Le RAG au service des PME : une IA qui cite ses sources

Le RAG (pour retrieval augmented generation, promis, on ne le redira plus en anglais) est une technique qui permet à une IA de chercher le bon passage dans vos documents avant de répondre, au lieu de tout lire et de résumer. Résultat : une réponse précise, avec la source citée. Voilà, vous savez l'essentiel. Le reste de cet article explique pourquoi c'est devenu nécessaire, comment ça marche sans une ligne de jargon, et par où commencer dans une PME.

Pourquoi votre IA résume au lieu de retrouver

Nous avons terminé notre article sur l'IA branchée sur vos documents sur une limite : tout fonctionne tant que le dossier tient dans ce que l'IA peut lire d'un coup. Quelques dizaines de documents bien choisis, ça passe. Des années d'archives, non. Au-delà de ce seuil, l'IA ne dit jamais « je n'ai pas tout lu » : elle survole, et elle résume. Vous demandez un détail exact, vous recevez une synthèse plausible.

Précisons tout de suite, parce que nous vous avons présenté l'agent IA comme un collaborateur pendant deux articles et que ce n'était pas pour le renier au troisième : l'agent n'est pas le problème. Un agent IA sait travailler : rédiger, structurer, adapter au contexte. Il ne sait pas retrouver. Votre meilleur chargé d'affaires non plus ne récite pas la page 47 du classeur d'essais de mémoire. Ce n'est pas une raison de le licencier. C'est une raison de lui donner un moteur de recherche.

Le RAG, c'est exactement ça : le moteur de recherche qu'on donne au collaborateur.

Le RAG, c'est quoi ?

Le RAG est un moteur de recherche interne branché sur une IA : au lieu de tout lire, elle cherche les bons extraits dans vos documents et rédige sa réponse à partir d'eux, sources à l'appui.

Le principe tient en deux temps :

1. Chercher : quand vous posez une question, le système ne donne pas tout votre corpus à l'IA. Il y recherche uniquement les quelques extraits qui concernent la question.
2. Injecter : ces extraits sont glissés dans la demande faite à l'IA, qui rédige sa réponse à partir d'eux, et d'eux seulement, en indiquant d'où ils viennent.

Si ça vous rappelle quelque chose, c'est normal : vous faites du RAG à la main depuis vingt ans. Quand vous cherchez une information, vous ne relisez pas Internet en entier. Vous tapez trois mots dans Google, il ressort dix extraits classés par pertinence, vous lisez les deux premiers et vous formulez votre réponse. Le RAG fait la même chose, avec deux différences : le moteur indexe vos documents à vous, et le rédacteur est une IA qui cite ses sources.

Petit bonus par rapport à Google : la recherche comprend le sens, pas seulement les mots. Demandez « tenue à la corrosion en bord de mer », le système retrouve le paragraphe qui parle de « résistance aux embruns », même sans un mot en commun.

Et c'est la citation des sources qui change tout. L'IA ne vous affirme plus quelque chose, elle vous montre d'où ça vient : tel rapport d'essai, telle page. Vous pouvez vérifier. Pour un dirigeant qui a appris à se méfier des réponses trop sûres d'elles, c'est ça, le vrai progrès : pas une IA plus intelligente, une IA vérifiable.

Un exemple de RAG en entreprise

Reprenons notre fabricant de garde-corps en aluminium pour campings. (Oui, encore lui. C'est devenu notre exemple maison, il ne se plaint jamais.)

Répondre à un appel d'offres

J'ai passé des années dans les appels d'offres, à en rédiger côté acheteur et à y répondre côté fournisseur. Le nerf de la guerre n'est pas d'écrire : c'est de retrouver ce qu'on a déjà écrit.

Sans RAG, vous demandez à l'IA : « que disons-nous sur la tenue à la corrosion dans nos réponses passées ? » Elle vous produit un paragraphe moyen, plausible, qui ressemble à tout ce que vous avez écrit sans être aucun de vos textes. Inutilisable tel quel dans un mémoire technique.

Avec un RAG sur vos vingt dernières réponses et vos fiches d'essai, la même question ressort les trois passages qui traitent réellement de corrosion, et l'IA rédige à partir d'eux : le traitement exact, la référence de l'essai, le mémoire de 2023 où l'argument a déjà convaincu. Le paragraphe répond à l'exigence 4.2.1 du nouveau cahier des charges en citant la fiche technique du 6060 qui la couvre. Votre chargé d'affaires relit, ajuste, signe. Il n'a pas cherché : il a validé.

Le support technique

Chez notre fabricant imaginaire travaille Lucien, technicien du Service Technique. Quinze ans de maison. Lucien est le seul à savoir dans quel classeur vit la fiche d'essai du 6060, et le seul à se souvenir que la visserie a changé de fournisseur en 2019. Alors on interrompt Lucien. Tout le temps. Pour des questions dont la réponse est écrite quelque part.

Toute entreprise a un Lucien. C'est souvent le salarié le plus précieux, et le plus mal employé : quinze ans d'expertise utilisés comme moteur de recherche.

Un RAG sur la documentation technique (fiches produit, rapports d'essai, documentation constructeur, historique des réponses) et chacun pose sa question directement : la réponse arrive avec la référence du document et la page. Le RAG ne remplace pas Lucien. Il rend le savoir de Lucien interrogeable, même quand Lucien est en congés. Et Lucien retourne aux questions qui méritent vraiment quinze ans d'expérience.

Ce rôle, je l'ai tenu en vrai, chez un fabricant industriel : des heures à chercher une valeur dans des rapports d'essai pour garantir une réponse exacte à un client. Ces heures-là sont précisément ce qu'un RAG fait disparaître.

Ce qu'un RAG ne fera pas

Trois limites honnêtes avant de vous emballer.

Il n'est pas plus intelligent que vos documents. Un corpus contradictoire ou périmé donne des réponses contradictoires ou périmées, avec la source citée en prime : il vous montrera fièrement la mauvaise fiche. Le tri des documents n'est pas une option, c'est le socle.

Il s'entretient. Vos documents changent : le corpus doit suivre, et la façon de découper les documents en extraits se règle (un mémoire technique ne se coupe pas comme une FAQ). C'est un outil qui vit, pas un bouton qu'on presse une fois.

Il a sa propre limite : la question panoramique. « Résume-moi tout ce qu'on a produit en 2024 » n'est pas une recherche, c'est une lecture intégrale. Sur ce type de question, on retombe sur le résumé. Le RAG excelle sur le précis, pas sur le panorama.

Et une IA reste une IA : sur une réponse qui part chez un client, un humain relit. Le RAG raccourcit sa recherche, pas sa responsabilité.

Un RAG pour une PME : par où commencer

Deux prérequis, avant tout outil.

Un corpus qui vaut la peine d'être interrogé. Des documents à jour, identifiés, dans un endroit connu. Si la bonne réponse n'est écrite nulle part, aucune recherche ne la trouvera.

Un objectif précis. « Mettre l'IA sur toute l'entreprise » n'est pas un projet, c'est un vœu. « Retrouver en dix secondes le bon passage de nos réponses d'AO », oui.

Et soyons honnêtes : du RAG générique, vous en avez peut-être déjà sans le savoir. Quand un projet ChatGPT ou Claude contient trop de fichiers pour tout lire, l'outil bascule de lui-même sur une recherche dans vos documents. NotebookLM est construit entièrement là-dessus. C'est la réponse sur étagère à la limite de notre article précédent, et pour un premier essai sur un besoin simple, elle suffit. Commencez par là.

Là où le générique s'arrête : le découpage est aveugle (il coupe vos mémoires techniques au kilomètre, pas selon la logique de vos exigences), la pertinence varie d'une question à l'autre, et dans les projets ChatGPT ou Claude la citation s'arrête souvent au nom du fichier plutôt qu'au passage précis. C'est d'ailleurs cette recherche approximative qui produit les synthèses à côté de la question évoquées au début de cet article. Un RAG sur-mesure applique le même principe, calé sur la structure de vos documents, avec des citations au passage près, intégré là où vos équipes travaillent déjà.

Si vous avez un corpus qui déborde et un cas d'usage précis en tête (des appels d'offres, un support technique, un Lucien surmené), parlons-en. On commencera par regarder vos documents et votre besoin. Pas par vous vendre un RAG.