Tout le savoir de votre entreprise, interrogeable en une question.

RAG signifie génération augmentée par récupération. Cette technologie permet d’utiliser une intelligence artificielle générative pour répondre à partir de documents précis plutôt que de ses seules connaissances générales. Le système récupère d’abord les passages pertinents dans votre base documentaire, puis l’étape de génération rédige une réponse à partir de ce contexte, en citant ses sources. La précision obtenue dépend directement de cette étape de récupération.

Le réentrainement modifie le modèle lui-même, ce qui prend du temps, coûte cher et doit être recommencé à chaque évolution de vos documents. Le RAG laisse le modèle intact et lui fournit le contexte au moment de la question. La mise à jour est immédiate, le coût sans commune mesure, et les sources restent citables. Pour la plupart des entreprises, le RAG est la bonne solution, et la seule qui tienne dans le temps, puisque ce format est aussi le mieux adapté aux bases qui bougent.

Six à dix semaines sur un périmètre bien choisi, du cadrage à l’ouverture à un premier groupe. La compatibilité avec vos délais se vérifie dès le cadrage. Le développement du RAG ne pèse qu’une petite part de ce délai, l’essentiel tenant à la mise en ordre de la base documentaire et à la recette avec vos équipes. Un périmètre trop large reste la cause d’échec la plus fréquente, et mieux vaut réduire l’ambition initiale pour élargir ensuite.

Entre 8 000 et 25 000 € de mise en service pour un RAG interne, plus un coût de fonctionnement mensuel qui suit le volume de questions. Le nombre de bases à raccorder est le premier facteur de prix, devant le nombre d’utilisateurs. Ces coûts de fonctionnement varient avec le volume de questions posées. Les ordres de grandeur, détaillés sur le prix d’un projet d’IA, placent une solution RAG parmi les moins chères à déployer.

Les passages retrouvés sont transmis au modèle de langage pour qu’il rédige la réponse, d’où l’importance du choix de l’hébergement. Par défaut, nous travaillons sur une infrastructure européenne, cloisonnée par client, et vos contenus ne servent à entraîner aucun modèle. Des solutions hébergées chez vous sont possibles quand les données interdisent toute sortie, grâce à des modèles ouverts désormais très capables.

Oui, à condition de les passer d’abord par une lecture automatique. L’OCR par l’IA s’en charge, en transformant une image en texte exploitable par le RAG. Beaucoup de bases de connaissances commencent d’ailleurs par là, puisque les procédures les plus anciennes n’existent souvent qu’en papier. La qualité de la numérisation conditionne alors celle du RAG.

Moins qu’on ne l’imagine. Une base de deux cents documents bien tenus est déjà un outil quotidien, là où dix mille fichiers mal rangés produisent des réponses médiocres. La qualité et la fraîcheur des informations comptent bien davantage que la taille de la base. Tout dépend de ce que vos équipes cherchent vraiment, et des secteurs de l’entreprise concernés.

Un système bien réglé le dit, et propose éventuellement les documents les plus proches. Ce comportement relève d’un paramétrage explicite du RAG, sans lequel le modèle complète de lui-même et produit une réponse plausible mais fausse. Nous le vérifions pendant la recette, sur des questions volontairement hors périmètre. Un RAG honnête vaut mieux qu’un système bavard, car la confiance se gagne ou se perd en temps réel, question après question.