GraphRAG : définition, coût et cas où il se justifie

Comment fonctionne le GraphRAG ?

Le GraphRAG transforme vos documents en graphe avant toute question, puis cherche dans ce graphe pour répondre. La méthode de Microsoft Research suit quatre étapes.

1. Un modèle lit tout le corpus. Un modèle de langage extrait de chaque fragment les entités (personnes, lieux, organisations), leurs relations et une description.

2. Le système construit le graphe. Il fusionne les descriptions d’une même entité et forme un graphe de connaissances.

3. Il regroupe et résume. Un algorithme forme des communautés d’entités liées ; le modèle rédige un rapport sur chacune.

4. Il répond. Sur une question globale, chaque rapport fournit une réponse partielle, puis le modèle les combine. Sur une entité précise, il rassemble les entités voisines dans le graphe et les passages d’origine.

Microsoft Research a présenté la méthode en février 2024, puis a publié l’article (Edge et al.) en avril et le code en juillet 2024. La méthode vient donc d’un éditeur. Le terme est antérieur à Microsoft : l’éditeur NebulaGraph l’employait dès septembre 2023. Il désigne aujourd’hui toute méthode de RAG qui exploite un graphe, même un graphe public comme Wikidata (Peng et al., 2024).

GraphRAG ou RAG classique : quelle différence ?

Le RAG classique retrouve les passages les plus proches de la question ; le GraphRAG exploite aussi les liens entre des faits épars.

• Microsoft mesure un gain sur les questions globales. Sur deux corpus d’environ 1 et 1,7 million de tokens, un modèle évaluateur juge ses réponses plus complètes et variées (Edge et al., prépublication, 2024).

• Des tests indépendants limitent ce gain. Selon Han et al. (prépublication, mars 2026), le RAG classique fait mieux sur les questions précises. Certains GraphRAG, dont la recherche locale de Microsoft, l’emportent sur celles qui enchaînent plusieurs faits. Le banc d’essai GraphRAG-Bench (Xiang et al., ICLR 2026) va dans le même sens.

• Le juge peut fausser la comparaison. Han et al. montrent qu’un modèle évaluateur rend des verdicts très différents, parfois opposés, quand on inverse l’ordre des réponses.

Ne confondez pas le GraphRAG avec le graphe de connaissances : le graphe est la structure, le GraphRAG une façon de s’en servir. Le RAG agentique suit une autre voie : un agent enchaîne plusieurs recherches.

Pourquoi le GraphRAG coûte-t-il plus cher qu’un RAG classique ?

Le GraphRAG coûte plus cher parce qu’un modèle de langage lit tout le corpus avant la première question. Sa recherche globale coûte aussi à chaque question : Microsoft la juge gourmande en ressources. Microsoft prévient que l’indexation peut coûter cher et conseille de commencer par un petit jeu de test. Selon sa documentation, l’extraction du graphe représente environ 75 % de ce coût. Avec l’implémentation de Microsoft, Han et al. mesurent une construction de l’index environ 40 fois plus longue qu’avec un RAG classique.

Deux variantes de Microsoft réduisent ce coût. Seule FastGraphRAG figure dans le code libre. Selon une note de juin 2025, Microsoft intègre LazyGraphRAG à des services Azure.

• FastGraphRAG repère les entités avec des outils classiques d’analyse de la langue plutôt qu’avec le modèle. Son graphe contient plus de bruit, et son réglage par défaut convient surtout à l’anglais.

• LazyGraphRAG (novembre 2024) ne résume rien à l’avance et n’appelle le modèle qu’au moment de la question. Selon Microsoft, qui compare ses propres méthodes, son indexation coûte autant que celle d’un RAG classique et 0,1 % de celle du GraphRAG complet.

Que change le GraphRAG pour votre décision ?

• Partez des échecs de votre RAG actuel. Relevez les questions où il échoue, et leur fréquence. Le GraphRAG se justifie si vos équipes interrogent souvent tout un corpus ou relient plusieurs documents. Pour un fait précis, gardez le RAG classique.

• Chiffrez l’indexation avant la première réponse. Testez la méthode sur un échantillon de vos documents, en français. Comparez le coût d’une réponse utile à celui de votre RAG, mise à jour du graphe comprise.

• Le graphe hérite des oublis de son extraction. Han et al. (2026) évaluent aussi un GraphRAG à base de triplets, distinct de la méthode de Microsoft. Sur le jeu public HotpotQA, son graphe ne contient que 65,8 % des entités utiles aux réponses. Microsoft lie la qualité de l’indexation à des consignes adaptées à votre domaine. Nommez un responsable du corpus et du graphe (voir qualité et gouvernance des données).

• Une réponse plus complète n’est pas une réponse plus juste. Le GraphRAG ne supprime pas les hallucinations. Han et al. notent que sa recherche globale répond mal quand le corpus ne contient pas la réponse. Microsoft recommande qu’un expert du domaine vérifie ses réponses.

• Le code de référence reste un projet de recherche. Microsoft présente son code comme une démonstration, sans support officiel. En octobre 2026, la page du projet annonce encore des correctifs, mais plus de nouvelles fonctions. Demandez qui maintiendra votre version : c’est un enjeu de dépendance fournisseur.

Exemple illustratif

Ce cas est fictif. Une ETI interroge ses contrats fournisseurs avec un RAG classique. L’outil répond bien sur une clause précise, mais échoue sur une question transverse : quels fournisseurs cumulent pénalités faibles et incidents qualité répétés ? La réponse croise contrats, rapports d’incident et audits. L’équipe teste un GraphRAG sur 300 documents et compare ses réponses à l’analyse d’un acheteur expérimenté. Elle réserve ensuite le GraphRAG à la revue trimestrielle des fournisseurs.