RAG (Retrieval-Augmented Generation)
Le RAG combine un système de recherche documentaire avec un LLM pour générer des réponses ancrées dans une base de connaissances externe, plutôt que de reposer uniquement sur les connaissances figées apprises pendant l’entraînement du modèle. Concept introduit par Lewis et al. en 2020 (Meta AI), popularisé depuis l’essor des LLM grand public.
Fonctionnement en trois étapes : la requête de l’utilisateur est transformée en embedding, un moteur de recherche compare ce vecteur aux documents d’une base externe pour identifier les passages les plus pertinents, puis ces extraits sont injectés dans le prompt envoyé au LLM, qui génère sa réponse en s’appuyant dessus. Avantage majeur documenté : le RAG permet d’accéder à une information à jour ou spécifique à un domaine, sans réentraîner le modèle — et réduit le risque d’hallucination en ancrant la réponse dans des sources vérifiables.
En RH, le RAG est la technologie derrière les chatbots RH fiables : au lieu de laisser un LLM générique répondre de mémoire sur la politique de congés de l’entreprise, le système va chercher la réponse dans le règlement intérieur ou la convention collective réels avant de répondre — condition indispensable pour qu’un agent conversationnel RH reste exact sur des règles internes propres à l’entreprise.
Retrouvez tous les termes dans le lexique SIRH et IA de yapluqua.com.
Sources : Lewis et al. 2020 (arXiv), littérature académique convergente (surveys arXiv 2025-2026).