Au-delà du RAG : systèmes agentiques pour l'entreprise

Les limites du RAG apparaissent vite en production : ambiguïtés non levées, documents manqués et confiance opaque. Des pratiques éprouvées émergent pour y répondre : récupération hybride, graphe de connaissances, orchestration agentique et sécurité en tête de pipeline. À la clé, des gains de latence pouvant atteindre 40 % et des réponses dont l’incertitude est enfin mesurée de façon conservatrice.

Sécurité en premier et confiance calculée de façon conservatrice

Dans les contextes d’entreprise, les requêtes peuvent transporter des données clients, des informations d’employés ou des références confidentielles. La première étape du pipeline doit donc être une évaluation de sécurité, pensée comme une frontière architecturale et non comme un simple filtre aval. Si des éléments sensibles sont détectés, la requête est rejetée avant toute récupération ou génération. Cette priorité est présentée comme la décision architecturale la plus importante pour des systèmes d’IA en entreprise. Côté fiabilité, l’évaluation de confiance se révèle un point faible récurrent des RAG en production. La moyenne des signaux de confiance masque les failles de composants individuels. Une notation multiplicative, standard en théorie de la décision, est plus prudente : un maillon incertain fait baisser sensiblement la confiance globale. Avec 0.9 en planification et 0.9 en récupération, le produit donne 0.81 ; avec 0.9 et 0.1, il chute à 0.09, quand une moyenne renverrait 0.5. Ce choix permet au système de dire « Je ne sais pas » lorsque l’incertitude domine.

Du pipeline fixe au raisonnement agentique et à l’orchestration

Les architectures agentiques remplacent le schéma figé récupérer‑puis‑générer par un raisonnement dynamique, où le système décide étape par étape de l’action suivante selon les résultats intermédiaires. Cette capacité distingue clairement ces systèmes des pipelines traditionnels. Cinq disciplines clés sont mises en avant dans l’industrie : utilisation d’outils, gestion de la mémoire, planification, coordination et évaluation ; la sécurité, en tant que frontière architecturale, s’ajoute comme exigence indispensable au déploiement en entreprise. Les questions en milieu professionnel sont rarement unidimensionnelles : comparer impose de comprendre et synthétiser deux concepts ; planifier nécessite une décomposition en sous‑tâches ; diagnostiquer agrège documentation, bases structurées et APIs externes. Le langage organisationnel étant ambigu, une désambiguïsation légère, adossée à une base et guidée par des heuristiques de fréquence et des tables de correspondance, atteint une précision comparable ou meilleure qu’un LLM, avec une latence bien moindre, conformément aux principes du NLP embarqué. Pour les requêtes complexes, un LLM peut éclater la demande en sous‑questions, chacune reliée à des outils dédiés ; présenter ce plan à l’utilisateur avant exécution sert de point de contrôle humain et s’aligne avec des normes émergentes comme le Model Context Protocol. Enfin, classer les sources nécessaires par sous‑question et exécuter en parallèle réduit sensiblement la latence par rapport à une séquence stricte.

Récupération enrichie par graphe : entités, RRF et réindexation continue

Un RAG classique considère chaque chunk comme isolé, sans conscience des entités, des relations ni des ontologies : il ignore les hiérarchies produits, les synonymes entre corpus et les catégories parentes. Adjoindre un graphe de connaissances au pipeline, approche désignée GraphRAG, comble cette lacune en enrichissant à la fois la récupération et la génération. Deux choix de conception pèsent lourd en production. D’abord, préférer une extraction d’entités déterministe à des NER pilotées par LLM : si ces dernières sont souvent recommandées, elles induisent des centaines de millisecondes de latence par appel, des coûts d’API à l’ingestion et du non‑déterminisme pénalisant le débogage en environnement régulé. À l’inverse, un appariement en plusieurs passes (plus long d’abord contre un index d’entités, normalisation des variantes, puis tokens) fournit des résultats cohérents en microsecondes à coût marginal quasi nul, dans l’esprit des techniques établies d’extraction d’information. Ensuite, exploiter le graphe dans le scoring : des chunks étiquetés par entités sont notés selon le nombre d’entités pertinentes et ce signal rivalise avec les scores vectoriels et lexicaux via la même Reciprocal Rank Fusion que celle employée en hybride. Pour soutenir l’ingestion continue, un réindexage sans interruption s’appuie sur des schémas éprouvés : traitement delta pour les mises à jour incrémentales et échanges atomiques pour les resynchronisations complètes, en maintenant la disponibilité durant le remappage d’entités.

Hybride dense‑sparse : déduplication, RRF et latence en concurrence

Dans l’entreprise, aucune méthode de recherche ne suffit isolément. La recherche vectorielle capte le sens et associe par exemple « ruptures de stock » à « zéro inventaire » ou « gaps d’approvisionnement », mais elle peut reléguer des correspondances clés de mots‑clés, problématique dans des univers d’acronymes et de codes produits. Un schéma hybride exécute en parallèle la recherche dense et BM25, puis fusionne les résultats. La déduplication doit intervenir avant reranking, en plusieurs passes (identifiant, emplacement source, empreinte) pour limiter les redondances. La fusion de rang repose sur la Reciprocal Rank Fusion, proposée en 2009 par Cormack, Clarke et Buettcher, qui récompense ce qui se classe haut dans l’une ou l’autre source sans exiger de normalisation des scores. La latence est un critère de premier plan : exécuter les recherches en concurrence, de manière asynchrone plutôt que séquentielle, peut réduire la latence de récupération de 40 % ou plus, tout en conservant la qualité. Un reranker à encodeur croisé apporte ensuite le filtre de précision final. Les utilisateurs n’adoptent pas des systèmes lents, quelle que soit la qualité perçue des réponses.

Pourquoi le « juste RAG » ne tient pas en production

Ancrer les réponses dans les documents internes via une base vectorielle et donner le contexte à un LLM fonctionne souvent pour des questions simples sur un corpus bien organisé. À l’échelle d’entreprise, cette suffisance s’évapore : un pipeline RAG standard n’éclaire pas l’intention lorsque des abréviations ont plusieurs sens, la recherche vectorielle peut manquer des documents clés faute de terminologie partagée, et le système n’exprime pas une confiance exploitable, rendant indiscernables une réponse fondée et une hallucination. Ces difficultés sont la norme, pas l’exception. La récupération hybride et GraphRAG apportent des réponses au problème de la récupération, mais les usages réels exigent ensuite des capacités de raisonnement et d’orchestration pour traiter des requêtes multidimensionnelles.