RAG et bases de connaissances
Le RAG (génération augmentée par la recherche) retrouve les passages pertinents dans vos propres documents, puis demande à l'IA de répondre en s'appuyant dessus et de citer ses sources. Vos équipes trouvent la réponse au lieu de chercher le document.
Mis à jour le 11 octobre 2026
Le constat
du temps de travail consacré à chercher de l'information, de 3 heures par semaine à un quart de la semaine selon les enquêtes d'éditeurs.
Source : Slite 2026 · Glean/Harris Poll 2022
d'échecs de récupération avec la recherche contextuelle combinée au reranking, sur les jeux de données d'Anthropic (−49 % sans reranking).
Source : Anthropic, Contextual Retrieval
des organisations n'ont pas, ou ne sont pas sûres d'avoir, les pratiques de gestion de données adaptées à l'IA.
Source : Gartner, via Freevacy
Les résultats d'Anthropic viennent de leurs propres jeux de données : à valider sur vos documents.
Comment ça marche
La préparation se fait une fois, puis à chaque mise à jour de vos documents. La réponse, elle, est produite à chaque question, en quelques secondes.
Une fois : la préparation
Procédures, contrats, fiches produits, e-mails, bases internes.
Chaque document est découpé en passages courts, enrichis de leur contexte.
Chaque passage est indexé par le sens (embeddings) et par les mots exacts.
À chaque question : la réponse
Un collaborateur pose sa question en langage naturel.
Les passages les plus pertinents sont retrouvés, puis classés.
L'IA rédige la réponse uniquement à partir de ces passages.
La réponse indique les documents sources pour vérification.
Principe décrit par Lewis et al. (Facebook AI, NeurIPS 2020) et détaillé par Anthropic.
Faut-il vraiment un RAG ?
Nous vous le disons franchement : si votre base tient en quelques centaines de pages, un RAG n'est pas toujours nécessaire. Ces trois approches se complètent plus qu'elles ne s'opposent.
À choisir si : Votre savoir change, il est volumineux, vous voulez des citations et des droits d'accès par utilisateur.
Limite : La qualité dépend de la recherche : un passage non pertinent peut dégrader la réponse.
À choisir si : Vous voulez imposer un format, un ton ou un vocabulaire stable.
Limite : Peu adapté pour ajouter des faits : ils vieillissent et le modèle n'est pas mis à jour.
À choisir si : Votre base est petite et stable : environ 500 pages au plus selon Anthropic.
Limite : Citations faibles et qualité qui peut se dégrader sur de très longs contextes.
Un doute sur la bonne approche ? Un échange suffit pour trancher.
En parler à un consultantSources : Anthropic · Denser · AI Builder Club.
Ce qui fait un bon RAG
La réponse ne peut pas être meilleure que les passages retrouvés : la qualité se joue surtout dans la recherche.
Un extrait isolé perd son sens (quelle entreprise ? quelle période ?). On y ajoute son contexte avant de l'indexer.
Le sens (embeddings) et les mots exacts (références, sigles, noms propres) se complètent.
Un second modèle reclasse les passages retrouvés pour ne garder que les plus utiles.
Transmettre une vingtaine de passages donne de meilleurs résultats que cinq ou dix, selon Anthropic.
Les réglages se testent sur vos propres questions, pas sur des exemples génériques.
Français, arabe, dialecte
Sources : ArabicMTEB / Swan · Optimizing RAG Pipelines for Arabic.
Sécurité et confidentialité
L'OWASP identifie les faiblesses des bases vectorielles comme un risque à part entière des applications d'IA. Voici ce que nous mettons en place.
Les droits d'accès de vos documents sont respectés à chaque recherche, y compris dans l'index.
Les services, filiales ou clients ne se mélangent pas : sans isolation, un index peut renvoyer les documents d'un autre.
Un index vectoriel non protégé équivaut à une base de données non protégée.
À partir des vecteurs, le texte d'origine peut être approximativement reconstruit : on les traite comme des données sensibles.
Sources : OWASP GenAI · Giskard. Cadre réglementaire : gouvernance IA et AI Act.
Mesurer la qualité
On ne juge pas un RAG à l'impression : on le mesure avec quatre indicateurs, calculés sur des questions représentatives de votre activité. Ils sont évalués par un modèle et varient d'une exécution à l'autre : nous les suivons dans le temps.
Chaque affirmation de la réponse est-elle soutenue par les documents retrouvés ?
La réponse traite-t-elle bien la question posée ?
Les bons passages sont-ils classés avant les passages inutiles ?
A-t-on retrouvé tout ce qu'il fallait pour répondre ?
La démarche
Les sources de documents et les droits d'accès de chacun.
Nettoyer, structurer et découper les contenus.
Recherche par le sens et par les mots exacts, avec le contexte de chaque passage.
Mesurer sur vos propres questions avant d'ouvrir à vos équipes.
Droits d'accès, sources citées, suivi et mises à jour dans la durée.
Questions fréquentes
Le RAG (génération augmentée par la recherche) retrouve les passages pertinents dans vos documents, puis les fournit à l'IA pour qu'elle réponde en s'appuyant dessus et en citant ses sources.
Non. Il les réduit en ancrant les réponses dans vos documents, mais un passage non pertinent ou contradictoire peut dégrader la réponse. C'est pourquoi on mesure la qualité sur vos questions.
Pour un savoir qui change et qui doit être cité, le RAG est généralement préférable. L'ajustement fin sert plutôt à imposer un format ou un ton. Les deux peuvent se combiner.
Peut-être pas. Selon Anthropic, une base d'environ 500 pages ou moins peut être placée directement dans le prompt. Au-delà, ou avec des droits d'accès à gérer, un RAG devient pertinent.
La confidentialité repose sur des droits d'accès respectés à chaque recherche, une isolation des données et la protection de l'index. Les vecteurs ne sont pas anonymes : on les traite comme des données sensibles.
Oui, mais la qualité varie selon les modèles, surtout pour les dialectes. Nous testons plusieurs approches sur un échantillon de vos documents avant de nous engager sur un résultat.
Aller plus loin
Parlez-nous de vos documents : nous vous dirons si un RAG est la bonne solution et comment le mesurer.