4.4RAG : faire répondre l'IA à partir de vos documents
L'essentiel en 30 secondes
- Le RAG = récupérer PUIS générer : on cherche les passages pertinents dans vos docs, on les fournit au modèle avec la question.
- Des réponses ancrées : moins d'inventions, citations possibles, mise à jour facile — on réindexe, sans réentraîner.
- Réflexe de Lina : exiger les sources et un « je ne sais pas » quand l'info n'est pas dans les documents.
Mini-cas filé — Lina branche l'IA sur les procédures
L'agent support de Lina bute sur une limite : l'IA répond « de mémoire » et invente parfois des procédures. Lina rassemble les FAQ et procédures internes à Oran, les fait découper en morceaux, convertir et stocker pour la recherche, puis branche le flux : question → passages retrouvés → réponse à partir de ces passages, sources citées. Quand un document change, elle réindexe. Son chatbot connaît enfin l'entreprise — sans inventer.
Suite du cas 4.1-4.3 — Lina ancre son IA dans les documents maison.
1. Le principe du RAG
Un modèle de langage ne connaît pas vos documents internes. Le RAG (Retrieval-Augmented Generation, « génération augmentée par récupération ») résout ça simplement : au lieu de laisser l'IA répondre de mémoire, on recherche d'abord les passages pertinents dans vos documents, puis on les fournit au modèle avec la question. L'IA répond alors à partir de vos contenus — c'est ce qui permet un chatbot interne qui connaît votre entreprise, comme celui de Lina.
2. Le mécanisme, sans jargon
En pratique : on découpe les documents en morceaux de taille adaptée, on les transforme en représentations numériques (appelées embeddings, des listes de nombres qui capturent le sens) stockées dans une base prévue pour la recherche par sens (base vectorielle). À chaque question, on retrouve les morceaux les plus proches du sens de la question et on les injecte dans le prompt. Des outils no-code (nœuds dédiés dans n8n) montent ce circuit sans coder.
Bénéfices : réponses ancrées dans vos sources (moins d'inventions), citations possibles, mise à jour facile (on réindexe les documents modifiés). L'une des applications IA les plus utiles en entreprise — à condition de garder l'esprit critique (voir pièges).
3. Pourquoi pas juste coller les docs ?
Parce que ça ne passe pas à l'échelle : on ne colle pas des centaines de pages dans chaque prompt (limite de taille, coût, information noyée). Le RAG ne fournit que les quelques passages pertinents pour la question posée. Coller les docs marche pour un texte court ponctuel ; le RAG est la vraie solution pour une base de connaissances — et Lina le vérifie sur ses procédures.
🔎 Exemple concret — 🔎 Exemple concret — Un chatbot documentaire
Le circuit de Lina pour répondre sur les procédures maison :
Indexation : FAQ/procédures → morceaux → recherche par sens
Question → 3-4 passages retrouvés
→ injectés dans le prompt → réponse (avec citations)
→ réindexer à chaque mise à jour des documents.Lecture : la réponse reflète les documents, pas la mémoire du modèle.
Leçon : demander de citer les sources et de dire « je ne sais pas ».
Vocabulaire de la section
- RAG
- Méthode qui fait répondre l'IA à partir de vos documents : rechercher les passages pertinents, puis les fournir au modèle pour qu'il réponde dessus.
Exemple simple : Le chatbot de Lina répond sur les procédures internes au lieu d'inventer.
Ce que ce n'est pas : un réentraînement du modèle sur vos données.
Réflexe : toujours demander : sur quels passages s'appuie cette réponse ?
- Embedding
- Représentation numérique d'un texte (liste de nombres) qui permet de mesurer la proximité de sens entre morceaux.
Exemple simple : Deux paragraphes de procédures proches en sens ont des représentations proches.
Ce que ce n'est pas : un résumé lisible du document.
Réflexe : retenir l'idée (comparer le sens), pas la technique.
- Base vectorielle
- Base prévue pour stocker ces représentations et retrouver vite les passages les plus proches d'une question.
Exemple simple : Lina y stocke ses procédures découpées pour la recherche par sens.
Ce que ce n'est pas : un simple dossier de fichiers PDF.
Réflexe : vérifier qui peut interroger cette base (droits d'accès).
- Découpage (chunking)
- Découpage des documents en morceaux de taille adaptée avant indexation, pour une recherche pertinente.
Exemple simple : Lina découpe par procédure cohérente, pas en pages arbitraires.
Ce que ce n'est pas : l'envoi du document entier dans chaque prompt.
Réflexe : découper par unité de sens, tester, ajuster.
- Hallucination
- Réponse inventée par un modèle ; le RAG la réduit en ancrant la réponse dans des sources fournies.
Exemple simple : Avant le RAG, l'IA de Lina inventait des étapes de procédure.
Ce que ce n'est pas : une erreur de frappe ou un bug logiciel.
Réflexe : exiger sources + « je ne sais pas » et contrôler le critique.
En pratique — En pratique — Bâtir un mini-RAG documentaire
- Rassemblez une base documentaire (FAQ, procédures) et découpez-la en morceaux cohérents, comme Lina.
- Préparez la recherche par sens (représentations + base prévue pour cela, via des nœuds n8n dédiés).
- Construisez le flux : question → recherche des passages proches → injection dans le prompt → réponse du modèle, sources exigées.
- Testez sur de vraies questions, vérifiez que les réponses reflètent vos documents, et réindexez quand les docs changent.
Script prêt à dire — cadrer le RAG avec la DSI (30 s)
« C'est Lina : je veux indexer nos FAQ et procédures pour un chatbot interne qui cite ses sources. Avant de charger les documents réels, je fais valider avec vous le périmètre (quels docs, quels accès), on teste sur des copies, et on définit qui réindexe à chaque mise à jour. »
À dire avant d'indexer des documents sensibles ; tracer le périmètre autorisé.
Modèle copier-coller — fiche RAG (exemple factice)
FICHE RAG — exemple factice à adapter
DOCUMENTS AUTORISÉS : _______________ (FAQ, procédures v. ___)
EXCLUS (sensibles / confidentiels) : _______________
DÉCOUPAGE : par unité de sens, taille testée le : _______________
FLUX : question → 3-4 passages → prompt → réponse + sources
CONSIGNE MODÈLE : « cite tes sources ; dis je ne sais pas si absent »
RÉINDEXATION : par _______________ à chaque mise à jour
AVAL DSI/RSSI LE : _______________Petite base (10-20 pages)
Idéal pour débuter : découpage simple, tests rapides, valeur visible en quelques jours.
Documents avec accès restreints
Comme Lina : n'indexer que le périmètre autorisé et aligner les droits de réponse sur les droits des documents.
Docs qui changent souvent
Nommer un responsable de réindexation : un RAG sur docs périmés répond juste… sur le passé.
Réponses critiques (paie, sécurité)
Garder un contrôle humain systématique : le RAG réduit les inventions, il ne les supprime pas.
✓ Bonnes pratiques
- Découper en morceaux cohérents avant indexation.
- Exiger sources et « je ne sais pas ».
- Réindexer à chaque mise à jour.
✗ Pièges fréquents
- Coller des centaines de pages dans le prompt.
- Croire les hallucinations totalement éliminées.
- Oublier le contrôle humain sur le critique.
Points clés à retenir
- Le RAG fait répondre l'IA à partir de VOS documents (pas seulement de sa mémoire).
- Mécanisme : découper → représentations → recherche des passages → fournir au modèle.
- Bénéfices : réponses ancrées, moins d'inventions, citations, mise à jour facile.
- Montable en no-code (n8n et nœuds dédiés) : l'une des applications IA les plus utiles.
Défi 48h — appliquez demain
Rassemblez 10 pages de docs non sensibles, découpez-les par unité de sens et testez 5 vraies questions : les réponses citent-elles vos passages ?
- Je peux expliquer le RAG en une phrase (récupérer puis générer).
- Je sais pourquoi on ne colle pas tout dans le prompt.
- J'ai testé 5 questions sur 10 pages découpées.
Questions fréquentes
Pourquoi ne pas juste coller mes documents dans le prompt ?
Ça ne passe pas à l'échelle : limite de taille, coût à chaque question, information noyée. Le RAG ne fournit que les passages pertinents : plus économique, plus précis. En prime, on met à jour la base sans réentraîner — on réindexe. Coller marche pour un texte court ; le RAG est la solution pour une base de connaissances.
Le RAG empêche-t-il totalement les hallucinations ?
Il les réduit fortement sans les éliminer : l'IA peut mal interpréter un passage ou répondre quand elle devrait dire « je ne sais pas ». Exigez les sources, l'aveu d'absence d'info, et gardez un contrôle humain sur le critique.
À quoi sert le RAG ?