Qu'est-ce que le RAG
(Retrieval Augmented Generation) ?

Depuis l'explosion de ChatGPT, tout le monde parle d'intelligence artificielle. Mais si vous avez déjà demandé à un chatbot générique des informations sur votre propre entreprise, vous avez probablement vécu la déception : il invente des données, cite des prix incorrects, ou confond vos services avec ceux d'un concurrent. C'est là qu'intervient le RAG.

Le RAG — Retrieval Augmented Generation — est la technologie qui permet à un chatbot de ne pas se contenter de "savoir des choses en général", mais de connaître votre site spécifiquement. Voici une explication claire, sans jargon inutile.

Définition simple du RAG

Imaginez que vous recrutez un assistant. Vous avez deux options :

• Option A : vous embauchez quelqu'un de très cultivé qui a lu des milliers de livres, mais qui ne connaît rien à votre entreprise spécifique.
• Option B : vous embauchez quelqu'un qui a lu tous vos documents internes, votre site web, votre catalogue et votre FAQ — et qui peut répondre précisément à vos clients.

Un LLM classique (GPT-4o, Claude, etc.) c'est l'option A. Le RAG, c'est l'option B. Plus précisément, c'est une architecture qui combine les deux : la puissance de compréhension et de rédaction d'un grand modèle de langage, couplée à une base de connaissance construite à partir de votre contenu.

RAG se décompose en trois mots :

• Retrieval = recherche d'informations pertinentes dans votre contenu
• Augmented = le prompt envoyé au LLM est enrichi avec ces informations
• Generation = le LLM génère une réponse précise et naturelle

Comment fonctionne l'indexation vectorielle (vulgarisé)

C'est ici que ça devient un peu technique — mais on va rester compréhensible.

Quand Chatbot Flow crawle votre site, il ne "lit" pas vos pages comme vous le faites. À la place, il transforme chaque morceau de texte en une liste de nombres (un vecteur) qui représente mathématiquement le sens du texte. Cette opération s'appelle l'embedding.

Deux textes qui parlent de la même chose auront des vecteurs proches. "Quels sont vos délais de livraison ?" et "Combien de temps pour recevoir ma commande ?" auront des représentations mathématiques similaires, même si les mots sont différents.

Ces vecteurs sont stockés dans une base de données spécialisée (pgvector, dans le cas de Chatbot Flow). Quand un visiteur pose une question, la question est elle-même transformée en vecteur, et le système cherche les contenus de votre site dont le vecteur est le plus proche. Ce sont ces extraits qui sont envoyés au LLM pour construire la réponse.

RAG vs GPT classique : pourquoi le RAG ne "hallucine" pas

L'hallucination, c'est le grand défaut des LLM sans RAG. Quand le modèle ne sait pas quelque chose, il a tendance à inventer une réponse plausible plutôt qu'à admettre son ignorance. Pour un usage général (rédiger un email, expliquer un concept), c'est gérable. Pour répondre aux clients de votre site, c'est catastrophique.

Imaginons un site de location de véhicules. Sans RAG :

Visiteur : "Proposez-vous des voitures électriques ?"
Chatbot GPT seul : "Oui, nous avons une belle gamme de véhicules électriques, dont des Tesla Model 3 et des Renault Zoé !" — complètement inventé.

Avec RAG :

Visiteur : "Proposez-vous des voitures électriques ?"
Chatbot RAG : "D'après les informations disponibles sur notre site, notre flotte inclut actuellement des véhicules hybrides. Pour les véhicules 100 % électriques, je vous recommande de contacter directement notre équipe." — basé sur le contenu réel.

Le RAG contraint le LLM à rester dans les faits. Si la réponse n'est pas dans votre contenu, le chatbot dit qu'il ne sait pas — et vous envoie une notification pour que vous puissiez combler ce manque.

Cas d'usage : e-commerce, blog, site vitrine

Site e-commerce

Le RAG indexe vos fiches produits, vos conditions de retour, vos délais de livraison et vos FAQs. Votre chatbot peut répondre instantanément à "C'est livré en combien de temps ?", "Quelle taille choisir pour ce pull ?", ou "Comment retourner un article ?" — autant de questions qui saturent le support client.

Blog ou site éditorial

Votre contenu est votre expertise. Le RAG permet au chatbot de guider les visiteurs vers les articles pertinents, de résumer vos positions sur des sujets clés, et de répondre aux questions que vous n'avez pas encore traitées en disant clairement "je n'ai pas d'article sur ce sujet, mais vous pouvez poser votre question directement".

Site vitrine ou de services

C'est le cas d'usage le plus courant. Tarifs, services proposés, zones d'intervention, processus de commande, certifications : tout est indexé. Le chatbot remplace efficacement les 30 premières minutes d'une consultation commerciale en répondant aux questions de qualification.

Comment Chatbot Flow utilise le RAG

Chatbot Flow est construit entièrement autour du RAG. Voici concrètement comment ça fonctionne :

1. Crawl automatique quotidien : votre site est parcouru une fois par 24h. Seules les pages modifiées sont retraitées, ce qui rend l'indexation rapide et peu coûteuse.
2. Base vectorielle isolée : chaque client dispose de sa propre base pgvector. Vos données ne sont jamais mélangées avec celles d'un autre client.
3. Recherche hybride : Chatbot Flow combine la recherche vectorielle (sémantique) et la recherche par mots-clés pour trouver les meilleurs extraits. C'est plus robuste qu'une approche unique.
4. Contenu additionnel : vous pouvez enrichir la base de connaissance avec des blocs de texte libre ou des fichiers PDF (tarifs internes, guides, etc.) sans les publier sur votre site.
5. Hébergement 100 % France : les données ne quittent pas l'UE, ce qui simplifie la conformité RGPD.

FAQ technique — 5 questions fréquentes