Fiche concept

Ancrage et RAG (génération augmentée par récupération)

À jour au 2026-07-24T14:00:00Z

Édité par Cédric-Olivier Mâry, éditeur et directeur de la publication — 27 ans d'écosystème SAP. Comment ces pages sont produites, et où intervient l'automatisation.

Qu'est-ce que Ancrage et RAG (génération augmentée par récupération) ?

Sans ancrage RAG, les LLM hallucinent avec assurance sur des données pouvant dater de 18 mois — avec lui, chaque réponse de Joule remonte à une chaîne de citation qui répond en 30 secondes au « d'où vient cette réponse ? » de l'auditeur.

Ce que c'est

La génération augmentée par récupération, RAG, est le motif architectural qui ancre les réponses d'un grand modèle de langage dans des données d'entreprise récupérées, plutôt que de s'appuyer uniquement sur ce que le modèle a mémorisé pendant son entraînement. Le flux est simple à décrire même si l'ingénierie sous-jacente ne l'est pas : un utilisateur pose une question, une couche de récupération va chercher les documents ou enregistrements pertinents dans un corpus, ce contexte récupéré est placé aux côtés du prompt de l'utilisateur, le modèle génère une réponse contrainte par ce qu'on vient de lui montrer, et des citations relient la réponse aux enregistrements source dont elle est issue. Pour l'analytique SAP, le RAG est le socle sur lequel repose la capacité d'ancrage de Joule et le véritable élément différenciant face aux alternatives du type « ChatGPT pointé sur vos fichiers » qui font l'impasse sur la couche de gouvernance.

Les cinq composants

Pourquoi c'est important

La récupération structurée sur les Analytic Models Datasphere, la récupération documentaire et la traversée du Knowledge Graph sont trois sources RAG distinctes que la plupart des déploiements Joule en production combinent, pas un mécanisme unique.
La chaîne de citation est ce qui transforme une réponse LLM en artefact auditable — sans elle, une réponse plausible et une réponse correcte sont indiscernables pour l'utilisateur métier.
Le reclassement (une étape cross-encoder optionnelle) affine les segments top-K récupérés — le sauter sur des requêtes à fort enjeu risque de nourrir le LLM avec un contexte presque bon mais faux.

Points clés

Cinq composants : indexation · récupération · reclassement · génération · citation.
Trois sources SAP : Datasphere AM · documents · Knowledge Graph.
Taille de chunk 500-1500 tokens ; Top-K 5-10 avec reclassement.
Citations obligatoires — leur absence va à l'encontre de l'objectif du grounding.
LLM résident EEE pour les données personnelles UE + SCC + TIA au titre de Schrems-II.
Coût par requête $0.01-0.05 ; tenant ~$7.5k/an typique.
Ré-indexation à chaque release du système source + delta nocturne.
Fusion Knowledge Graph + RAG signalée à 12-24 mois.
Grounding & RAG (Retrieval-Augmented Generation) n'est maîtrisé que lorsqu'il change une décision d'achat identifiée.
Commencer par le contrat sémantique et le modèle de contrôle avant de démontrer l'outil.

Termes employés sur cette page

RAG (Retrieval-Augmented Generation): Pattern LLM ancrant les réponses dans des données d'entreprise récupérées plutôt que dans le rappel des données d'entraînement.
Vector store: Base d'embeddings sémantiques indexant le corpus. Permet la récupération par similarité.
Embedding: Représentation vectorielle numérique d'un texte (ou d'un autre contenu) capturant le sens sémantique.
Top-K retrieval: Récupération des K chunks les plus similaires au moment de la requête. Optimum entre 5 et 10 avec re-ranking.
Cross-encoder re-ranking: Scoring optionnel de second niveau affinant le top-K. Fort ROI sur la qualité du top-3.
Citation chain: Chaîne de pointeurs auditable de la réponse jusqu'aux documents/enregistrements source consommés.
Hybrid retrieval: Combinaison de BM25 (lexical) + vecteur dense (sémantique) pour un rappel plus large.
Agentic-RAG: Récupération multi-hop avec raisonnement piloté par LLM entre les récupérations. Pattern en preview.

Sources

Fiche complète réservée aux abonnés. Ce que la fiche complète ajoute : le cadre de décision complet · la comparaison SAP · Snowflake · Databricks · Fabric · les pièges courants et leur correctif · l'aide-mémoire · les schémas d'architecture · les blocs de code · les chiffres à citer.

Ouvrir dans l'application →

Ancrage et RAG (génération augmentée par récupération)

Qu'est-ce que Ancrage et RAG (génération augmentée par récupération) ?

Ce que c'est

Les cinq composants

Pourquoi c'est important

Points clés

Termes employés sur cette page

Sources

Concepts liés

Modules d'académie associés

Études approfondies

Guides SAP analytics & TJM