On te propose d’« entraîner un modèle sur tes données » et ça sonne comme rendre enfin l’IA tienne, sur mesure, imbattable. Ça sonne cher, donc ça sonne sérieux. Avant de signer, autant savoir que, dans la grande majorité des cas en entreprise, tu es sur le point de payer la solution chère pour un problème que la moins chère résout mieux. La décision de fond s’appelle RAG ou fine-tuning, et la bonne réponse est presque toujours RAG. Voici pourquoi, sans fumée.
RAG vs fine-tuning en entreprise : ce que fait chacun
Ce sont deux choses différentes que le jargon mélange exprès. RAG (retrieval-augmented generation) ne touche pas au modèle : il lui donne une bibliothèque. Quand une question arrive, le système va chercher dans tes documents les fragments pertinents et les passe au modèle avec la question, pour qu’il réponde avec ton information sous les yeux. La connaissance vit hors du modèle, dans une base que tu peux mettre à jour à tout moment.
Le fine-tuning, c’est l’inverse : tu prends un modèle de base et tu le réentraînes sur des milliers d’exemples pour qu’il ajuste ses poids internes. Tu ne lui donnes pas une bibliothèque ; tu changes ses réflexes. Ça sert à enseigner un format, un ton ou un type de tâche très répétitif —pas à lui injecter des données qui changent. Et c’est là que commence la confusion qui coûte cher : presque tous ceux qui demandent du fine-tuning veulent en fait que l’IA « connaisse leur boîte », ce que RAG fait mieux.
| Dimension | RAG | Fine-tuning |
|---|---|---|
| Ce qui change | Le contexte reçu par le modèle | Les poids internes du modèle |
| À quoi ça sert | Répondre avec TA connaissance | Adopter un format/ton/tâche fixe |
| Mettre à jour une donnée | Tu édites un document, fini | Réentraîner tout le modèle |
| Coût de départ | Faible | Élevé (données étiquetées + calcul) |
| Traçabilité | Cite la source utilisée | Boîte noire : d’où ça sort, mystère |
| Risque typique | Récupération mal montée | Halluciner avec aplomb, données vieilles |
Pourquoi on va te vendre du fine-tuning (et pourquoi tu n’en as presque jamais besoin)
Le fine-tuning se vend bien pour trois raisons, dont aucune n’est que ce soit ce qu’il te faut. Un : ça sonne sur mesure —« un modèle entraîné sur tes données » est une phrase qui clôt les réunions—. Deux : c’est plus cher, et en conseil le cher se confond avec le bon. Trois : c’est dur à défaire, donc ça verrouille le client. Le hic, c’est que ça résout le mauvais problème : l’entreprise n’a pas besoin d’un modèle à la personnalité différente, mais d’un modèle qui répond avec l’information correcte et à jour. C’est un problème de récupération, pas de réentraînement.
La preuve est dans la durée de vie de la donnée. Ta politique de congés, ton catalogue, tes prix et tes procédures changent. Si tu les intègres par fine-tuning, chaque changement exige un réentraînement —et jusqu’à ce qu’il arrive, le modèle affirme la vieille version avec un aplomb total. Avec RAG, tu édites le document et, à la question suivante, il répond déjà avec le nouveau, en citant sa source. Pour de la connaissance vivante, réentraîner revient à imprimer Wikipédia chaque matin.
Quand c’est OUI le fine-tuning
Ce n’est pas que le fine-tuning ne serve jamais. Il sert, mais pour un ensemble de cas étroit et assez identifiable :
- Tu as besoin d’un format de sortie très rigide et répétitif que le prompting n’arrive pas à stabiliser (classer dans ton propre schéma avec des milliers d’exemples).
- Tu cherches un ton ou un style très précis et constant, pas une donnée : lui apprendre à écrire « comme ta marque » quand le system prompt ne suffit plus.
- Tu as une tâche à très fort volume où rogner les tokens de contexte à chaque appel compense le coût d’entraînement.
- Et —crucial— ce comportement que tu enseignes NE change pas chaque semaine. S’il change, tu reviens à RAG.
Repère le motif : le fine-tuning sert à enseigner une compétence stable, pas à injecter une connaissance changeante. Dès que ce que tu veux qu’il « sache » a une date de péremption, la réponse revient à RAG. Et dans une vraie entreprise, presque tout ce que tu veux qu’il sache a une date de péremption.
Les 90 % des cas en entreprise : pourquoi RAG gagne
Pour la question que se pose vraiment une entreprise —« qu’il réponde avec le nôtre, à jour, sans inventer »— RAG gagne sur les trois choses qui comptent : moins cher à démarrer, mise à jour en éditant un document et, surtout, il cite la source, donc tu peux auditer d’où sort chaque réponse. Un agent sérieux en 2026 est presque toujours un bon système de RAG avec des evals qui mesurent s’il répond bien, pas un modèle réentraîné. On le détaille dans le guide sur comment entraîner un agent IA : données, evals et gouvernance, et dans celui pour créer un chatbot IA qui utilise ta base de connaissances, où l’architecture RAG se voit pas à pas.
L’autre avantage de RAG, c’est que l’échec est bon marché et visible. Si l’IA répond mal, c’est presque toujours parce que la récupération a ramené le mauvais fragment —et ça se corrige en améliorant l’indexation et la recherche, pas en réentraînant quoi que ce soit. Avec le fine-tuning, quand ça rate, tu as une boîte noire chère et un cycle de correction de plusieurs jours. Monter la couche de récupération correctement —quels documents, comment on les découpe, comment on cherche, ce qu’on journalise— c’est de l’infrastructure, et c’est là que le projet se gagne ou se perd : on le traite comme tel dans le service d’infrastructure IA pour l’entreprise.
L’erreur chère : fine-tuner pour « injecter de la connaissance »
Si tu ne retiens qu’une idée, que ce soit celle-ci : le fine-tuning change comment le modèle parle, pas ce qu’il sait de façon fiable. L’utiliser pour injecter des données est l’erreur la plus courante et la plus chère, car le modèle apprend à sonner comme tes documents sans garantir qu’il en reproduit les faits —et sans citer, donc tu ne remarques même pas quand il se trompe. Commence toujours par RAG. Ne va au fine-tuning que si, la récupération déjà bien montée, il te reste un vrai problème de format ou de style que le contexte ne résout pas. Dans cet ordre, tu dépenses pour ce qu’il faut, quand il le faut.