Les limites du RAG purement vectoriel
La recherche vectorielle classique découpe un document en blocs réguliers, puis calcule leur proximité de sens avec la question posée. En théorie, cela suffit à retrouver l'information. En pratique, sur des documents d'entreprise denses — rapports, fiches techniques, procédures —, l'approche échoue souvent : un bloc isolé perd son contexte, c'est-à-dire le projet, le client ou le système auquel il se rapporte.
L'étude publiée en décembre 2025 par Pranav Pushkar Mishra et son équipe aborde ce problème. Elle propose un cadre expérimental pour mesurer l'effet d'un enrichissement de ces blocs par des métadonnées produites par un modèle de langage avant leur indexation. source 1
Le protocole de test et les résultats
Les chercheurs ont monté une matrice expérimentale 3 × 3, croisant trois façons de découper un document — sémantique, récursive et naïve — avec trois façons de le représenter en vecteurs : le texte seul, une pondération TF-IDF, et la fusion d'un préfixe de contexte.
| Ce qui est mesuré | Résultat |
|---|---|
| Meilleure précision | 82,5 % — découpage récursif, vecteurs pondérés par TF-IDF |
| Meilleure qualité de classement (NDCG) | 0,813 — découpage naïf, fusion de préfixes |
| Latence au 95ᵉ centile | Moins de 30 ms |
| Méthode de validation | Reclassement par cross-encodeur servant de référence, et t-tests appariés corrigés de Bonferroni |
⚠️ Ces quatre valeurs sont celles du résumé de l'étude, seul document qui nous était accessible : le texte intégral n'a pas été lu, et rien n'est affirmé au-delà de ce que le résumé énonce. Le détail figure sous source 1.
Ce que cela change pour une PME marocaine
Ces chiffres confirment qu'injecter des métadonnées structurées — le type de document, l'entité concernée ou le résumé de la section parente en sont des exemples — dans les blocs vectoriels augmente nettement la précision du système, sans faire passer la latence au-dessus des 30 ms.
Pour un déploiement en production, cela signifie que l'effort technique ne porte pas d'abord sur le choix du modèle de langage, mais sur la qualité de l'indexation et sur la structuration des connaissances internes. Un RAG sans métadonnées reste un moteur de recherche approximatif ; un RAG enrichi devient un outil sur lequel une décision peut s'appuyer.
Ce que cet écrit ne traite pas
Tout ce qui précède porte sur l'indexation, c'est-à-dire sur ce qui se passe avant qu'une question soit posée. Les défaillances qui apparaissent après — le document qui ne remonte pas, celui que sa place dans le contexte fait rater, le contexte qui ne suffit pas — sont traitées dans l'écrit suivant, appuyé sur trois travaux lus en entier.
↩️ Repris le 22 août 2026. Seule cette section a été ajoutée, pour renvoyer vers l'écrit qui prolonge celui-ci. Aucune des affirmations ci-dessus n'a changé, et la source reste la même — un résumé, pas le texte complet.
Si vous voulez qu’un tel outil soit construit pour votre entreprise plutôt que lu, c’est le sujet de notre développement sur mesure.