Notion · Brancher l’IA sur ses données
RAG
Une méthode qui cherche des passages dans vos documents avant de demander au modèle de répondre. Elle permet de s’appuyer sur des informations internes ou récentes, à condition de vérifier les sources et les droits d’accès.
Comment ça marche
Un modèle de langage ne connaît pas vos documents. Le RAG règle ça sans l’entraîner : à chaque question, le système cherche dans vos documents les passages les plus pertinents, les colle devant la question, et demande au modèle de répondre uniquement à partir de ça, en citant ses sources.
La préparation se fait une fois. Les documents sont nettoyés, découpés en fragments, convertis en vecteurs et rangés dans une base vectorielle. À l’usage, la question est convertie de la même façon, les fragments les plus proches sont retrouvés, souvent combinés à une recherche par mots-clés, puis reclassés. Le modèle rédige, et la réponse indique de quel document vient chaque élément. Quand un document change, on remplace ses fragments. Le reste ne bouge pas.
Un exemple concret
- Les sources : 2 000 fiches produits, 300 procédures du service après-vente, les conditions de garantie, et 5 ans de questions-réponses du support.
- La question d’un vendeur : « Un client a une pompe XR-40 achetée il y a 18 mois qui fuit, elle est encore sous garantie ? Et quelle est la procédure ? »
- Ce que retrouve le système : la fiche de la XR-40 (garantie 2 ans), la clause d’exclusion pour les joints d’usure, la procédure de retour, et deux cas similaires du support.
- La réponse : sous garantie sauf si c’est le joint, procédure en trois étapes, avec les liens vers les quatre documents. Le vendeur vérifie la clause en un clic et répond au client.
Avant, cette question prenait trois appels internes. Le système ne sait rien que l’entreprise ne savait déjà ; il le retrouve en dix secondes.
Ce que ça change pour une équipe
- La documentation devient utilisable. Tout ce qui était écrit quelque part et que personne ne retrouvait répond maintenant aux questions.
- Les réponses sont vérifiables. Chaque élément a sa source. On fait confiance parce qu’on peut contrôler, pas parce que le ton est assuré.
- Les nouveaux arrivants sont autonomes plus vite. Ils posent leurs questions à l’assistant au lieu d’interrompre les anciens.
- La qualité de la documentation devient visible. Doublons, contradictions, trous : le RAG les expose. C’est inconfortable au début, et utile ensuite.
Les limites et les erreurs fréquentes
- Indexer tout sans trier. Les vieux documents, les brouillons, les versions multiples entrent dans l’index et ressortent dans les réponses. Le nettoyage des sources est la moitié du projet.
- Ne pas tester sur de vraies questions. Cinquante questions réelles avec la réponse attendue, c’est le minimum pour savoir si le système marche, et pour régler le découpage et la recherche.
- Oublier les droits d’accès. Un RAG sur tous les documents répond à tout le monde sur tout. Les permissions se gèrent à l’indexation, par fragment.
- Croire que le modèle ne peut plus halluciner. Il peut encore inventer, surtout quand les passages retrouvés ne contiennent pas la réponse. La consigne doit lui imposer de dire qu’il ne sait pas, et les citations doivent être vérifiables.
Pour aller plus loin
Retrieval-Augmented Generation associe une étape de recherche à la génération. La recherche peut être lexicale, vectorielle ou hybride, puis suivie d’un reclassement. La qualité dépend de l’index, des fragments, du rappel et de l’exploitation des passages.
Où ça se situe chez Opora
Programme 03 · Garder la maîtriseL’IA chez vous, sans que vos données sortent
Mettre en place un RAG sur les documents de l’entreprise, en interne, et en mesurer la qualité sur de vraies questions, c’est l’atelier central du programme Garder la maîtrise.
Questions fréquentes
RAG, ça veut dire quoi ?
Retrieval augmented generation : génération augmentée par la recherche. Avant de répondre, le système va chercher les passages pertinents dans vos documents et les donne au modèle, qui rédige à partir d’eux. Le modèle ne répond plus de mémoire, il répond avec vos sources sous les yeux.
Le RAG apprend-il mes documents au modèle ?
Non. Le modèle ne change pas. Les documents sont stockés à côté, dans un index, et seuls les passages utiles lui sont fournis au moment de chaque question. C’est ce qui permet de mettre à jour les documents sans toucher au modèle, et de contrôler qui accède à quoi.
Pourquoi mon RAG donne-t-il de mauvaises réponses ?
Dans la grande majorité des cas, parce que la recherche a ramené les mauvais passages : documents en doublon ou obsolètes, découpage mal fait, modèle d’embedding inadapté au français. Le modèle de rédaction est rarement en cause. On diagnostique en regardant ce qui a été retrouvé, pas la réponse finale.