Le grounding est le processus consistant à ancrer les réponses d'un modèle de langage dans des informations réelles, externes et vérifiables, au lieu de s'appuyer uniquement sur les connaissances acquises lors de l'entraînement. En pratique, cela consiste à fournir au modèle des sources concrètes — documents, bases de données, résultats de recherche — sur lesquelles il doit fonder ce qu'il génère.
Son importance réside dans le fait qu'il réduit les hallucinations, c'est-à-dire les affirmations plausibles mais fausses que les modèles produisent lorsqu'ils manquent de données fiables. En obligeant l'IA à citer ou à s'appuyer sur des sources vérifiables, les réponses gagnent en précision et en traçabilité. Cela s'avère particulièrement critique dans des domaines tels que la santé, le droit ou la finance, où une erreur peut avoir des conséquences graves.
Une technique courante pour y parvenir est la RAG (Retrieval-Augmented Generation), qui récupère des fragments pertinents d'une base documentaire avant de générer la réponse. Un système bien ancré a généralement tendance à :
- Indiquer les sources consultées.
- Se limiter à ce que celles-ci corroborent.
- Reconnaître quand il ne dispose pas d'informations suffisantes.