Le RAG agentique est une génération augmentée par récupération (RAG) dans laquelle des agents IA planifient, récupèrent, vérifient et récupèrent à nouveau des informations avant de générer une réponse. Le RAG traditionnel, en revanche, exécute un seul passage fixe de type « récupérer puis générer ».
Les grands modèles de langage (LLM) sont devenus de puissants outils pour interpréter le langage naturel et générer des réponses proches de celles d'un humain — mais ils présentent encore des limites. Plus particulièrement, ils ne peuvent pas accéder à des connaissances en temps réel ou spécifiques à une organisation, à moins que ces données ne fassent déjà partie de leur entraînement.
La génération augmentée par récupération (RAG) est l'une des solutions à ce problème. En combinant les capacités de génération des LLM avec une récupération dynamique de données à partir de sources fiables, le RAG permet d'obtenir des réponses plus précises et plus à jour.
Mais à mesure que les tâches et les requêtes se complexifient, même les systèmes RAG traditionnels peuvent montrer leurs limites. C'est là qu'intervient le RAG agentique — une approche qui intègre des agents IA autonomes dans le pipeline de récupération pour permettre un raisonnement plus poussé, un routage plus intelligent et des workflows plus adaptatifs. Glean Agents applique cette approche au travail réparti dans les applications de votre entreprise.
Qu'est-ce que le RAG agentique ?
Le RAG agentique est une extension de la génération augmentée par récupération. Il améliore les systèmes RAG traditionnels en intégrant des agents IA — des composants autonomes qui prennent des décisions, planifient des actions et se coordonnent avec des outils ou d'autres agents en temps réel. Une étude de 2025 réalisée par Singh et al. le décrit comme l'intégration d'agents autonomes dans le pipeline RAG, en y ajoutant la réflexion, la planification, l'utilisation d'outils et la collaboration multi-agents.
Ces agents ne suivent pas un workflow rigide et prédéfini. Au lieu de cela, ils évaluent dynamiquement ce qui est nécessaire pour chaque tâche — en déterminant quelles sources interroger, comment affiner le contexte et comment séquencer les étapes pour générer une réponse précise et utile.
Cela fait du RAG agentique une solution mieux adaptée aux workflows complexes et multi-étapes qui exigent nuance, expertise métier et adaptabilité.
En quoi le RAG agentique diffère du RAG traditionnel
Le RAG traditionnel suit généralement une séquence statique : récupérer des documents, les transmettre au LLM, puis générer une réponse. Cela fonctionne bien pour des requêtes simples, mais peut montrer ses limites lorsque le contexte est flou ou que la tâche implique un raisonnement sur plusieurs systèmes.
Le RAG agentique introduit une approche plus flexible et plus intelligente. Les agents peuvent :
- Adapter la récupération en temps réel en fonction de ce qu'ils trouvent (ou ne trouvent pas).
- Valider et affiner le contexte en interrogeant à nouveau ou en explorant d'autres sources.
- Décomposer des tâches complexes en sous-tâches et les assigner à d'autres agents.
- Puiser dans plusieurs systèmes plutôt que de s'appuyer sur une seule base de connaissances.
En bref, le RAG agentique ne se contente pas de récupérer des informations — il raisonne tout au long du processus, en adaptant l'approche à la tâche à accomplir.
Le RAG traditionnel reste le bon choix pour des recherches rapides et directes.
Comment les agents IA améliorent-ils le RAG ?
Les agents IA apportent prise de décision et spécialisation au pipeline de récupération. Plutôt que d'extraire les données à l'aveugle, ils agissent davantage comme des collaborateurs — en décidant quelles actions entreprendre et à quel moment.
Par exemple, si quelqu'un demande : « Résume ce contrat et signale tout ce qui enfreint notre politique d'approvisionnement », un système RAG agentique pourrait :
- Utiliser un agent pour extraire les clauses clés du contrat.
- En utiliser un autre pour récupérer les politiques d'approvisionnement dans votre wiki interne.
- En utiliser un troisième pour comparer et mettre en évidence les conflits.
- Résumer les résultats dans un langage clair en vue d'une relecture.
Parce que chaque agent peut se spécialiser dans un domaine ou une tâche spécifique, le système peut évoluer plus efficacement d'un cas d'usage à l'autre — et fournir des résultats de meilleure qualité. Glean Agents, bâti sur l'architecture de raisonnement agentique de Glean, décompose des requêtes comme celle-ci en étapes et utilise la recherche comme outil à chaque étape. Les réponses restent ancrées dans les connaissances de l'entreprise et dans les autorisations existantes.
Comment fonctionne le RAG agentique, étape par étape
Le RAG agentique fonctionne comme une boucle. Le système planifie la requête, achemine chaque sous-question vers la bonne source, évalue ce qui revient et récupère à nouveau lorsque le contexte est insuffisant. Une fois que les éléments probants tiennent la route, le système génère une réponse sourcée.
- Planifier. Le système interprète la requête et la décompose en sous-questions. Il reformule les requêtes en s'appuyant sur ce qu'il sait des sources disponibles.
- Acheminer et récupérer. Chaque sous-question est dirigée vers la meilleure source ou le meilleur outil, comme un index, une API ou une base de données. La récupération applique les autorisations tout au long du processus.
- Évaluer. Le système vérifie si le contexte récupéré est pertinent et suffisant. Le RAG correctif formalise cette vérification à l'aide d'un évaluateur de récupération dédié.
- Affiner ou récupérer à nouveau. Si le contexte est faible, le système reformule la requête, essaie une autre source ou appelle un autre outil.
- Générer et citer. Le LLM rédige la réponse à partir du contexte rassemblé et y joint des citations afin que chacun puisse la vérifier.
L'architecture de raisonnement agentique de Glean s'appuie sur sa conception RAG initiale en trois étapes : planifier, récupérer et générer. Lors des premières recherches internes de Glean, rapportées en novembre 2024 sans référence de base publiée, la nouvelle architecture a augmenté de 24 % la pertinence des réponses et des actions.
Glean a également identifié une limite que la plupart des explications omettent. Lors des tests de Glean sur une boucle d'auto-réflexion ouverte, les LLM n'ont pas pu vérifier de manière fiable si une réponse figurait dans les données indexées. La boucle s'est alors emballée.
La solution pratique consiste à plafonner les itérations et à acheminer les questions simples vers la recherche. Dans l'architecture de raisonnement agentique de Glean, des sous-agents exécutent chaque étape planifiée et choisissent des outils tels que la recherche, l'analyse de données et la recherche d'experts. Les questions simples passent directement par la recherche pour obtenir une réponse rapide.
Principaux avantages du RAG agentique par rapport au RAG traditionnel
Des réponses plus intelligentes et plus pertinentes
Les agents itèrent sur la récupération jusqu'à obtenir le bon contexte — améliorant ainsi la qualité et la précision du résultat final.
Conçu pour la complexité
Les systèmes agentiques peuvent gérer des tâches à plusieurs niveaux de bout en bout, comme l'analyse de contrats, la mise en évidence de tendances dans les notes de vente ou la prise en charge de workflows d'assistance multi-étapes.
Évolutif et modulaire
Besoin de puiser dans un nouveau système ou de vous étendre à un nouveau domaine ? Le RAG agentique vous permet d'ajouter de nouveaux agents ou outils sans réécrire l'intégralité du pipeline.
Ancré dans des connaissances en temps réel
En se connectant directement aux outils et aux données que vos équipes utilisent, l'agentic RAG fournit des réponses basées sur des informations en temps réel — et non sur des instantanés obsolètes. La récupération doit également respecter les autorisations existantes de chaque système, afin que les agents n'utilisent que ce que la personne qui fait la demande est autorisée à voir. Glean applique ces autorisations sur l'ensemble de ses 275 connecteurs et plus, de sorte que les réponses ne reflètent que ce à quoi chaque personne peut accéder.
Architecture et composants de l'agentic RAG
Les systèmes d'agentic RAG reposent sur des composants modulaires qui collaborent pour récupérer, raisonner et répondre. Ils comprennent :
Agents routeurs
Ceux-ci évaluent la tâche et déterminent la meilleure source ou le meilleur outil à interroger — agissant comme des contrôleurs de trafic dans les implémentations simples.
Systèmes multi-agents
Dans des configurations plus complexes, les agents se spécialisent dans la récupération à partir de systèmes spécifiques ou dans la gestion de domaines particuliers. Un agent médiateur coordonne leurs efforts et garantit que la tâche globale est menée à bien.
Agents de planification et de raisonnement
Ceux-ci décomposent les requêtes des utilisateurs, décident des séquences de tâches et identifient les cas limites potentiels — permettant une analyse plus approfondie et plus de flexibilité.
Composants de support
- Les LLM ancrés dans la connaissance génèrent des réponses sensibles au contexte.
- Les référentiels vectoriels permettent une récupération rapide et précise.
- Les interfaces d'outils (API) connectent les agents à des systèmes internes tels que les CRM, les outils de ticketing ou les bases de données.
- La mémoire des agents garde une trace des étapes passées et du contexte partagé entre les tâches.
- Les évaluateurs notent le contexte récupéré en fonction de sa pertinence et déclenchent une nouvelle requête lorsqu'il est insuffisant.
Modèles courants d'agentic RAG
Plusieurs techniques publiées façonnent la manière dont les systèmes d'agentic RAG récupèrent et vérifient les résultats. L'étude de Singh et al. classe le RAG correctif et adaptatif parmi les architectures agentiques.
- Self-RAG : un modèle est entraîné à récupérer à la demande et à critiquer sa propre production à l'aide de jetons de réflexion (Asai et al., 2023). Le comportement est appris lors de l'entraînement.
- RAG correctif (CRAG) : un évaluateur de récupération léger note les documents et déclenche des actions correctives, telles qu'une recherche sur le web, lorsque la qualité est faible (Yan et al., 2024).
- RAG adaptatif : un petit classificateur prédit la complexité de la requête et choisit l'absence de récupération, une récupération en une seule étape ou en plusieurs étapes (Jeong et al., NAACL 2024).
- Routage agentique et planification des requêtes : les agents routeurs et de planification, évoqués ci-dessus, décident où chercher et dans quel ordre. L'étude considère le routage comme un modèle de workflow.
Ces modèles peuvent être combinés, et les systèmes d'entreprise mêlent généralement le routage à une itération bornée. Comme Glean l'a décrit fin 2024, son architecture de raisonnement agentique suit cette combinaison. Une vérification heuristique arbitre entre la recherche et la voie agentique, qui réfléchit, planifie et exécute.
Applications et cas d'usage
Les systèmes d'agentic RAG sont particulièrement utiles dans les environnements d'entreprise où la connaissance est fragmentée entre les systèmes. Les applications courantes comprennent :
Automatisation des workflows et support à la connaissance
Aidez les collaborateurs à obtenir instantanément des réponses adaptées à leur contexte — sans avoir à chercher dans cinq outils ou à solliciter un collègue.
Un ticket d'assistance en est un bon exemple. L'agent doit comprendre le problème du client, rechercher dans la documentation en gardant ce problème à l'esprit, synthétiser ce qu'il trouve et rédiger une réponse. L'architecture de raisonnement agentique de Glean planifie ces étapes, et des sous-agents réalisent chacune d'elles à l'aide d'outils comme la recherche.
Résumé et analyse de documents
Les équipes juridiques, des ressources humaines ou financières peuvent utiliser l'agentic RAG pour extraire les points clés de documents denses et les aligner sur les politiques internes.
Résultats personnalisés
Faites remonter des informations adaptées au rôle, à l'équipe ou à l'activité passée d'une personne — améliorant ainsi l'expérience de la recherche interne ou des assistants IA. Glean Assistant adapte les résultats au rôle et aux priorités de chaque personne.
Recherche et découverte
Permettez aux équipes produit ou stratégie d'extraire des insights de plusieurs jeux de données sans effectuer des dizaines de recherches manuelles.
Défis et compromis de l'agentic RAG
L'agentic RAG est un choix de conception qui a un coût réel en temps, en jetons et en complexité. De nombreuses questions n'en ont pas besoin, et un pipeline de RAG traditionnel bien réglé y répond plus rapidement.
- Latence et coût : chaque étape de planification, passe de récupération et appel d'outil ajoute des jetons et du temps d'attente.
- Contrôle des boucles : les agents peuvent trop itérer ou se bloquer lorsqu'ils ne parviennent pas à confirmer l'existence d'une réponse. Limitez les itérations et prévoyez des solutions de repli, comme le retour à la recherche.
- Évaluation plus difficile : vous devez mesurer chaque étape de récupération ainsi que la réponse finale.
- Gouvernance et autorisations : les agents qui agissent entre les systèmes augmentent les enjeux liés au contrôle d'accès. Un seul appel d'outil surautorisé peut exposer des données que le demandeur ne devrait pas voir.
Une étude de 2026 a chiffré ce compromis. Dans sa configuration, l'agentic RAG a utilisé environ 3,3 fois plus de jetons d'entrée et 1,5 fois plus de temps qu'un RAG amélioré de référence. La même étude a révélé qu'un pipeline plus simple bien optimisé peut égaler, voire dépasser, les performances agentiques.
Gartner a prédit en juin 2025 que plus de 40 % des projets d'IA agentique seront abandonnés d'ici la fin de 2027. Il cite l'escalade des coûts, une valeur commerciale floue ou des contrôles des risques inadéquats. Cette prédiction concerne l'IA agentique au sens large, et Gartner ajoute que de nombreux cas d'usage présentés comme agentiques ne nécessitent pas de mises en œuvre agentiques.
Comme Glean l'a décrit fin 2024, une vérification heuristique arbitre entre la recherche et la voie agentique, réservant le raisonnement agentique aux requêtes complexes et à plusieurs étapes. Ce routage permet aux réponses simples de rester rapides. Dans les tests de questions-réponses en domaine ouvert de l'étude sur le RAG adaptatif (avec GPT-3.5), le routage par complexité des requêtes a égalé la précision des approches multi-étapes en moins de la moitié du temps.
Mettre en œuvre des systèmes d'agentic RAG
Déployer un système d'agentic RAG nécessite bien plus que de simplement brancher un LLM. Cela exige une infrastructure réfléchie, une coordination fiable et les bonnes intégrations.
Voici ce qui est essentiel :
Ancrage du modèle de langage
Utilisez un LLM capable de suivre des instructions, de référencer du contenu externe et de rester aligné sur la connaissance et la voix de votre entreprise.
Infrastructure de données
Choisissez des systèmes de récupération qui permettent un accès rapide, précis et respectueux des autorisations — y compris des bases de données vectorielles et des stratégies d'indexation qui reflètent le fonctionnement de votre organisation. Indexez ensemble les contenus, les activités et les données d'identité afin que la récupération applique les autorisations des systèmes sources avant que quoi que ce soit n'atteigne le LLM.
Filtrer après la génération, c'est trop tard, car le LLM a déjà vu le contenu restreint. L'index respectueux des autorisations de Glean et son Graphe d'entreprise relient les personnes, les contenus et les activités tout en respectant les autorisations de chaque application.
Orchestration des agents
Utilisez un framework qui prend en charge la collaboration entre agents, la mémoire et la logique de repli. Ainsi, le système peut gérer aussi bien les parcours de réussite que les cas limites.
Intégration des outils
Les agents doivent être en mesure d'accéder aux informations des systèmes que vos équipes utilisent chaque jour et d'agir dessus — y compris les wikis, les CRM, les outils de ticketing et les entrepôts de données.
Observabilité et garde-fous
Pour maintenir la fiabilité à grande échelle, les systèmes agentiques ont besoin de journalisation, de surveillance des performances et de moyens de récupérer en douceur en cas de problème.
Évaluez séparément la récupération (le système a-t-il bien récupéré les bons documents ?) et la génération (la réponse les a-t-elle utilisés fidèlement ?). Des évaluateurs basés sur des LLM peuvent faire passer ce travail à l'échelle, et Glean les utilise pour évaluer les réponses de Glean Assistant sur ces deux aspects.
La prochaine étape pour l'IA d'entreprise
Le RAG agentique change la façon dont l'IA peut soutenir le travail réel. En transformant la récupération passive en raisonnement actif, les systèmes agentiques vont au-delà des réponses aux questions — ils aident à résoudre les problèmes.
Le RAG agentique s'adapte, collabore et planifie — permettant à l'IA de fonctionner davantage comme un coéquipier que comme un outil.
Pour les organisations qui cherchent à déployer l'IA à grande échelle de manière responsable et efficace, ce modèle ouvre une voie. Commencez par les workflows multi-étapes et inter-systèmes où le RAG en une seule passe atteint ses limites, et laissez les recherches simples à la recherche classique.
Si c'est le type d'avenir de l'IA que vous construisez, le RAG agentique mérite d'être exploré. Demander une démo pour découvrir comment Glean peut transformer votre environnement de travail.
Questions fréquentes
Quelle est la différence entre le RAG et le RAG agentique ?
Le RAG traditionnel récupère le contexte une seule fois, puis génère une réponse. Le RAG agentique ajoute des agents IA qui planifient, vérifient les résultats et effectuent de nouvelles récupérations sur plusieurs sources avant de répondre.
Quels sont les principaux composants d'un système de RAG agentique ?
La plupart des systèmes de RAG agentique combinent un LLM, une couche de récupération telle qu'un index ou un magasin de vecteurs, et des agents pour le routage, la planification et les tâches spécialisées. Des interfaces d'outils, une mémoire et un évaluateur complètent le système.
Le RAG agentique est-il toujours meilleur que le RAG traditionnel ?
Non. Le RAG agentique coûte plus de temps et de tokens, alors utilisez-le pour les questions multi-étapes ou inter-systèmes et réservez la récupération en une seule passe aux recherches simples.
Comment le RAG agentique réduit-il les hallucinations ?
Le RAG agentique évalue le contexte récupéré et effectue de nouvelles requêtes lorsque les preuves sont faibles. Il cite également ses sources afin que les utilisateurs puissent vérifier la réponse, même si aucune conception de RAG n'élimine totalement les hallucinations.
Comment le RAG agentique gère-t-il les autorisations de données ?
La récupération doit appliquer les autorisations de chaque système source avant qu'un contenu n'atteigne le LLM. Glean respecte vos autorisations existantes et renvoie des réponses basées uniquement sur ce que vous êtes autorisé à voir.
