RAG marketing : alimenter une IA avec vos contenus de marque

Demandez à ChatGPT quelles sont les offres de votre entreprise, sans lui donner aucun document. Il répondra avec aplomb, dans un ton très professionnel, et une partie de la réponse sera fausse. Un tarif périmé, un client cité qui n’a jamais signé, une fonctionnalité qui n’existe pas. Le RAG marketing répond à ce problème : au lieu de laisser l’IA deviner, on lui met vos propres contenus sous les yeux avant qu’elle écrive.

Cet article explique le mécanisme sans jargon, propose une architecture minimale en 5 blocs, liste les erreurs qui provoquent des hallucinations de marque et donne une méthode pour tester avant de déployer. On utilise l’IA au quotidien en agence, et notre règle tient en une phrase : l’IA prépare, un humain valide. Le RAG rend la préparation bien plus fiable. Il ne supprime pas la validation.

RAG marketing en deux phrases : pourquoi ChatGPT seul invente sur votre marque

RAG signifie retrieval-augmented generation, soit génération augmentée par récupération. Avant de répondre, le système cherche dans vos documents les passages les plus pertinents, les transmet au modèle avec la question, et le modèle rédige en s’appuyant sur ces passages.

Le mécanisme qui explique les inventions est simple. Un modèle de langage produit le texte le plus vraisemblable, pas le texte le plus vrai. Quand il ne connaît pas votre grille tarifaire, il ne s’arrête pas : il comble avec ce qui ressemble à une grille tarifaire de votre secteur. Sur une marque peu documentée sur le web, comme une PME dont la grille tarifaire n’est publiée nulle part, ce réflexe se déclenche très souvent. Avec un RAG, la source est dans la requête, et le modèle n’a plus besoin de deviner.

Le RAG réduit fortement les inventions, il ne les supprime pas. Un modèle peut très bien lire un bon document et en tirer une mauvaise conclusion.

Ce que le RAG change concrètement pour une équipe marketing

Trois usages reviennent le plus souvent.

La rédaction cohérente. Posts, newsletters, pages produit, premiers jets d’articles : l’IA puise dans vos guides, votre charte de ton et vos messages clés validés. Les textes sortent avec votre vocabulaire plutôt qu’avec celui d’un communiqué générique. Un communiqué de lancement validé par la direction peut par exemple servir de référence pour reprendre les mêmes éléments de langage dans une newsletter, sans que chacun reformule à sa façon (voir nos relations presse).

Les réponses commerciales. Questionnaires d’appels d’offres, réponses aux objections, emails de relance : les commerciaux fouillent souvent plusieurs anciennes propositions et dossiers partagés pour retrouver la bonne formulation, parfois pendant une demi-heure pour un seul paragraphe. Un RAG branché sur vos cas clients et vos offres actuelles leur renvoie le passage utile, avec sa source.

Le support aux ventes. Battlecards, comparatifs, FAQ internes. Le commercial pose sa question en langage naturel et obtient une réponse ancrée dans les documents validés par le marketing produit.

Le RAG ne remplace pas la relecture. Un chiffre, un nom de client, une promesse contractuelle : tout ce qui engage l’entreprise passe sous les yeux d’un humain. Le gain se situe sur le premier jet et la recherche d’information, pas sur la signature.

L’architecture minimale en 5 blocs

Pas besoin d’une équipe data pour comprendre ce qui se passe sous le capot. Cinq blocs suffisent.

1. Les sources. Les documents que le système a le droit de lire : guides, cas clients validés, pages d’offres, charte éditoriale, FAQ.
2. Le découpage. Les documents sont coupés en passages de quelques paragraphes. Un passage trop long noie l’information utile, un passage trop court la prive de son contexte.
3. L’index. Chaque passage est transformé en représentation numérique (un embedding) et rangé dans une base consultable. C’est ce qui permet de retrouver le passage sur « tarif annuel » même si le document écrit « abonnement 12 mois ».
4. Le modèle. Le modèle de langage reçoit la question et les passages retrouvés, puis rédige la réponse.
5. Les garde-fous. Les instructions qui cadrent le tout : citer la source, répondre « je ne sais pas » quand aucun passage ne convient, rester dans le ton de la marque, respecter les droits d’accès.

Pour choisir entre une solution no-code et un montage sur mesure, ces seuils servent de repères. Ce sont des ordres de grandeur issus de ce qu’on observe, pas une norme.

Notre conseil : commencez en no-code, même si vous savez que vous irez plus loin. Vous apprendrez en deux semaines ce qui coûte trois mois à spécifier sur le papier, et surtout vous saurez quelles sources comptent vraiment.

Préparer vos contenus : le vrai travail

On l’entend rarement dans les démos : sur les projets que nous avons accompagnés, l’essentiel de la qualité d’un RAG dépendait des documents, bien plus que du modèle. C’est un constat d’expérience, pas une mesure chiffrée. Un modèle excellent alimenté par un dossier en désordre produit des réponses en désordre.

À inclure : les guides et pages d’offres en vigueur, les cas clients validés par les clients eux-mêmes, la charte de ton avec des exemples de phrases bonnes et mauvaises, la FAQ commerciale, les éléments de langage officiels.

À exclure : les anciennes grilles tarifaires, les présentations en brouillon, les contrats et propositions nominatives, tout document contenant des données personnelles ou confidentielles, les versions « v2_final_bis » dont personne ne sait si elles ont été remplacées.

Prenons un cas typique. Une PME laisse dans le dossier un PDF de tarifs de 2023 à côté de celui de 2025. Le système retrouve les deux passages, les juge également pertinents, et en cite un au hasard. Le modèle n’a commis aucune faute : on lui a fourni deux vérités.

Chaque source doit donc avoir un propriétaire nommé et une date de revue. La personne qui met à jour la page tarifs met aussi à jour le document source, sinon l’index vieillit en silence. Sans ce propriétaire, le RAG se dégrade : dès qu’une offre ou un tarif change et que personne ne met à jour le document source, le système continue de citer l’ancienne version.

Les 5 erreurs qui produisent des hallucinations de marque

1. Des sources qui se contredisent. Deux documents annoncent deux délais de livraison, ou deux positionnements différents. Le modèle arbitre sans prévenir. Avant d’indexer, relisez l’ensemble pour traquer les incohérences, en commençant par les chiffres.

2. Aucune citation de source. Si la réponse n’indique pas d’où elle vient, personne ne peut vérifier, et la relecture devient aussi longue que la recherche manuelle. Imposez dans les garde-fous : chaque affirmation chiffrée renvoie au document et au passage d’origine.

3. Des droits d’accès mal gérés. Un RAG branché sur un drive entier peut resservir un devis client ou une grille de marges à quelqu’un qui n’aurait jamais dû y accéder. Le système doit hériter des permissions existantes, ou ne lire qu’un dossier dédié et nettoyé.

4. Un découpage fait au hasard. Un tableau de prix coupé en deux passages donne une réponse qui mélange les lignes. Vérifiez à la main comment vos documents les plus structurés (tableaux, listes d’offres) sont découpés.

5. Pas de consigne pour dire « je ne sais pas ». Par défaut, un modèle préfère répondre. Si aucun passage pertinent n’est retrouvé, il faut lui demander explicitement de l’admettre. Cette seule ligne d’instruction évite une grande partie des réponses inventées et ne coûte rien à écrire.

Ces erreurs relèvent de la même discipline que celle d’une charte d’usage de l’IA en marketing : qui peut utiliser quoi, avec quelles données, et qui valide avant publication. Si vous n’en avez pas encore, notre article sur la charte IA marketing est le bon point de départ avant de brancher quoi que ce soit.

Mesurer la qualité : tester sur 20 questions avant de déployer

Personne ne devrait déployer un RAG sur une impression de « ça a l’air bien ». Un jeu de test de 20 questions suffit pour décider.

Construisez-le avec le terrain. Prenez 20 questions réelles posées aux commerciaux ou au support, mélangez des questions simples (« quel est le délai de mise en place ? »), des questions pièges (une offre qui n’existe plus) et des questions hors périmètre, auxquelles la bonne réponse est « je ne sais pas ». Pour chacune, notez la réponse attendue et le document qui doit servir de source.

Puis mesurez deux choses : le taux de réponses justes, et le taux de réponses justes ET correctement sourcées. Une réponse juste mais attribuée au mauvais document cache un problème d’index qui ressortira plus tard.

Pour le critère d’arrêt, voici ce qu’on recommande : 18 réponses justes et sourcées sur 20 au minimum, et zéro erreur sur les prix, les délais et les engagements. En dessous, on ne déploie pas, on corrige les sources et on relance le test. Vingt questions, c’est un échantillon modeste, donc ce seuil écarte les mauvais systèmes mais ne certifie pas un bon. Refaites le test à chaque mise à jour importante des sources, et ajoutez à votre jeu chaque erreur repérée en production.

Par où commencer cette semaine

Avant de choisir un outil, écrivez vos 20 questions. Cet exercice d’une heure révèle ce que votre équipe cherche vraiment, quels documents manquent et lesquels se contredisent. Vous aurez alors un cahier des charges concret, et la comparaison entre solutions no-code et montage sur mesure se fera sur des faits.