La RAG en entreprise permet à une IA générative de rechercher des informations dans les documents internes avant de formuler sa réponse. Au lieu de s’appuyer uniquement sur les connaissances générales du modèle, l’assistant consulte une base autorisée : procédures, contrats, notices, fiches produits, tickets, rapports ou documentation technique. Il peut ensuite citer les passages utilisés.
Cette génération augmentée par récupération — Retrieval-Augmented Generation — répond à un besoin fréquent : rendre la connaissance accessible sans entraîner un modèle spécifique à chaque mise à jour. Elle réduit le risque d’hallucination, mais ne le supprime pas. La qualité dépend du corpus, de la recherche, des instructions, des droits et de l’évaluation.
En bref
- Un RAG recherche dans vos sources au moment de la question et fournit le contexte au modèle.
- Il est adapté aux bases documentaires évolutives et aux réponses qui doivent citer leurs sources.
- Le tri des documents et la gestion des autorisations sont des lots majeurs du projet.
- La qualité doit être testée sur des questions réelles, y compris les cas sans réponse.
- Un SaaS suffit parfois ; une intégration ou un développement est nécessaire pour des droits et parcours spécifiques.
Comment fonctionne une solution RAG ?
Le système collecte d’abord les documents autorisés, en extrait le texte et les métadonnées, puis les découpe en passages. Ces passages sont indexés afin d’être retrouvés par leur sens, leurs mots ou une combinaison des deux.
Lorsqu’un utilisateur pose une question, la solution recherche les contenus les plus pertinents. Elle transmet la question et ces extraits au modèle, avec des instructions : répondre uniquement à partir des sources, citer les références et reconnaître l’absence d’information. Le résultat est renvoyé à l’utilisateur avec, idéalement, un lien vers les documents originaux.
Chaque étape peut introduire une erreur. Un mauvais scan empêche l’extraction. Un découpage maladroit sépare une condition de son exception. Une recherche incomplète omet le bon passage. Le modèle peut enfin déformer la source. L’évaluation doit donc porter sur toute la chaîne.
Dans quels cas utiliser la RAG en entreprise ?
La RAG est pertinente lorsque les utilisateurs doivent rechercher dans un corpus important, qui évolue et dont les réponses nécessitent une formulation naturelle ou une synthèse. France Num propose notamment les usages suivants : assistant généraliste, juridique, RH, technique, commercial ou d’aide à la création de produits.
Des exemples concrets incluent :
- un support qui répond à partir de procédures officielles ;
- des techniciens qui interrogent une documentation depuis le terrain ;
- un service juridique qui compare des clauses à un référentiel ;
- des commerciaux qui retrouvent les caractéristiques et conditions d’une offre ;
- l’onboarding de nouveaux collaborateurs dans une base de connaissances.
La RAG est moins utile si le corpus est minuscule, stable et déjà facile à consulter, ou si le besoin porte surtout sur un calcul déterministe. Elle ne remplace pas non plus une base transactionnelle lorsqu’une valeur exacte et à jour doit être lue par une requête structurée.
Les cinq prérequis à vérifier
1. Un corpus identifiable
Listez les documents, formats, emplacements et responsables. Décidez quelles sources font autorité. Supprimez ou marquez les versions obsolètes.
2. Des droits d’accès fiables
L’assistant doit respecter les permissions de la GED, du service ou du document. Une réponse ne doit pas révéler un contenu auquel l’utilisateur n’a pas accès.
3. Des questions réelles
Collectez les demandes des équipes et la réponse attendue. Ce jeu permet de configurer puis de mesurer la solution.
4. Un responsable métier
Une personne valide les sources, arbitre les réponses et organise les mises à jour. Le prestataire ne peut pas décider quelle procédure interne est correcte.
5. Un objectif mesurable
Temps de recherche, délai de réponse, taux de résolution, qualité, nombre de sollicitations adressées aux experts : choisissez les indicateurs avant le test.
Notre guide sur les données d’un projet IA détaille cette préparation.
SaaS, logiciel spécialisé ou RAG sur mesure ?
Un assistant généraliste avec dépôt de fichiers convient pour découvrir l’usage, avec peu d’intégration. Un logiciel spécialisé apporte des connecteurs, une administration et des fonctions métier prêtes pour la production. Une solution sur mesure est justifiée si les droits, les sources, l’interface ou les actions sont spécifiques.
France Num présente les SaaS généralistes comme une porte d’entrée, les logiciels spécialisés comme un compromis fréquent pour les TPE-PME, et le développement comme une approche plus exigeante. Le choix doit prendre en compte les données, le nombre d’utilisateurs, la réversibilité et le coût total.
Consultez le comparatif solution IA sur mesure ou SaaS.
Comment évaluer la qualité d’un RAG ?
Constituez des questions avec réponses de référence et sources attendues. Ajoutez des questions ambiguës, hors corpus, portant sur un document obsolète ou demandant une information interdite.
Évaluez séparément :
- la recherche a-t-elle récupéré le bon passage ?
- la réponse respecte-t-elle le contenu de la source ?
- la citation est-elle exacte et accessible ?
- le système reconnaît-il l’absence d’information ?
- le délai et le coût sont-ils acceptables ?
Un taux global peut cacher une faiblesse. Analysez les résultats par source, type de question et niveau de risque. Conservez le jeu de test pour vérifier chaque évolution.
Réduire les hallucinations sans promettre l’impossible
La RAG réduit les réponses inventées en apportant un contexte pertinent. Elle n’impose pas mécaniquement la fidélité. Pour augmenter la fiabilité, améliorez la recherche, demandez des citations, limitez le périmètre, réglez le comportement en cas de doute et soumettez les réponses sensibles à un humain.
Des contrôles déterministes peuvent vérifier des éléments : présence d’une source, format d’une référence, autorisation de l’utilisateur ou cohérence d’un montant. La réponse de l’IA ne doit pas déclencher seule une action critique.
Sécurité : l’injection de prompt indirecte
Un document indexé peut contenir une instruction malveillante destinée au modèle : ignorer les règles, révéler des données ou effectuer une action. C’est une forme d’injection indirecte. OWASP classe l’injection de prompt parmi les risques majeurs des applications LLM.
Traitez les documents comme des données non fiables, même s’ils proviennent d’une source interne. Séparez instructions et contenus, limitez les outils accessibles, contrôlez les sorties et exigez une validation pour les actions. Testez aussi la divulgation d’informations sensibles et les permissions.
Quel budget prévoir ?
Un essai avec un SaaS généraliste peut se limiter aux abonnements et au temps de préparation. Un logiciel spécialisé ajoute licences, configuration et intégrations. Un RAG sur mesure comprend collecte, indexation, interface, droits, tests, sécurité et maintenance.
France Num situe plusieurs projets de RAG accessibles aux PME dans une fourchette de 15 000 à 50 000 €, avec des délais pouvant aller jusqu’à trois mois pour le périmètre présenté. Il s’agit d’ordres de grandeur, pas d’un tarif. Le nombre de documents seul ne permet pas de chiffrer : les connecteurs, les autorisations et la qualité attendue influencent davantage le coût du projet IA.
Les étapes d’un projet RAG
Commencez par sélectionner un périmètre : une équipe, un corpus, un type de question. Préparez les sources et le jeu de test. Réalisez un POC sur la recherche et la fidélité des réponses. Ajoutez ensuite les droits, les connecteurs, l’administration et la supervision nécessaires au pilote.
Avant la production, organisez l’alimentation continue, la suppression, les retours utilisateurs et les tests de régression. Formez les équipes à ouvrir la source et à signaler une réponse incorrecte.
Questions fréquentes sur la RAG
La RAG entraîne-t-elle le modèle avec nos données ?
Non, pas par principe. Elle fournit des extraits au moment de la requête. Il faut toutefois vérifier le contrat du fournisseur pour savoir comment les requêtes et contenus sont traités ou conservés.
Peut-on connecter des PDF scannés ?
Oui après reconnaissance de caractères, mais la qualité doit être contrôlée. Les tableaux, mises en page complexes et scans médiocres peuvent nécessiter un traitement spécifique.
La RAG garantit-elle des réponses exactes ?
Non. Elle améliore le contexte et la traçabilité. La recherche, le modèle et les sources peuvent encore produire des erreurs. Les usages sensibles exigent validation et contrôles.
Sources utiles
- France Num — Guide de la génération augmentée par récupération
- Direction générale des Entreprises — Guide de la RAG
- OWASP — Prévention de l’injection de prompt dans les applications LLM
Trouvez un spécialiste RAG adapté à vos données
Décrivez vos documents, vos utilisateurs, vos droits d’accès, vos outils et les questions à traiter. Codimiq qualifie le projet avant de l’orienter vers des prestataires RAG, data ou intégration capables d’y répondre.
