« Alexandre, c’est quoi le RAG en IA, et pourquoi il décide si une IA vous cite ? »

Mis à jour le 22 octobre 2026

Vous vous souvenez des examens où le prof autorisait une feuille de notes ? Ceux qui avaient bien préparé leur antisèche s’en sortaient mieux que ceux qui comptaient sur leur mémoire. Moins de trous, moins d’inventions.

Le RAG en IA, c’est exactement ça. Un modèle de langage qui, au lieu de répondre uniquement « de tête », consulte d’abord une pile de documents choisis pour l’occasion.

Et la vraie question pour une entreprise devient : est-ce que vos pages font partie de la pile ? C’est l’un des mécanismes centraux du generative engine optimization, et pourtant presque personne ne l’explique simplement.

Par Alexandre Montenon, consultant GEO à Lyon

D’où sort cette idée de RAG ?

Le terme a été popularisé en 2020 par une équipe de Facebook AI Research (devenu Meta AI), avec des chercheurs de l’University College London et de l’université de New York. Leur article s’intitule « Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks ».

Leur idée tient en une phrase : combiner deux types de mémoire. D’un côté, ce que le modèle a appris pendant son entraînement (sa mémoire « interne »). De l’autre, une base de documents externe, à l’époque un index de Wikipédia, interrogée à chaque question.

Résultat annoncé par les chercheurs : des réponses plus précises, plus variées et plus factuelles qu’avec un modèle qui se contente de sa mémoire. Meta résumait l’enjeu dans son billet de présentation : pouvoir mettre à jour les connaissances d’un modèle en changeant ses documents, sans le réentraîner.

Six ans plus tard, ce principe est partout. Dans les moteurs IA grand public, dans les chatbots d’entreprise branchés sur une base documentaire, dans les assistants de support client.

Les trois temps d’une réponse en RAG

Google Cloud décrit le RAG comme un cadre qui combine les systèmes de recherche d’information classiques et les grands modèles de langage, pour produire des réponses ancrées dans des données plus exactes et plus à jour. Concrètement, ça se passe en trois temps.

1. La récupération

La question est transformée en une ou plusieurs requêtes. Le système va chercher des documents candidats : dans un index web (Google, Bing), dans une base interne, dans un fichier fourni par l’utilisateur.

Aujourd’hui, cette recherche mélange souvent deux logiques : les mots exacts (comme un moteur classique) et le sens (on compare des « empreintes » mathématiques des textes, ce qu’on appelle des embeddings). Une page peut donc être retrouvée même si elle n’emploie pas les mots de la question, à condition de parler clairement du sujet.

2. La sélection

Parmi les documents récupérés, le système garde les passages les plus pertinents. Pas la page entière : des extraits. Un outil de reclassement trie souvent ces extraits pour ne garder que les meilleurs.

3. La génération

Le modèle reçoit la question et les extraits retenus, puis rédige une réponse « ancrée » dans ces textes. Selon l’outil, il affiche ou non les sources sous forme de liens.

Un exemple concret, pas à pas

Prenons une question que pourrait poser un dirigeant de PME : « Quel expert-comptable à Lyon pour une startup qui lève des fonds ? »

Récupération. Le moteur IA lance plusieurs recherches en coulisses : « expert-comptable startup Lyon », « expert-comptable levée de fonds », « cabinet comptable jeunes entreprises Lyon avis ». Il récupère une vingtaine de pages : des sites de cabinets, deux annuaires, un article de presse locale, un fil de discussion sur un forum d’entrepreneurs.

Sélection. Il garde les passages qui répondent vraiment : un cabinet qui écrit noir sur blanc « nous accompagnons une quarantaine de startups lyonnaises, dont douze ont levé des fonds en 2025 » ; un annuaire qui classe les cabinets par spécialité ; le forum où un fondateur recommande un nom précis. Le cabinet qui affiche seulement « une équipe dynamique au service de votre réussite » ne passe pas ce filtre.

Génération. La réponse cite trois cabinets, avec une phrase sur chacun, et affiche quatre sources. Deux des trois cabinets ne sont même pas les mieux classés sur Google pour cette requête. Ils sont simplement ceux dont les passages répondaient le mieux à la question, et dont on parlait ailleurs.

J’ai volontairement pris un exemple fictif, mais il n’a rien d’exceptionnel : c’est la logique même du mécanisme.

Pourquoi les moteurs IA ont tous adopté le RAG

Un modèle de langage seul a deux gros défauts. Il ignore tout ce qui s’est passé après son entraînement. Et quand il ne sait pas, il a tendance à inventer une réponse plausible.

Google Cloud le dit sans détour : fournir les faits au modèle au moment de la question permet de limiter les hallucinations et d’apporter de l’information à jour. C’est aussi ce qui permet d’afficher des sources : on sait de quels documents vient la réponse.

Voilà pourquoi ChatGPT Search, Perplexity, Copilot et les Aperçus IA fonctionnent tous, sous des formes différentes, sur ce principe. Le moteur cherche, sélectionne, rédige.

Et voilà pourquoi le SEO n’est pas mort, contrairement à ce qu’on lit partout : l’étape de récupération ressemble énormément à une recherche classique. Si votre page est introuvable pour Google ou Bing, elle a peu de chances d’entrer dans la pile.

Les limites du RAG (et pourquoi elles vous concernent)

Le RAG n’est pas une garantie de vérité. Il a ses propres failles, et elles ont des conséquences directes pour les marques.

➭ Il dépend des documents trouvés. Si les seules pages qui parlent de vous sont anciennes ou fausses, la réponse le sera aussi, avec un lien « source » qui lui donne un air sérieux.

➭ Il peut mal combiner des extraits. Deux passages exacts, mis bout à bout, peuvent produire une phrase inexacte. Un tarif d’un concurrent attribué à votre entreprise, par exemple.

➭ Il favorise ce qui est facile à extraire. Un tableau clair, une liste de conditions, une FAQ bien rédigée passent mieux qu’un argumentaire brillant mais diffus.

➭ Il ne lit pas tout. Le nombre de documents et de passages pris en compte est limité. Arriver vingtième dans la récupération revient souvent à ne pas exister.

Ce que le RAG change pour vos contenus

Comprendre le mécanisme, c’est savoir où agir. Voici ce que je travaille chez mes clients, étape par étape.

➭ Pour être récupéré. Indexation propre, robots IA autorisés, pages rapides, maillage interne qui donne de la force aux pages clés. Sans ça, vous n’entrez pas dans la pile. Pour comprendre comment la recherche se déclenche côté OpenAI, j’ai détaillé comment fonctionne ChatGPT de l’entraînement jusqu’à la recherche web.

➭ Pour être sélectionné. Un intertitre qui pose la question, une réponse dans les deux premières phrases, puis le détail. Les paragraphes « d’ambiance » qui ne disent rien sont éliminés à cette étape.

➭ Pour être repris. Des chiffres, des dates, des noms, des conditions, des prix. Le modèle reprend volontiers un fait net. Il ignore une formule floue comme « nous proposons des solutions adaptées ».

➭ Pour être cité avec votre nom. Votre marque doit apparaître dans le passage lui-même, pas seulement dans le logo du site. « Chez Dupont Conseil, le délai moyen est de 48 heures » sera repris avec le nom. « Nos délais sont courts » ne le sera jamais.

Faut-il découper ses pages en petits morceaux ?

C’est la mode du moment : réécrire tous ses contenus en blocs minuscules « pour le RAG ». Google répond clairement dans sa documentation que ce n’est pas nécessaire pour ses fonctionnalités IA. Les systèmes savent découper eux-mêmes une page bien structurée.

Mon conseil : ne cassez pas la lecture humaine pour plaire à une machine. Des intertitres clairs et des paragraphes qui se suffisent à eux-mêmes font déjà tout le travail.

Le RAG dans votre entreprise, pas seulement chez Google

Dernier point, souvent oublié : le RAG ne sert pas qu’aux moteurs publics. C’est aussi la technique derrière les assistants internes, ceux qu’on branche sur sa documentation, ses fiches produits ou ses procédures.

Un chatbot de service client qui répond à partir de vos conditions générales, c’est du RAG. Un assistant commercial qui retrouve la bonne fiche technique, aussi.

Et la règle reste la même : la qualité des réponses dépend de la qualité des documents. Une base remplie de PDF obsolètes donnera des réponses obsolètes, avec beaucoup d’assurance. Avant de brancher une IA sur vos contenus, faites le ménage.

Questions fréquentes sur le RAG