Nouveau cas client : LeadsIt, l’application de prospection B2B que nous avons construite avec l’IA. Lire le cas client →

Article · 7 min de lecture

RAG ou fine-tuning : que choisir pour votre entreprise

Si vous voulez qu’une IA réponde à partir de vos informations, à jour et avec des sources, choisissez le RAG. Le fine-tuning sert plutôt à modifier la manière dont un modèle se comporte : un style, un format ou une tâche très répétitive. Dans la plupart des projets d’entreprise, on commence par le RAG.

La réponse courte

Le RAG apporte au modèle des connaissances au moment de chaque question, en allant chercher les passages utiles dans vos documents. Le fine-tuning modifie le modèle lui-même en le réentraînant sur des exemples. Le premier change ce que le modèle sait au moment de répondre. Le second change sa façon de répondre.

Pour une entreprise qui veut un assistant capable de répondre sur ses procédures, ses contrats ou ses produits, le RAG est presque toujours le bon point de départ. Il est plus simple à mettre à jour, il permet de citer les sources et il respecte plus facilement les droits d’accès. Le fine-tuning devient intéressant pour des besoins plus spécifiques, que nous détaillons plus bas.

Deux méthodes, deux logiques

Le RAG, ou génération augmentée par la recherche, fonctionne comme un examen à livre ouvert. Le modèle reste tel quel. À chaque question, on lui donne les pages utiles de vos documents et on lui demande de répondre à partir d’elles.

Le fine-tuning, que l’on peut traduire par ajustement fin, fonctionne comme une formation. On reprend un modèle existant et on poursuit son entraînement avec vos exemples : des questions et les réponses attendues, des textes rédigés dans votre style, des documents classés. Le modèle en sort modifié. Il a pris des habitudes.

Cette différence a une conséquence majeure. Une information apprise par fine-tuning est fondue dans le modèle. On ne peut ni la citer précisément, ni la retirer facilement, ni la réserver à certains utilisateurs.

Comparaison point par point

Voici les critères qui comptent pour un décideur. Ils ne sont pas techniques, mais ils déterminent le coût et la fiabilité dans la durée.

  • Mise à jour : avec un RAG, on met à jour l’index quand un document change. Avec le fine-tuning, il faut réentraîner le modèle.
  • Sources : le RAG peut citer le passage utilisé. Le fine-tuning ne le permet pas.
  • Droits d’accès : le RAG filtre les documents selon l’utilisateur. Un modèle ajusté donne potentiellement accès à tout ce qu’il a appris, à tous.
  • Données personnelles : retirer une information d’un index est simple. La retirer d’un modèle ajusté l’est beaucoup moins.
  • Données nécessaires : le RAG utilise vos documents tels qu’ils existent. Le fine-tuning demande des exemples préparés et vérifiés, souvent en nombre.
  • Changement de modèle : un RAG se rebranche sur un autre modèle. Un fine-tuning est lié au modèle d’origine.

Quand le RAG est le bon choix

Le RAG convient dès que la valeur de l’assistant tient à l’information qu’il restitue. C’est le cas d’une base de connaissances interne, d’un support client, d’une recherche juridique ou documentaire. Dans tous ces cas, l’utilisateur veut une réponse exacte et la possibilité de la vérifier.

Il convient aussi quand vos informations changent souvent : tarifs, procédures, offres, réglementation. Un index se met à jour en continu. Un modèle ajusté, lui, reste figé à la date de son entraînement.

Il convient enfin quand tous les utilisateurs ne doivent pas voir les mêmes documents. C’est presque toujours le cas en entreprise : les ressources humaines, la direction financière ou un service juridique ont leurs documents réservés.

Quand le fine-tuning a un intérêt

Le fine-tuning a sa place quand on veut changer un comportement plutôt qu’apporter des connaissances. Par exemple, faire produire systématiquement un format très précis, adopter un vocabulaire métier particulier, ou réaliser une tâche de classement répétitive avec un modèle plus petit et donc moins coûteux à faire tourner.

Il peut aussi servir quand un petit modèle hébergé chez vous doit égaler, sur une tâche étroite, un modèle plus gros. L’ajustement lui apprend cette tâche précise.

Dans ces cas, le fine-tuning demande un vrai travail de préparation : rassembler des exemples justes, les vérifier, mesurer le résultat avant et après. Sans ce travail, le modèle peut apprendre des erreurs ou perdre en qualité sur d’autres sujets.

Les combiner

Les deux méthodes ne s’excluent pas. Un projet peut utiliser un RAG pour les connaissances et un léger ajustement pour le format des réponses. Mais l’ordre compte : commencez par le RAG, mesurez la qualité, et n’envisagez un fine-tuning que si un problème précis subsiste et qu’il relève du comportement du modèle.

Souvent, ce problème se règle d’ailleurs sans réentraînement, avec de meilleures consignes données au modèle ou un meilleur découpage des documents. C’est moins coûteux et plus facile à faire évoluer.

Trois idées reçues

Première idée reçue : « pour que l’IA connaisse notre entreprise, il faut l’entraîner sur nos documents ». C’est l’intuition la plus répandue, et elle conduit souvent au mauvais choix. Un modèle entraîné sur vos documents retient des tendances générales, pas des faits fiables. Il peut mélanger deux versions d’un contrat ou attribuer à un produit la caractéristique d’un autre, sans pouvoir dire d’où il tient l’information.

Deuxième idée reçue : « un modèle ajusté, c’est un modèle à nous ». En réalité, un modèle ajusté reste dépendant du modèle de départ. Quand une version plus performante sort, il faut souvent refaire l’ajustement. Avec un RAG, on change de modèle et on garde son index.

Troisième idée reçue : « le RAG, c’est pour les petits projets, le fine-tuning pour les sérieux ». Les deux méthodes répondent à des besoins différents, pas à des tailles différentes. De très grands déploiements reposent sur un RAG, parce que la traçabilité et la mise à jour y sont essentielles.

Ces confusions sont compréhensibles : les deux termes circulent beaucoup, souvent sans explication. Le bon réflexe consiste à décrire précisément le problème à résoudre avant de choisir la méthode.

Comment décider en pratique

Posez-vous trois questions. L’assistant doit-il répondre à partir d’informations précises et vérifiables ? Ces informations changent-elles ? Tous les utilisateurs ont-ils le droit de tout voir ? Si vous répondez oui, oui et non, le RAG s’impose.

Chez Open Intelligence, nous construisons des RAG sur mesure à partir de vos documents, avec le modèle de votre choix, ouvert, propriétaire ou hébergé chez vous. Nous n’envisageons un ajustement de modèle que lorsqu’une évaluation montre qu’il apporte quelque chose de mesurable.

Questions fréquemment posées

Quelle est la différence entre RAG et fine-tuning ?

Le RAG fournit au modèle des extraits de vos documents au moment de chaque question, sans le modifier. Le fine-tuning réentraîne le modèle sur vos exemples pour changer sa façon de répondre. Le premier apporte des connaissances à jour et citables, le second modifie un comportement.

Le fine-tuning permet-il à l’IA de connaître mes documents ?

En partie, mais mal. Le modèle retient des tendances plutôt que des faits précis, il ne peut pas citer ses sources et il reste figé à la date de l’entraînement. Pour faire connaître vos documents à une IA, le RAG est plus adapté.

Lequel est le moins cher ?

Cela dépend du projet, mais le RAG demande en général moins de préparation et se met à jour sans réentraîner. Le fine-tuning ajoute la constitution d’un jeu d’exemples, l’entraînement et sa répétition à chaque évolution. Ces étapes représentent un coût à prendre en compte dès le départ.

Peut-on utiliser les deux en même temps ?

Oui. On peut combiner un RAG pour les connaissances et un modèle ajusté pour le format ou le ton. Il vaut mieux commencer par le RAG, mesurer, puis ajouter un ajustement seulement si un besoin précis le justifie.

Le RAG est-il plus compatible avec le RGPD ?

Il est plus simple à maîtriser. On peut retirer un document de l’index, filtrer selon l’utilisateur et savoir quelle source a servi. Avec un modèle ajusté sur des données personnelles, il est difficile de garantir qu’une information a bien été retirée.

Passez de la question à la décision

Le moyen le plus rapide de comprendre Open Intelligence est de le voir répondre sur vos propres documents. Décrivez votre besoin : nous revenons vers vous avec une solution sur mesure et un devis chiffré.