Publié le 24 septembre 2026 à 17:01 · Publication originale
Contrats, procédures, comptes rendus, catalogues, rapports. Lorsqu’un salarié pose une question, envoyer ces vingt mille fichiers au modèle serait coûteux, lent et surtout inutile. La réponse se trouve peut-être dans trois paragraphes.
Il faut les trouver.
C’est le principe de la génération augmentée par récupération, ou RAG.
Avant que le modèle rédige sa réponse, un autre mécanisme recherche dans une base les passages susceptibles d’être utiles. Ceux-ci sont ajoutés au contexte avec la question. Le modèle peut alors produire sa réponse à partir de documents qu’il n’avait jamais rencontrés pendant son entraînement.
La séquence devient donc: chercher, sélectionner, lire, répondre.
Pour rendre cette recherche possible, les documents sont souvent découpés en fragments. Chacun peut être transformé en représentation vectorielle, comme les mots que nous avons rencontrés plus tôt. La question reçoit elle aussi une représentation. Le système peut alors rechercher dans cet espace les fragments qui lui sont sémantiquement proches.
Une formulation exacte n’est plus toujours nécessaire. Une question sur "les conditions de remboursement" peut retrouver un passage parlant de "frais remboursables" sans contenir exactement les mêmes mots.
Le modèle vient de gagner quelque chose qui ressemble à une bibliothèque ouverte au moment de la question.
Mais la qualité de sa réponse dépend désormais d’une étape située avant lui.
En 2025, le benchmark GaRAGe a confronté plusieurs modèles récents à 2.366 questions et plus de 35.000 passages annotés. Même les meilleurs n’atteignaient que 60% sur une mesure combinant pertinence et factualité. Les difficultés augmentaient notamment avec les questions sensibles au temps et les sources privées dispersées.
Une étude EMNLP 2025 a montré autre chose: à longueur de contexte identique, multiplier les documents pouvait réduire les performances de certains modèles jusqu’à 20%. Plus d’information peut donc devenir du bruit.
Le RAG ne transforme pas une base documentaire en vérité. Il construit une chaîne dont chaque maillon peut échouer: découpage, recherche, sélection, puis génération.
Et cette chaîne introduit une idée nouvelle dans notre histoire.
Le modèle n’est déjà plus seul.
Autour de lui commence à apparaître un système.