Panorama 2026 : RAG agentique, offres managées, souveraineté
En 2026, la RAG n'est plus un simple pipeline « chercher puis répondre » : c'est la façon dont les assistants et les agents vont chercher vos connaissances. Le vrai choix porte moins sur l'outil que sur l'endroit où vivent vos données et sur qui les contrôle. Ce panorama recense les offres clés en main, les frameworks, les bases vectorielles et les briques (embeddings, reranking, parsing, graphes), avec leurs prix relevés en septembre 2026, et ce qui distingue une RAG solide d'une démo.
Un modèle de langage ne connaît que ce qu'il a vu pendant son entraînement. La RAG lui donne accès à vos documents au moment de la question, et permet de vérifier d'où vient la réponse.
▽ Encadré : d'où vient le mot « RAG »
Depuis 2024, quatre déplacements : l'agent planifie ses recherches, le deep research industrialise l'enquête, les fenêtres de contexte atteignent 1 million de tokens sans régler le problème, et MCP permet d'interroger les systèmes existants plutôt que de tout recopier.
Cinq familles, de l'offre « RAG en une API » à la brique d'évaluation. Prix et versions relevés le 18 septembre 2026 : ils changent presque chaque mois.
▽ Clé en main (RAG en une API) — 07 entrées
▽ Frameworks — 04 entrées
▽ Bases vectorielles — 06 entrées
▽ Briques : parsing, embeddings, reranking, graphes — 06 entrées
▽ Évaluation — 04 entrées
Le vrai arbitrage n'est pas technique : il porte sur le délai, le contrôle et l'endroit où vivent vos documents.
En production en quelques jours
Découpage, embeddings, index, reranking et citations sont fournis. Aucune base vectorielle à exploiter, aucun modèle d'embedding à choisir.
Un coût d'entrée très bas
0,15 $/M de tokens à l'indexation chez Gemini File Search, 1 Go de stockage gratuit chez OpenAI : une preuve de concept coûte quelques euros.
Des connecteurs déjà écrits
SharePoint, Confluence, Google Drive, OneDrive, ServiceNow, web crawler : côté Bedrock, la synchronisation planifiée est fournie.
Les fonctions avancées incluses
Recherche hybride, reranking et agentic retrieval arrivent par mise à jour de la plateforme, sans travail d'intégration.
Une exploitation qui n'est pas la vôtre
Disponibilité, montée en charge et mises à jour de modèles sont assurées par le fournisseur.
Vos documents restent chez vous
Une offre managée place vos documents chez le fournisseur. Une région UE ne suffit pas toujours : le Cloud Act s'applique aux entreprises américaines, même pour des données hébergées en Europe.
Une pile entièrement ouverte existe
Modèle ouvert (Mistral, Qwen, Llama, Gemma), embeddings ouverts (Qwen3-Embedding, BGE-M3), base auto-hébergée (pgvector, Qdrant, Milvus, Weaviate) et framework open source : rien d'indispensable ne manque.
Le contrôle fin du pipeline
Découpage adapté à vos documents, filtres de métadonnées liés à vos droits d'accès, reranker choisi, graphe si vos questions sont relationnelles : autant de réglages qu'une offre packagée ne propose pas.
Pas d'enfermement
Changer de modèle ou de base se fait sans réécrire l'application ; les documents et l'index restent des actifs internes.
Mais un vrai coût d'ingénierie
Il faut du temps de développement, de l'exploitation, un jeu d'évaluation et une personne qui maintient tout cela dans le temps. C'est le prix du contrôle.
▽ Aide à la décision
Cinq familles d'usages où la RAG a fait ses preuves, et un démonstrateur du CATIE sur un corpus réglementaire.
Un assistant branché sur la documentation produit, les FAQ et l'historique des tickets répond aux questions de premier niveau en citant la page exacte.
impact → Temps de résolution réduit, et réponses cohérentes avec la documentation officielle plutôt qu'avec l'habitude de chacun
Interroger en langage naturel des années de comptes rendus, de notes techniques et de procédures, sans savoir dans quel dossier chercher.
impact → Capitalisation réelle des connaissances, y compris celles des personnes parties, avec un contrôle d'accès aligné sur les droits existants
Code, normes, conventions collectives, référentiels qualité : des textes stables, structurés, découpés en articles, et dont la citation exacte fait foi.
impact → Le terrain le plus favorable à la RAG : la réponse doit pointer l'article, et la traçabilité est l'exigence principale
Rapports annuels, publications scientifiques, données de marché : les modes deep research enchaînent les recherches et rendent une synthèse sourcée.
impact → Des heures de lecture économisées, à condition de vérifier les sources citées avant d'en faire un livrable
Un tuteur adossé aux supports de cours d'un établissement, ou un assistant d'intégration adossé aux procédures internes d'une entreprise.
impact → Des explications ancrées dans les supports réels de l'organisation, et non dans la culture générale du modèle
▽ Encart : ce que disent les chiffres d'adoption
Le pipeline de 2023 (découper, vectoriser, top-k) fonctionne en démonstration et déçoit en production. Six points font la différence.
▽ Aller plus loin : mise en œuvre, coûts, exploitation
Repères d'ingénierie — septembre 2026
Choisir un modèle d'embedding. Le classement MTEB (plus de 100 tâches, multilingue) est utile pour dégrossir, et ses modèles de tête sont de gros modèles ouverts ou propriétaires. Il ne remplace pas un test sur votre propre corpus : un modèle de 0,6 milliard de paramètres bien choisi (Qwen3-Embedding-0.6B, BGE-M3) suffit très souvent, et se garde en interne. Deux critères l'emportent sur le rang : le multilingue réel sur vos langues, et la taille de vecteur que votre base peut absorber. Les nouveautés 2026 sont multimodales (Gemini Embedding 2) ou modulaires (Voyage 4, dont les tailles partagent un même espace d'embedding : indexer avec le gros modèle, interroger avec le petit).
Choisir un modèle de génération. Pas de nom de modèle ici : ils changent tous les trimestres. Le critère utile est stable — un modèle récent à long contexte, capable d'appeler des outils, et dont la juridiction d'hébergement convient à votre corpus. Les familles à poids ouverts (Mistral, Qwen, Llama, Gemma) permettent un déploiement entièrement interne. Voir les pages « Chatbots IA » et « Évolutions des LLMs » pour l'état du marché.
Ne pas écrire le pipeline à la main. Les tutoriels officiels sont la seule référence qui reste à jour : « RAG » dans la documentation LangChain, « starter » chez LlamaIndex, « first RAG pipeline » chez Haystack. Les exemples de code qui circulent depuis 2023 ne s'exécutent plus : LangChain 1.x a déplacé les anciennes chaînes dans le paquet langchain-classic, LlamaIndex a supprimé ServiceContext depuis la v0.10, et les modèles OpenAI que ces exemples appellent (gpt-3.5-turbo, gpt-4-turbo) ferment le 23 octobre 2026.
Ordre de grandeur des coûts. L'indexation est le poste le moins cher : chez OpenAI, text-embedding-3-small coûte 0,02 $ par million de tokens (3-large : 0,13 $) — un corpus de quelques millions de mots s'indexe pour moins d'un euro. L'ancien ada-002, encore tarifé 0,10 $/M, n'est pas déprécié mais vieillissant : il n'y a plus de raison de le choisir. Le stockage vectoriel va de gratuit (pgvector sur une base existante, offres d'entrée de Qdrant ou Weaviate) à quelques dizaines de dollars par mois. La génération domine la facture en régime permanent, et la RAG agentique la multiplie : un système multi-agents consomme environ quinze fois plus de tokens qu'une conversation simple.
Exploitation. Mettre en cache les passages et les réponses fréquentes ; prévoir une réindexation incrémentale plutôt qu'un rechargement complet ; tracer chaque requête (passages récupérés, prompt final, réponse) pour pouvoir expliquer une mauvaise réponse ; surveiller la latence de la recherche, qui se dégrade avec le volume et avec le reranking. Côté sécurité, les passages récupérés sont du contenu non fiable qui entre dans un prompt : l'injection de prompt par document piégé est un risque réel, comme le contrôle d'accès appliqué trop tard dans la chaîne.
Sans jeu de questions de référence, on ne sait pas si un changement améliore ou dégrade le système. Les métriques se séparent en deux familles : la récupération et la génération.
▽ Vigilance
Le mot d'ordre de 2025-2026 : l'essentiel n'est plus de bien formuler le prompt, mais de choisir ce qui entre dans le contexte.
Le CATIE conçoit et déploie des RAG sur mesure, y compris entièrement sur site.
▽ Pour approfondir en vidéo
Deux vidéos en français sur les fondamentaux de la RAG. Elles décrivent la RAG « classique » — celle du chapitre 01 — et non les boucles agentiques du chapitre 02.
Une vidéo de vulgarisation sur la façon dont la RAG réduit les hallucinations des modèles génératifs, en ancrant leurs réponses dans des sources réelles.
YouTube — chaîne Shubham SHARMA
Une courte introduction au concept de RAG et à ses enjeux, dans un format accessible.
YouTube — Parlons IA avec Louis-François Bouchard
▽ CATIE
Le CATIE accompagne les entreprises et les collectivités dans la conception et le déploiement de solutions RAG sur mesure. Nos experts vous aident à :
Un cas d'usage du CATIE : KatIA
KatIA est un démonstrateur de RAG appliqué à un corpus réglementaire : il répond à des questions sur le code de la route français en s'appuyant sur une base de connaissances structurée. Un bon exemple du terrain le plus favorable à la RAG — un texte stable, découpé en articles, dont la citation exacte fait foi.
Des repères de 2020-2025 encore cités sur le sujet, mais dépassés, fermés ou trompeurs.
▽ Repères dépassés (archive)
Encore cités sur le sujet, mais périmés ou trompeurs
« Hugging Face RAG » comme outil de prototypage. L'implémentation DPR + BART de la bibliothèque Transformers est le modèle de recherche d'origine (Lewis et al., NeurIPS 2020) qui a donné son nom à la RAG. Elle a une valeur historique, mais ne constitue pas un point de départ en 2026 : les frameworks actuels ou les offres managées font le même travail en quelques lignes.
Les fenêtres de contexte « 4k, 8k, 32k, 128k ». Ce repère décrivait l'état de 2023-2024. Les modèles de pointe offrent désormais jusqu'à 1 million de tokens par défaut (derniers Claude et Gemini), et les modèles courants 128 à 200 k. Mais plus de contexte ne veut pas dire meilleure réponse : la dégradation avec la longueur (*context rot*) a été mesurée sur 18 modèles en juillet 2025.
Les exemples de code de 2023. Les extraits LangChain (from langchain.document_loaders …, RetrievalQA) et LlamaIndex (from llama_index import …, ServiceContext) que l'on trouve encore partout ne s'exécutent plus : LangChain 1.x a déplacé les anciennes chaînes dans langchain-classic, LlamaIndex a supprimé ServiceContext depuis la v0.10 au profit de Settings, et les imports passent par llama_index.core. Les modèles OpenAI qu'ils appellent (gpt-3.5-turbo, gpt-4-turbo) ferment le 23 octobre 2026. Se référer aux tutoriels officiels, qui sont maintenus.
text-embedding-ada-002. Souvent présenté comme déprécié, il ne l'est pas chez OpenAI au 18 septembre 2026 : il reste tarifé (0,10 $/M de tokens). Il est simplement ancien (décembre 2022) et moins bon, et cinq fois plus cher que text-embedding-3-small (0,02 $/M). Chez Azure, un calendrier de retrait propre existe. Aucune raison de le choisir pour un nouveau projet.
jina-reranker-v1. Périmé comme référence de reranking. Les rerankers actuels sont Cohere Rerank 4.0 (pro / fast), Qwen3-Reranker (poids ouverts), et les modèles Voyage ou Jina — Jina AI ayant rejoint Elastic en octobre 2025.
L'Assistants API d'OpenAI. Fermée le 26 août 2026. Le *file search* et les vector stores passent désormais par la Responses API. De même, « Azure Cognitive Search » est l'ancien nom d'Azure AI Search, et « Vertex AI Search » celui de RAG Engine / Agent Search dans la plateforme renommée Gemini Enterprise Agent Platform le 22 avril 2026.
« La RAG est morte, vive le long contexte. » Argument récurrent depuis 2024, démenti par la pratique : le coût, la fraîcheur des documents, la traçabilité des sources et la dégradation mesurée sur les longs contextes maintiennent la récupération indispensable. La bonne question n'est pas « RAG ou long contexte » mais « quelle part du corpus doit entrer dans le prompt, et quelle part doit être cherchée ».