RAG (Retrieval Augmented Generation)
Glossaire – Définition
Le RAG (Retrieval Augmented Generation), ou génération augmentée par récupération, désigne une architecture qui combine un moteur de recherche interne, appelé retriever, avec un modèle de langage génératif.
Un modèle de langage classique répond uniquement avec ce qu’il a mémorisé pendant son entraînement, figé à une date donnée. Le RAG contourne cette limite en ajoutant une étape de recherche avant la génération : le système interroge d’abord une base de documents, récupère les passages les plus pertinents, puis les transmet au modèle comme contexte pour rédiger sa réponse.
Le terme a été formalisé en 2020 par Patrick Lewis et son équipe chez Meta AI (alors Facebook AI Research), dans un article présenté à la conférence NeurIPS. Leur travail montrait que combiner une mémoire paramétrique, ce que le modèle a appris, avec une mémoire non paramétrique, des documents externes consultés à la demande, produisait des réponses plus factuelles et plus diversifiées qu’un modèle qui génère uniquement à partir de ses poids internes.
Le RAG concerne directement le webmarketing parce que la plupart des moteurs de réponse IA, Perplexity en tête, fonctionnent sur ce principe : ils récupèrent des pages web en temps réel plutôt que de répondre uniquement depuis leur mémoire d’entraînement. Un contenu qui n’est pas structuré pour être récupéré facilement par ce type de système a statistiquement moins de chances d’être cité.
Pour bien comprendre :
- Comment fonctionne un système RAG : recherche puis génération
- RAG ou fine-tuning : deux méthodes pour spécialiser une IA
- Pourquoi le RAG change la donne pour le SEO et le GEO
- Les composants d’une stack RAG
- L’avis de l’expert B-Strong
- Questions fréquentes
Comment fonctionne un système RAG : recherche puis génération
Un système RAG fonctionne en deux temps. D’abord, le retriever transforme la question en vecteur et recherche les documents les plus proches sémantiquement dans une base indexée. Ensuite, le modèle génératif rédige une réponse en s’appuyant sur ces documents récupérés plutôt que sur sa seule mémoire d’entraînement.
Cette architecture repose sur trois étapes successives, chacune pouvant être optimisée indépendamment des autres.
- Indexation : les documents sources sont découpés en fragments (chunks), transformés en vecteurs numériques par un modèle d’embedding, puis stockés dans une base vectorielle.
- Récupération (retrieval) : la question de l’utilisateur est vectorisée à son tour et comparée aux fragments indexés pour identifier les plus proches sémantiquement, pas seulement par mots-clés identiques.
- Génération : le modèle de langage reçoit les fragments récupérés comme contexte et rédige une réponse ancrée dans ces documents plutôt que dans sa seule mémoire.
Cette recherche par similarité vectorielle change la nature du matching par rapport à une recherche classique par mots-clés : un fragment qui parle de « réduire le taux de désabonnement » peut être récupéré pour une question sur le « churn », même sans partager un seul mot exact avec la requête, parce que les deux expressions se retrouvent proches dans l’espace vectoriel.
RAG ou fine-tuning : deux méthodes pour spécialiser une IA
Le fine-tuning modifie les poids internes d’un modèle en le réentraînant sur des données spécifiques, ce qui fige la connaissance ajoutée jusqu’au prochain entraînement. Le RAG laisse le modèle intact et branche une base documentaire externe consultée à chaque requête, ce qui permet de mettre à jour l’information sans retoucher le modèle.
Le choix entre les deux dépend surtout de la fréquence à laquelle l’information change. Une entreprise qui veut qu’un assistant IA connaisse son catalogue produit, qui évolue chaque semaine, a intérêt à passer par un RAG : mettre à jour la base documentaire ne demande qu’un nouvel indexage, alors que réentraîner un modèle à chaque changement de catalogue coûterait beaucoup plus cher en temps de calcul.
Le fine-tuning garde son utilité pour modifier le ton, le style de réponse ou des comportements précis du modèle, des aspects que la seule injection de documents dans le contexte ne suffit pas à changer. En pratique, la plupart des applications d’IA d’entreprise combinent les deux : un modèle légèrement ajusté par fine-tuning pour le ton, connecté à un système RAG pour l’information factuelle à jour.
Le RAG réduit aussi les hallucinations, ce moment où un modèle invente une information plausible mais fausse. Des implémentations RAG standard réduisent les hallucinations d’environ 35%, et des architectures RAG avancées combinant plusieurs sources documentaires atteignent plus de 40% de réduction, parce que la réponse s’appuie sur des documents vérifiables plutôt que sur la seule mémoire du modèle.
Pourquoi le RAG change la donne pour le SEO et le GEO
Perplexity, Bing Copilot et les fonctions de navigation de ChatGPT s’appuient sur une architecture proche du RAG pour répondre : ils récupèrent des pages web en temps réel avant de générer une réponse. Un contenu mal segmenté ou noyé dans un paragraphe trop long a moins de chances d’être extrait comme fragment pertinent.
Le principe de récupération par similarité vectorielle favorise les contenus découpés en unités de sens autonomes, chacune répondant clairement à une question précise. C’est exactement la logique du chunking défendue dans les pratiques GEO : une section qui commence par une réponse directe et complète se comporte comme un fragment idéal pour un retriever, qu’il appartienne à un système RAG propriétaire ou à l’index utilisé par un moteur de réponse public.
Un contenu qui mélange plusieurs sujets dans un même paragraphe complique le travail du retriever, qui doit alors extraire un fragment moins précis et donc moins susceptible d’être choisi. À l’inverse, un contenu qui isole chaque idée dans un bloc clair, avec un titre explicite, augmente ses chances d’être repéré et cité, indépendamment du système RAG utilisé en coulisses par le moteur de réponse.
Les composants d’une stack RAG
Un système RAG repose sur plusieurs briques techniques qui s’assemblent selon les besoins du projet. Le tableau ci-dessous récapitule les composants principaux et des exemples d’outils utilisés dans chaque catégorie.
| Composant | Rôle | Exemples d’outils | Étape concernée |
|---|---|---|---|
| Base vectorielle | Stocke les documents sous forme de vecteurs et permet la recherche par similarité | Pinecone, Weaviate, Chroma, FAISS | Indexation |
| Modèle d’embedding | Convertit le texte en vecteurs numériques représentant son sens | OpenAI text-embedding-3, Cohere Embed | Indexation et recherche |
| Retriever | Compare la question vectorisée aux documents indexés pour sélectionner les plus pertinents | LangChain, LlamaIndex | Récupération |
| Reranker | Réévalue les documents récupérés avec un modèle plus précis avant de les transmettre au LLM | Cohere Rerank | Récupération |
| Modèle génératif | Rédige la réponse finale à partir des documents récupérés | GPT, Claude, Gemini | Génération |
L’avis de l’expert B-Strong
Je vois le RAG partout dans les projets clients depuis deux ans, souvent sans que le mot soit prononcé. Un chatbot de support qui répond avec les bonnes informations produit, une recherche interne qui comprend une reformulation de question, un moteur de réponse qui cite une page précise du site d’un client : dans les trois cas, un système RAG tourne derrière.
Ce qui me frappe le plus, c’est à quel point la structure du contenu source détermine la qualité de ce qui ressort. J’ai vu des bases documentaires bien indexées techniquement produire des réponses médiocres parce que les documents sources mélangeaient plusieurs sujets dans un même bloc. Je recommande systématiquement de traiter la structuration du contenu comme un chantier à part entière, avant même de choisir l’outil de vectorisation, parce qu’un mauvais chunking en amont ne se rattrape pas avec un meilleur modèle en aval.
Ce qu’on nous demande souvent
Quelle est la différence entre RAG et fine-tuning ?
Le fine-tuning réentraîne un modèle sur des données spécifiques et modifie ses poids internes, ce qui fige la connaissance ajoutée jusqu’au prochain entraînement. Le RAG laisse le modèle intact et le connecte à une base documentaire externe consultée à chaque requête, ce qui permet de mettre à jour l’information disponible sans retoucher le modèle. Le fine-tuning convient pour ajuster le ton ou le style de réponse, le RAG convient pour donner accès à une information qui change souvent, comme un catalogue produit ou une base de documentation.
Le RAG élimine-t-il complètement les hallucinations d’une IA ?
Non, mais il les réduit sensiblement. Les implémentations RAG standard réduisent les hallucinations d’environ 35%, et les architectures avancées combinant plusieurs sources documentaires dépassent 40% de réduction, parce que la réponse s’appuie sur des documents vérifiables plutôt que sur la seule mémoire du modèle. Un système RAG peut encore générer une réponse incorrecte si le retriever sélectionne des documents peu pertinents ou si le modèle interprète mal les fragments récupérés.
Pourquoi le RAG intéresse-t-il le référencement et pas seulement les développeurs ?
Parce que la plupart des moteurs de réponse IA, Perplexity et Bing Copilot en tête, s’appuient sur une architecture proche du RAG pour récupérer des pages web avant de générer leur réponse. Un contenu découpé en sections claires, chacune répondant directement à une question précise, se comporte comme un fragment plus facile à extraire pour ce type de système. La structuration du contenu devient donc un facteur de visibilité dans les réponses IA, au même titre que le classement dans les résultats de recherche classiques.