Sur cette page
Répondez de tête, puis ouvrez. Se rappeler une notion avant d'aller plus loin la fixe mieux que la relire. Ce qu'est un modèle de langage
1Un assistant répond avec assurance. Qu'est-ce que cela dit de sa réponse ?
Rien sur sa justesse. Un modèle écrit la suite la plus probable d'un texte ; une réponse fausse peut être aussi bien écrite qu'une juste.
2D'où vient ce que sait un modèle quand vous lui posez une question ?
De ce qu'il a lu pendant son entraînement, arrêté à une date, et de ce qu'on met sous ses yeux dans la conversation. Rien d'autre : il ne connaît pas vos documents, sauf si on les lui donne.
- Une IA comme ChatGPT, Claude ou Copilot répond avec ce qu'elle a appris du monde, pas avec ce que sait votre entreprise.
- Un RAG lui fait d'abord chercher les passages utiles dans vos documents, puis répondre à partir d'eux, en citant d'où ils viennent.
- Il ne rend pas l'IA infaillible : il rend sa réponse vérifiable.
- La qualité tient surtout à vos documents : à jour, rangés, sans versions qui se contredisent.
- Les outils que vous avez peut-être déjà en proposent une version simple ; le sur mesure ne sert que pour beaucoup de documents ou des droits d'accès fins.
Problème
Vous demandez à un assistant le délai de paiement d'un nouveau client.
La réponse est claire, bien écrite, et peut-être fausse chez vous.
L'assistant ne connaît pas vos conditions générales. Un écrit la suite la plus probable d'une phrase, d'après tout ce qu'il a lu. Il a donc répondu ce qui est le plus courant dans le monde, pas ce qui est vrai dans votre entreprise.
- 1 La phrase
- 2 Les suites possibles
- 3 La plus probable
- 4 Elle est écrite
Principe
Pensez à un collaborateur consciencieux à qui l'on pose une question. Avant de répondre, il ouvre le classeur, relit les deux ou trois pages qui en parlent, puis répond en disant d'où il le tient : « C'est dans les conditions générales, article 6. »
Un RAG fait faire la même chose à l'assistant. La recherche se fait dans vos documents, et le modèle n'écrit qu'à partir de ce qu'on lui a apporté.
- RAG retrieval-augmented generation
- Une génération augmentée par la recherche : on cherche d'abord les passages utiles dans des documents, puis le modèle écrit sa réponse à partir d'eux.
Fonctionnement
Les sept étapes du schéma, dans l'ordre. La cinquième, la recherche, est la plus fine : l'explorable plus bas la montre en vrai, et une page lui est consacrée.
- Rassembler les documents
Les procédures, les conditions générales, les notes, les contrats : ce que l'assistant aura le droit de consulter.
- Les découper en passages
Un document de vingt pages devient des morceaux de quelques paragraphes, chacun assez court pour être précis.
- Les ranger par sens
Chaque passage reçoit une position qui traduit ce dont il parle. C'est l'.
- Recevoir la question
Posée avec les mots de la personne, qui ne sont pas forcément ceux des documents.
- Chercher les passages les plus proches
Non pas les mêmes mots, mais le même sens : « nouveau client » retrouve « ouverture de compte ».
- Les apporter au modèle
Avec la question et une consigne : répondre à partir de ces passages seulement.
- Répondre en citant
Chaque affirmation renvoie à son passage, que la personne peut ouvrir.
Comment une question trouve ses passages
Chaque point est un passage d'un document de l'entreprise. Chaque trait relie un passage à l'un de ses plus proches voisins : c'est l'index, construit une fois pour toutes, dans lequel la recherche va se déplacer de voisin en voisin.
- 1 Choisir une question
- 2 Prédire les passages
- 3 Suivre la recherche
- 4 Comparer les façons de chercher
Observations
- La recherche ne compare pas la question à tous les passages : elle part d'un point d'entrée, saute de voisin en voisin dans les niveaux du haut, puis explore le niveau du bas. Elle ne visite qu'une partie de la base, et c'est ce qui la rend rapide sur des millions de passages.
- Le filtre des droits passe avant la réponse : avec le profil Commercial, un passage confidentiel peut être traversé par la recherche, jamais retenu.
- Par les mots, « nouveaux clients » ne compte pas pour « nouveau client », et « jours » ramène des passages sur les paiements. Par le sens, ce qui compte est ce dont parle le passage.
- En entreprise, on fait souvent les deux, puis on fusionne les classements : c'est la recherche mixte. Un reclassement relit ensuite les dix candidats pour garder les meilleurs.
Exemple détaillé
- La question
- La recherche retient trois passagesDeux parlent du délai de paiement, un des nouveaux clients. [1] Conditions générales de vente, article 6« Le délai de paiement est de 45 jours fin de mois à compter de la date de facture. » [2] Procédure d'ouverture de compte, étape 2« Avant toute première commande, le nouveau client remplit la fiche d'ouverture de compte. » [3] Note de la direction financière, mars · contredit le passage 1« Pour les nouveaux clients, le délai de paiement est ramené à 30 jours. »
- Le modèle reçoit la question, les passages et une consigneRépondre à partir des passages seulement, citer chacun, signaler une contradiction plutôt que choisir.
- La réponse
- Ce que l'exemple montreLa réponse se vérifie en un clic sur ses sources. La contradiction vient des documents, pas du modèle : c'est en rangeant les documents qu'on la règle.
Pour les curieux : la recherche la plus simple, en une vingtaine de lignes
La façon la plus simple de chercher : compter les mots en commun entre la question et chaque passage. Le programme ci-dessous le fait sur les passages de l'exemple.
recherche.pyimport re passages = { "CGV, article 6": "Le délai de paiement est de 45 jours fin de mois à compter de la date de facture.", "Procédure client, étape 2": "Avant toute première commande, le nouveau client remplit la fiche d'ouverture de compte.", "Note de mars": "Pour les nouveaux clients, le délai de paiement est ramené à 30 jours.", "Règlement intérieur": "Les congés se posent dans le logiciel de paie au moins un mois avant.", } def mots(texte): return set(re.findall(r"[a-zàâçéèêëîïôûùüÿœ]{3,}", texte.lower())) question = "Quel délai de paiement accorde-t-on à un nouveau client ?" q = mots(question) classement = sorted(passages, key=lambda p: len(q & mots(passages[p])), reverse=True) for p in classement[:3]: print(len(q & mots(passages[p])), "mots communs :", p)
python3 recherche.py2 mots communs : CGV, article 62 mots communs : Procédure client, étape 22 mots communs : Note de mars
Essayé le 6 octobre 2026 avec Python 3.12.7.
Les trois passages arrivent à égalité, et le programme ne voit pas que « nouveaux clients » et « nouveau client » disent la même chose. C'est la limite que la recherche par le sens corrige. La suite se programme dans un RAG minimal, avec son code.
Risques
| Ce qu'on voit | La cause | Le remède |
|---|---|---|
| Une réponse fondée sur une ancienne règle | Deux versions du même document | Archiver l'ancienne version, ou la sortir de l'index |
| « Je ne trouve pas » alors que l'information existe | Un document scanné sans texte, ou un tableau mal lu | Faire lire le texte des scans ; réécrire les tableaux importants en phrases |
| Une réponse qui cite le mauvais passage | Des passages trop longs ou trop courts | Régler le découpage, puis tester sur des questions dont on connaît la réponse |
| Un collaborateur voit un document qui ne lui était pas destiné | Les droits d'accès des dossiers n'ont pas été repris | Un assistant qui respecte les droits du dossier d'origine, et des documents confidentiels tenus à part |
| La réponse invente malgré les sources | Aucune consigne de s'en tenir aux passages | Une consigne claire, une citation obligatoire, et le droit de répondre « je ne sais pas » |
Si un document est faux ou périmé, la réponse le sera aussi, avec une source à l'appui. C'est pourquoi on range les documents avant de brancher l'assistant, et pas après.
Mise en place
Il y a quatre façons d'en avoir un. La bonne dépend de l'environnement où travaillent vos équipes.
Copilot répond à partir des documents de SharePoint, de OneDrive et de Teams auxquels la personne a déjà accès. Les droits de vos dossiers s'appliquent d'eux-mêmes.
Gemini s'appuie sur les fichiers de Google Drive. Gemini Notebook, l'ancien NotebookLM, répond à partir des sources que vous lui donnez, et cite les passages.
Un projet accepte des documents de référence, que l'assistant consulte à chaque conversation du projet.
Un index de vos documents, ou de fiches rédigées pour l'occasion, servi au modèle depuis un serveur en Europe, avec des droits par profil et une mise à jour chaque nuit.
Une base de savoir que l'assistant consulte avant de répondre
Les méthodes du cabinet ont été rédigées en fiches reliées entre elles. Un serveur hébergé en France les met à la disposition de l'assistant, que chaque collaborateur interroge avec son compte du cabinet. Les fiches confidentielles sont écartées avant toute réponse.
Exercice
- Ouvrez un projet dans Claude ou ChatGPT, ou un carnet Gemini Notebook.
- Déposez trois documents internes non confidentiels : une procédure, vos conditions générales, une note.
- Posez cinq questions dont vous connaissez la réponse, dont une qui n'y est pas.
- Regardez : la réponse cite-t-elle le bon passage ? Que fait l'assistant quand la réponse n'y est pas ?
Vérification
1ComprendreUn RAG garantit-il qu'une réponse est juste ?
Non. Il la rend vérifiable, parce qu'elle cite ses passages. Si un document est faux ou périmé, la réponse le sera aussi.
2ComprendreQu'est-ce qui compte le plus pour la qualité des réponses ?
L'état des documents : à jour, sans doublons ni versions qui se contredisent, lisibles par une machine.
3AppliquerVotre équipe a dix procédures de quelques pages. Faut-il un RAG sur mesure ?
Probablement pas. Un projet dans votre assistant, avec ces dix documents, suffit souvent. Le sur mesure se justifie avec beaucoup de documents, des droits d'accès par personne ou du confidentiel à tenir à part.
Lectures suivantes
Quatre directions, les mêmes sur toutes les pages : ce qu'il fallait savoir avant, la notion plus large, ce qui la met en pratique, et l'étape suivante du parcours.
Le RAG : une IA qui répond avec les documents de l'entreprise
L'IA sur vos documents · étape 2 sur 8
Sa place sur la carte des notions
Le RAG : une IA qui répond avec les documents de l'entreprise
Limites et sources
Cette page ne traite ni des données personnelles (voir « Le RGPD et l'IA ») ni de la construction technique (voir « Un RAG minimal, avec son code »). Elle ne remplace pas l'avis de votre responsable informatique sur les droits d'accès.
- Patrick Lewis et al., « Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks », NeurIPS, 2020 : l'article qui a donné son nom à la méthode.
- Documentation de Microsoft 365 Copilot, de Gemini pour Google Workspace et de Gemini Notebook : lue et datée à la publication.
- La réalisation citée : inventaire des réalisations réelles de Meridal, la base de savoir.
Écrit par Meridal, avec l'aide de l'IA ; chaque fait vérifié à sa source et relu avant publication. Texte et schémas sous licence CC BY 4.0 : reprenez-les en citant Meridal. Le code sous licence MIT.
Un assistant qui connaît votre entreprise
3 300 € à 10 200 €, puis sur devis