Le RAG en clair

Un LLM sait beaucoup de choses sur le monde en général. Mais il ne sait rien sur ton entreprise, tes clients, tes contrats, tes process internes. Le RAG (Retrieval-Augmented Generation) résout ce problème : il permet au LLM de chercher dans TES documents avant de répondre.

Le problème que le RAG résout

Tu veux que le LLM réponde à des questions sur ton entreprise :

• "Quel est le délai de paiement dans notre contrat avec Dupont SA ?"
• "Quelle est notre politique de remboursement ?"
• "Combien a-t-on facturé à ce client en 2025 ?"

Sans RAG, le LLM ne peut pas répondre. Il n'a pas accès à ces informations. Tu dois copier-coller les documents pertinents dans le prompt à chaque fois — ce qui est fastidieux et limité en taille.

Avec RAG, le LLM cherche automatiquement dans ta base documentaire, trouve les passages pertinents, et les utilise pour formuler sa réponse.

Comment ça marche, étape par étape

Étape 1 — Indexation de tes documents

Tes documents (PDF, Word, emails, fiches produit, contrats) sont découpés en petits morceaux (chunks) et convertis en vecteurs numériques (embeddings). Ces vecteurs sont stockés dans une base de données vectorielle.

C'est une opération unique (ou périodique si tes documents changent). Tu ne la vois pas — elle se passe en arrière-plan.

Étape 2 — Question de l'utilisateur

Tu poses ta question normalement : "Quel est le délai de paiement avec Dupont SA ?"

Étape 3 — Recherche (Retrieval)

Le système convertit ta question en vecteur et cherche dans la base les morceaux de documents les plus proches sémantiquement. Il ne cherche pas par mots-clés (comme Google) mais par sens. "Délai de paiement" trouvera aussi "conditions de règlement" et "échéance de facturation".

Étape 4 — Génération (Generation)

Les morceaux trouvés sont insérés dans le prompt envoyé au LLM. Le LLM répond en se basant sur ces extraits, pas sur ses connaissances génériques.

Le résultat : une réponse précise, sourcée, basée sur tes vrais documents.

L'analogie du bibliothécaire

Imagine un bibliothécaire très cultivé (le LLM) devant une question d'un client. Sans RAG, il répond de mémoire — souvent bien, parfois approximativement. Avec RAG, il va d'abord chercher le bon livre dans les rayons (retrieval), ouvre la bonne page, et formule sa réponse à partir du texte exact (generation).

Le RAG ne rend pas le bibliothécaire plus intelligent. Il lui donne accès aux bons documents au bon moment.

Les outils RAG accessibles

Pour les non-développeurs :

• Claude Projects : tu uploades des documents dans un "projet" et Claude répond en les consultant
• ChatGPT avec fichiers : tu attaches des documents dans une conversation
• NotebookLM (Google) : interface dédiée à l'analyse de documents
• Notion AI : recherche dans ton workspace Notion

Ces solutions sont simples mais limitées en volume (quelques dizaines de documents).

Pour les développeurs ou avec accompagnement :

• LangChain + Pinecone/Weaviate : le standard open source pour construire des systèmes RAG
• LlamaIndex : framework spécialisé dans l'indexation de documents
• Vercel AI SDK + embeddings : intégrable dans des applications Next.js

Ces solutions gèrent des milliers de documents et sont personnalisables.

Les pièges du RAG

1. Qualité des documents = qualité des réponses. Si tes documents sont mal structurés, incomplets, ou contradictoires, le RAG donnera de mauvaises réponses. Garbage in, garbage out.

2. Le découpage (chunking) compte énormément. Si tu découpes un contrat au milieu d'une clause, le LLM n'aura qu'un fragment inutilisable. Les bons systèmes RAG découpent intelligemment (par section, par paragraphe logique).

3. Le RAG ne remplace pas la vérification. Le LLM peut mal interpréter un passage, mélanger deux documents, ou ignorer une information pertinente. Pour les réponses critiques (juridique, financier), vérifie toujours.

4. La fraîcheur des données. Si tu ajoutes un nouveau contrat mais que l'index n'est pas mis à jour, le RAG ne le trouvera pas. Prévois une mise à jour régulière de l'index.

Quand utiliser le RAG

Le RAG est pertinent quand :

• Tu as un corpus de documents propre à ton entreprise
• Les questions portent sur le contenu de ces documents
• Le volume est trop important pour tout mettre dans un prompt

Le RAG n'est PAS nécessaire quand :

• Tu poses des questions de culture générale
• Ton besoin est ponctuel (copie-colle le document dans le prompt)
• Tu as moins de 5 documents (autant les mettre directement dans le contexte)

Et maintenant ?

Tu comprends le RAG. Dans la prochaine leçon, on passe à la vision d'ensemble : comment connecter un LLM à tes outils métier — CRM, email, tableurs, bases de données — avec ou sans code.

Abonne-toi à la newsletter pour la suite.