Grounding (ancrage)

Terme Intermédiaire 🤖 Intelligence artificielle

Mis à jour le 7 juin 2026

Le grounding est l'ancrage des réponses d'un LLM dans des sources externes vérifiables (souvent via RAG), avec attribution, afin de réduire les hallucinations et d'augmenter la fiabilité.

📖 Définition

Le grounding (ancrage) consiste à ancrer les réponses d'un modèle de langage dans des sources externes vérifiables — documents, bases de connaissances, API ou recherche web — plutôt que de les laisser reposer uniquement sur ses paramètres internes (ce qu'il a « mémorisé » à l'entraînement). L'objectif : qu'une réponse générée soit compatible avec une source fiable et identifiable. Le cas d'usage le plus courant est le RAG : le système récupère d'abord des passages pertinents, les injecte dans le contexte du modèle, puis génère la réponse à partir de ces éléments — souvent avec citation des sources, ce qui rend la réponse vérifiable. Le grounding est essentiel pour réduire les hallucinations (réponses plausibles mais non fondées) et pour les cas où l'information doit être fraîche, spécialisée ou traçable. C'est une tendance forte de 2025-2026 : OpenAI, Microsoft (Grounding with Bing) et Google (Vertex AI) proposent tous des mécanismes d'ancrage. Attention toutefois : le grounding réduit le risque d'erreur mais ne l'élimine pas ; un contrôle de qualité reste nécessaire.

💬 En termes simples

C'est comme exiger d'un élève qu'il cite ses sources plutôt que de répondre « de mémoire » : il a moins de chances d'inventer, et on peut vérifier d'où vient l'information.

🎯 Exemple concret

Un assistant juridique « ancré » ne répond pas de tête : il récupère d'abord les articles de loi pertinents, génère la réponse à partir de ces textes et affiche les références — ce qui permet de vérifier et réduit fortement le risque d'invention.

💡 Le saviez-vous ?

Le grounding ne supprime pas totalement les hallucinations : un modèle peut encore mal interpréter une source ou extrapoler. C'est pourquoi l'attribution des sources (citations) reste indispensable pour la vérifiabilité.

❓ Questions fréquentes

Quel lien entre grounding et RAG ?

Le RAG est la principale technique de grounding : il récupère des sources fiables et les fournit au modèle pour qu'il ancre sa réponse dessus, au lieu de répondre uniquement de mémoire.

Le grounding élimine-t-il les hallucinations ?

Non : il les réduit fortement mais ne les supprime pas. Le modèle peut encore mal interpréter une source ; l'attribution des sources et un contrôle qualité restent nécessaires.

Accueil

Outils

Annuaire

Apprendre