Un assistant reçoit une question dont la réponse est dispersée dans plusieurs dizaines de documents. Une date se trouve dans une page, le nom d’une personne dans une autre, et la relation entre les deux dans une troisième. Un moteur de recherche classique peut remonter les bons passages sans comprendre comment ils s’emboîtent. Le modèle de langage, lui, peut combler les vides avec une réponse plausible — et fausse.
Une équipe du National Innovation Centre for Data (NICD) de Newcastle University vient de mesurer une autre approche. Elle a ajouté au RAG, la technique courante qui fournit des documents à un modèle avant sa réponse, un graphe simple représentant les titres, les sections, les paragraphes et leurs liens. Sur 510 questions complexes, ce système vectoriel + graphe a plus que doublé la précision et le rappel factuels par rapport au RAG vectoriel seul.
L’étude a été largement résumée par une formule spectaculaire : le GraphRAG rendrait l’IA « 80 % plus véridique ». Ce chiffre est réel, mais il ne signifie ni que 80 % des hallucinations disparaissent, ni que les réponses deviennent fiables à 80 %. Il correspond à la progression d’un score composite qui récompense les réponses correctes, pénalise les inventions et tient compte des réponses incomplètes. Comprendre cette nuance permet de voir l’apport du travail — et d’éviter de transformer une piste technique prometteuse en remède miracle.
Le RAG retrouve des passages, le graphe conserve leurs relations
Un grand modèle de langage ne consulte pas spontanément la documentation à jour d’une entreprise. Ses paramètres contiennent ce qu’il a appris pendant son entraînement, mais pas nécessairement le dernier manuel interne, la nouvelle procédure qualité ou le contrat signé la veille. Le Retrieval-Augmented Generation, plus souvent appelé RAG, corrige partiellement cette limite.
Le principe consiste à découper les documents en fragments, à convertir ces morceaux en représentations mathématiques — des vecteurs — puis à rechercher ceux qui ressemblent le plus à la question. Les passages retenus sont placés dans le contexte du modèle, qui les utilise pour rédiger sa réponse. Cette méthode est efficace lorsqu’une information se trouve dans un petit nombre de paragraphes clairement pertinents.
Elle devient moins confortable quand la question exige plusieurs sauts logiques. Demander la date d’une bataille est une recherche directe. Demander la liste de toutes les batailles de trois guerres, puis le vainqueur de chacune, impose d’identifier les conflits, de retrouver leurs affrontements, d’ouvrir plusieurs articles et d’agréger les résultats sans en oublier.
La similarité sémantique peut rapprocher une question des bons paragraphes, mais elle ne représente pas explicitement leur place dans un document ni les liens entre les sujets. C’est ici qu’intervient le graphe.
Un index structuré plutôt qu’une seconde intelligence
Dans l’expérience du NICD, le graphe n’est pas une encyclopédie méticuleusement modélisée par des spécialistes. Il s’agit d’un index documentaire léger construit à partir d’une capture de Wikipédia en anglais : articles, titres de sections, paragraphes, renvois et ordre de lecture deviennent des nœuds et des relations interrogeables.
Le modèle dispose ensuite d’outils prédéfinis. Il peut chercher un titre, lire les noms de sections et les infoboxes, récupérer seulement certaines sections, parcourir les paragraphes voisins ou repérer les articles liés. Les requêtes dans la base Neo4j sont écrites à l’avance ; l’agent n’invente pas lui-même du code Cypher. Ce choix réduit à la fois la charge de raisonnement et le risque qu’une requête générée donne accès à des données non prévues.
Cette méthode ne doit pas être confondue avec toutes les technologies commercialisées sous le nom GraphRAG. Le projet de Microsoft, par exemple, utilise des modèles pour extraire des entités, leurs relations et des communautés thématiques avant de produire des résumés. Newcastle teste quelque chose de plus sobre : la structure déjà présente dans les documents sert de carte de navigation. Le résultat est potentiellement plus simple à déployer sur une base de connaissances bien organisée.
Ce que les 510 questions ont réellement montré
Les chercheurs ont utilisé le benchmark MoNaCo, constitué de questions humaines nécessitant de combiner plusieurs sources. Sur les 1 207 questions compatibles avec leur capture de Wikipédia, ils en ont tiré 512 au hasard ; deux ont été retirées après des blocages répétés des garde-fous du modèle. Chaque configuration a été exécutée trois fois.
Le même agent fondé sur GPT-5.4 répondait dans trois conditions : sans outil, avec une recherche vectorielle et une calculatrice, ou avec cette même recherche complétée par les outils du graphe. Les réponses ont principalement été évaluées automatiquement par un autre modèle, Llama 4 Maverick, à l’aide de la bibliothèque Ragas. Cette séparation limite le risque qu’un modèle préfère son propre style, sans éliminer les fragilités d’un juge automatique.
Les résultats médians mettent en évidence un progrès net du système hybride :
- la précision factuelle moyenne passe de 0,15 à 0,36 ;
- le rappel moyen passe de 0,13 à 0,33 ;
- la pertinence de la réponse progresse de 0,35 à 0,61 ;
- la proportion de questions recevant une tentative de réponse monte d’environ 28 % à 65 % ;
- les réponses entièrement correctes passent de 11,4 % à 28,5 % du lot dans l’évaluation stricte.
Autrement dit, le graphe ne se contente pas d’encourager le modèle à parler davantage. Il lui permet de retrouver assez d’éléments pour produire plus de réponses exactes ou utiles. La précision et le rappel restent cependant bas dans l’absolu : même avec le graphe, une grande partie des questions complexes ne reçoit pas une réponse intégralement correcte.
« 80 % plus véridique » ne veut pas dire 80 % d’erreurs en moins
Le chiffre le plus repris compare un score de véracité fin. Les chercheurs attribuent +1 à une réponse entièrement correcte, +0,5 à une réponse incomplète mais sans invention, 0 à un refus, -0,5 à une réponse mêlant faits justes et faux, et -1 à une réponse dont toutes les affirmations sont erronées. Sur 510 questions, le RAG vectoriel obtient un score médian de 35 ; le système vectoriel + graphe atteint 63. L’augmentation est de 80 %.
Ce score répond à une question importante : vaut-il mieux qu’un assistant reste silencieux ou qu’il tente une réponse ? Le RAG vectoriel seul refuse très souvent de répondre. Cette prudence lui évite des erreurs, mais limite fortement son utilité. Le graphe déplace le compromis : il permet davantage de bonnes réponses, au prix de davantage de réponses imparfaites.
Dans la classification stricte, le RAG vectoriel produit une réponse contenant au moins une erreur pour environ 16 % des questions, contre 37 % pour le système enrichi par le graphe. Ce dernier répond toutefois à plus de deux fois plus de questions et fournit environ deux fois et demie plus de réponses entièrement correctes. Le message n’est donc pas « le graphe supprime les hallucinations », mais plutôt : il améliore fortement le rendement utile d’un assistant qui, sans structure, préfère souvent ne rien dire.
La comparaison avec le mode sans outil apporte une autre leçon. Le modèle répond presque toujours lorsqu’il s’appuie sur sa seule mémoire interne, mais hallucine dans 59 % des cas selon la mesure stricte. Le graphe réduit fortement cette surconfiance. Sur des documents privés que le modèle n’a jamais vus pendant son entraînement, le mode sans outil serait de toute façon beaucoup moins compétitif.
Pourquoi cette architecture intéresse les entreprises
Les assistants internes échouent rarement parce qu’aucun document pertinent n’existe. Ils échouent souvent parce que la bonne réponse dépend d’une chaîne : une règle générale, une exception, la version applicable, une entité concernée et une pièce justificative. Ces relations sont fréquentes dans les contrats, les procédures industrielles, les dossiers clients, la conformité ou le support technique.
Un graphe documentaire peut conserver des éléments que la recherche vectorielle a tendance à aplatir : l’appartenance d’un paragraphe à une section, la succession de versions, le lien entre une pièce et un équipement, ou la dépendance entre une règle et son exception. Il offre aussi un chemin plus explicable. L’application peut indiquer les documents et sections parcourus, plutôt que de présenter seulement une poignée de fragments jugés similaires.
L’étude suggère qu’il n’est pas toujours nécessaire de lancer un vaste projet d’ontologie. Une organisation dont les documents possèdent déjà des titres cohérents, des identifiants, des références croisées et un historique de versions peut commencer par exposer cette structure. La qualité du classement documentaire devient alors une composante directe de la qualité de l’assistant.
Le coût doit néanmoins être lu avec précision. Le système avec graphe a consommé un peu plus de tokens par question que le RAG vectoriel, environ 45 700 contre 41 700 dans la médiane rapportée. Les chercheurs estiment qu’il offre un meilleur rapport entre tokens et réponses utiles, mais ils n’ont pas mesuré la latence. Construire, mettre à jour et contrôler le graphe représente aussi un coût d’ingénierie absent d’un simple prototype RAG.
Les limites empêchent d’en faire une recette universelle
Le papier est un préprint, révisé le 22 juillet 2026, et non une validation définitive de tous les systèmes GraphRAG. Il teste un seul modèle de raisonnement, un seul benchmark et un sous-ensemble de questions issues de Wikipédia. La base publique a probablement déjà été rencontrée pendant l’entraînement du modèle, ce qui rend certaines comparaisons difficiles à transposer à une documentation vraiment privée.
L’évaluation repose surtout sur un LLM juge. Les auteurs ont observé quelques classements contradictoires entre leurs deux métriques et reconnaissent qu’une validation humaine plus approfondie renforcerait la confiance. Ils n’ont pas non plus isolé l’apport de chaque outil. En pratique, les fonctions les plus utilisées étaient la recherche de titres, les titres de sections et la lecture ciblée de sections ; les chemins entre articles, les backlinks et plusieurs outils de voisinage ont été peu ou pas employés.
Le prompt joue enfin un rôle déterminant. Lors des premiers essais, l’agent revenait volontiers à la recherche vectorielle et lisait des articles entiers. Les chercheurs ont dû lui montrer une séquence efficace — chercher un titre, examiner les sections, puis ouvrir les sections utiles. Le gain vient donc d’un ensemble : structure documentaire, outils, requêtes préparées et consignes de navigation. Ajouter une base graphe à une application sans revoir l’agent ne suffit pas.
Un autre élément impose de garder une distance critique : Neo4j a financé le projet. Les quatre auteurs travaillent au NICD et déclarent que le financeur n’a pas influencé la conception, l’analyse ni l’interprétation. Cette transparence est bienvenue, mais une réplication indépendante, avec d’autres bases de données et d’autres modèles, reste nécessaire.
La prochaine bataille se joue dans la qualité des preuves
Les modèles progressent, mais la fiabilité d’un assistant professionnel ne dépend pas seulement de sa taille. Elle dépend de ce qu’il peut consulter, de la manière dont les informations sont reliées, des outils qu’il est autorisé à employer et de sa capacité à reconnaître qu’une preuve manque.
L’expérience de Newcastle illustre ce déplacement. Le graphe ne « guérit » pas le modèle de son penchant à produire du texte plausible. Il lui donne une meilleure carte pour chercher avant de répondre. Pour une entreprise, la leçon est plus exigeante qu’un changement de fournisseur : il faut traiter les documents, leurs métadonnées et leurs relations comme une infrastructure de connaissance, puis évaluer le système sur de vraies questions métier.
Le bon indicateur ne sera pas un pourcentage isolé de véracité. Il faudra suivre séparément les réponses exactes, les omissions, les inventions, les refus, le coût, la latence et la traçabilité. C’est à cette condition que GraphRAG peut devenir autre chose qu’un mot à la mode : une méthode contrôlable pour rapprocher chaque réponse de ses preuves.
Références
- Christopher J. Wedge, Joshua Stutter, Danny Dixon et Jacek Cała, « Reducing Hallucinations in Complex Question Answering using Simple Graph-based Retrieval-Augmented Generation », arXiv, version révisée le 22 juillet 2026.
- Nicole Kobie, « This new technique could improve AI output accuracy by 80% », ITPro, 4 août 2026.
- Neo4j, « Independent study: GraphRAG makes AI agents 80% more truthful », 22 juillet 2026.
- Microsoft, dépôt et documentation GraphRAG, consultés le 8 août 2026.
- NIST, « Artificial Intelligence Risk Management Framework: Generative Artificial Intelligence Profile », juillet 2024.
- Dongzhuoran Zhou et al., « What Breaks Knowledge Graph based RAG? », EACL 2026.
