Génération augmentée par récupération (RAG)
Definition
La génération augmentée par récupération (Retrieval-Augmented Generation, RAG) combine un grand modèle de langage avec une étape de récupération : avant de générer une réponse, le système va chercher des passages pertinents dans une source externe (base de données, ensemble de documents ou web en direct), puis les fournit au modèle en contexte, en complément de la question posée. La réponse du modèle s'appuie alors sur ce contenu récupéré plutôt que d'être produite uniquement à partir des schémas appris pendant l'entraînement.
Le RAG existe parce qu'un LLM a une date de coupure d'entraînement et une base de connaissances internes figée : sans récupération, un modèle ne peut rien savoir de ce qui s'est passé après la collecte de ses données d'entraînement, et a tendance à combler les manques par des affirmations plausibles mais fausses, un phénomène appelé hallucination de l'IA. En récupérant des sources actuelles et vérifiables au moment de la requête, le RAG réduit ce risque et constitue le mécanisme derrière la plupart des moteurs IA qui citent leurs sources, dont AI Mode, la recherche web de ChatGPT ou Perplexity.
Pour le GEO, le RAG explique pourquoi la structure d'un contenu compte autant que son exactitude : un système IA ne peut récupérer et citer que ce qu'il trouve et parvient à analyser proprement. Les passages doivent donc contenir des réponses claires et autonomes, des faits exacts et à jour, et une structure (titres, listes, données structurées) qui facilite l'extraction. Une page bien écrite n'a aucune garantie d'être récupérée si l'information est noyée dans un texte dense sans passage clairement identifiable.
La façon dont ce changement redéfinit la stratégie de contenu au-delà de la simple optimisation par mots-clés est détaillée dans Agentic AI search has replaced simple RAG. What your content needs now (en anglais).
Exemples
Une IA de support client qui répond à "quelle est votre politique de remboursement" récupère la page de politique actuelle au lieu de s'appuyer sur une version potentiellement obsolète mémorisée pendant l'entraînement.
Perplexity qui répond à une question sur la dernière levée de fonds d'une entreprise récupère des articles de presse récents plutôt que de générer une réponse à partir de données d'entraînement plus anciennes, ce qui explique pourquoi les chiffres cités sont généralement à jour.
Foire aux questions
Quelle différence entre le RAG et le fine-tuning ?
Le fine-tuning modifie les poids internes du modèle en le réentraînant sur de nouvelles données, ce qui est lent et coûteux à mettre à jour, tandis que le RAG récupère des informations fraîches au moment de la requête sans toucher au modèle lui-même, ce qui en fait l'approche la plus courante pour garder des réponses à jour.
Le RAG élimine-t-il complètement l'hallucination de l'IA ?
Non, il réduit fortement le risque en ancrant les réponses dans des sources récupérées, mais un modèle peut encore mal interpréter ou mal citer un passage récupéré, donc le RAG diminue le taux d'erreur sans l'éliminer totalement.
Quels moteurs IA utilisent le RAG ?
La plupart des moteurs qui affichent des citations utilisent une forme de RAG, dont AI Mode, AI Overview, ChatGPT avec la recherche web activée, Perplexity et Gemini, même si les sources de récupération et la logique de classement diffèrent d'un moteur à l'autre.
Comment rendre son contenu plus facilement récupérable ?
Rédigez des réponses claires et autonomes en haut de page, gardez les faits à jour, utilisez des titres descriptifs et des données structurées, et évitez de noyer les informations clés dans de longs paragraphes sans passage clairement délimité.
Le RAG, est-ce la même chose qu'un chatbot qui cherche sur le web ?
La recherche web n'est qu'une source de récupération parmi d'autres : un système RAG peut tout aussi bien récupérer des informations dans une base de données privée, les documents internes d'une entreprise, ou un ensemble fixe de pages indexées, la recherche web est simplement l'exemple le plus visible pour les utilisateurs.
