Le RAG (Retrieval-Augmented Generation) est un procédé dans lequel un modèle de langage IA recherche des documents pertinents, par exemple des pages web actuelles, avant de formuler une réponse, et s'en sert comme base. Le modèle ne répond donc pas uniquement à partir de ce qu'il a appris à l'entraînement, mais à partir de ce qu'il vient de consulter. Pour les entreprises, cela signifie que celles qui sont trouvées dans cette recherche en direct peuvent être citées dans la réponse, même si elles n'ont jamais figuré dans les données d'entraînement.
Ce que signifie le RAG
Un modèle de langage IA apprend pendant l'entraînement à partir d'une quantité énorme de textes. Ensuite, ses connaissances sont figées. Si on l'interroge sur un événement postérieur à l'entraînement ou à peine présent dans les textes, il devine ou invente. Pour la question « Quel sanitaire de Frauenfeld assure un service d'urgence ? », c'est inutilisable.
Le RAG résout ce problème en deux étapes. D'abord, le système cherche des documents pertinents, le plus souvent via une recherche web ou dans une base de données. Ensuite, il transmet les textes trouvés au modèle de langage avec la consigne d'en tirer la réponse. Le mot anglais retrieval signifie récupération, augmented signifie enrichi : la génération de texte est enrichie de faits consultés.
On peut se le représenter comme un collaborateur qui ne répond pas de mémoire, mais commence par consulter les documents, puis les cite. La qualité de la réponse dépend de ce que contiennent ces documents.
Un exemple du quotidien d'une PME
Un hôtel d'Appenzell n'est jamais mentionné dans ChatGPT lorsque quelqu'un cherche un hébergement acceptant les chiens. L'hôtel est trop petit pour jouer un rôle dans les données d'entraînement. Les exploitants rédigent une page intitulée « Vacances avec chien à Appenzell : ce que propose notre maison », avec des indications concrètes sur les chambres, les tarifs et les sentiers de promenade.
Si quelqu'un demande maintenant à ChatGPT un hôtel accueillant pour les chiens à Appenzell, le système lance une recherche web. La nouvelle page est trouvée, lue et citée comme source dans la réponse. L'hôtel n'a jamais fait partie de l'entraînement ; il est entré dans la réponse grâce à la récupération.
Pourquoi c'est important pour votre entreprise
Le RAG est la raison pour laquelle la visibilité dans les réponses IA est réellement accessible aux PME. Sans récupération, les systèmes ne citeraient que ce qu'ils connaissent déjà, c'est-à-dire les grands noms. Avec la récupération, n'importe quel site peut devenir une source, à trois conditions : les crawlers IA sont autorisés à le lire, le contenu répond clairement à la question, et l'entreprise est clairement identifiable.
Il en découle un déplacement des priorités. Ce n'est pas la notoriété qui décide, mais la qualité de réponse de chaque page. Ce que cela implique pour la conception des contenus est expliqué sur la page consacrée au GEO. Pour savoir si votre site est accessible aux crawlers IA, consultez le test de deux minutes.
Idées reçues fréquentes
Le RAG ne signifie pas que l'IA lit l'intégralité de votre site. En général, seuls quelques passages sont récupérés, souvent les premiers paragraphes ou l'extrait qui correspond à la question. La réponse doit donc figurer tôt dans le texte. Et le RAG ne garantit pas l'exactitude : le modèle peut aussi résumer de travers les textes récupérés.
Questions fréquentes
ChatGPT et Perplexity utilisent-ils le RAG ?
Perplexity fonctionne toujours ainsi : chaque réponse repose sur une recherche web et cite ses sources. ChatGPT cherche sur le web lorsque la question requiert des informations actuelles ou spécifiques, et utilise pour cela son propre crawler, nommé OAI-SearchBot. L'aperçu IA de Google s'appuie lui aussi sur l'index de recherche.
Mon entreprise doit-elle figurer dans les données d'entraînement pour être citée ?
Non. Les données d'entraînement sont un instantané du passé ; on y trouve surtout de grandes entreprises, souvent mentionnées. Pour les requêtes locales, l'IA va chercher la réponse par une recherche en direct. L'essentiel est que vos pages puissent être trouvées, lues et comprises.
Comment savoir si une réponse provient du RAG ?
Aux sources indiquées. Si l'IA affiche des liens ou des notes de bas de page, elle a effectué une recherche. Les réponses sans sources proviennent généralement des connaissances d'entraînement et sont plus souvent dépassées ou fausses pour les entreprises et les chiffres.