Publié le
Mis à jour le
Ce guide aide à choisir entre RAG, fine-tuning et simple amélioration de la consigne pour un usage d’entreprise. Il suppose que l’usage est choisi : le guide prioriser les cas d’usage IA traite ce choix.
À retenir
Le RAG apporte au modèle des faits qui changent ; le fine-tuning modifie un comportement ou un format.
Essayez d’abord une consigne mieux écrite, et mesurez chaque option sur le même jeu d’évaluation.
Un RAG ne vaut pas mieux que ses documents : qualité, mise à jour et droits d’accès décident du résultat.
Quelle différence entre RAG et fine-tuning ?
Le RAG va chercher les passages utiles dans vos documents au moment de la question et les donne au modèle. Le fine-tuning réentraîne le modèle sur vos exemples et modifie ses paramètres. Les auteurs du RAG (Lewis et al., 2020) lui attribuent deux atouts : une connaissance plus facile à mettre à jour et une meilleure traçabilité des sources. Le guide d’OpenAI sur la précision des modèles distingue de même deux axes. Le RAG traite le contexte, donc l’exactitude des réponses ; le fine-tuning traite le comportement, donc sa constance.
Faut-il commencer par améliorer la consigne ?
Oui : une consigne mieux écrite règle souvent le problème, pour un coût et un délai bien plus faibles. Précisez le rôle, le format attendu et quelques exemples de bonnes réponses : la fiche prompt engineering détaille ces techniques. Constituez en même temps un jeu d’évaluation : des questions réelles et leurs réponses attendues. Le guide d’OpenAI propose d’en réunir au moins une vingtaine. Ce jeu servira à comparer toutes les options, puis à contrôler chaque mise à jour.
Quand choisir le RAG ?
Choisissez le RAG quand le modèle manque d’informations propres à votre entreprise ou qui changent : procédures, tarifs, contrats, fiches produits. Une étude d’Ovadia et de ses coauteurs (EMNLP 2024) compare les deux méthodes pour apprendre des faits au modèle. Le RAG fait mieux que le fine-tuning non supervisé, y compris pour des connaissances nouvelles.
Un RAG ne vaut pas mieux que ses documents. Retirez les versions périmées et les doublons, et désignez un responsable par source : la fiche qualité et gouvernance des données décrit ces règles. Appliquez les droits d’accès existants. L’OWASP décrit le risque d’un RAG qui renvoie à un utilisateur des documents qu’il n’a pas le droit de lire. L’ANSSI demande de traiter le besoin d’en connaître dès la conception (recommandation R8).
Le RAG ne supprime pas les erreurs. Magesh et ses coauteurs (Journal of Empirical Legal Studies, 2025) ont testé des outils de recherche juridique fondés sur le RAG. Selon cet article, les outils de LexisNexis et de Thomson Reuters donnaient entre 17 % et 33 % de réponses erronées ou mal sourcées. La fiche hallucination explique pourquoi la relecture reste nécessaire.
Organisation & Diagnostics
Structurez votre organisation avec un diagnostic clair
Nos audits révèlent les leviers concrets pour aligner vos équipes et vos process.
Quand choisir le fine-tuning ?
Choisissez le fine-tuning quand le problème tient au comportement du modèle : un format à respecter strictement, un ton constant, une classification répétée des milliers de fois. Selon la même étude d’Ovadia, le fine-tuning non supervisé peine à apprendre des faits nouveaux. Le guide d’OpenAI conseille de commencer avec une cinquantaine d’exemples de qualité, puis de valider sur un jeu distinct.
Vérifiez l’offre avant de vous engager. OpenAI a annoncé le 7 mai 2026 la fin progressive de son fine-tuning en libre-service. Les nouveaux clients n’y ont plus accès. Ses clients actifs ne pourront plus lancer de nouvel entraînement à partir du 6 janvier 2027. Depuis le 2 juillet 2026, ceux qui n’ont utilisé aucun modèle affiné dans les 60 derniers jours en sont déjà exclus. Les modèles déjà affinés restent utilisables jusqu’au retrait de leur modèle de base. OpenAI prévoit de retirer GPT-4o et GPT-4.1 le 14 janvier 2027.
Côté AI Act, le fine-tuning fait rarement de vous le fournisseur d’un modèle d’IA à usage général. Selon la FAQ de la Commission (mise à jour du 11 novembre 2025), il faut pour cela utiliser plus d’un tiers du calcul de l’entraînement initial. L’article 25 reste à vérifier si le système est à haut risque.
Quels risques de sécurité pour un RAG ?
Le principal risque vient des documents eux-mêmes : un texte piégé peut contenir des instructions que le modèle exécute. Dans son Top 10 des risques des applications de LLM, publié le 3 août 2026, l’OWASP place la prompt injection en tête. Ce risque inclut la forme indirecte, par des documents, des courriels ou des pages web. Le danger augmente si le système peut agir, par exemple envoyer un courriel : le guide agents IA en entreprise traite ce cas. Limitez les sources aux documents dont vous connaissez l’origine, et gardez une validation humaine avant toute action.
Que coûte la maintenance de chaque méthode ?
Un RAG demande un entretien continu : mise à jour de l’index, retrait des documents périmés, contrôle des droits, nouveau passage du jeu d’évaluation. Un modèle affiné demande un nouvel entraînement à chaque changement de modèle de base ou de format attendu. L’ANSSI recommande de ne jamais réentraîner un modèle directement en production (recommandation R21). Dans les deux cas, chiffrez le temps des équipes, pas seulement la facture du fournisseur.
Comment trancher sur vos cas d’usage ?
Partez du problème observé sur le jeu d’évaluation, puis choisissez la méthode qui le traite. Cette grille est une proposition Spentia, sans statistique de réussite ni portefeuille client revendiqué.
Exercice fictif. Une ETI industrielle examine quatre usages.
Usage | Problème observé | Méthode retenue |
|---|---|---|
Réponses du support sur les fiches produits | Le modèle ignore les références récentes | RAG sur le catalogue à jour |
Extraction de données des bons de commande | Format de sortie irrégulier | Consigne avec exemples, puis fine-tuning si l’écart persiste |
Assistant juridique sur les contrats | Faits propres à chaque contrat, droits d’accès stricts | RAG avec droits par utilisateur et relecture du juriste |
Rédaction d’annonces dans le ton de la marque | Ton inégal | Consigne et exemples ; le résultat suffit, pas de fine-tuning |
Foire aux questions
Peut-on entraîner une IA sur les données de son entreprise ?
Peut-on entraîner une IA sur les données de son entreprise ?
Oui, mais ce n’est souvent pas la bonne méthode pour lui apprendre des faits. Le RAG donne au modèle vos documents à jour au moment de la question, sans le réentraîner. Le fine-tuning sert plutôt à fixer un format ou un ton. Dans les deux cas, vérifiez vos droits sur les données utilisées.
Combien de documents faut-il pour mettre en place un RAG ?
Combien de documents faut-il pour mettre en place un RAG ?
Il n’existe pas de seuil. La qualité compte plus que le volume : des documents à jour, sans doublon, avec un responsable identifié. Commencez par le périmètre d’un seul usage et mesurez le résultat sur votre jeu d’évaluation.
Un chatbot sur des documents internes est-il sûr ?
Un chatbot sur des documents internes est-il sûr ?
Il le devient à trois conditions. Respectez les droits d’accès de chaque utilisateur, limitez les sources aux documents d’origine connue et gardez une relecture humaine pour les réponses engageantes. Sans ces règles, il peut divulguer des documents ou suivre des instructions cachées.
Le fine-tuning fait-il de vous un fournisseur au sens de l’AI Act ?
Le fine-tuning fait-il de vous un fournisseur au sens de l’AI Act ?
Rarement pour le modèle lui-même : la Commission fixe le seuil à plus d’un tiers du calcul de l’entraînement initial. En revanche, modifier substantiellement un système à haut risque, ou le détourner vers une finalité à haut risque, peut faire de vous son fournisseur (article 25).
Sources
P. Lewis et al., Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks, arXiv, 2020 (v4, 2021) : article fondateur du RAG, mise à jour des connaissances et provenance. : arXiv
O. Ovadia, M. Brief, M. Mishaeli, O. Elisha, Fine-Tuning or Retrieval? Comparing Knowledge Injection in LLMs, actes d’EMNLP 2024, p. 237-250 : le RAG fait mieux que le fine-tuning non supervisé pour injecter des connaissances. : ACL Anthology
V. Magesh et al., Hallucination-Free? Assessing the Reliability of Leading AI Legal Research Tools, Journal of Empirical Legal Studies, vol. 22, 2025, p. 216-242 : trois outils juridiques fondés sur le RAG testés, entre 17 % et 33 % de réponses erronées ou mal sourcées. : Wiley
OpenAI, guide Optimizing LLM Accuracy : consigne et jeu d’évaluation d’abord ; RAG et fine-tuning comme deux leviers distincts (contexte, comportement). : OpenAI
OpenAI, page Deprecations, section sur le fine-tuning en libre-service, consultée le 26 octobre 2026 : calendrier de fin progressive annoncé le 7 mai 2026. : OpenAI
Commission européenne, FAQ sur les lignes directrices des fournisseurs de modèles d’IA à usage général, mise à jour du 11 novembre 2025 : seuil d’un tiers du calcul. : Commission européenne
AI Act consolidé, article 25 : cas où un déployeur devient fournisseur d’un système à haut risque. : AI Act Service Desk
OWASP Gen AI Security Project, Top 10 for LLM Applications, édition 2026, 3 août 2026 : LLM01:2026 Prompt Injection, au premier rang, injection directe et indirecte ; LLM02:2026 Sensitive Information Disclosure (autoriser l’accès avant la recherche dans un RAG) ; LLM09:2026 Vector and Embedding Weaknesses. : OWASP GenAI
ANSSI, Recommandations de sécurité pour un système d’IA générative, 29 avril 2024 : R8 (besoin d’en connaître) et R21 (pas de réentraînement en production). : ANSSI
La grille et l’exercice fictif sont une construction méthodologique Spentia, sans statistique de réussite ni portefeuille client revendiqué.
