Imaginez un grand spécialiste parti trois ans en expédition, coupé de tout. À son retour, il est brillant — mais figé au jour de son départ : il ignore qui a gagné les dernières élections, le prix actuel du café, l’actualité de son propre domaine. Une IA générative est exactement cet expert : ses connaissances s’arrêtent à une date de coupure (knowledge cutoff). Et pour qu’elle parle du présent, il faut lui tendre le journal du jour : c’est le grounding.
Définition : la même idée, à trois hauteurs
La date de coupure, c’est le moment après lequel l’IA ne sait plus rien : elle a appris jusque-là, puis plus rien. Le grounding, c’est lui fournir des documents récents pour qu’elle réponde sur l’actualité.
La connaissance interne du modèle est gelée à sa date d’entraînement. Le grounding la relie à des sources externes et actuelles (recherche web, vos documents) au moment de la question, pour des réponses à jour et sourcées.
La connaissance paramétrique est figée au pré-entraînement ; le grounding augmente la génération d’une mémoire non-paramétrique récupérée à l’inférence (RAG, outils), améliorant actualité, factualité et provenance.
L’analogie-maîtresse : l’expert revenu d’expédition
Notre expert a tout emmagasiné jusqu’au jour de son départ. Cette masse de savoir, il la porte en lui : c’est sa mémoire interne. Pour une IA, c’est la connaissance paramétrique — engrammée dans le modèle pendant l’entraînement, et qui s’arrête net à la date de coupure. Interrogez-le sur ce qui s’est passé après son départ, et il y a deux issues : ou bien il dit « je l’ignore », ou bien — plus embêtant — il répond avec aplomb quelque chose d’inventé. Cette seconde issue, chez une IA, porte un nom : l’hallucination.
La parade est simple : avant de le laisser répondre sur l’actualité, on lui tend un dossier de mise à jour — le journal du jour, les derniers rapports. Il lit, puis répond en s’appuyant dessus. C’est le grounding : on fournit au modèle des documents récents qu’il place dans sa fenêtre de contexte, et il ancre sa réponse sur ces sources plutôt que sur sa seule mémoire.
Concrètement, ce dossier vient soit d’une recherche web, soit d’une récupération dans vos propres documents — c’est là qu’interviennent le RAG et les bases de données vectorielles : on va chercher les passages pertinents et on les glisse sous les yeux de l’expert avant qu’il ne réponde. La recherche fondatrice parle joliment de deux mémoires : celle, figée, qu’il porte en lui, et celle, fraîche, qu’on lui apporte.
Là où l’analogie s’arrête. Notre expert sait qu’il s’est absenté : il peut prévenir « attention, je suis resté trois ans coupé du monde ». Le modèle, lui, ne connaît pas toujours de façon fiable la frontière de son propre savoir — d’où des erreurs assurées, sans avertissement. De plus, l’humain retient définitivement ce qu’il lit ; le modèle, lui, oublie tout à la fin de la conversation (sauf réentraînement). Enfin, le grounding ne vaut que ce que valent les documents fournis : un mauvais dossier, et la réponse sera fausse — mais bien sourcée.
Coupure et grounding, en un schéma
Déconstruction : la mémoire de l’expert
| Notion technique | Dans notre analogie | En réalité, sans jargon |
|---|---|---|
| Date de coupure | Le jour du départ en expédition | La dernière date des données d’entraînement |
| Connaissance paramétrique | Ce que l’expert porte en tête | Le savoir engrammé dans le modèle, figé |
| Grounding | Lui tendre le journal du jour | Ancrer la réponse sur des documents récents fournis |
| Mémoire récupérée | Le dossier de mise à jour | Les passages allés chercher à la volée (RAG) |
| Provenance | Citer d’où vient l’info | Les sources qui appuient la réponse |
Ce que ça change pour vous
- Une IA « de base » ignore l’actualité récente. Avant de lui faire confiance sur un fait récent, demandez-vous — et demandez-lui — sa date de coupure.
- Pour du récent ou du précis, exigez du grounding. Privilégiez les outils qui cherchent des sources (web, vos documents) et qui citent leur provenance, plutôt que la réponse « de mémoire ».
- Sans grounding, le risque d’invention grimpe. Sur l’actualité, une IA non connectée comblera volontiers les vides. Le grounding est votre meilleur garde-fou anti-hallucination.
- Le grounding ne fait pas de miracle. Il ne vaut que ce que valent les documents fournis : sources datées, fiables et pertinentes restent votre responsabilité.
FAQ pour débuter
Les deux articles fondateurs
1. Petroni et al. — la mémoire figée : « Language Models as Knowledge Bases? » (2019)
Contexte. Les modèles pré-entraînés apprennent la langue, mais que retiennent-ils vraiment des faits du monde ?
Idée centrale. Ils stockent une part de connaissance factuelle directement dans leurs paramètres — une mémoire interne, apprise une fois pour toutes.
Pourquoi ça compte. C’est cette mémoire paramétrique qui explique à la fois la puissance des modèles… et leur date de coupure : ce qui n’a pas été appris n’y est pas.
✅ Petroni, F., Rocktäschel, T., Lewis, P., Bakhtin, A., Wu, Y., Miller, A. H., & Riedel, S. (2019). Language Models as Knowledge Bases? Proceedings of EMNLP-IJCNLP 2019, 2463–2473. (DOI:10.18653/v1/D19-1250)
2. Lewis et al. — le journal du jour : RAG (2020)
Contexte. La mémoire interne d’un modèle est difficile à mettre à jour et ne cite pas ses sources. Comment l’ancrer sur du concret ?
Idée centrale. Combiner deux mémoires : la mémoire paramétrique (figée) du modèle et une mémoire non-paramétrique récupérée — des documents cherchés puis fournis au moment de répondre.
Pourquoi ça compte. C’est l’acte fondateur du grounding : donner à l’expert son dossier de mise à jour, pour des réponses plus actuelles et sourcées.
✅ Lewis, P., Perez, E., Piktus, A., Petroni, F., Karpukhin, V., Goyal, N., et al. (2020). Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks. Advances in Neural Information Processing Systems, 33, 9459–9474. (arXiv:2005.11401)
Trois prompts pour apprendre
Quelle est ta date de coupure des connaissances ? Puis dis-moi honnêtement si tu peux répondre à une question sur un événement de cette semaine.
🎯 Tester | 📚 Ce qu’on apprend : repérer la limite temporelle du modèle.
Explique la différence entre répondre « de mémoire » et répondre « après avoir cherché des sources », avec un exemple concret.
🎯 Comprendre | 📚 Ce qu’on apprend : saisir l’apport du grounding.
Pour quels types de questions faut-il exiger des sources récentes plutôt que se fier aux connaissances internes d’une IA ? Donne 4 cas.
🎯 Esprit critique | 📚 Ce qu’on apprend : savoir quand se méfier de la mémoire figée.
📝 Note méthodologique. Cet article a été rédigé avec l’aide d’une IA générative, sur la base d’un gabarit pédagogique et d’analogies conçus par l’autrice. Les deux références fondatrices ont été vérifiées manuellement. L’image d’illustration a été générée par IA. L’objectif reste pédagogique : rendre un concept technique accessible aux étudiants et cadres en management.
Related posts:
Comment les IA apprennent : supervisé, non supervisé, renforcement (comme une langue étrangère)
Rétropropagation et descente de gradient : comment une IA apprend (l’analogie de la montagne dans le brouillard) Exercices et Prompts
Le surapprentissage : pourquoi une IA qui bachote échoue (l’analogie de l’étudiant qui révise les annales) Exercices et Prompts
RLHF : comment l’IA apprend nos préférences (l’analogie de l’apprenti cuisinier et du jury de dégustation) Exercices et Prompts
Zero-shot, one-shot, few-shot : guider une IA par l’exemple (l’analogie du nouveau collègue)
La vision par ordinateur Vision Transformer
Comment les machines apprennent à voir
La mémoire des agents, le carnet de notes et le souvenir du client fidèle, Exercices et Prompts
Prompt injection et jailbreak L’ingénierie sociale appliquée à la machine
