RAG

Compare the Market a publié le 6 mars 2026, par l'intermédiaire de son équipe d'ingénierie, une évaluation de quatre approches de récupération de contexte pour la revue de code par IA, menée sur 79 pull requests réelles et mesurée avec MLflow sur Databricks. Le RAG, qui découpe le code en fragments, les vectorise et les récupère par similarité sémantique, a obtenu de moins bons résultats que la référence sans contexte sur presque toutes les métriques, pour un coût trois fois supérieur. Le GKG, le GitLab Knowledge Graph construit sur des AST Tree-sitter, l'a devancé de 21 pour cent sur la couverture des commentaires en ligne, 0,696 contre 0,577. L'explication de l'équipe est structurelle : revoir du code suppose de savoir qui appelle une fonction, et la similarité vectorielle ne fait que renvoyer du code qui se ressemble en apparence. S'ensuivent du bruit, des faux positifs, une cécité aux relations entre fichiers et une distraction du modèle.

Un article d'octobre 2025 défend une thèse différente. Le RAG existait pour contourner l'exiguïté des fenêtres de contexte ; celles-ci sont passées de 8K tokens à plusieurs millions, et cinq coûts n'achètent plus rien aujourd'hui : le découpage en fragments perd du sens, les embeddings manquent de richesse sémantique, la recherche hybride ajoute de la complexité, le reranking ajoute de la latence, et l'infrastructure demande à être maintenue. Claude Code y est cité comme la forme alternative : une recherche directe et riche en contexte, sans machinerie de récupération. Le verdict qui s'en dégage est que le RAG n'aura été qu'un détour provisoire.

Leonie Monigatti retrace une filiation. Le RAG classique demandait comment récupérer, l'Agentic RAG demande s'il faut récupérer, et l'Agent Memory ajoute un chemin d'écriture. Ashish Singh oppose au RAG un Enterprise Knowledge Fabric fondé sur des graphes de connaissances et la recherche hybride. Ce qui doit le remplacer reste disputé.