Aussi appelé : RAG, Retrieval-Augmented Generation, génération augmentée par récupération
Le RAG associe une étape de recherche (retrieval) et une étape de génération. Le principe a été décrit dans un article de recherche de 2020 et s’est généralisé avec les assistants connectés au web. Sans RAG, un LLM ne connaît que ses données d’entraînement ; avec RAG, il lit des pages récentes et peut les citer.
Comment fonctionne le RAG ?
Trois étapes : l’IA formule des requêtes (le fan-out), récupère des pages dans un index (Bing, Google ou son propre index), puis place les passages utiles dans sa fenêtre de contexte pour rédiger. Les pages retenues apparaissent comme citations. Selon l’Observatoire Archipel (juillet-octobre 2026), 93 % des réponses de ChatGPT aux questions d’achat citent au moins une source.
Pourquoi c’est important pour les marques
Le RAG rend la visibilité IA pilotable : si l’IA lit le web au moment de répondre, publier la bonne page au bon endroit change la réponse en quelques jours ou semaines. Exemple : une marque ajoutée à un comparatif bien indexé peut apparaître dans les réponses de Perplexity peu après, sans attendre une nouvelle version du modèle.
Ce que fait Archipel
Tout le GEO d’Archipel s’appuie sur ce mécanisme : rendre vos pages trouvables et lisibles (technique), et vous placer dans les pages que le RAG récupère (autorité et citations).