RAG agentique : définition, fonctionnement et cas d'usage

Le RAG agentique est l'un des sujets les plus commentés de l'IA appliquée. Derrière le vocabulaire, l'idée est simple : donner à un assistant IA l'accès à vos documents, et la capacité de mener lui-même sa recherche. Je construis ce type de système avec n8n pour des PME ; voici ce qu'il faut en comprendre avant de se lancer.

Quiz · 1 minute

RAG classique ou RAG agentique : de quoi avez-vous besoin ?

1. 1. Où se trouve l’information à retrouver ?

   Dans une seule base de documentsDans deux ou trois sourcesDans plusieurs outils (CRM, compta, documents)
2. 2. À quoi ressemblent les questions posées ?

   Directes : « quelle est la procédure pour… »Qui demandent de croiser des informations
3. 3. Qu’est-ce qui compte le plus ?

   Des réponses rapides et un coût maîtriséLa profondeur de l’analyse
4. 4. Votre documentation est-elle à jour et rangée ?

   OuiPas vraiment

Répondez aux 4 questions pour obtenir une recommandation.

Qu'est-ce que le RAG ?

RAG signifie Retrieval-Augmented Generation, génération augmentée par récupération. Le principe a été formalisé en 2020 par des chercheurs de Facebook AI Research (Lewis et al.).

Un modèle de langage ne connaît que ce qu'il a appris pendant son entraînement. Il ignore vos procédures, vos contrats ou vos tarifs. Le RAG comble ce manque en trois étapes :

1. Récupération : le système cherche dans votre base documentaire les passages les plus pertinents pour la question.
2. Augmentation : ces passages sont ajoutés à la question envoyée au modèle.
3. Génération : le modèle répond en s'appuyant sur ces passages, idéalement en citant ses sources.

Pour que la recherche fonctionne par le sens plutôt que par mots-clés, les documents sont découpés en fragments et convertis en vecteurs, stockés dans une base vectorielle. Une question sur les « congés » retrouve ainsi un passage qui parle de « vacances ».

Qu'est-ce que le RAG agentique ?

Dans un RAG classique, le chemin est fixe : une question, une recherche, une réponse. Si la recherche ne ramène pas la bonne information, la réponse sera mauvaise, et le système ne s'en rendra pas compte.

Le RAG agentique confie la démarche à un agent IA, c'est-à-dire un modèle capable de décider des actions à mener et d'utiliser des outils. Selon la synthèse de Singh et al. (2025), il s'appuie sur quatre schémas :

• la planification : décomposer une question complexe en sous-questions ;
• l'utilisation d'outils : choisir entre plusieurs sources (documentation, base de données, CRM, recherche web) ;
• la réflexion : évaluer si les informations trouvées suffisent, et relancer une recherche sinon ;
• la collaboration entre agents : répartir le travail entre plusieurs agents spécialisés.

Une approche répandue est le schéma ReAct (raisonner, puis agir), décrit par Yao et al. en 2022 : l'agent alterne une étape de réflexion et une action, observe le résultat, puis décide de la suite.

RAG classique ou RAG agentique : comparaison

Critère	RAG classique	RAG agentique
Déroulement	Fixe : une recherche, une réponse	Adaptatif : plusieurs recherches si besoin
Sources	Généralement une seule base	Plusieurs sources et outils
Questions complexes	Limité	Bon
Temps de réponse	Rapide	Plus lent (plusieurs appels au modèle)
Coût par question	Faible	Plus élevé
Prévisibilité	Élevée	Plus faible, à encadrer
Mise en œuvre	Simple	Plus exigeante

À retenir : le RAG agentique n'est pas une version « meilleure » du RAG, c'est une version plus puissante et plus chère. Il se justifie quand les questions l'exigent, pas par principe.

Cas d'usage concrets en PME

Interroger sa documentation interne

« Quelle est la procédure pour une note de frais à l'étranger ? » Un RAG classique répond très bien à ce type de question, à partir du règlement interne, en citant le passage concerné. C'est souvent le premier projet que je recommande.

Préparer les réponses aux clients

Le système retrouve dans la base de réponses, les conditions générales et l'historique les éléments utiles, et prépare un brouillon que l'équipe valide avant envoi. Le temps de recherche disparaît, la décision reste humaine.

Croiser plusieurs sources

« Ce client a-t-il des factures en retard, et que prévoit son contrat en cas de retard ? » Ici, le RAG agentique prend tout son sens : l'agent interroge la comptabilité, puis le contrat, puis compose une réponse à partir des deux.

Analyser un dossier

Pour une fiduciaire ou un cabinet, un agent peut parcourir un dossier complet, en extraire les points d'attention et signaler les pièces manquantes. C'est un usage exigeant, qui demande une validation systématique par un professionnel.

Comment mettre en place un RAG avec n8n

n8n permet de construire un RAG sans développement lourd (si vous hésitez encore sur l'outil, voyez mon comparatif Make vs n8n vs Zapier). Sa documentation officielle décrit l'approche, et des modèles de workflows sont disponibles. Les briques principales :

1. Un workflow d'ingestion : il récupère les documents (dossier partagé, Google Drive, SharePoint), les découpe en fragments et les enregistre dans une base vectorielle comme Qdrant, Pinecone ou PGVector.
2. Un nœud d'agent IA connecté à un modèle de langage.
3. La base vectorielle branchée comme outil de l'agent : c'est l'agent qui décide quand l'interroger.
4. D'autres outils si nécessaire : une requête à la base de données, au CRM ou à une API.

Hébergé en Suisse, n8n garde la maîtrise de l'orchestration. Mais les documents transitent aussi par le modèle de langage et, selon la configuration, par le service de base vectorielle : ces choix font partie de la conception, surtout avec des données soumises à la nLPD.

Limites et risques à connaître

• Des documents de mauvaise qualité donnent de mauvaises réponses. Versions obsolètes, doublons, contradictions : un RAG ne corrige pas une documentation en désordre, il l'expose.
• Les hallucinations diminuent, mais ne disparaissent pas. La réponse doit citer ses sources, pour que l'utilisateur puisse vérifier.
• Le coût et la latence augmentent avec l'autonomie. Un agent qui enchaîne cinq recherches coûte environ cinq fois plus cher et répond plus lentement.
• Les droits d'accès doivent être respectés. Un collaborateur ne doit pas pouvoir obtenir, via l'assistant, un document qu'il n'aurait pas le droit d'ouvrir.
• L'autonomie doit être encadrée. Un agent qui peut agir (envoyer un e-mail, modifier une donnée) doit avoir des permissions limitées et des validations humaines.

Mon avis

Le RAG est aujourd'hui l'usage de l'IA le plus utile pour une PME, parce qu'il valorise un actif qu'elle possède déjà : sa documentation, ses procédures, ses réponses types.

En revanche, je déconseille de commencer par un RAG agentique. Un RAG classique, bien alimenté et qui cite ses sources, répond à la grande majorité des besoins, pour un coût et une complexité bien moindres. Je n'ajoute un agent que lorsque les questions exigent vraiment de croiser plusieurs sources.

Le vrai chantier est presque toujours le même : mettre de l'ordre dans les documents avant de les confier à une IA. C'est moins spectaculaire que l'architecture, mais c'est ce qui décide de la qualité des réponses.

Un agent IA n'a de valeur que branché sur vos propres données et vos outils. C'est ce que je mets en place dans mes missions d'automatisation IA et d'agents IA à Genève. Pour une vue d'ensemble, lisez aussi mon guide de l'automatisation d'entreprise par l'IA, et le glossaire de l'IA et de l'automatisation pour les termes techniques.

Sources utiles

• Lewis et al., Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks, 2020
• Yao et al., ReAct : Synergizing Reasoning and Acting in Language Models, 2022
• Singh et al., Agentic Retrieval-Augmented Generation : A Survey on Agentic RAG, 2025
• n8n Docs, RAG in n8n
• n8n Docs, AI Agent node