Le problème que le RAG résout#
Un modèle de langage sait beaucoup de choses sur le monde, et rien sur votre entreprise. Il n'a jamais lu vos contrats, vos procédures internes ni le compte rendu de la réunion de mardi. Et il ne voit que ce qu'on lui envoie dans la demande, dans une limite appelée la fenêtre de contexte.
Deux solutions viennent à l'esprit. Lui faire tout apprendre, en le réentraînant. Ou lui donner, au moment de chaque question, les quelques passages qui contiennent la réponse. La seconde porte un nom : le RAG.
Le RAG IA en une phrase#
RAG signifie Retrieval-Augmented Generation, génération augmentée par la recherche. En français courant : on cherche d'abord, on rédige ensuite.
Concrètement, quand vous posez une question :
- le système cherche dans vos documents les passages qui semblent répondre ;
- il joint ces passages à votre question ;
- le modèle rédige sa réponse en s'appuyant sur eux, et peut citer d'où elle vient.
Le modèle n'a rien appris de durable. Il a simplement eu, sous les yeux, la bonne page au bon moment. C'est exactement ce que vous feriez avec un stagiaire : plutôt que de lui faire apprendre tout le classeur, vous lui ouvrez le bon onglet.
RAG vs fine-tuning : ne pas se tromper d'outil#
Le fine-tuning (ajustement fin) consiste à réentraîner un modèle sur des exemples, pour modifier ses réflexes. On le confond souvent avec le RAG. Ils ne servent pas à la même chose.
| RAG | Fine-tuning | |
|---|---|---|
| Ce que ça change | ce que le modèle voit au moment de répondre | la façon dont le modèle se comporte |
| Bon pour | répondre sur vos documents, à jour | un style, un format, une tâche très répétée |
| Mise à jour | ajouter un document suffit | il faut réentraîner |
| Traçabilité | la réponse peut citer sa source | la connaissance est diluée dans le modèle |
| Données | restent dans vos documents | passent dans l'entraînement |
Pour la question « que dit notre contrat avec ce fournisseur ? », la réponse est presque toujours le RAG. Le fine-tuning apprendrait au modèle à ressembler à vos contrats, pas à connaître le bon.
Les limites qu'on ne vous dit pas#
Tout se joue à la recherche#
Si l'étape de recherche rapporte le mauvais passage, le modèle répondra très bien… à côté. Et il le fera avec aplomb. Un RAG médiocre peut même aggraver les hallucinations, car la réponse fausse aura l'air sourcée.
Les documents doivent être lisibles#
Un PDF qui n'est qu'une image, un scan de travers, un tableau mal extrait : ce que le système ne sait pas lire, il ne peut pas le retrouver. La lecture des documents, OCR compris, est la fondation silencieuse de tout RAG. C'est pour cela qu'AIKeep lit les scans sur le poste, redresse les pages penchées et vous nomme les pièces qu'il n'a pas pu lire, au lieu de les ignorer.
Une question large ne tient pas dans quelques extraits#
« Résume-moi les 200 contrats » n'est pas une question de RAG : aucun extrait ne contient la réponse. Il faut alors un traitement qui parcourt tout, document par document, puis assemble. Un bon outil sait faire la différence, et vous dit ce qu'il a réellement lu.
Où se trouvent les bonnes sources ?#
Le RAG classique cherche dans vos fichiers. Mais la meilleure source n'est pas toujours un document : c'est parfois votre logiciel de gestion, votre messagerie ou une base officielle. C'est l'objet des serveurs MCP, un standard qui permet à l'IA d'interroger ces sources directement, à la demande.
Dans AIKeep, les documents du Projet, les connexions à vos logiciels et les bases branchées forment ensemble la matière dans laquelle l'IA va chercher. Et quand une base de référence est branchée, elle a l'ordre d'y aller plutôt que de répondre de tête.
Et chez vous ?#
Avant de parler technique, posez-vous trois questions :
- Où se trouvent réellement les réponses à vos questions fréquentes : documents, logiciels, têtes ?
- Ces documents sont-ils lisibles par une machine, ou faut-il d'abord les océriser ?
- Qui doit avoir accès à quoi ? Un RAG qui mélange les dossiers de tout le monde est un risque, pas un progrès.
La troisième question est souvent celle qu'on oublie.