Comprendre la recherche moderne : du BM25 à l’IA générative (RAG)
Et pourquoi la plupart des entreprises se trompent encore de problème.
La recherche d’information a radicalement changé. On est passé de simples moteurs à mots-clés à des systèmes capables de comprendre le sens d’une question — et d’y répondre avec précision.
Mais entre un RAG qui impressionne en démo et un RAG qui tient en production… il y a un gouffre. Cet article vous explique pourquoi, et ce que ça change concrètement pour votre entreprise.
1. Les bases : la recherche « classique » (BM25)
Pendant des décennies, les moteurs de recherche ont fonctionné avec des algorithmes comme BM25. Le principe est simple :
→ Plus un mot apparaît dans un document, plus il est important. → Plus ce mot est rare dans le corpus, plus il est pertinent.
BM25 apporte deux améliorations clés par rapport à TF-IDF : une saturation (un mot répété 100 fois ne domine pas tout) et une normalisation (les documents courts ne sont pas pénalisés).
Résultat : une recherche rapide, robuste, très efficace sur les mots-clés précis.
✅ « facture client 2024 » → BM25 excelle.
2. La révolution : la recherche sémantique
Avec l’IA, une rupture s’est produite. On ne cherche plus des mots — on cherche du sens.
Chaque texte est transformé en vecteur (un embedding), et le moteur compare la proximité entre les idées, pas les termes exacts.
Résultat : la recherche comprend les synonymes, les reformulations, le contexte.
✅ « comment payer une facture » retrouve « modalités de règlement client » — même sans un mot en commun.
C’est puissant. Mais insuffisant seul.
3. Le piège : aucune approche n’est complète à elle seule
BM25 est précis, rapide, fiable — mais il ne comprend pas le sens. La recherche sémantique comprend le langage naturel — mais elle rate les mots-clés critiques.
Un code produit, une référence contrat → BM25 est indispensable. Une question métier, une recherche floue → la sémantique est indispensable.
La conclusion s’impose : il faut les deux.
4. La recherche hybride : le meilleur des deux mondes
La recherche hybride combine BM25 et embeddings pour cumuler précision et compréhension.
Prenons un exemple concret : « contrat SAP facture erreur 2023 »
→ BM25 identifie précisément « SAP », « facture », « 2023 » → La sémantique comprend qu’il s’agit d’un problème de facturation
C’est déjà bien plus performant qu’une approche unique. Mais il reste un problème : parmi tous les documents remontés, lesquels méritent vraiment d’être transmis au LLM ?

5. Les rerankers : trier, filtrer, concentrer
Récupérer des documents pertinents, c’est bien. N’en garder que les meilleurs et les classer dans le bon ordre, c’est ce qui change tout pour la qualité finale.
C’est le double rôle des rerankers : une couche de reclassement et de filtrage qui intervient après la recherche hybride.
Voici comment ça fonctionne :
→ La recherche hybride remonte plusieurs dizaines de documents candidats → Le reranker analyse chaque document en profondeur, dans son contexte → Il réordonne les résultats selon leur pertinence réelle → Il ne garde que les N documents les plus pertinents — et écarte le reste
Ce filtrage a deux effets directs et mesurables :
→ Réduction du contexte LLM : moins de documents injectés = fenêtre de contexte allégée, traitement plus rapide, coût réduit. → Meilleure qualité de réponse : un LLM noyé dans 20 documents dont 15 inutiles se disperse et improvise. Un LLM alimenté avec 4 documents vraiment ciblés se concentre — et répond juste.
❌ Sans reranker : le LLM reçoit trop, il se noie. ✅ Avec reranker : il reçoit l’essentiel, il performe.
C’est l’une des optimisations les plus impactantes dans un pipeline RAG en production — et l’une des plus souvent négligées.

6. GraphRAG : quand les relations entre données comptent
Pour certains cas d’usage, même la recherche hybride rerankée ne suffit pas. Les données ne sont pas isolées — elles sont connectées.
C’est là qu’intervient le GraphRAG : une approche qui enrichit le RAG classique avec un graphe de connaissances pour naviguer dans les relations entre entités.
Exemples concrets où GraphRAG change tout :
→ « Quels sont tous les contrats liés à ce fournisseur, et quels risques ont été identifiés ? » → « Quels collaborateurs ont travaillé sur ce projet, et quels documents ont-ils produits ? » → « Quelle est la chaîne de décision qui a mené à cette procédure ? »
Ces questions impliquent des relations entre entités — pas juste des documents similaires. Le RAG classique ne peut pas y répondre seul.
Le RAG classique excelle sur des questions portant sur des documents isolés. Le GraphRAG devient indispensable dès que les questions impliquent des relations, des chaînes causales ou des entités liées.
✅ GraphRAG n’est pas toujours nécessaire — mais quand vos données sont structurées en réseau, c’est un levier de précision considérable.
7. Le pipeline RAG complet : comment tout s’articule
Un pipeline RAG robuste en production ressemble à ceci :
Question utilisateur ↓ Recherche hybride (BM25 + vectorielle) ↓ Reranking (reclassement + filtrage des meilleurs documents) ↓ si données relationnelles GraphRAG (enrichissement par les relations entre entités) ↓ Injection dans le LLM (contexte réduit, ciblé, pertinent) ↓ Réponse fiable, précise, ancrée dans vos données
Chaque couche a son rôle. En retirer une, c’est dégrader la qualité finale — ou payer plus cher pour un résultat inférieur.

8. Pourquoi la plupart des entreprises échouent
Le scénario est toujours le même :
→ On adopte un LLM → On branche une base documentaire → On pense avoir fait du RAG
Et on se retrouve avec des réponses approximatives, des hallucinations, un manque de précision métier.
Le problème n’est pas le LLM. Le problème est l’architecture en amont.
Un LLM ne peut être fiable que si les bons documents lui sont fournis — dans le bon ordre, en nombre maîtrisé, avec le bon contexte. Sans recherche hybride, sans reranker, sans GraphRAG quand c’est nécessaire, même le meilleur modèle improvise.
9. Ce qui fait vraiment la différence
Construire un RAG performant, ce n’est pas brancher une API. C’est un travail d’ingénierie qui demande :
→ La structuration et le nettoyage des données → Le choix des modèles d’embeddings adaptés à votre secteur → Le tuning des paramètres BM25 → L’équilibrage intelligent des scores hybrides → La mise en place et le calibrage des rerankers → La décision d’intégrer ou non un GraphRAG selon la nature des données → L’orchestration des pipelines de bout en bout
Chaque choix dépend de votre contexte. Il n’existe pas de solution universelle.
10. L’approche Veonum : la bonne solution pour vos vrais besoins
Chez Veonum, nous ne vendons pas une architecture standard. Nous construisons la solution adaptée à votre situation.
Certains clients ont besoin d’un RAG hybride simple et rapide à déployer. D’autres ont des données relationnelles complexes qui appellent un GraphRAG. D’autres encore ont des problèmes de précision que seul un reranker bien calibré résout.
Notre démarche est toujours la même : comprendre vos données, vos usages et vos contraintes avant de choisir l’architecture. Nous choisissons les bons outils pour le bon problème — pas l’inverse.
Ce que nos clients obtiennent :
→ Une solution dimensionnée à leur besoin réel — ni surdimensionnée, ni sous-optimisée → Des réponses précises, ancrées dans leurs données, sans hallucinations → Un pipeline scalable qui s’intègre à leurs systèmes existants → Un accompagnement sur les vrais enjeux — pas seulement la technologie
Cas d’usage que nous adressons :
→ Assistants internes (RH, juridique, IT, finance) → Recherche documentaire avancée sur corpus complexes → Copilotes métiers avec logique relationnelle → Automatisation du support client
En résumé
BM25 → précision sur les mots-clés Sémantique → compréhension du langage naturel Hybride → performance combinée Reranker → classement optimal + contexte LLM maîtrisé GraphRAG → intelligence sur les données relationnelles RAG bien conçu → une IA fiable au service de votre métier
La vraie différence ne se joue pas dans le choix du LLM. Elle se joue dans l’architecture, le tuning — et la capacité à choisir les bons outils pour le bon problème.
Vous voulez un RAG qui fonctionne vraiment en production ?
La plupart des projets IA échouent non pas par manque de budget ou de modèles puissants — mais par manque d’expertise sur la couche recherche.
Veonum conçoit des architectures RAG sur mesure sur AWS — hybride, rerankée, enrichie par GraphRAG quand c’est pertinent — adaptées à vos données et à vos usages réels.
📩 Parlons de votre projet — même si vous en êtes encore à l’exploration. C’est souvent à cette étape que les bons choix font toute la différence.
Un projet IA à cadrer ?
VeoNum développe vos projets au forfait, en mode accéléré par l’IA : le périmètre et le prix sont fixés avant de démarrer. Premier pas : un atelier de cadrage de 2 heures, sans engagement. Nous cadrons avec vous les données, les intégrations et le périmètre, et vous repartez avec une fourchette de budget argumentée.
Patrick Leprince
patrick.leprince@veonum.com — 07 67 70 66 53
À lire aussi : Combien coûte une application métier avec IA ? Ce qui fait vraiment varier la note
