RAG (Retrieval Augmented Generation)

Le RAG (Retrieval Augmented Generation, ou génération augmentée par la recherche) combine deux étapes distinctes : un système de recherche trouve des documents pertinents, puis un grand modèle de langage rédige sa réponse à partir de ces documents plutôt que de sa seule mémoire. Le terme vient d’un article de recherche publié en 2020 par des chercheurs de Facebook AI. C’est ce qui permet à Perplexity, à ChatGPT quand il cherche sur le web ou aux AI Overviews de citer des pages publiées la veille.

La distinction utile pour une marque : sans RAG, l’IA parle de vous avec ce qu’elle a appris lors de son entraînement, parfois de façon datée ou inexacte. Avec RAG, elle s’appuie sur des passages précis, récupérés au moment de la question. Votre visibilité dépend alors de votre capacité à fournir le meilleur passage, pas seulement la meilleure page.

Les étapes d’un système RAG

1. Préparation : les documents sont découpés en passages, c’est le chunking, puis convertis en vecteurs numériques, les embeddings. Sur le web, cette étape repose sur l’index d’un moteur de recherche.
2. Recherche : à partir de la question, le système retrouve les passages les plus proches, souvent en combinant recherche par mots-clés et recherche sémantique.
3. Sélection : un second modèle peut reclasser les candidats pour ne garder que les plus pertinents.
4. Génération : les passages retenus sont insérés dans le contexte du modèle, qui rédige la réponse et, selon l’outil, affiche ses sources.

Cette dernière étape correspond au grounding, l’ancrage de la réponse dans des sources identifiables. Il réduit les erreurs sans les supprimer : le modèle peut mal interpréter un passage ou en combiner deux à tort.

Exemple concret : la fiche produit qui ne sort jamais

Prenons un e-commerçant spécialisé en randonnée. Un internaute demande à un assistant : « Quelle tente deux places pèse moins de 2 kg pour le GR20 ? » La fiche de sa meilleure tente, à 1,6 kg, n’apparaît jamais dans les réponses. Diagnostic : le poids figure uniquement dans une image de tableau technique, et la description se charge en JavaScript dans un onglet. Le système ne récupère donc aucun passage contenant « 1,6 kg ». Le concurrent, dont la fiche indique en texte « 1,7 kg, idéale pour le GR20 en juin », est cité. Une fois les caractéristiques passées en HTML et un paragraphe d’usage ajouté par itinéraire, la fiche devient un passage récupérable.

Les erreurs qui rendent un contenu invisible au RAG

• Placer l’information décisive dans une image, un PDF mal structuré ou un élément qui ne s’affiche qu’après un clic.
• Écrire des passages qui dépendent du reste de la page (« comme vu plus haut ») : une fois découpé, le passage perd son sens.
• Bloquer sans le savoir les robots de recherche des IA (OAI-SearchBot, PerplexityBot…) dans le robots.txt ou le pare-feu.
• Dans un projet interne, laisser des documents obsolètes dans la base : le modèle cite avec aplomb une procédure périmée.

Comment vérifier que vos pages sont exploitables

Consultez vos logs serveur pour confirmer le passage des robots d’IA sur vos pages clés. Affichez ces pages avec JavaScript désactivé : c’est une bonne approximation de ce que voient de nombreux robots d’IA, qui n’exécutent pas toujours les scripts. Structurez chaque section autour d’une question, avec une réponse complète dès les premières phrases. Pour un chatbot interne, constituez une liste de 100 à 200 questions réelles et mesurez la part de réponses exactes avant et après chaque changement : c’est l’indicateur le plus parlant.