La génération augmentée par récupération (RAG) est une technique où un modèle d’IA recherche d’abord des passages pertinents dans un ensemble défini de documents, puis rédige sa réponse en utilisant ces passages comme preuve. Pour les marketeurs, cela signifie des chatbots, des assistants et des outils de contenu qui répondent à partir de vos propres fiches produits, politiques et recherches plutôt qu’à partir de la mémoire générale du modèle. Cela réduit les réponses inventées, bien que cela ne les élimine pas.
Comment fonctionne le RAG étape par étape ?
L’idée a été décrite dans un article de recherche de 2020 de Facebook AI Research et est depuis devenue le modèle standard pour les assistants IA d’entreprise. Il fonctionne en deux phases.
La préparation se fait une fois et est actualisée à mesure que les documents changent. Les documents sont divisés en morceaux, chaque morceau est converti en un embedding (une liste de nombres représentant son sens) et stocké dans une base de données vectorielle ou un index de recherche.
La réponse se produit chaque fois que quelqu’un pose une question :
- La question est convertie en un embedding.
- Le système récupère les morceaux ayant le sens le plus proche, souvent combiné avec une recherche par mots-clés.
- Ces morceaux sont insérés dans le prompt avec pour instruction de ne répondre qu’à partir de ceux-ci.
- Le modèle rédige une réponse, idéalement avec des références aux morceaux utilisés.
Pourquoi ne pas simplement utiliser un chatbot tel quel ?
Les modèles généraux en savent beaucoup, mais pas votre liste de prix, votre politique de retour ou la dernière sortie de produit. Interrogés à leur sujet, ils peuvent produire des détails plausibles mais faux. Le fine-tuning d’un modèle sur vos documents est coûteux et devient rapidement obsolète.
Le RAG garde les connaissances en dehors du modèle. Mettez à jour un document et la réponse suivante le reflétera. Vous pouvez également afficher les sources, ce qui permet aux utilisateurs et aux relecteurs de vérifier l’affirmation.
Où le RAG s’intègre-t-il dans le travail marketing ?
Les meilleures utilisations partagent deux caractéristiques : un corpus défini de contenu fiable et des questions répétées à son sujet.
- Assistants de site web répondant aux questions sur les produits, les prix et les politiques à partir des pages officielles.
- Aide à la vente : les représentants posant des questions sur des études de cas, des fonctionnalités ou des comparaisons avec la concurrence à partir de documents approuvés.
- Production de contenu : rédaction d’articles basés sur les propres recherches de l’entreprise, la documentation produit et le guide de marque.
- Recherche interne dans les rapports de campagne, les briefs et les notes de réunion.
- Détournement du support client, où les réponses doivent correspondre au centre d’aide.
C’est une solution moins adaptée aux travaux créatifs ouverts, comme les idées de campagne, où l’ancrage dans des documents existants peut limiter l’originalité.
Quels outils les marketeurs peuvent-ils utiliser sans construire à partir de zéro ?
Vous n’avez pas besoin d’ingénieurs pour chaque projet RAG. De nombreux outils incluent la récupération prête à l’emploi :
- GPT personnalisés et projets ChatGPT avec fichiers téléchargés.
- Projets Claude avec une base de connaissances.
- Google NotebookLM pour répondre à partir de sources téléchargées avec citations.
- Agents Microsoft Copilot Studio basés sur SharePoint ou des sites web.
- Plateformes de helpdesk comme Intercom et Zendesk avec des agents IA utilisant le centre d’aide.
Pour les systèmes plus grands ou orientés client, les équipes construisent avec des frameworks comme LangChain ou LlamaIndex et des magasins vectoriels comme Pinecone, Weaviate ou pgvector, ou utilisent des services gérés par des fournisseurs cloud.
Qu’est-ce qui rend un système RAG bon ou mauvais ?
La plupart des problèmes de qualité proviennent de la récupération, pas du modèle. Si le bon passage n’est pas récupéré, le modèle ne peut pas l’utiliser.
Qualité du contenu
Les documents obsolètes, dupliqués ou contradictoires produisent des réponses contradictoires. Nettoyez l’ensemble des sources avant l’indexation. Une page de prix actuelle vaut mieux que cinq vieux PDF avec des prix différents.
Découpage et métadonnées
Les morceaux trop petits perdent le contexte ; trop grands, ils diluent la pertinence. L’ajout de métadonnées telles que le produit, la région et la date permet au système de filtrer avant de chercher.
Instructions et refus
Dites au modèle de dire qu’il ne sait pas lorsque les documents ne couvrent pas la question. Un assistant qui admet une lacune est plus sûr qu’un assistant qui devine.
Comment évaluer un assistant RAG ?
Construisez un jeu de test de 50 à 100 questions réelles avec la bonne réponse et le document qui la contient. Ensuite, mesurez :
- Taux de réussite de la récupération : le bon document est-il apparu dans les morceaux récupérés ?
- Précision de la réponse par rapport à la référence.
- Fidélité : la réponse reste-t-elle dans ce que disent les sources ?
- Précision du refus : refuse-t-il les questions auxquelles les documents ne répondent pas ?
Exécutez le test chaque fois que les documents, le découpage ou les prompts changent. Des frameworks comme Ragas peuvent automatiser certaines parties de cela, mais l’examen humain d’un échantillon reste essentiel.
Comment Alien Road applique le RAG dans le travail d’optimisation IA
Un engagement typique commence par un audit de contenu : quels documents font autorité, lesquels sont obsolètes et qui est responsable de chacun. Cette étape compte souvent plus que le choix technologique, car un assistant RAG hérite de ce qui se trouve dans ses sources.
La configuration choisit l’outil le plus léger qui convient. Un assistant de vente interne peut être un projet Claude ou un carnet NotebookLM ; un assistant de site web orienté client nécessite une construction appropriée avec journalisation de la récupération, règles de refus et transfert à un humain. Le jeu de questions de test est écrit avec l’équipe de vente ou de support du client.
La mesure suit le taux de réussite de la récupération, la précision de la réponse et la précision du refus sur le jeu de test, ainsi que des métriques en direct telles que les questions répondues sans escalade. Les rapports mensuels listent les questions sans réponse les plus courantes, qui pointent généralement vers du contenu manquant ou peu clair sur le propre site du client.
Comment le RAG se connecte-t-il à la visibilité de recherche ?
Les moteurs de recherche IA comme Perplexity, Google AI Overviews et la recherche ChatGPT utilisent la récupération de manière similaire : ils récupèrent des pages, puis rédigent des réponses à partir de celles-ci. Le contenu clair, bien structuré et facile à citer a tendance à être récupéré et cité. Construire votre propre système RAG est un moyen pratique de découvrir à quel point votre contenu est facile à utiliser pour les machines.
Combien coûte généralement un projet RAG ?
Les coûts se répartissent en trois catégories. Le travail sur le contenu vient en premier : nettoyer, mettre à jour et dédoublonner les documents, ce qui représente du temps de personnel. L’outillage vient en deuxième : une option sans code comme NotebookLM ou un projet Claude coûte peu au-delà des abonnements existants, tandis qu’une construction personnalisée orientée client ajoute du développement, de l’hébergement et une base de données vectorielle.
Les coûts de fonctionnement viennent en dernier, principalement les appels au modèle par question et les jetons supplémentaires des passages récupérés insérés dans chaque prompt. Pour la plupart des assistants internes, ceux-ci restent faibles. Pour un assistant de site web public avec un trafic important, estimez les questions mensuelles et multipliez par le nombre moyen de jetons par réponse avant de choisir un modèle.
Par où commencer cette semaine
Collectez les 20 documents que votre équipe de vente ou de support utilise le plus et supprimez les versions obsolètes. Téléchargez-les dans NotebookLM ou un projet Claude et posez les 30 questions que les clients posent le plus souvent. Notez chaque réponse fausse ou manquante. Ces lacunes montrent si vous avez besoin d’un outil RAG, d’un meilleur contenu, ou des deux.
Continuez à lire : Optimisation par IA · Optimisation par IA