Le RAG expliqué aux décideurs
Le RAG, ou génération augmentée par recherche, expliqué sans code : ce qu'il résout, comment il fonctionne, ses limites, les droits d'accès, les usages industriels.
Le RAG, pour génération augmentée par recherche, est aujourd'hui l'architecture la plus courante pour mettre un assistant d'intelligence artificielle au service des documents d'une entreprise. Il est simple à comprendre, utile dans de nombreux cas, et souvent mal cadré. Voici ce qu'un décideur doit en savoir avant de lancer un projet.
Le problème que le RAG résout
Un modèle de langage (LLM), qu'il s'agisse de Claude, de GPT ou de Mistral, a été entraîné sur d'immenses volumes de texte public. Il ne connaît pas vos procédures de maintenance, vos notices techniques ni vos règles internes. Interrogé sur ces sujets, il répond de manière plausible mais inventée. C'est ce que l'on appelle une hallucination.
Deux approches existent pour lui apporter cette connaissance. La première consiste à réentraîner le modèle sur vos documents. Elle est coûteuse, lente à mettre à jour et difficile à auditer. La seconde consiste à lui fournir, au moment de chaque question, les extraits de documents pertinents et à lui demander de répondre uniquement à partir de ces extraits. C'est le RAG.
L'avantage est immédiat : la connaissance reste dans vos documents, se met à jour quand ils changent, et chaque réponse peut citer sa source.
Comment cela fonctionne, en termes simples
Le principe tient en trois étapes.
Les documents sont découpés et indexés
Chaque document, procédure, manuel ou norme interne, est découpé en passages de quelques paragraphes. Chaque passage est transformé en une représentation numérique qui capture son sens, puis stocké dans un index. Cette préparation se fait en amont et se rejoue à chaque mise à jour documentaire.
La question déclenche une recherche
Lorsqu'un utilisateur pose une question, le système ne l'envoie pas directement au modèle. Il cherche d'abord dans l'index les passages dont le sens est le plus proche de la question. Cette recherche combine généralement la similarité de sens et la recherche par mots-clés, pour retrouver aussi bien un symptôme décrit que la référence exacte d'un composant.
Le modèle rédige une réponse sourcée
Les passages retenus sont transmis au modèle avec la question et une consigne : répondre à partir de ces extraits, et indiquer lesquels ont été utilisés. La réponse est donc appuyée par des citations que l'utilisateur peut ouvrir et vérifier. Conséquence pratique : la qualité de la réponse dépend surtout de la recherche, donc des documents, et le modèle de langage est interchangeable.
Ce que le RAG ne résout pas
Le RAG est un outil de restitution documentaire. Confondre ses usages produit des déceptions.
Les données structurées. Demander à un RAG « quel est le taux de disponibilité de la ligne 3 le mois dernier » revient à lui demander de trouver un paragraphe qui contient déjà la réponse. Si ce chiffre vit dans une base de données et non dans un document, le RAG ne le trouvera pas, ou trouvera un rapport ancien.
Les calculs. Un modèle de langage ne calcule pas de manière fiable. Comparer des consommations ou projeter un stock relève d'un moteur de requête, pas d'un générateur de texte.
Les droits. Le RAG retrouve ce qui est dans l'index. Si l'index contient un document confidentiel, le système peut le citer à quelqu'un qui n'aurait jamais dû le voir.
Les documents contradictoires. Si deux versions d'une procédure coexistent, le système peut en citer une au hasard. Il ne sait pas laquelle fait foi si personne ne le lui a dit.
La question centrale des droits d'accès
Sur le terrain, c'est le sujet qui décide du succès ou de l'arrêt d'un projet RAG.
Dans une entreprise industrielle, les documents ne sont pas tous accessibles à tout le monde : un plan de conception relève du secret industriel, un contrat de sous-traitance contient des clauses confidentielles. Ces restrictions existent déjà dans la gestion documentaire.
Un RAG bien conçu hérite de ces droits. Au moment de la recherche, le système ne considère que les passages issus de documents que l'utilisateur connecté a le droit de lire. Ce filtrage est appliqué avant la génération, pas après : il ne s'agit pas de demander au modèle de « ne pas révéler » une information, ce qui n'est pas fiable, mais de ne jamais la lui transmettre.
Cela suppose une identification fiable de l'utilisateur, une synchronisation régulière des droits entre la source et l'index, et un journal des documents utilisés pour chaque réponse. Lorsque des documents contiennent des données personnelles, le Règlement général sur la protection des données (RGPD) impose en plus de définir la finalité, de limiter la conservation et d'associer le délégué à la protection des données (DPO).
C'est ici que se vérifie une conviction simple : la gouvernance ne freine pas l'IA, c'est ce qui permet de lui dire oui. Une entreprise dont les droits documentaires sont clairs et appliqués peut déployer un RAG en confiance.
La qualité documentaire décide de tout
Un RAG rend visible l'état réel de la documentation. Les procédures obsolètes, les versions multiples, les fichiers numérisés sans texte, les tableaux dont la structure disparaît à l'extraction : tout ressort dans les réponses.
Avant de lancer un projet, quelques questions permettent d'évaluer la maturité documentaire : existe-t-il une version de référence pour chaque procédure ? Les documents ont-ils un propriétaire et une date de dernière revue ? La classification de confidentialité est-elle appliquée de manière cohérente ?
Le projet RAG devient souvent l'occasion de mener ce chantier, dont le bénéfice dépasse l'IA.
Cas d'usage industriels
Le RAG trouve naturellement sa place là où la connaissance est écrite, volumineuse et dispersée.
Procédures de maintenance. Un technicien face à un équipement en panne décrit le symptôme et obtient la procédure applicable, avec la référence de la fiche et les consignes de sécurité.
Documentation technique. Un bureau d'études interroge des années de rapports d'essais et de retours d'expérience pour retrouver comment un problème similaire avait été traité.
Réglementaire et normatif. Les équipes qualité et conformité interrogent un corpus de normes, d'exigences client et de procédures internes pour préparer un audit.
Dans tous ces cas, l'obligation de transparence de l'AI Act européen s'applique au minimum : l'utilisateur sait qu'il dialogue avec un système d'IA et qu'il doit vérifier la source pour toute action engageant la sécurité.
RAG et données structurées : la couche sémantique
Reste la question des chiffres. Lorsque la question porte sur des données de production, de finance ou de supply stockées dans un entrepôt de données, l'approche adaptée n'est pas le RAG mais l'interrogation de données structurées à travers une couche sémantique.
La couche sémantique est un dictionnaire partagé qui définit, une fois pour toutes, ce que signifie « taux de disponibilité », « coût de maintenance » ou « stock de sécurité », et comment ces indicateurs se calculent à partir des tables. Le modèle de langage sert alors de traducteur : il transforme une question en langage naturel en requête sur ces définitions, et le moteur de données fait le calcul. Le modèle ne calcule rien, il formule.
Les deux approches se complètent. Un assistant industriel mature sait, selon la question, aller chercher un passage de procédure ou lancer une requête sur un indicateur défini. Le principe de gouvernance reste identique : des sources documentées, des droits appliqués à la source, des réponses traçables.
- Documents : procédures, notices, normes, comptes rendus
- Répond en rédigeant, avec les sources
- Ne calcule pas, n'agrège pas
- Qualité liée à la documentation
- Données structurées : indicateurs, tables, référentiels
- Répond par une requête gouvernée
- Calcule, agrège, compare
- Qualité liée aux définitions et aux droits
Les deux se combinent : la procédure vient du RAG, le chiffre vient de la couche sémantique.
À retenir
- Le RAG apporte au modèle vos documents au moment de la question, sans réentraînement, avec des réponses sourcées.
- Sa qualité dépend d'abord de la recherche, donc de la documentation.
- Il ne calcule pas et ne remplace pas l'interrogation de données structurées.
- Les droits d'accès doivent être appliqués avant la génération, jamais confiés au modèle.
- Les chiffres passent par une couche sémantique ; les documents passent par le RAG.
Checklist
- Le corpus documentaire cible est identifié, avec une version de référence par document.
- Les droits d'accès existent à la source et peuvent être synchronisés avec l'index.
- Les documents contenant des données personnelles sont repérés et le DPO est associé.
- Les questions portant sur des chiffres sont orientées vers la couche sémantique, pas vers le RAG.
- Chaque réponse cite ses sources et est journalisée avec l'identité de l'utilisateur.
- Les utilisateurs sont informés qu'ils dialoguent avec une IA et formés à vérifier les sources.