Si vous vous êtes déjà demandé comment Perplexity parvient à citer des sources réelles et à jour alors qu’un chatbot généraliste invente parfois des données, la réponse est presque toujours une technique appelée RAG.
Ce que c’est concrètement
RAG est l’acronyme de Retrieval-Augmented Generation, en français « génération augmentée par récupération ». C’est une technique qui combine deux étapes : d’abord le système récupère (retrieval) des documents ou informations pertinentes depuis une source externe — cela peut être le web en temps réel, un ensemble de documents d’entreprise, une base de connaissances spécifique — puis utilise un modèle de langage pour générer une réponse fondée sur ces informations récupérées, au lieu de s’appuyer uniquement sur ce dont il « se souvient » de son entraînement.
Pourquoi c’est utile
Un modèle de langage classique a une connaissance figée au moment où il a été entraîné, et peut générer des informations plausibles mais fausses quand il lui manque la donnée demandée. Avec la RAG, le modèle a au contraire accès à des informations à jour et vérifiables au moment même où il génère sa réponse, ce qui réduit (sans l’éliminer totalement) le risque d’hallucinations et permet de citer les sources utilisées.
Où vous la croisez déjà
Pas besoin de comprendre les détails techniques pour l’utiliser : vous la croisez chaque fois qu’un outil d’IA cite des sources avec des liens cliquables au lieu de répondre « de mémoire ». C’est le mécanisme derrière Perplexity, les fonctions de « recherche web » intégrées à ChatGPT, Gemini et Copilot, et de nombreux assistants d’entreprise qui répondent en consultant des documents internes au lieu d’inventer des réponses plausibles.