01
📖 Introduction
Le RAG (Retrieval-Augmented Generation) est devenu l'architecture de référence pour enrichir les LLM avec des connaissances externes. Mais est-ce toujours la bonne solution ? Ce guide vous aide à répondre à cette question.
80%
des projets IA utilisent le RAG
30%
des cas RAG sont mal adaptés
2 semaines
pour un POC RAG
💡 La bonne nouvelle : Le RAG est simple à tester. Faites un POC en 2 semaines pour valider (ou infirmer) sa pertinence.
02
🔍 Qu'est-ce que le RAG ? (rappel)
Architecture RAG simplifiée :
[Question utilisateur]
│
▼
[Recherche vectorielle] ← [Base de connaissances]
│
▼
[Contexte trouvé + Question]
│
▼
[LLM génère réponse enrichie]
Exemple : "Quels sont les horaires d'ouverture ?"
→ RAG cherche dans les documents → trouve "9h-18h" → LLM répond "Notre magasin est ouvert de 9h à 18h".
04
🎯 Cas d'usage idéaux pour le RAG
🏢 Support client niveau 1
"Comment réinitialiser mon mot de passe ?"
✅ FAQ, documentation produit, guides d'utilisation
📚 Recherche documentaire interne
"Trouve-moi le rapport financier Q3 qui parle de la marge européenne"
✅ Documents variés, recherche sémantique
🛒 E-commerce - recherche produit
"Montre-moi des baskets de running légères pour semi-marathon"
✅ Catalogue produits, descriptions, avis clients
📧 Analyse de contenu
"Résume les 10 derniers emails de ce projet"
✅ Corpus textuel, extraction d'informations
🏥 Aide à la décision médicale (non critique)
"Quels sont les effets secondaires connus de ce médicament ?"
⚠️ Avec supervision humaine obligatoire
05
❌ Quand éviter le RAG
⛔ Ne PAS utiliser le RAG si :
Questions multi-sauts complexes
"Quels sont les employés qui travaillent avec Marie, ont plus de 5 ans d'ancienneté, et sont situés à Paris ?"
→ Le RAG ne traverse pas les relations. Privilégiez un graphe.
Précision absolue requise
"Quelle est la dose exacte de ce médicament pour un enfant de 3 ans ?"
→ Une hallucination peut être dangereuse. Privilégiez une base de données vérifiée.
Données très structurées
"Quel est le montant total des ventes du produit X en région Sud au T3 ?"
→ Le RAG est inadapté aux agrégations SQL. Restez sur votre BDD.
Explicabilité obligatoire (RGPD, IA Act)
"Pourquoi cette candidature a-t-elle été rejetée ?"
→ Le RAG ne permet pas de tracer précisément la décision.
06
📊 Matrice de décision : RAG ou autre chose ?
Question 1 : Vos données sont-elles principalement du texte non structuré (PDF, emails, articles) ?
→ OUI : Passez à Q2 → NON : Considérez graphe ou BDD
Question 2 : La précision à 85% est-elle acceptable ?
→ OUI : Passez à Q3 → NON : Considérez graphe ou fine-tuning
Question 3 : Les questions font-elles moins de 3 sauts logiques ?
→ OUI : Passez à Q4 → NON : Considérez graphe de connaissances
Question 4 : Vous avez besoin d'un MVP rapide (< 1 mois) ?
→ OUI : ✅ RAG recommandé → NON : Évaluez GraphRAG
💡 Si vous avez répondu "NON" à Q2, Q3 ou Q4 :
- Précision absolue + relations complexes → Graphe de connaissances pur
- Précision absolue + texte non structuré → GraphRAG
- Performance sur données structurées → Base relationnelle ou graphe
08
📝 Conclusion : Le RAG est-il fait pour vous ?
✅ Allez-y avec le RAG si :
- Documents non structurés volumineux
- Précision à 85% suffisante
- Questions simples (1-2 sauts)
- Besoin d'un POC rapide
- Budget limité
⚠️ Explorez d'autres options si :
- Précision absolue requise
- Questions multi-sauts complexes
- Explicabilité obligatoire
- Données très structurées
- Inférences logiques nécessaires
🎯 Notre recommandation : Commencez par un POC RAG (2 semaines). Mesurez la précision. Si elle est insuffisante, évoluez vers GraphRAG ou un graphe de connaissances pur.