C’est quoi le RAG et à quoi ça sert pour une PME ?

Le principe : l’IA cherche dans vos documents avant de répondre

Un assistant d’IA générative classique répond avec ce qu’il a appris lors de son entraînement. Il ne connaît ni vos tarifs, ni vos procédures internes, ni les conditions de vos contrats, et il peut produire une réponse plausible mais fausse. Le RAG, pour « retrieval-augmented generation » ou génération augmentée par recherche, corrige ce défaut en ajoutant une étape avant la rédaction.

Concrètement, vos documents sont d’abord découpés en passages et indexés, comme dans un moteur de recherche interne. Quand quelqu’un pose une question, le système retrouve les passages les plus pertinents, puis les transmet au modèle de langage avec la question. Le modèle rédige alors sa réponse en s’appuyant sur ces extraits, et l’outil peut afficher les documents utilisés pour que l’utilisateur vérifie lui-même.

L’intérêt pour une entreprise tient en trois points : les réponses reposent sur vos informations plutôt que sur des connaissances générales, il suffit de mettre à jour les documents pour mettre à jour les réponses, sans réentraîner de modèle, et la citation des sources rend chaque réponse vérifiable. Le principe vient de travaux de recherche publiés par des chercheurs de Facebook AI Research et d’universités, et il est aujourd’hui décrit dans la documentation des grands fournisseurs de cloud.

Des usages concrets en TPE et PME

Le RAG est utile partout où une équipe passe du temps à chercher une information qui existe déjà quelque part, dans un classeur partagé, un PDF ou la tête d’un collègue expérimenté. Quelques situations typiques :

• Un assistant interne pour l’équipe : retrouver la bonne procédure, la règle de remboursement des frais, la fiche technique d’un produit ou la marche à suivre pour une commande inhabituelle.
• L’accueil d’un nouveau salarié : poser ses questions au fil de l’eau à partir du livret d’accueil et des modes opératoires, sans déranger systématiquement un collègue.
• La préparation des réponses aux clients : un commercial ou un assistant obtient un premier jet fondé sur le catalogue, les conditions générales et les contrats types, qu’il relit avant envoi.
• Le service après-vente : retrouver dans les notices et la base de questions fréquentes la cause probable d’une panne ou la procédure de retour.
• Un assistant sur le site internet, limité à des informations publiques (horaires, produits, questions fréquentes), avec renvoi vers un humain dès que la demande sort de ce cadre.

Les limites à connaître avant de se lancer

Le RAG ne vaut que ce que valent vos documents. Une procédure obsolète, deux versions contradictoires d’un même tarif ou une FAQ jamais relue produiront des réponses fausses avec beaucoup d’assurance. Avant tout projet, il faut donc trier, supprimer les doublons, dater les documents et désigner qui les tient à jour.

L’IA peut aussi se tromper malgré de bons documents : récupérer un passage hors sujet, mal combiner deux extraits ou compléter par une invention quand l’information manque. La recherche académique sur les hallucinations des modèles de langage souligne que les systèmes augmentés par recherche réduisent ce risque sans le supprimer. D’où l’importance de la citation des sources et d’une règle claire : tout ce qui engage l’entreprise auprès d’un client, comme un prix, un délai, une garantie ou une clause contractuelle, est relu par une personne.

Enfin, un document peut contenir des instructions malveillantes destinées à détourner l’assistant, en particulier si la base inclut des contenus venus de l’extérieur. L’ANSSI, dans ses recommandations de sécurité pour les systèmes d’IA générative, insiste notamment sur le cloisonnement, la journalisation et le contrôle des accès.

Données, droits d’accès et RGPD

Une base documentaire d’entreprise contient souvent des données personnelles : noms de clients dans des contrats, échanges de courriels, informations sur les salariés. Le RGPD s’applique alors, et votre entreprise reste responsable des données qu’elle met dans l’outil. Le prestataire qui héberge et traite les documents agit en principe comme sous-traitant : la CNIL rappelle qu’un contrat doit encadrer ce qu’il fait des données, leur sécurité, leur durée de conservation et leur suppression.

Trois questions sont à poser avant de choisir une solution. Où les documents et leur index sont-ils stockés, et les données sortent-elles de l’Union européenne ? Vos documents ou les questions posées servent-ils à entraîner des modèles ? Plusieurs grands éditeurs indiquent que les données de leurs offres professionnelles ne sont pas utilisées par défaut pour l’entraînement, mais c’est le contrat et les paramètres de votre offre qui font foi, pas une promesse générale. Enfin, l’assistant respecte-t-il les droits d’accès existants ? Un salarié ne doit pas obtenir, par une simple question, le contenu d’un dossier RH ou d’un contrat auquel il n’a pas accès.

Pour un premier test, le plus simple est d’exclure les documents sensibles et de commencer par des contenus déjà partagés largement en interne ou publics. La CNIL a publié des réponses pratiques pour encadrer le déploiement d’une IA générative en entreprise, utiles à relire avec votre référent RGPD.

Comment démarrer sans y passer des mois

Un projet de RAG réussi commence petit. Choisissez un besoin précis, fréquent et mesurable, plutôt que « toute la documentation de l’entreprise ». Rassemblez un périmètre limité de documents fiables, puis testez avec les personnes qui posent réellement ces questions au quotidien.

Préparez à l’avance une liste de questions réelles avec leur bonne réponse, et vérifiez pour chacune si l’assistant répond juste, cite le bon document ou reconnaît qu’il ne sait pas. Ce dernier point est essentiel : un assistant qui dit « je ne trouve pas cette information » vaut mieux qu’un assistant qui invente.

• Définir un usage unique : par exemple, les questions de l’équipe sur les procédures internes.
• Sélectionner, nettoyer et dater les documents concernés, sans données sensibles au départ.
• Vérifier le contrat de l’outil : hébergement, sous-traitants, réutilisation des données, droits d’accès.
• Tester sur quelques semaines avec une liste de questions de référence et une relecture humaine.
• Mesurer le temps gagné, le taux de bonnes réponses et les erreurs, puis décider d’étendre ou d’arrêter.