# RAG (génération augmentée par récupération)

> La RAG (génération augmentée par récupération) est la technique qui sous-tend la plupart des recherches IA : au lieu de répondre uniquement de mémoire, le modèle récupère des documents pertinents au moment de la requête, y ancre la réponse qu'il génère, puis cite les sources utilisées. C'est pourquoi une page à jour, accessible et facile à extraire peut être citée immédiatement.

- Updated: 2026-08-11
- Canonical: https://geotoolbox.ai/fr/glossary/rag

---

La RAG sépare ce que le modèle sait de ce qu'il peut aller chercher. L'étape de récupération est le moment où votre contenu entre dans la réponse : figurer dans l'index et être facile à extraire compte davantage qu'attendre qu'un modèle soit réentraîné sur vous.

Le nom décrit la séquence : récupérer les documents pertinents, enrichir le prompt avec ces documents, puis générer la réponse. La technique a été présentée dans un article de 2020, *Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks*, signé Lewis et al. (Facebook AI Research, avec l'University College London et la New York University). Les moteurs récupèrent un ensemble de candidats, l'évaluent selon l'autorité et la convergence des sources, puis génèrent une réponse citant les plus solides.

En pratique, la récupération se limite rarement à une seule requête : dans les AI Overviews (aperçus IA) et le Mode IA (AI Mode), Google documente une technique de « query fan-out » qui lance plusieurs recherches liées sur des sous-thèmes avant de synthétiser. Votre page peut donc être reprise via une sous-requête que l'internaute n'a jamais tapée.