Agents IA & automatisation6 novembre 2026

RAG agentique : quand transformer la recherche en outil activable par un agent

Un RAG classique suit une séquence figée. Dès qu'il faut raisonner en plusieurs étapes ou choisir ses sources, un agent qui invoque la recherche comme un outil devient pertinent.

La plupart des équipes qui mettent un assistant en production partent d'un pipeline RAG standard : une requête utilisateur, une recherche vectorielle, un prompt assemblé, une réponse. C'est simple, prévisible, et cela suffit à beaucoup de cas d'usage. Mais dès qu'on ajoute du raisonnement multi-étapes, plusieurs sources hétérogènes ou la nécessité de déclencher des actions, cette architecture atteint ses limites. C'est précisément là que la notion d'agent, et de RAG agentique, prend un sens opérationnel pour un CTO.

Ce que fait réellement un RAG standard

Dans un RAG classique tel que décrit par la documentation d'architecture Azure, l'orchestrateur suit une séquence fixe : il reçoit la requête, lance une recherche sur un index, assemble le contexte et appelle le modèle de langage. Il ne décide pas s'il faut chercher, dans quel index, ni combien d'étapes de récupération réaliser. Ces choix sont faits au moment de la conception (Microsoft Learn).

Ce modèle fonctionne bien quand une requête correspond à une recherche unique sur un index unique. FAQ produit, assistance interne sur une base documentaire homogène, résumé contextualisé : la séquence figée est un avantage, pas une limite. Elle rend le système testable et son coût prévisible.

Quand la séquence figée ne suffit plus

La même documentation identifie plusieurs scénarios qui dépassent ce qu'un pipeline fixe peut traiter : le raisonnement multi-étapes, la sélection dynamique de la source, la décomposition de requête à l'exécution, et la combinaison de la récupération avec des actions. Dans ces cas, Microsoft recommande de considérer le RAG agentique, dans lequel un agent IA traite la récupération comme un outil qu'il peut invoquer à la demande (Microsoft Learn).

La nuance est importante. Dans un RAG standard, la recherche est une étape obligatoire. Dans un RAG agentique, elle devient un outil parmi d'autres, que l'agent choisit d'appeler — ou pas — selon la requête. Cela ouvre la porte à des décisions comme : interroger un index juridique plutôt qu'un index technique, enchaîner deux recherches dont la seconde dépend du résultat de la première, ou renoncer à chercher parce que la question ne requiert pas d'information externe.

Les conséquences architecturales

Passer d'un pipeline fixe à un agent change plusieurs choses pour l'équipe technique :

  • La latence devient variable. Un agent peut décider de faire une, trois ou cinq recherches. La distribution du temps de réponse s'élargit et les budgets de latence doivent être pensés en percentiles, pas en moyenne.
  • Le coût d'inférence devient moins prévisible. Chaque étape de raisonnement consomme des tokens. Un plafond explicite (nombre maximum d'appels d'outils, timeout global) devient une contrainte d'architecture, pas une option.
  • L'évaluation se complique. Les métriques d'un RAG standard — groundedness, complétude, utilisation, pertinence rappelées dans le guide Azure — restent utiles, mais il faut y ajouter des évaluations sur la trajectoire de l'agent : a-t-il choisi le bon outil ? S'est-il arrêté au bon moment ?
  • L'observabilité doit tracer les décisions. Logger la requête et la réponse ne suffit plus. Il faut capturer la chaîne d'appels d'outils, leurs arguments et leurs résultats intermédiaires.

Un critère de décision simple

Avant d'adopter une architecture agentique, posez-vous la question dans l'autre sens : vos requêtes utilisateurs tiennent-elles majoritairement dans une recherche sur un index ? Si oui, un RAG standard bien instrumenté sera plus robuste, moins cher à exploiter, et plus facile à faire évoluer. L'autonomie de l'agent n'a d'intérêt que si elle résout un problème que la séquence fixe ne sait pas résoudre.

Inversement, si vos cas d'usage incluent régulièrement plusieurs sources à arbitrer, des questions qui se décomposent, ou le besoin d'enchaîner recherche et action dans un système tiers, la rigidité du pipeline standard devient un plafond. L'approche agentique n'est alors pas un choix de modernité, mais une réponse à une contrainte fonctionnelle.

Préparer la bascule sans tout refaire

Un point souvent sous-estimé : la qualité d'un RAG agentique dépend d'abord de la qualité de ses outils de récupération. Si l'index sous-jacent est mal découpé, mal enrichi ou mal embarqué, donner à l'agent la liberté de l'interroger plusieurs fois ne corrigera rien. Le guide Azure consacre plusieurs phases à ces choix — stratégie de chunking, enrichissement des chunks, choix du modèle d'embedding, configuration de l'index — qui restent valables, voire plus critiques, dans une architecture agentique (Microsoft Learn).

Une trajectoire raisonnable consiste donc à stabiliser d'abord un RAG standard, à mesurer sur quels types de requêtes il échoue, et à n'introduire l'agent que là où ces échecs correspondent effectivement aux scénarios que l'approche agentique sait traiter : multi-étapes, sélection dynamique de source, décomposition, actions. Cela évite de payer la complexité d'un agent pour des gains marginaux.

Si vous souhaitez discuter de l'architecture adaptée à vos cas d'usage, nos services couvrent la conception et l'évaluation de solutions RAG et agentiques ; vous pouvez nous contacter pour cadrer une première analyse.

Sources

Partager cet article

Lire aussi