# Une petite entreprise devrait-elle faire l’ajustement fin d’un modèle ou bâtir un système RAG?

Date: 2026-04-25 · Author: Robert Scales · https://guidetoartificialintelligence.com/fr/apprendre/petite-entreprise-ajustement-fin-ou-rag/

**Answer:** Pour la plupart des petites entreprises, commencez par le RAG, parce que le besoin habituel est d’obtenir des réponses fondées sur vos propres faits, et que ces faits changent. Ne faites un ajustement fin que si vous avez un solide ensemble d’exemples propres et cohérents, et un problème de style ou de format que des consignes claires et la recherche documentaire n’ont pas réglé.

Les deux approches rendent un modèle d’IA général plus utile pour votre entreprise, mais elles ne changent pas les mêmes choses. L’**ajustement fin** (*fine-tuning*) consiste à entraîner davantage un modèle existant sur vos propres exemples, pour qu’il adopte un style, un format ou une façon de traiter certaines demandes. Le **RAG** (*retrieval-augmented generation*, génération augmentée par récupération) laisse le modèle inchangé : avant chaque réponse, votre système cherche dans vos propres documents et transmet au modèle les passages les plus pertinents avec la question.

Une façon simple de retenir la différence : l’ajustement fin change *la façon dont* le modèle répond, et le RAG change *ce qu’il sait* au moment où il répond. Les chercheurs qui ont donné son nom au RAG en 2020 ont souligné la faiblesse fondamentale qu’il corrige : les modèles stockent des faits dans leurs paramètres, mais ils ne peuvent pas facilement mettre ces faits à jour ni montrer d’où vient une réponse.

## Ce à quoi chacun est bon

| Besoin | Meilleur choix | Pourquoi |
|---|---|---|
| Des réponses fondées sur vos prix, politiques, heures d’ouverture, produits | RAG | Modifiez un document, et la réponse suivante en tient compte |
| Montrer de quelle page vient une réponse | RAG | Le passage récupéré peut être cité |
| Un ton constant ou une structure de réponse fixe | Ajustement fin (ou des consignes d’abord) | Appris à partir de nombreux exemples |
| Classer les demandes dans vos propres catégories | Ajustement fin | Une tâche étroite et répétée, avec des bonnes réponses claires |
| Des faits qui changent chaque mois | RAG | Un modèle ajusté devrait être réentraîné chaque fois |

OpenAI décrit l’ajustement fin comme une façon de façonner la structure et le ton des réponses, ou d’apprendre à un modèle à suivre des consignes complexes propres à un domaine. Elle ne recommande pas l’ajustement fin pour charger un catalogue de produits dans un modèle. Ses pages d’aide décrivent le RAG précisément pour cet usage, avec l’exemple d’un assistant de soutien qui répond mieux quand il peut consulter d’anciennes demandes portant sur des problèmes semblables.

## Une décision concrète : une petite boutique de plein air

La boutique compte deux employés qui répondent aux courriels. La plupart des questions portent sur l’état des commandes, les règles de retour, les tailles et les réparations. Elle a un centre d’aide de 40 pages, une politique de retour qui change chaque saison et environ deux ans de courriels auxquels on a répondu. L’objectif est un assistant qui rédige des brouillons de réponses que le personnel approuve.

**Étape 1. Classez un échantillon de vraies questions.** Prenez 50 courriels récents et étiquetez chacun. Résultat donné à titre d’illustration :

| Type de question | Part | Ce dont dépend la réponse |
|---|---|---|
| Retours et échanges | 40 % | La politique en vigueur |
| Tailles et détails des produits | 30 % | Les pages de produits |
| État de la commande | 20 % | Le système de commandes (un outil, pas une connaissance de l’IA) |
| Plaintes | 10 % | Le jugement et le ton |

**Étape 2. Demandez-vous ce qui échoue aujourd’hui.** Collez quelques questions dans un assistant général en y incluant le texte de votre politique, et regardez les brouillons. Si les faits sont faux ou manquants, vous avez un problème de connaissances : cela mène au RAG. Si les faits sont justes mais que le ton cloche, vous avez un problème de style : essayez d’abord de meilleures consignes.

**Étape 3. Bâtissez la plus petite version RAG possible.** La chaîne de traitement suggérée par OpenAI est courte : découpez chaque article d’aide en morceaux, transformez chaque morceau en **plongement** (*embedding*, une liste de nombres qui en capte le sens), stockez-les, puis, au moment de la question, envoyez au modèle les morceaux les plus proches avec la question. Bien des outils sans code, dont les GPT personnalisés avec des fichiers téléversés, le font pour vous.

**Étape 4. Rédigez les consignes.**

```prompt
Tu rédiges des réponses à des courriels pour une boutique de plein air. Utilise
seulement les passages de politique et de produits fournis. S’ils ne répondent
pas à la question, dis qu’un membre du personnel fera un suivi, et ne devine pas.
Tes réponses font moins de 120 mots, sur un ton amical et simple. Termine par
le nom de la page que tu as utilisée.
```

**Étape 5. Décidez de l’ajustement fin plus tard, preuves à l’appui.** Après un mois, si le personnel réécrit encore la plupart des brouillons pour le ton, les deux années de courriels pourraient devenir des exemples d’entraînement. OpenAI affirme que quelques dizaines d’exemples bien choisis peuvent donner des résultats utiles, mais qu’ils doivent être propres et cohérents.

Pour cette boutique, la réponse est le RAG maintenant, une connexion à un outil pour l’état des commandes, et l’ajustement fin seulement s’il reste un problème de ton mesuré.

> **À essayer :** choisissez 20 questions que vos clients ont posées ce mois-ci. À côté de chacune, notez si une bonne réponse exige *un fait tiré de vos documents* ou *un style que vous pourriez décrire en une phrase*. Si la plupart exigent des faits, vous avez votre réponse.

## Quand l’ajustement fin est le bon choix

L’ajustement fin mérite sa place quand la tâche est étroite et répétitive, que le bon résultat est clair et que vous avez beaucoup d’exemples : étiqueter des demandes, remplir un formulaire fixe à partir d’un texte désordonné, ou respecter un style maison qui résiste aux consignes. N’oubliez pas que vos données d’entraînement exigent le même soin en matière de vie privée que toutes vos données de clients.

## Combien coûte l’entretien de chacun?

Les prix changent souvent : consultez donc la page de tarifs actuelle du fournisseur que vous utilisez. Ce qui diffère le plus entre les deux approches, c’est le *travail* nécessaire après le lancement.

Le **RAG** vous coûte l’entretien des documents et de petits frais d’utilisation. Chaque fois qu’une politique ou un produit change, vous mettez à jour le texte source et l’index se rafraîchit, souvent automatiquement. Chaque question coûte un peu plus qu’un prompt ordinaire, parce que les passages récupérés sont envoyés avec elle. La tâche continue consiste à examiner les mauvaises réponses et à corriger le document qui les a causées.

L’**ajustement fin** vous coûte un entraînement chaque fois que les exemples changent, plus le travail de préparation et de nettoyage de ces exemples. L’utilisation du modèle ajusté est ensuite facturée à l’usage, à son propre tarif, indiqué séparément sur la page de tarifs du fournisseur. Et quand un fournisseur lance un meilleur modèle de base, vous devrez peut-être refaire l’entraînement pour en profiter.

Pour une petite équipe, le coût caché, c’est l’attention. Un système RAG a besoin d’une personne responsable des documents; un modèle ajusté a besoin d’une personne responsable de l’ensemble d’entraînement, qui refait les tests après chaque changement. Choisissez celui que vous pouvez réalistement tenir à jour.

## Sources

- Retrieval Augmented Generation (RAG) and Semantic Search for GPTs: https://help.openai.com/en/articles/8868588-retrieval-augmented-generation-rag-and-semantic-search-for-gpts
- Fine-tuning now available for GPT-4o: https://openai.com/index/gpt-4o-fine-tuning/
- Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks: https://arxiv.org/abs/2005.11401v1