# rag-decline-context-windows-2025-10-08

## Veille

Déclin du RAG - Expansion des fenêtres de contexte IA - LinkedIn

## Titre Article

From RAG to Rigor Mortis: Why Retrieval-Augmented Generation looks like dying

## Date

2025-10-08

## URL

https://www.linkedin.com/pulse/from-rag-rigor-mortis-why-retrieval-augmented-looks-like-ensarguet-txide/

## Keywords

Retrieval-Augmented Generation (RAG), AI context windows, Agentic AI, Large Language Models (LLMs), AI technology evolution, Context search strategies

## Authors

Philippe Ensarguet

## Ton

**Profil:** Professionnel | Analytique avec opinion forte | Opinion-Analytique | Intermédiaire-Accessible

Ensarguet adopte ton plus provocateur que ses autres articles LinkedIn. Titre percutant ("From RAG to Rigor Mortis") et thèse controverse (déclin RAG) révèlent thought leader assumant positions tranchées. Langage accessible malgré concepts techniques (fenêtres contexte, LLMs). Style caractéristique LinkedIn posts visant engagement via thèses counterintuitives plutôt que consensus prudent. Vise audience tech curieuse d'analyses prospectives.

## Pense-betes

- RAG était une solution temporaire aux fenêtres de contexte limitées
- Les fenêtres de contexte évoluent de 8K à potentiellement des millions de tokens
- 5 défis majeurs du RAG : chunking, embeddings, hybrid search, reranking, complexité infrastructure
- Citation clé : "RAG was never the destination—it was a temporary detour"
- Émergence de l'IA agentique et recherche directe dans le contexte
- Les compétences pour construire des systèmes IA évoluent rapidement

## RésuméDe400mots

L'article examine le déclin potentiel de la Génération Augmentée par Récupération (RAG) face à l'évolution rapide de la technologie IA. L'auteur explique comment le RAG est apparu comme une solution aux fenêtres de contexte limitées des premiers modèles IA, permettant aux systèmes de récupérer et d'utiliser des fragments de documents pertinents. Cependant, avec l'expansion rapide des fenêtres de contexte dans les modèles IA modernes (passant de 8K à potentiellement des millions de tokens), le RAG pourrait devenir obsolète.

L'article met en évidence cinq défis clés du RAG qui contribuent à son déclin potentiel. Premièrement, le découpage (chunking) des documents fait perdre le sens contextuel, fragmentant l'information de manière artificielle. Deuxièmement, les technologies d'embedding ont des limitations inhérentes dans leur capacité à capturer pleinement la richesse sémantique du contenu.

Troisièmement, la recherche hybride ajoute une complexité inutile au processus de récupération d'information. Quatrièmement, le reranking introduit de la latence et des coûts supplémentaires dans le pipeline de traitement. Enfin, la gestion de l'infrastructure RAG devient de plus en plus complexe et coûteuse à maintenir.

L'auteur argumente que les technologies émergentes comme Claude Code démontrent un changement vers une recherche directe et riche en contexte, sans mécanismes de récupération complexes. Puisque les modèles IA peuvent maintenant gérer des documents entiers dans leurs fenêtres de contexte, l'infrastructure RAG élaborée pourrait devenir superflue.

Cette évolution représente un changement de paradigme dans la manière dont nous concevons et construisons des systèmes IA. Plutôt que de fragmenter et récupérer l'information, les systèmes futurs pourront traiter directement de vastes quantités de contexte, permettant une compréhension plus holistique et nuancée.

L'article souligne que cette transition a des implications importantes pour les organisations et les développeurs qui ont investi massivement dans l'infrastructure RAG. Les compétences nécessaires pour construire des systèmes IA évoluent, passant de l'ingénierie de récupération complexe à la conception de systèmes agentiques capables de naviguer intelligemment dans de grands espaces contextuels.

L'auteur suggère que les organisations doivent se préparer à cette transition technologique, reconnaissant que le RAG n'était qu'une étape intermédiaire dans l'évolution de l'IA. Les futurs systèmes privilégieront la compréhension du contexte complet plutôt que la récupération fragmentée.

La citation centrale résume parfaitement cette perspective : "Le RAG n'a jamais été la destination—c'était un détour temporaire." Cette affirmation encapsule l'idée que le RAG était une solution pragmatique à des limitations techniques qui sont maintenant en train d'être dépassées par l'innovation technologique rapide.

En conclusion, l'article appelle à une réévaluation des architectures IA actuelles et à une anticipation des paradigmes émergents qui remplaceront les approches RAG traditionnelles.

## GrapheDeConnaissance

- Philippe Ensarguet —affirme_que→ le RAG est en déclin structurel (AFFIRMATION, 0.98)
- Nicolas Bustamante —publie→ The RAG Obituary (DOCUMENT, 0.97)
- Nicolas Bustamante —dirige→ Fintool (ORGANISATION, 0.95)
- RAG —résout→ fenêtres de contexte limitées (CONCEPT, 0.95)
- cascade d'échecs en cinq étapes —observé_dans→ RAG (TECHNOLOGIE, 0.93)
- Claude Code —remplace→ RAG (TECHNOLOGIE, 0.88)
- Claude Code —utilise→ grep et glob (TECHNOLOGIE, 0.96)
- Anthropic —publie→ Claude Code (TECHNOLOGIE, 0.97)
- fenêtres de contexte —mesure→ passage de 8K à 2M tokens (MESURE, 0.97)
- IA agentique —remplace→ RAG (TECHNOLOGIE, 0.9)
- IA agentique —utilise→ nouvelles compétences techniques (CONCEPT, 0.92)
- Philippe Ensarguet —prédit→ l'expansion des contextes LLM rendra le RAG obsolète (AFFIRMATION, 0.85)
- Gemini 2.5 —mesure→ 1M tokens de contexte (MESURE, 0.95)

---
Canonical: https://www.thekb.eu/en/fiches/rag-decline-context-windows-2025-10-08/