Publié le 10 septembre 2026 à 13:00 · Publication originale
"Quelle est notre politique de remboursement pour un billet annulé?"
Elle pourrait inventer.
Le RAG lui impose autre chose.
Chercher d'abord.
RAG signifie "Retrieval-Augmented Generation": génération augmentée par récupération d'information.
Le mécanisme commence bien avant votre question.
Une entreprise prend ses contrats, procédures, catalogues ou archives et les découpe en petits passages. Chaque passage est ensuite transformé en une représentation mathématique appelée "embedding".
Ce n'est pas un résumé.
C'est une sorte de position dans un espace numérique où des contenus de sens proche peuvent se retrouver voisins, même s'ils n'utilisent pas exactement les mêmes mots.
Puis arrive votre question.
Elle aussi est transformée en embedding.
Le système compare alors sa position avec celles de milliers ou millions de passages et récupère les plus proches.
Par exemple:
"Billet annulé plus de 48 heures avant l'événement: remboursement intégral."
Ces quelques extraits sont ajoutés à votre question et transmis au modèle.
Le modèle ne répond donc plus seulement à:
"Quelle est notre politique de remboursement?"
Il reçoit en réalité quelque chose comme:
"Voici trois passages provenant de notre documentation. Réponds à la question uniquement à partir de ces informations."
C'est cela, le RAG.
Il sépare deux opérations que nous confondons souvent:
retrouver l'information et produire la réponse.
Et cette séparation change beaucoup de choses.
Une banque peut actualiser une procédure sans réentraîner son modèle. Un musée peut connecter 100.000 notices internes sans les incorporer définitivement dans l'IA. Une entreprise peut limiter la recherche à certains documents et conserver la trace des sources utilisées.
Mais le RAG ne garantit pas la vérité.
Si le mauvais passage est récupéré, la réponse peut être mauvaise. Si le document est périmé, l'IA sera parfaitement capable de produire une erreur très bien documentée.
Le véritable enjeu n'est donc plus seulement la puissance du modèle.
C'est la qualité de la recherche qui précède sa réponse.
Avec le RAG, l'IA n'est plus seulement une machine qui "sait".
Elle devient aussi une machine qui consulte.