RAG ou fine-tuning pour les documents d’entreprise ?

Deux techniques reviennent dès qu’une entreprise veut adapter l’IA à ses documents : la récupération augmentée (RAG) et le fine-tuning. Elles répondent à deux problèmes différents ; les choisir demande de comprendre lequel est le vôtre.

La bonne nouvelle pour une TPE ou une PME : la plupart des besoins de connaissance se règlent avec la récupération, sans entraînement. Le fine-tuning, lui, se concentre sur le comportement du modèle ; les faits viennent de la récupération.

Deux problèmes différents

Le RAG consiste à retrouver les bons documents au moment de la demande, puis à les donner au modèle comme contexte. Le modèle reste identique et s’appuie sur les éléments fournis. AWS le résume ainsi : le RAG fonctionne sans entraînement et sans modifier les poids du modèle. [15]

Le fine-tuning consiste à adapter le modèle lui-même avec des exemples. Google précise qu’il faut lui fournir des paires entrée-sortie étiquetées, c’est-à-dire des exemples de la réponse que tu attends. [16]

En une phrase : le RAG apporte de la connaissance fraîche, le fine-tuning apporte un comportement appris. Les deux se complètent. La littérature de recherche documente d’ailleurs les limites des modèles seuls (connaissances obsolètes, raisonnements opaques) et décrit la récupération comme un moyen de mettre à jour la connaissance en continu. [14]

L’arbre de décision

Réponds aux quatre questions pour voir la direction recommandée.

Question 1 : tes documents changent-ils souvent ?

Si tes procédures, tarifs ou FAQ évoluent régulièrement, la récupération est un avantage décisif : Microsoft note que le RAG facilite les mises à jour périodiques des données sans réentraînement. [18] Le fine-tuning figerait l’état des documents à la date de l’entraînement.

Question 2 : as-tu des exemples de réponses idéales ?

Le fine-tuning exige des données étiquetées : des entrées avec la sortie attendue. [16] Le fine-tuning exige un jeu d’exemples propre et conséquent. Le RAG fonctionne, lui, avec tes documents existants.

Question 3 : le besoin est-il un ton, un format, une façon de répondre ?

Le fine-tuning excelle sur le style et le format : OpenAI précise qu’il est adapté au style, au contenu et au format, moins à l’apport de connaissances. [17] Une réponse trop générique demande d’abord de vérifier les consignes, les exemples et le contexte. Des règles absentes doivent être fournies, directement ou par récupération ; ces symptômes ne suffisent pas à justifier un entraînement.

Question 4 : quel est le volume de tes documents ?

Dans un article de septembre 2024, Anthropic citait un repère de 200 000 tokens, soit environ 500 pages, pour envisager le contexte direct. [19] Ce n’est pas un seuil universel. Vérifie la capacité du modèle choisi, la taille réelle des fichiers, le coût, les droits d’accès et la place nécessaire aux consignes et à la réponse. Compare ensuite contexte direct et récupération sur tes questions.

Coûts et maintenance

Le fine-tuning ajoute la préparation d’exemples, l’entraînement et les évaluations. Le RAG ajoute l’indexation, la recherche et leur maintenance. Microsoft décrit ces postes et les compromis entre adaptation et récupération. [18]

Pour comparer les coûts, compte aussi les appels en production, les mises à jour, les vérifications et les reprises sur erreur. Le délai d’indexation dépend des documents et du système ; il doit être mesuré. Aucune de ces méthodes n’est toujours la moins chère.

Le signal de 2026

Une évolution récente mérite d’être connue : OpenAI a annoncé la fin de sa plateforme de fine-tuning pour les nouveaux utilisateurs. [17] Cet avis concerne la plateforme OpenAI. Il ne signifie pas que le fine-tuning disparaît chez tous les fournisseurs ; vérifie sa disponibilité et les échéances du modèle avant de le retenir.

Le fine-tuning garde sa place pour des tâches étroites avec beaucoup de données étiquetées et une latence critique. Pour donner de la connaissance à un agent, la récupération reste la voie normale.

Combiner les deux, dans le bon ordre

Les deux approches peuvent se combiner : les faits via la récupération, le comportement via le fine-tuning. AWS documente cette combinaison : le RAG pour les données fréquemment mises à jour et sensibles, le fine-tuning pour la personnalisation précise et les tâches étroites. [15]

L’ordre recommandé reste celui de la simplicité : commence par donner le contexte directement, passe à la récupération quand le volume grandit, puis évalue le fine-tuning si le comportement reste insuffisant, avec un jeu d’exemples propre et des évaluations. [16] [17]

Le résumé utile

La série continue sur un sujet voisin mais distinct : ce qu’un agent doit retenir, et ce qu’il doit oublier.