Vers des assistants IA auditables pour l’ingénierie : le rôle du RAG dans la traçabilité des connaissances techniques
Par Chaymae Ouzougagh
En 2020, des chercheurs de Facebook AI Research emmenés par Patrick Lewis publient un article qui va discrètement changer la manière dont l’intelligence artificielle générative accède à la connaissance. Leur idée : plutôt que de laisser un modèle de langage (LLM) répondre uniquement à partir de ce qu’il a mémorisé pendant son entraînement, on peut le connecter, au moment même de la question, à une base documentaire externe, dans laquelle il va chercher les passages pertinents avant de rédiger sa réponse. Cette technique prend un nom qui deviendra familier à toute l’industrie de l’IA : le RAG, pour Retrieval-Augmented Generation, ou génération augmentée par récupération.
Six ans plus tard, l’IA générative s’installe dans les environnements professionnels : résumé de documents, recherche d’information, aide à la rédaction. Cette idée simple prend alors tout son sens dans les métiers d’ingénierie. Spécifications, rapports d’essais, normes, brevets, dossiers R&D : les équipes techniques manipulent des corpus volumineux et changeants, où une réponse générée par un LLM doit impérativement être vérifiable, sourcée et replacée dans son contexte documentaire exact.
Pourquoi ne peut-on pas se contenter d’un assistant IA généraliste ? Un LLM seul répond à partir de connaissances figées au moment de son entraînement : il ignore la dernière version d’une spécification client, le contenu d’un rapport d’essai récent ou le vocabulaire propre à une entreprise. Le RAG comble cet écart en connectant le modèle à un corpus maîtrisé, composé par exemple de documentation interne, de normes et de brevets, pour produire des réponses ancrées dans des sources identifiables.
Concrètement, un système RAG s’appuie sur deux modules. Le premier, dit de récupération, transforme chaque document en segments (ou « chunks »), convertis en représentations vectorielles qui capturent leur sens. Face à une question, il recherche dans cette base les segments les plus pertinents grâce à une recherche lexicale (mots-clés partagés), sémantique (proximité de sens) ou, le plus souvent en environnement industriel, hybride, combinant les deux pour compenser leurs limites respectives.
Le second module, dit de génération, transmet ces segments au LLM comme contexte, à charge pour lui de rédiger une réponse qui s’y ancre plutôt que de puiser dans sa mémoire d’entraînement. La qualité du découpage des documents et la pertinence de la recherche conditionnent, en amont, la fiabilité de tout le système.
Les métiers techniques reposent sur des décisions justifiées : choix d’architecture, validation d’un prototype, conformité à une norme. Une réponse générée par IA n’y est utile que si elle indique ses sources, renvoie vers les passages exacts mobilisés, distingue l’information explicite de l’hypothèse, et signale une information manquante plutôt que de « remplir » la réponse. Cette exigence de preuve rejoint directement celle de la fiabilité : le RAG réduit le risque d’hallucination d’un LLM sans l’éliminer.
Trois mécanismes d’erreur reviennent le plus souvent :
À cela s’ajoute un troisième enjeu, celui de la confidentialité. Dans des secteurs sensibles comme la défense ou la santé, la question ne se limite pas à la pertinence des réponses : il faut aussi maîtriser où transitent les données. Certaines architectures y répondent en séparant le traitement documentaire, réalisé en local sur des données non chiffrées, de l’appel au LLM, qui seul transite, chiffré, vers le cloud.
Selon Grand View Research, le marché mondial du RAG était estimé à 1,2 milliard de dollars en 2024 et devrait atteindre 11 milliards de dollars d’ici 2030, soit un taux de croissance annuel composé de 49,1 %. Cette dynamique est portée par la demande croissante des entreprises pour des systèmes d’IA générative capables de s’appuyer sur leurs propres données, notamment dans les secteurs juridique, financier et de la santé. En France, l’adoption suit la même trajectoire : selon le Baromètre France Num 2025, 22 % des TPE-PME françaises déclarent désormais utiliser l’IA générative, contre 10 % un an plus tôt.
Dans l’analyse d’exigences techniques, un assistant RAG peut retrouver, pour une fonction donnée, les critères de test associés ou repérer des exigences reformulées différemment selon les documents. Une étude menée en 2026 sur des données automobiles réelles, portant sur 669 exigences réparties sur quatre référentiels de spécification et 49 qualifications fournisseurs, rapporte une précision d’extraction de 98,2 % et une traçabilité complète des réponses. Pour l’exploitation des rapports d’essais, souvent dispersés entre PDF, tableurs et comptes rendus, le RAG permet d’interroger cet historique en langage naturel. Par exemple, en demandant quels essais montrent une dérive thermique au-delà du seuil attendu, tout en remontant vers le passage qui justifie la réponse.
Pour l’état de l’art technique, il aide à comparer plusieurs sources et à faire émerger les limites mentionnées dans chacune, sans se substituer à l’analyse critique de l’expert. Pour la capitalisation des connaissances, enfin, il permet à une nouvelle équipe de retrouver pourquoi une solution a été retenue ou une piste abandonnée. Ces usages restent cependant encore émergents : une étude menée en 2025 auprès de treize praticiens industriels montre que le RAG est aujourd’hui majoritairement utilisé pour des tâches de question-réponse spécialisées, avec des systèmes souvent au stade de prototype.
Le guide de la Direction générale des Entreprises (DGE) sur le RAG, publié en 2024, recense plusieurs déploiements réels riches d’enseignements. Le premier concerne une entreprise de transport ayant fait appel à un intégrateur pour développer, dans le cloud, un assistant de maintenance d’infrastructures. Le retour d’expérience est instructif : la non-exhaustivité des documents sélectionnés par le système a suscité une méfiance des équipes, qui percevaient l’outil comme « aléatoire », ce qui illustre concrètement l’importance de la traçabilité pour l’adoption réelle de ce type d’outil.
Le second concerne une entreprise du secteur de la défense, confrontée à un besoin d’assistant de programmation pour des langages peu représentés dans l’entraînement des modèles génériques, mais bien présents dans son code interne. Développé en interne, le système repose sur une architecture hybride : vectorisation et recherche en local sur des données non chiffrées, et seul l’appel au LLM transite, chiffré, vers le cloud. La même entreprise a également déployé des assistants de gestion de la connaissance par unité, en particulier scientifique, RH et marketing, avec une évaluation humaine spécifique à chaque cas d’usage.
L’une des principales limites du RAG « classique » tient à sa manière de traiter chaque segment de document isolément, au risque de manquer des liens qui traversent plusieurs documents. En 2024, des chercheurs de Microsoft ont proposé GraphRAG : plutôt que de ne récupérer que des passages proches de la question, le système construit d’abord un graphe de connaissances à partir du corpus, en trois temps. Il extrait d’abord les entités grâce à un LLM, cartographie ensuite leurs relations, puis les regroupe en communautés thématiques grâce à des algorithmes de détection de communautés. À l’interrogation, ces résumés de communautés permettent d’agréger l’information à travers plusieurs documents, là où une recherche classique se contenterait des quelques passages les plus proches de la question.
Pour l’ingénierie, l’intérêt dépasse la seule qualité des réponses : chaque nœud du graphe conserve un lien vers son document d’origine, ce qui renforce directement la traçabilité au cœur du sujet de cet article. Le projet, publié en open source à l’été 2024, a rapidement dépassé les 20 000 étoiles sur GitHub, signe d’une adoption large par la communauté technique.
Une autre piste, portée par des chercheurs de l’université de Berkeley, s’attaque à un problème différent : un LLM peut recevoir le bon document et pourtant mal l’exploiter, en se laissant distraire par des passages non pertinents récupérés en même temps. La méthode RAFT (Retrieval Augmented Fine-Tuning) entraîne spécifiquement le modèle à ignorer ces « documents distracteurs » et à citer textuellement le passage exact qui justifie sa réponse, avant de raisonner à partir de lui. Testée sur plusieurs jeux de données spécialisés, cette approche améliore la précision des réponses par rapport à un RAG standard, et va dans le sens d’une IA plus disciplinée dans son usage des sources.
D’autres évolutions touchent à la manière dont un système RAG traite une requête. L’orchestration consiste à confier à un LLM « chef d’orchestre » le soin de répartir une question entre plusieurs sources ou modules de recherche selon sa nature, par exemple pour distinguer une question normative d’une question portant sur un rapport d’essai. L’agentisation va plus loin, en faisant collaborer plusieurs modèles spécialisés : l’un peut interroger une base normative, un autre comparer des versions de documents, avant de composer la réponse finale, chaque agent pouvant vérifier le travail du précédent.
Enfin, le RAG multimodal, capable de traiter directement des schémas, tableaux ou plans techniques sans les convertir au préalable en texte, reste un chantier ouvert : les rapports d’essais et cahiers des charges industriels combinent rarement du texte pur, et perdent aujourd’hui une partie de leur information dès l’étape de conversion.
Pour les entreprises que nous accompagnons, l’enjeu du RAG est rarement de développer cette technologie en tant que telle. Il s’agit plutôt de répondre à une exigence bien plus concrète : justifier, parfois plusieurs années après les faits, le caractère scientifique ou technique des travaux déclarés au Crédit d’Impôt Recherche (CIR).
Le Guide du CIR 2025, publié par le ministère de l’Enseignement supérieur et de la Recherche, impose une fiche descriptive structurée en cinq parties pour chaque opération (contexte général, verrou scientifique ou technique, démarche suivie, résultats, indicateurs de recherche. Reconstituer cette démonstration à partir de comptes rendus de réunion, d’échanges par e-mail, de code ou de cahiers de laboratoire dispersés est un exercice long et risqué : une expertise scientifique du MESR ou un contrôle fiscal peuvent survenir bien après la clôture de l’exercice.
C’est là que la logique du RAG devient pertinente pour nos clients : appliquée à leur propre documentation de projet plutôt qu’à un nouvel outil à développer, elle permet de retrouver, pour chaque affirmation d’un dossier CIR ou d’une demande d’Aides et Subventions (A&S), la source interne exacte qui la justifie, plutôt que de la reconstituer a posteriori. Appliquée en continu tout au long du projet, cette démarche transforme un exercice de justification souvent mené dans l’urgence en une capitalisation structurée du raisonnement scientifique, au fil de l’eau.
C’est un enjeu que nous connaissons bien chez ABGi, et sur lequel notre accompagnement peut évoluer, en aidant nos clients, au-delà de la rédaction des dossiers, à structurer et sécuriser la documentation qui les sous-tend.
Les prochaines générations d’assistants IA devront progresser avant tout en auditabilité. Elles devront distinguer ce qui est explicitement écrit dans les sources de ce qui relève de l’inférence, et signaler l’absence de source suffisante plutôt que de « remplir » la réponse. On peut ainsi imaginer une famille d’assistants spécialisés par métier : assistant d’analyse d’exigences, assistant de veille brevet, assistant de préparation d’essais, assistant de revue documentaire R&D, assistant de validation qualité, assistant de capitalisation de projet. Leur valeur tiendra à leur spécialisation, leur traçabilité et leur intégration aux pratiques existantes.
Six ans après la publication de Lewis et ses collègues, l’idée fondatrice du RAG, relier un LLM à une mémoire documentaire externe et vérifiable, s’impose comme une brique essentielle de l’IA industrielle, et continue de se réinventer, du RAG hybride aux architectures fondées sur des graphes de connaissances. Dans les environnements techniques, où la preuve et la traçabilité conditionnent la confiance, sa fiabilité dépend directement d’un cadre d’ingénierie à part entière : qualité du corpus, gouvernance documentaire, évaluation continue et validation humaine en restent les conditions de réussite. L’assistant industriel le plus utile ne sera pas celui qui répond à tout, mais celui qui répond avec méthode, sources et prudence.
Vous aimerez aussi…
Appel à projets « Défi Flagships » : un financement France 2030 pour accélérer les sous-systèmes innovants en robotique
Standardisation des réseaux du futur : un appel à projets France 2030 pour renforcer le poids de la France dans la 6G
