# Faut-il améliorer le prompt, donner vos documents à l’IA ou faire l’ajustement fin d’un modèle?

Date: 2026-10-28 · Author: Robert Scales · https://guidetoartificialintelligence.com/fr/apprendre/prompt-documents-ou-ajustement-fin/

**Answer:** Commencez par améliorer le prompt, parce que c’est la solution la moins coûteuse et souvent la seule nécessaire. Donnez vos documents à l’IA quand ses réponses sont fausses faute de connaître vos faits, et n’envisagez l’ajustement fin que si elle a les faits mais se comporte de façon inégale, dans le format, le ton ou la méthode, sur de nombreux exemples.

Quand un outil d’IA vous donne des réponses décevantes, il y a trois grandes façons de l’améliorer. Vous pouvez **améliorer le prompt** : des instructions plus claires, quelques exemples, une meilleure structure. Vous pouvez **lui donner vos documents**, soit en les collant, soit par la génération augmentée par récupération (RAG, pour *retrieval-augmented generation*), où une étape de recherche trouve les passages pertinents et les ajoute au prompt. Ou vous pouvez faire l’**ajustement fin** (*fine-tuning*) d’un modèle : le réentraîner sur des centaines de vos propres exemples pour que le comportement soit intégré.

Ce ne sont pas trois barreaux d’une même échelle. Le guide d’OpenAI sur l’amélioration de la précision les décrit comme des leviers qui règlent des problèmes différents, et la question utile n’est pas « jusqu’où dois-je aller? », mais « qu’est-ce qui cloche exactement? »

## Deux sortes de problèmes

Le guide d’OpenAI classe les échecs en deux familles, avec une analogie d’examen qu’il vaut la peine de garder en tête.

- **Le modèle ne sait pas quelque chose.** Vos prix, vos politiques, les décisions de la semaine dernière, le dossier d’un client. C’est un problème de *connaissances*. La solution est le contexte : lui donner le manuel pendant l’examen. En pratique, cela veut dire coller des documents, joindre des fichiers, activer un connecteur ou bâtir un système RAG.
- **Le modèle en sait assez, mais se comporte mal.** Le format dérive, le ton n’est pas le bon, il saute une étape de votre méthode, il répond en trois paragraphes quand il vous faut une ligne. C’est un problème de *comportement*. La première solution reste le prompt (instructions et exemples), et l’ajustement fin ne vaut la peine d’être envisagé que si le prompt n’arrive pas à rendre le résultat constant. L’ajustement fin, c’est comme avoir étudié avant l’examen.

Bien des problèmes réels sont un mélange, et les deux solutions se cumulent : un modèle ajusté peut quand même utiliser des documents récupérés.

## Ce qui a changé en 2026

Deux tendances modifient l’équilibre pour les utilisateurs ordinaires.

D’abord, **les fenêtres de contexte sont grandes et les connecteurs sont courants**. Le conseil d’Anthropic depuis 2024 est que si votre documentation fait moins d’environ 200 000 jetons, soit à peu près 500 pages, vous pouvez souvent tout inclure dans le prompt, sans aucun système de récupération. Les assistants d’aujourd’hui vous permettent aussi de joindre un dossier ou d’activer un connecteur vers votre lecteur, ce qui revient à du RAG fait pour vous. Pour une petite équipe, « lui donner les documents » veut habituellement dire un réglage, pas un projet.

Ensuite, **les instructions voyagent mieux qu’avant**. Les projets, les instructions personnalisées et les compétences réutilisables vous permettent d’enregistrer un bon prompt avec ses exemples et de vous en servir chaque fois. Bien des problèmes qui semblaient autrefois exiger un ajustement fin, comme « réponds toujours dans notre style maison », se règlent maintenant avec un prompt enregistré et trois bons exemples.

L’ajustement fin garde sa place : des tâches à fort volume où l’on veut qu’un modèle plus petit et moins cher égale un plus gros, ou des formes de réponse très précises que des centaines d’exemples enseignent mieux que n’importe quelle instruction. Le guide d’OpenAI suggère de commencer avec au moins 50 exemples de grande qualité qui ressemblent exactement aux entrées réelles, et d’en garder une partie de côté pour tester le résultat.

## Un diagnostic concret

Un petit bureau de gestion immobilière utilise un assistant pour répondre aux questions des locataires. Voici cinq réponses ratées et la solution que chacune indique.

| Ce qui n’a pas marché | Type de problème | Première solution |
|---|---|---|
| A cité les mauvais frais de retard | Connaissance manquante | Joindre la grille de frais à jour |
| Ne connaissait pas le nouveau jour de collecte des ordures | Connaissance périmée | Connecter le dossier partagé des avis |
| Réponses trop longues et trop formelles | Comportement | Ajouter une limite de longueur et deux réponses modèles au prompt |
| Oublie parfois de donner le numéro du bureau | Comportement | Ajouter « termine toujours par… » et un exemple |
| Met en forme le résumé des demandes de réparation différemment chaque fois | Comportement | Donner un gabarit exact; ajustement fin seulement si des centaines de demandes par semaine varient encore |

Quatre sur cinq se règlent sans rien entraîner. Cette proportion est typique.

```prompt
Voici cinq réponses de mon assistant d’IA qui ne m’ont pas satisfait, chacune suivie de ce qu’aurait dû être la bonne réponse.
Pour chacune, dis-moi si le problème vient d’une connaissance manquante (il lui manquait un fait) ou du comportement (il avait les faits, mais les a mal traités).
Propose ensuite la plus petite solution : une modification du prompt, un document à fournir ou, seulement si c’est clairement nécessaire, un ajustement fin. Explique chaque choix en une phrase.
```

> **À essayer :** gardez les dix prochaines réponses que vous avez dû corriger à la main. Étiquetez chacune « ne savait pas » ou « n’a pas bien fait », et comptez-les. La plus grosse pile vous dit quelle solution essayer d’abord.

## Comment décider en cinq minutes?

Prenez cinq réponses récentes qui ne vous ont pas plu et posez une seule question pour chacune : *si un nouvel employé intelligent avait eu les bons documents sous les yeux, aurait-il eu la bonne réponse?* Si oui, le modèle manquait de connaissances; donnez-lui les documents. Si non, parce qu’il faudrait aussi expliquer à l’employé comment vous aimez que les choses soient faites, c’est un problème de comportement; améliorez d’abord le prompt.

Appliquez ensuite trois règles rapides. Si les documents entrent dans le téléversement de fichiers de l’assistant ou dans un connecteur, utilisez cela avant de bâtir un système de récupération. Si un meilleur prompt avec deux ou trois exemples règle la plupart des problèmes de comportement, arrêtez-vous là. N’envisagez l’ajustement fin que si vous avez des dizaines, voire des centaines d’exemples propres, que la même tâche revient très souvent et qu’un prompt a déjà été essayé et mesuré.

Ce dernier mot compte. Avant de changer quoi que ce soit, conservez les cinq cas ratés et les réponses que vous vouliez. Refaites-les passer après chaque correction. Vingt cas de ce genre forment un petit jeu de tests, que le guide d’OpenAI considère comme le bon point de départ avant d’essayer quoi que ce soit de plus poussé, et cela transforme « ça semble mieux » en un compte auquel vous pouvez vous fier.

## Sources

- Optimizing LLM accuracy: https://platform.openai.com/docs/guides/optimizing-llm-accuracy
- Introducing Contextual Retrieval: https://www.anthropic.com/news/contextual-retrieval