Glossaire · IA

RAG (Retrieval-Augmented Generation)

Le RAG (Retrieval-Augmented Generation) est une technique qui permet à un modèle de langage d'aller chercher des documents pertinents au moment de répondre, puis de générer sa réponse à partir de ces sources. C'est ce mécanisme qui décide quels contenus une IA cite.

Le RAG (Retrieval-Augmented Generation) est une technique qui combine deux étapes : d'abord récupérer (retrieval) des documents pertinents dans une base ou sur le web, ensuite générer (generation) une réponse à partir de ces documents. C'est le mécanisme qui permet à une IA comme Perplexity de citer des sources à jour plutôt que de répondre uniquement de mémoire.

Comment fonctionne le RAG

Quand un utilisateur pose une question, le système transforme cette question en requête, récupère les passages les plus pertinents, puis les fournit au LLM comme contexte. Le modèle rédige alors sa réponse en s'appuyant sur ces extraits — et les cite. La qualité de votre contenu et sa structure déterminent s'il franchit l'étape de récupération.

Un exemple concret

Une IA reçoit la question « comment optimiser pour les AI Overviews ? ». Son moteur RAG va chercher les pages les plus pertinentes, en extrait des passages auto-contenus, et compose sa réponse à partir de ceux qui répondent le plus directement. Un bloc « X est… » de 150 mots a une longueur idéale pour être retenu.

Pourquoi ça compte

Le RAG est le pont entre votre contenu et la réponse de l'IA. Optimiser pour la récupération, c'est le cœur du GEO : passages citables, schema markup et autorité topique. Pour structurer cette démarche, voyez notre agence GEO.

À retenir

En RAG, si vous n'êtes pas récupéré, vous n'êtes pas cité. La récupération précède tout.

FAQ

Questions fréquentes

Parce que la phase de récupération du RAG décide quels documents l'IA lit avant de répondre. Si votre page n'est pas récupérée, elle ne peut pas être citée. Un contenu clair, structuré et bien classé augmente ses chances d'être sélectionné.

Pour aller plus loin