ai
RAG (Génération Augmentée par Récupération)
Architecture IA qui combine recherche dans une base de connaissances et génération de réponse.
Définition
Le RAG (Retrieval-Augmented Generation) permet à un modèle de langage de répondre en s'appuyant sur des documents internes : on récupère les passages pertinents dans une base vectorielle, puis on les injecte dans le prompt. Résultat : des réponses ancrées dans les données de l'entreprise, sans réentraîner le modèle.
Architecture RAG en PME francophone
Le pipeline RAG standard se décompose en quatre étapes. Ingestion : les documents (PDF, Word, pages web, exports CRM) sont découpés en chunks de 500-1 500 caractères avec recouvrement. Embedding : chaque chunk est converti en vecteur numérique via un modèle d'embeddings (OpenAI text-embedding-3, Mistral embed, Cohere). Stockage : les vecteurs sont indexés dans une base vectorielle (Pinecone, Weaviate, Qdrant français hébergé OVHcloud, pgvector pour Postgres). Récupération : à chaque question utilisateur, recherche des 5-10 chunks les plus similaires, injection dans le prompt avec consigne explicite « réponds uniquement sur la base de ces extraits ». Cette architecture évite les hallucinations sans nécessiter de fine-tuning, ce qui la rend abordable pour une SAS française de 10-50 personnes.
Cas d'usage RAG validés en zone francophone
Quatre cas d'usage matures en PME francophone. Un : assistant interne pour les équipes (questions sur procédures, conventions collectives, processus). Une SARL française avec 200 pages de documentation RH ingérées génère un assistant qui répond aux 80% de questions répétitives, libérant la RH pour les cas complexes. Deux : support client niveau 1 sur produit ou service. Trois : assistant commercial pour préparer les rendez-vous (synthèse du dossier client, propositions sectorielles). Quatre : recherche juridique interne pour les cabinets d'avocats français et belges (Code du travail, Code de commerce, jurisprudences récentes ingérées). Les outils Bel-Avocat, Doctrine, Lexbase proposent des intégrations RAG natives en français.
Qualité du RAG : trois leviers déterminants
Garbage in, garbage out. Trois leviers expliquent 80% de la qualité d'un RAG. Un : qualité du corpus initial (documents bien structurés, à jour, sans contradictions internes). Investir 20-40 heures de nettoyage avant ingestion vaut mieux que doubler le budget modèle. Deux : stratégie de chunking (taille de chunk adaptée au type de contenu, recouvrement de 10-20%, métadonnées préservées). Trois : prompt système qui force la fidélité aux extraits récupérés et impose la citation des sources. Sans ces trois disciplines, le RAG hallucine ou produit des réponses génériques sans valeur. Avec ces trois disciplines, la qualité atteint 85-95% de réponses correctes sur les questions du corpus.
FAQ
RAG ou fine-tuning : que choisir ?
RAG dans 90% des cas en PME francophone. Le RAG est moins cher, plus rapide à déployer, et permet de mettre à jour la base de connaissances sans réentraîner le modèle. Le fine-tuning est justifié seulement pour adapter le style ou le format de sortie, pas pour transmettre de la connaissance. Une SAS française démarrant en IA devrait commencer par RAG et ne considérer le fine-tuning qu'après 12-18 mois d'usage.
Quel coût d'un RAG pour une PME francophone ?
Coût mensuel typique pour 1 000-10 000 requêtes par mois : 50-300 EUR de modèle (Claude, GPT, Mistral), 30-150 EUR de base vectorielle (Pinecone, Qdrant), 0-100 EUR d'orchestration (n8n self-hosted gratuit, Make ou Zapier 30-100 EUR). Total 80-550 EUR mensuels pour un RAG fonctionnel. Le développement initial coûte 5-25 KEUR selon complexité du corpus et intégrations métier.
Le RAG est-il conforme RGPD ?
Oui si l'hébergement et le modèle sont européens ou conformes Schrems II. Mistral hébergé OVHcloud ou Scaleway est la voie souveraine française. Claude (Anthropic) et OpenAI proposent des hébergements UE pour les clients entreprise. Documentez les traitements dans le registre RGPD, informez les utilisateurs en cas d'ingestion de données personnelles, prévoyez la suppression sur demande (droit à l'oubli).
Un RAG peut-il remplacer une base de données métier ?
Non. Le RAG est complémentaire, pas substitut. Il excelle sur les questions ouvertes en langage naturel sur des corpus textuels (procédures, documentation). Une base de données reste indispensable pour les requêtes structurées (clients, factures, stocks). Architecture typique en PME francophone : ERP/CRM pour la donnée transactionnelle, RAG pour la connaissance documentaire, intégration des deux via API quand pertinent.
Dans votre entreprise
- →Identifiez les corpus stables à mettre en RAG (documentation, procédures)
- →Soignez le chunking et l'embedding - garbage in, garbage out
- →Mesurez la pertinence des réponses, pas seulement le volume