RAG

RAG signifie Retrieval-Augmented Generation, ou génération augmentée par la recherche. C'est une technique par laquelle un modèle de langage ne puise pas seulement dans ce qu'il a appris pendant son entraînement, mais recherche d'abord des informations récentes ou spécifiques, qu'il utilise ensuite pour formuler une réponse. Le modèle « récupère » et « génère » donc dans un même mouvement.

Cela peut sembler un détail technique, mais c'est précisément ce qui permet à des environnements de recherche IA comme Perplexity, ChatGPT Search et les AI Overviews de Google de renvoyer vers des sites web. Sans RAG, un LLM ne pourrait répondre qu'à partir de ses données d'entraînement, qui vieillissent vite et ne citent aucune source.

Comment fonctionne le RAG, étape par étape ?

Le fonctionnement exact varie d'un système à l'autre, mais le processus général ressemble à peu près à ceci :

1. Analyser la question. Le système détermine quelles informations sont nécessaires et transforme la question en une ou plusieurs requêtes.
2. Récupérer les informations. Il parcourt un index, par exemple le web, une base documentaire interne ou un catalogue de produits, et sélectionne les passages pertinents.
3. Fournir le contexte. Ces passages sont transmis au modèle de langage avec la question d'origine.
4. Formuler la réponse. Le modèle rédige une réponse à partir de ce contexte et affiche souvent les sources utilisées sous forme de citation.

Pourquoi le RAG compte pour votre site

Avec le RAG, c'est l'étape de récupération qui décide quelles sources le modèle voit. Si votre page n'apparaît pas à cette étape, elle ne peut pas non plus se retrouver dans la réponse. Les conditions de base classiques restent donc valables : votre page doit pouvoir être explorée, indexée et reconnue comme pertinente.

La forme de votre contenu joue également un rôle. Les systèmes RAG travaillent généralement avec des fragments plutôt qu'avec des pages entières. Un paragraphe qui répond clairement et de manière autonome à une question est plus facile à réutiliser qu'une réponse éparpillée dans un long texte. Une structure claire avec de bons intertitres aide, tout comme des données structurées qui rendent sans équivoque des faits comme les heures d'ouverture ou les prix.

Un exemple

Un cabinet comptable à Liège publie une page claire sur les règles de TVA pour les petites entreprises, avec une réponse courte pour chaque situation. Quand quelqu'un demande à un assistant IA s'il peut bénéficier de la franchise de TVA en tant que starter, le système peut sélectionner précisément ce passage lors de l'étape de récupération et citer le cabinet comme source. Une page générale « Nos services » ne répondrait pas à cette question et ne serait donc pas récupérée.

Le RAG n'est d'ailleurs pas utilisé uniquement par les moteurs de recherche. Des entreprises l'emploient aussi pour des chatbots internes qui répondent à partir de leurs propres manuels, fiches produits ou dossiers clients. Le principe est le même : plus les sources sont structurées et à jour, plus la réponse est fiable.

RAG et GEO

Le domaine en plein essor du GEO consiste en bonne partie à comprendre le RAG : comment faire en sorte que votre contenu soit trouvé, sélectionné et restitué correctement ? Il n'existe pas de formule toute faite, et les systèmes évoluent sans cesse. Ce qui semble constant, c'est qu'une information claire, fiable et facile à trouver offre le meilleur point de départ. Votre autorité en tant que source joue probablement aussi un rôle dans le choix des pages sélectionnées.

Vous voulez voir comment préparer votre site à cette nouvelle façon de chercher ? Découvrez comment la plateforme Spacebird pour le SEO et la visibilité dans l'IA réunit ces deux mondes.