La méthode classique de génération augmentée par récupération, communément appelée RAG, repose sur un processus linéaire : découper les documents, les vectoriser, récupérer le contexte le plus proche et générer une réponse. Cette approche montre rapidement ses limites face à des requêtes complexes. Les recherches par similarité sémantique manquent souvent de précision, le contexte pertinent est mal classé ou morcelé entre les segments, et le modèle de langage dispose de peu de marge de récupération. Pour pallier ces lacunes, l'approche Agentic RAG émerge en confiant à un agent IA le contrôle dynamique du processus de recherche. Plutôt que de s'appuyer sur un appel unique à une base vectorielle, l'agent examine, évalue, lit des sources complémentaires et itère jusqu'à réunir suffisamment de preuves, réduisant ainsi la dépendance exclusive aux embeddings vectoriels. Une implémentation de démonstration utilisant le SDK Agents d'OpenAI illustre ce mécanisme. L'agent est équipé d'un jeu d'outils restreints et précis : lister les documents disponibles, effectuer une recherche par mots-clés dans les extraits et lire un fichier spécifique. Guidé par des instructions exigeant une réponse directe étayée par des citations, l'agent teste sa logique sur une question concernant les autorisations de voyage et d'hébergement professionnel. La trace d'exécution révèle une démarche structurée : interrogation initiale par mots-clés, vérification du corpus documentaire, lecture ciblée de plusieurs politiques internes et synthèse finale. Le système parvient ainsi à croiser les informations de plusieurs documents distincts, validant le potentiel d'une récupération itérative. Le déploiement d'une telle architecture à l'échelle industrielle soulève cinq interrogations techniques cruciales. Premièrement, le niveau d'autonomie de l'agent doit être soigneusement calibré. Restreindre les outils à un périmètre défini facilite le contrôle et l'audit, tandis qu'un accès étendu au système de fichiers augmente la puissance mais aussi les risques opérationnels. Deuxièmement, la couche de récupération peut dépasser le simple texte brut en intégrant des métadonnées, des résumés ou des graphes de connaissances, offrant à l'agent une navigation plus efficace sans remplacer les sources originales. Troisièmement, les embeddings vectoriels ne sont pas rendus obsolètes. Ils constituent souvent un moteur de recherche sémantique complémentaire et efficace au sein des outils de l'agent. Quatrièmement, l'architecture multi-agents mérite d'être considérée pour les tâches complexes. Répartir les rôles entre un planificateur, un récupérateur de données et un rédacteur peut améliorer la précision, mais alourdit considérablement la coordination et justifie un test empirique rigoureux. Enfin, l'adoption de l'Agentic RAG ne doit pas être systématique. L'itération génère un surcoût en latence et en consommation de tokens, tout en introduisant une moindre prédictibilité comportementale. La recommandation consiste à privilégier une approche RAG traditionnelle simple, et à n'activer les boucles agéntiques que lorsque la nature de la requête exige explicitement une exploration documentaire progressive et multicouches.