Qu’est-ce que la génération augmentée par récupération (RAG) ?
La génération augmentée par récupération (RAG) est une méthode dans laquelle un modèle de langage récupère d’abord des documents pertinents, puis rédige sa réponse en les ayant sous les yeux. Tout moteur d’IA qui cite des sources pratique une forme de RAG : chercher, puis rédiger avec les résultats sous les yeux. Pour une marque, l’étape de récupération est la porte d’entrée. Une page jamais récupérée ne peut pas façonner la réponse, si bonne soit-elle.
D’où vient la génération augmentée par récupération ?
Le nom vient de Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks de Patrick Lewis et ses collègues, soumis le 22 mai 2020 et publié à NeurIPS 2020. Il combinait la mémoire paramétrique d’un modèle, ce qu’il a appris à l’entraînement, avec une mémoire non paramétrique : un index vectoriel dense de Wikipédia qu’un module de récupération interrogeait pour chaque question.
Les moteurs de recherche IA appliquent la même idée à l’échelle du web, avec un index de recherche à la place de l’index Wikipédia et des résultats en direct à la place d’un instantané figé.
Comment fonctionne le RAG dans la recherche IA ?
Dans la recherche IA, le RAG se déroule en quelques étapes :
- Le moteur reformule la question en une ou plusieurs recherches.
- Il récupère des résultats dans un index web, le sien ou celui d’un partenaire.
- Il choisit quels résultats transmettre au modèle.
- Le modèle rédige la réponse avec ces résultats dans son contexte.
- Le moteur associe des citations à certaines des sources utilisées.
Chaque page récupérée est-elle citée ?
Non. OpenAI documente que le champ sources d’une recherche web renvoie toutes les URL consultées par le modèle, et que le nombre de sources est souvent supérieur au nombre de citations (documentation de l’API OpenAI, consultée le 15 oct. 2026).
Un nombre de citations sous-estime donc ce qu’un moteur a lu, et une page peut nourrir une réponse sans lien (l’article). La récupération reste payante : dans nos données, 94 des 97 réponses qui citaient une page du propre site de la marque mentionnaient aussi la marque (l’article).
À quoi ressemble la récupération sur un exemple réel ?
Dans l’exemple public de Tesla (4 oct. 2026), ce que les moteurs ont récupéré et cité variait d’un moteur à l’autre. ChatGPT a cité tesla.com 12 fois sur 93 citations pour 25 questions d’achat, environ 13 %. Perplexity, Claude et Google AI Overviews réunis l’ont cité 5 fois sur 915.
Le reste de l’ensemble récupéré, c’étaient les pages des autres : sur les questions d’achat et de marque, youtube.com a été cité 29 fois, en.wikipedia.org 24 et reddit.com 20. Ce sont les pages à partir desquelles le modèle a rédigé.
Questions fréquentes sur Génération augmentée par récupération (RAG)
Le RAG signifie-t-il que l’IA n’utilise que ce qu’elle a récupéré ?
Non. Le modèle apporte toujours ce qu’il a appris à l’entraînement, et la réponse mélange les deux. La récupération oriente la réponse ; elle ne remplace pas la mémoire du modèle.
Comment faire récupérer mes pages ?
Laissez les robots de recherche IA les lire, rendez le texte présent sans JavaScript, gardez-les indexées et éligibles aux extraits, et répondez aux sous-questions précises que posent les acheteurs.
Le RAG est-il la même chose que l’ancrage ?
Les deux se recoupent. Le RAG est la méthode qui consiste à récupérer des documents avant de rédiger ; l’ancrage est l’objectif de rattacher les affirmations de la réponse à ces sources.
Pourquoi ma page a-t-elle été citée sans que ma marque soit mentionnée ?
Votre page a nourri la réponse, mais la liste restreinte est allée ailleurs. Cela signifie généralement que la page répond bien à une sous-question sans plaider en votre faveur.
Termes liés
- Ancrage (grounding)
L’ancrage consiste à rattacher la réponse d’un modèle d’IA à des sources externes, comme des résultats de recherche en direct, pour que ses affirmations reposent sur des contenus récupérés et pas seulement sur sa mémoire.
- Données d’entraînement vs recherche en direct
Les données d’entraînement sont ce qu’un modèle a appris avant sa date limite de connaissances ; la recherche en direct est ce qu’il consulte sur le web pendant qu’il répond, et une réponse d’IA peut s’appuyer sur l’une, l’autre ou les deux.
- Query fan-out
Le query fan-out, c’est quand un moteur d’IA découpe une question en plusieurs recherches liées et construit sa réponse à partir de tous les résultats.
- Citation par l’IA
Une citation est une page web vers laquelle un moteur d’IA renvoie, ou qu’il liste comme source de sa réponse.
Exemple détaillé : Tesla, réponses publiques de l’IA, 4 oct. 2026 : la première analyse de Tesla par Proofsource, 25 questions d’achat et 5 questions de marque, une réponse par question sur chacun des quatre moteurs. Un petit échantillon d’une seule marque, présenté comme exemple, pas comme référence.
Voyez où l’IA vous laisse de côté, et quoi corriger.
Voyez quelles questions d’achat nomment votre marque, qui est nommé à votre place et quoi corriger. 200 réponses. 25 Prompts/question. Les meilleurs moteurs d’IA. 2 jours. Gratuit. Sans carte bancaire.
Google AI OverviewsGoogle AI Mode
