Ce qu’est vraiment le RAG, pour qui vend des machines

Quelqu’un dans votre secteur a commencé à dire RAG en réunion. L’acronyme désigne la génération augmentée par la recherche documentaire, et derrière lui se cache un mécanisme qui mérite d’être compris quand on vend des produits techniques : il décide si un assistant décrit la machine que vous fabriquez réellement ou une moyenne plausible de tout ce qu’il a lu sur des machines comme la vôtre.

Deux sortes de mémoire

Un modèle de langage dispose de quelque chose comme deux mémoires, dont les comportements n’ont rien à voir.

La première est ce qu’il a absorbé pendant l’entraînement. Énorme, figée, sans date. Le modèle ne conserve pas votre fiche produit en tant que page. Il conserve des régularités statistiques sur la façon dont les mots vont ensemble, ce qui inclut la forme du vocabulaire de votre métier et, si l’on a suffisamment écrit sur vous, le nom de votre entreprise associé à certains produits. Cette mémoire a une date de coupure et vous ne pouvez pas la mettre à jour. Elle n’est pas non plus inspectable : personne ne peut désigner un endroit et affirmer que votre plage de tolérance est stockée là.

La seconde mémoire est ce que le système va chercher au moment de répondre. C’est la recherche documentaire. Avant d’écrire un mot, la mécanique récupère une poignée de documents qui semblent pertinents pour la question, les colle dans le contexte de travail du modèle et lui demande de répondre à partir de ceux-là. Cela ressemble davantage à tendre un dossier d’impressions à quelqu’un en lui demandant de le résumer qu’à lui demander ce dont il se souvient.

La génération augmentée est simplement la combinaison des deux : la mémoire absorbée du modèle, plus un dossier de documents assemblé pour cette question précise. Que votre nouvelle gamme apparaisse dans une réponse dépend le plus souvent de la seconde moitié, pas de la première.

Ce qui est récupéré, et comment

Voici la partie qui surprend les industriels. La recherche documentaire ne récupère pas votre site. Elle récupère des passages.

Les documents sont découpés en fragments : quelques paragraphes chacun, parfois moins. Ces fragments sont indexés par le sens plutôt que par le mot exact, ce qui explique qu’une question sur les pompes pour fluides agressifs puisse ramener un passage qui n’emploie jamais le mot agressif. Quand une question arrive, le système remonte les fragments les plus proches par le sens, et seuls ceux-là parviennent au modèle. Tout le reste de la page, y compris la phrase située trois écrans plus haut qui donnait son contexte au passage, reste sur le carreau.

La conséquence pratique est gênante si votre documentation ressemble à la plupart des documentations industrielles. Imaginez une fiche produit où la désignation du modèle figure dans un titre, la matière dans un tableau deux sections plus bas, et la température de service uniquement dans la légende d’un schéma. Chacune de ces informations peut être récupérable isolément. Aucune ne voyage avec les autres. Un fragment qui contient une plage de température et aucun nom de produit ne sert quasiment à rien à un système censé dire lequel de vos modèles supporte cette température.

Pourquoi l’assistant décrit un produit que vous ne fabriquez plus

Quand la recherche ne trouve rien d’exploitable, le modèle ne s’arrête pas. Il répond depuis sa mémoire absorbée, d’où viennent les réponses fausses mais plausibles : une désignation abandonnée, une spécification de la génération précédente, une certification que détient votre concurrent et pas vous. Le texte sort avec exactement la même assurance qu’un fait récupéré. Rien ne distingue visuellement une réponse bâtie sur votre fiche technique actuelle d’une réponse assemblée à partir de résidus statistiques.

C’est aussi pourquoi corriger une information erronée passe rarement par une discussion avec le modèle. Si le dossier récupéré contient un énoncé clair, à jour et autonome, le modèle a une raison forte de s’en servir. Si le dossier revient vide, il se rabat sur la mémoire, et c’est dans la mémoire qu’habite l’ancienne version de votre entreprise.

Ce qui rend un passage récupérable

Rien de ce qui suit n’exige un logiciel nouveau, et rien n’est exotique.

• Des paragraphes autonomes. Un passage doit avoir du sens pour qui n’a lu que ce passage. Répétez la désignation du produit à l’intérieur du paragraphe qui énonce la spécification, même si cela paraît redondant pour un lecteur humain qui voit le titre.
• Des faits en phrases, pas seulement en cellules ou en étiquettes de plan. Les tableaux sont récupérables lorsqu’ils sont du vrai texte, mais une phrase simple énonçant matière, plage et norme survit bien mieux au découpage.
• Du texte réellement accessible. Une spécification qui n’existe que dans un fichier à télécharger, ou derrière un espace client, est une spécification que la recherche n’atteindra généralement pas. Idem pour un contenu qui n’apparaît qu’après l’exécution d’un script dans le navigateur.
• Le vocabulaire de l’acheteur, pas seulement le vôtre. La recherche travaille sur le sens, mais elle part des mots présents sur la page. Si la profession dit pompe à boues et que votre catalogue n’indique que la référence interne de série, l’écart est plus grand qu’il n’y paraît.
• Une page par objet. Une page unique portant toute une famille de produits donne à la recherche un tas de fragments semblables, sans moyen de les distinguer. Des pages séparées produisent des passages séparés et plus nets.

Un test à faire aujourd’hui

Choisissez une spécification réellement à jour et suffisamment précise : une plage de service, une matière, une compatibilité. Posez à un assistant qui interroge le web une question dont la réponse exige cette spécification, sans nommer votre entreprise. Reposez ensuite la même question en la nommant. Demandez enfin la source.

Si la réponse est juste et que la source est une de vos pages, la recherche vous a atteint. Si la réponse est juste mais que la source est un distributeur ou une place de marché, elle a atteint votre spécification via la page d’un tiers : bon à savoir, puisque ce sont eux qui sont cités, et que leur description de votre produit est celle qui circule. Si la réponse est fausse et qu’aucune source n’est proposée, vous regardez la mémoire absorbée, sans rien pour la corriger.

Ce que cela ne fait pas

Rendre vos pages récupérables est un préalable, pas un levier. Personne, nous compris, ne peut garantir qu’un assistant vous citera, et aucun éditeur d’outil ne dispose d’un accès privilégié à la façon dont ces systèmes classent ce qu’ils récupèrent. Ce qui peut se faire honnêtement, c’est mesurer : PSentry vérifie si votre marque apparaît dans les réponses de ChatGPT, Claude, Gemini et Perplexity, dans chaque langue et chaque marché où vous vendez, et sur quelles sources ces réponses s’appuient. Il mesure et rapporte. Il ne modifie pas vos pages, ne touche à l’index d’aucun assistant, et ne promet pas qu’un changement sur votre site produira un changement dans une réponse.

Comprendre le mécanisme vaut tout de même l’après-midi qu’il coûte. Cela transforme une inquiétude vague au sujet de l’IA en une liste concrète de points, dans votre propre documentation, que vous pouvez vérifier, corriger et vérifier de nouveau.

Questions Fréquentes

La recherche documentaire, est-ce un moteur de recherche avec des étapes en plus ?

Elle utilise la recherche, mais l’objectif diffère. Un moteur renvoie des liens qu’une personne ouvrira. La recherche documentaire renvoie des passages à partir desquels un modèle écrira, d’où l’importance du paragraphe isolé davantage que de la page entière.

Le contenu de mon site sert-il à entraîner les modèles ?

Cela dépend de l’éditeur et de ce que votre site autorise, et c’est une question distincte. L’entraînement est lent, opaque et hors de votre contrôle. La recherche a lieu au moment de la réponse et dépend de choses vérifiables : page accessible, texte réel, passage autonome.

Faut-il une base vectorielle ou un système RAG interne ?

Pas pour cela. Construire sa propre recherche sert à répondre sur des documents internes. Être cité par les assistants publics relève de la recherche qui a déjà lieu sur le web ouvert, où votre seule entrée est constituée des pages que vous publiez.

Un fichier llms.txt rend-il mon contenu récupérable ?

Le publier coûte peu et peut aider les systèmes qui choisissent de le lire, mais traitez-le comme une indication, pas comme un mécanisme. Ce que la recherche consomme aujourd’hui, c’est une page bien formée avec du vrai texte, et aucun fichier annexe ne compense une spécification enfermée dans un document scanné.

Pourquoi l’assistant cite-t-il mon distributeur plutôt que mon site ?

Le plus souvent parce que le distributeur énonce la spécification en texte ordinaire sur une page accessible, tandis que le fabricant la garde dans un fichier à télécharger. La recherche prend le passage qu’elle atteint, et l’attribution suit le passage.