réflexes de négociation. Exigez un chiffrage sur votre volume réel, pas sur un forfait générique. Et faites-vous préciser ce qui se passe quand ce volume double : un prestataire sérieux sait vous dire lequel de ces quatre postes bouge, et de combien.
Mesurer si ça marche : votre propre jeu de questions
C'est l'étape que presque personne ne fait, et c'est celle qui distingue un projet qui tient d'une démonstration flatteuse. Avant même de choisir une solution :
- Rassemblez quelques dizaines de vraies questions — prises dans vos mails, vos tickets, vos appels — en incluant les tordues, les ambiguës et les mal formulées.
- Écrivez pour chacune la réponse correcte et le document qui la contient. C'est votre référence.
- Faites passer ce jeu à chaque solution envisagée. Comptez trois choses : les réponses justes, les réponses fausses, et les « je ne sais pas ». Une réponse fausse coûte infiniment plus cher qu'un « je ne sais pas ».
- Vérifiez systématiquement que la source citée contient bien l'information annoncée. Un système peut citer le bon document et déformer son contenu.
- Rejouez ce même jeu après chaque mise à jour du corpus ou changement de configuration. Sans cela, vous ne saurez jamais si une modification a amélioré ou dégradé le système.
Les limites à connaître
Le RAG ne répare pas une documentation en désordre. Si vos documents sont contradictoires, périmés ou introuvables, le système restituera fidèlement ce désordre — avec l'autorité d'une machine en prime. Le tri documentaire n'est pas un préalable pénible, c'est la moitié du projet.
Il ne répond que sur ce qu'il a. Une question hors périmètre reste sans réponse. Mieux vaut un périmètre étroit et fiable qu'une couverture large et approximative.
Les images et les schémas restent difficiles. Un plan technique, un graphique, un tableau scanné demandent des traitements complémentaires. Ne partez pas du principe que « tout le PDF » sera exploitable.
Il informe, il ne décide pas. Valider un dossier, engager un remboursement, modifier une commande : cela relève de règles métier et d'autorisations, pas d'un moteur de réponse.
Il faut gérer les droits d'accès. C'est le point le plus souvent négligé. Un assistant branché sur « tous les documents de l'entreprise » exposera les données RH, les salaires ou les contrats à quiconque sait poser la bonne question. Les autorisations doivent être appliquées à la recherche, en filtrant les documents selon l'utilisateur — pas en demandant poliment au modèle de ne pas répondre. Prévoyez aussi la journalisation des questions posées : c'est ce qui vous permettra de détecter un usage anormal.
Par où commencer
1. Choisissez un cas d'usage étroit. Support client, assistant interne, aide à la vente. Un besoin précis, mesurable, avec un utilisateur identifié qui en tirera un bénéfice immédiat.
2. Auditez vos documents. Lesquels contiennent vraiment l'information ? Sont-ils à jour ? Se contredisent-ils ? Qui est responsable de leur mise à jour ? Répondre à ces quatre questions élimine la majorité des échecs de projet.
3. Constituez votre jeu de questions de référence (voir plus haut). Faites-le avant de voir la moindre démonstration : c'est ce qui vous évitera d'être convaincu par un jeu d'essai choisi par le vendeur.
4. Testez sur un périmètre restreint. Quelques dizaines de documents, une poignée d'utilisateurs internes, quelques semaines. La plupart des solutions permettent un essai avant engagement.
5. Mesurez, corrigez, étendez. Élargissez le corpus une fois la qualité stable, puis ouvrez aux utilisateurs finaux. Un système imparfait mais déployé et mesuré apporte davantage qu'un système parfait qui n'arrive jamais.
Les questions à poser à un prestataire
- Comment mes documents sont-ils découpés, et que se passe-t-il quand une procédure s'étale sur plusieurs pages ?
- La recherche est-elle uniquement sémantique, ou combinée à une recherche par mots-clés ?
- Que fait le système quand l'information n'existe pas dans le corpus ? Montrez-le-moi en direct.
- Chaque réponse cite-t-elle sa source, et puis-je remonter au document d'origine en un clic ?
- Comment les droits d'accès sont-ils appliqués à la recherche, utilisateur par utilisateur ?
- Où sont hébergées mes données, et sont-elles utilisées pour entraîner un modèle ?
- Comment le corpus est-il mis à jour, à quelle fréquence, et par qui ?
- Quel est le coût si mon volume de questions double ?
Un prestataire qui répond précisément à ces huit questions sait ce qu'il fait. Un prestataire qui répond par des pourcentages, beaucoup moins.
En résumé
Le RAG est l'une des applications les plus concrètes de l'IA pour une PME, parce qu'elle ne demande ni modèle sur-mesure ni équipe technique interne : elle demande une documentation propre et une exigence de vérification. En permettant à une IA de consulter vos documents plutôt que sa mémoire, elle la fait passer du gadget impressionnant à l'outil de travail.
L'essentiel n'est pas la technologie : c'est ce qu'elle libère. Du temps sur les demandes répétitives, de la cohérence entre les équipes et les îles, et un accès à l'information qui ne dépend plus de la disponibilité d'une seule personne. Dans un contexte insulaire où l'expertise est rare et le temps compté, c'est un levier sérieux — à condition de le mesurer plutôt que de le croire sur parole.
