RAG ou fine-tuning : quelle méthode pour une IA qui connaît votre entreprise ?
RAG ou fine-tuning ? Les deux méthodes servent à rendre un modèle de langage utile pour votre entreprise, mais elles n'agissent pas au même endroit : le RAG (génération augmentée par récupération) fournit au modèle vos documents au moment de chaque question, le fine-tuning (réglage fin) modifie le modèle en le réentraînant sur vos exemples. Ce guide compare les deux, indique quand choisir l'un, l'autre ou les deux, ce que disent le règlement européen sur l'IA et le RGPD, et quand un projet sur mesure se justifie.
La réponse courte
Si votre besoin est que l'IA sache quelque chose (vos procédures, vos contrats, votre catalogue, votre base de tickets), choisissez le RAG. Si votre besoin est que l'IA se comporte d'une certaine façon (un format de sortie strict, un vocabulaire métier, une classification répétée des milliers de fois), le fine-tuning peut se justifier. Dans la grande majorité des projets d'entreprise, le RAG est le point de départ, et le fine-tuning un complément éventuel.
Les deux méthodes en clair
Le RAG (Retrieval-Augmented Generation) fonctionne en deux temps. Vos documents sont découpés en passages et indexés, souvent sous forme de vecteurs qui représentent leur sens. À chaque question, le système retrouve les passages les plus pertinents et les donne au modèle avec la consigne de répondre à partir d'eux, en citant ses sources. Le modèle lui-même n'est pas modifié.
Le fine-tuning (on écrit aussi fine tuning ; en français réglage fin, ou affinage) reprend un modèle existant et poursuit son entraînement sur un jeu d'exemples préparés : des questions et les réponses attendues, des documents et la classification correcte. Le modèle obtenu intègre ces habitudes dans ses paramètres. Les techniques légères comme LoRA réduisent la puissance de calcul nécessaire, mais le principe reste le même.
Tableau comparatif
| Critère | RAG | Fine-tuning |
|---|---|---|
| Ce qu'il apporte | Des connaissances, à jour | Un comportement, un style, un format |
| Mise à jour | Ajouter ou retirer un document de l'index | Préparer de nouveaux exemples, réentraîner, réévaluer |
| Sources citées | Oui, passage par passage | Non, le savoir est diffus dans le modèle |
| Droits d'accès | Filtrables : chacun ne retrouve que ses documents autorisés | Impossibles à cloisonner une fois appris |
| Données nécessaires | Vos documents existants | Des centaines à des milliers d'exemples de qualité |
| Effacement d'une donnée | Simple : supprimer le passage | Difficile : réentraîner ou filtrer |
| Changement de modèle | Facile, l'index reste | L'affinage est à refaire |
| Coût à l'usage | Questions plus longues, donc un peu plus de calcul par réponse | Réponses plus courtes possibles avec un petit modèle affiné |
Quand choisir le RAG
- Base de connaissances interne : procédures, qualité, RH, informatique.
- Support client qui doit répondre d'après la documentation et l'historique des tickets.
- Recherche dans des contrats, des appels d'offres, des dossiers techniques.
- Toute situation où la réponse doit citer sa source et où les documents changent souvent.
- Toute situation où tous les utilisateurs n'ont pas le droit de voir les mêmes documents.
Quand le fine-tuning se justifie
- Une tâche très répétitive et étroite (classer des courriels, extraire des champs d'un type de document) où un petit modèle affiné répond plus vite et à moindre coût de calcul qu'un grand modèle généraliste.
- Un format de sortie que le modèle ne respecte pas de façon fiable malgré des consignes soignées.
- Un vocabulaire ou un registre très spécialisé que les consignes et les exemples ne suffisent pas à imposer.
Dans tous les cas, mesurez d'abord : un jeu de tests de vrais cas, le taux de bonnes réponses avec une consigne soignée, puis avec le RAG. Le fine-tuning n'a de sens que s'il améliore ce chiffre de façon nette.
Ce que disent le règlement IA et le RGPD
Affiner un modèle ne fait pas de vous, en règle générale, un fournisseur de modèle. Selon la Commission européenne, les lignes directrices sur les modèles d'IA à usage général précisent que ceux qui modifient ou affinent un modèle ne deviennent fournisseurs que dans des circonstances exceptionnelles, en particulier lorsque la modification utilise plus d'un tiers du calcul d'entraînement du modèle d'origine ; la plupart des ajustements n'entraînent donc pas ces obligations (Commission européenne, lignes directrices sur les obligations des fournisseurs d'IA à usage général, consulté le 13 novembre 2026). Les obligations du déployeur, elles, demeurent : depuis sa modification par le règlement (UE) 2026/1744, l'article 4 demande aux fournisseurs et aux déployeurs de prendre des mesures pour favoriser le développement de la maîtrise de l'IA par leur personnel et les autres personnes qui utilisent ces systèmes pour leur compte, sans garantir un niveau spécifique par individu (consulté le 13 novembre 2026).
Les droits des personnes sont plus simples à respecter avec le RAG. La CNIL relève que l'identification de données à partir des paramètres d'un modèle présente des difficultés techniques importantes, et que les solutions pour répondre à l'exercice des droits, notamment le réentraînement ou l'application de filtres, sont à ce jour soit particulièrement coûteuses et délicates, soit imparfaites (CNIL, IA : respecter et faciliter l'exercice des droits des personnes, consulté le 13 novembre 2026). Avec un RAG, une demande d'effacement au titre de l'article 17 du RGPD se traite en supprimant le document et son passage indexé. Conclusion pratique : n'affinez jamais un modèle sur des données personnelles quand un RAG suffit.
Les erreurs fréquentes
- Affiner un modèle pour lui « apprendre » des documents qui changeront le mois suivant.
- Indexer des documents obsolètes ou contradictoires : le RAG répète fidèlement ce qu'on lui donne.
- Ignorer les droits d'accès dans l'index, et exposer des documents RH à tout le monde.
- Juger sur quelques démonstrations au lieu d'un jeu de tests rejoué à chaque changement.
Quand un RAG sur mesure est rentable
Les assistants intégrés à Microsoft 365 ou Google Workspace font déjà du RAG sur vos fichiers bureautiques. Un RAG développé pour vous se justifie quand vos sources sont dans des logiciels métiers, quand les droits d'accès sont fins, quand les réponses doivent citer précisément leurs sources, ou quand vous voulez choisir le modèle et garder les données hébergées dans l'UE. Il sert aussi de socle à un agent IA qui agit à partir de vos documents.
Notre page RAG en entreprise décrit ce que nous construisons, avec un jeu de tests livré avec le système et le code qui vous appartient. Pour le budget, lisez le guide coût d'un agent IA ou prix d'un chatbot IA, et pour choisir un prestataire, comment choisir une agence IA.
Questions fréquentes
Quelle est la différence entre RAG et fine-tuning, en une phrase ?
Le RAG donne au modèle les bons documents au moment de la question ; le fine-tuning modifie le modèle lui-même en le réentraînant sur des exemples. Le premier apporte des connaissances, le second un comportement.
Le RAG est-il moins coûteux que le fine-tuning ?
En général oui pour un usage d'entreprise : pas d'entraînement à relancer, et une mise à jour consiste à ajouter ou retirer un document de l'index. Le fine-tuning demande des exemples de qualité, des entraînements répétés et une nouvelle évaluation à chaque version.
Peut-on combiner RAG et fine-tuning ?
Oui. Un modèle affiné pour respecter un format ou un vocabulaire métier peut recevoir, par RAG, les documents à jour. C'est utile à grande échelle, mais la plupart des projets d'entreprise commencent par le RAG seul et n'ajoutent un affinage que si un besoin mesuré le justifie.
Le fine-tuning évite-t-il les hallucinations ?
Non. Un modèle affiné peut toujours inventer, et il ne cite pas ses sources. Le RAG réduit le risque en obligeant le modèle à répondre à partir de passages retrouvés, qu'il peut citer, mais il ne le supprime pas : il faut évaluer les réponses sur de vrais cas.
Faire du fine-tuning nous rend-il fournisseur au sens du règlement IA ?
Selon les lignes directrices de la Commission européenne, celui qui modifie ou affine un modèle d'IA à usage général ne devient fournisseur de ce modèle que dans des circonstances exceptionnelles, notamment quand l'affinage utilise plus d'un tiers du calcul d'entraînement du modèle d'origine.
Et le prompt engineering dans tout cela ?
C'est la première étape, avant les deux autres : des instructions bien écrites, des exemples dans la consigne et un format de sortie imposé règlent une bonne partie des problèmes. On passe au RAG quand il manque des connaissances, au fine-tuning quand il manque un comportement.
Demandez un devis écrit
Décrivez en quelques lignes ce dont vous avez besoin. Sous un jour ouvré, vous recevez un devis écrit : périmètre, calendrier et prix ferme ou estimation en heures. La demande ne vous engage à rien.