Tôt ou tard, toute entreprise qui construit avec l’IA générative frappe le même mur. Un modèle généraliste écrit bien, mais il ne connaît ni vos produits, ni vos politiques, ni le changement de prix de la semaine dernière. Quelqu’un dans l’équipe propose alors l’une de deux pistes : « on devrait faire du RAG » ou « on devrait faire du fine-tuning ».
Les deux techniques existent bel et bien, et elles règlent des problèmes différents. Choisir la mauvaise revient souvent à payer pour la voie la plus difficile sans obtenir les réponses voulues.
Ce guide explique les deux en langage clair, montre où chacune convient et passe en revue les questions de coût, d’entretien et de confidentialité qu’un gestionnaire devrait poser avant d’approuver l’une ou l’autre.
1. La génération augmentée par récupération, en un paragraphe
La génération augmentée par récupération (RAG, pour retrieval-augmented generation) laisse le modèle tel quel et lui fournit le bon contenu au moment de chaque question. Vos documents sont découpés en passages et indexés pour être cherchés selon leur sens, pas seulement par mots-clés. Quand quelqu’un pose une question, le système trouve les passages les plus pertinents, les transmet au modèle avec la question et lui demande de répondre à partir de ce contenu.
C’est un examen à livre ouvert. Le modèle apporte la maîtrise de la langue, vos documents apportent les faits. Comme la réponse s’appuie sur des passages précis, le système peut indiquer de quel document vient chaque partie.
Notre scribe médical IA, Notermed, fonctionne ainsi quand il répond à des questions à partir des lignes directrices, formulaires et procédures d’une clinique.
Pour les gestionnaires: Le RAG donne au modèle accès à vos informations sans modifier le modèle lui-même.
2. Le fine-tuning, en un paragraphe
Le fine-tuning, ou ajustement fin, modifie le modèle. On prend un modèle existant et on poursuit son entraînement sur une série d’exemples, en général des paires « voici l’entrée » et « voici le résultat voulu ». Après l’entraînement, le modèle tend à produire des réponses qui ressemblent à vos exemples, sans qu’on ait à les lui montrer chaque fois.
Si le RAG est un examen à livre ouvert, le fine-tuning est de l’entraînement. Il façonne la manière dont le modèle écrit et se comporte. C’est un mauvais moyen de lui apprendre des faits qui changent, parce que ce qu’il a appris est figé au moment où l’entraînement s’est terminé.
Pour les gestionnaires: Le fine-tuning change le comportement d’un modèle. Ce n’est pas une façon fiable de le tenir à jour sur les faits.
3. Quand la récupération convient le mieux
Optez pour la récupération quand les réponses dépendent de faits qui se trouvent dans vos documents et qui évoluent : catalogues de produits, politiques, contrats, articles de soutien, procédures internes. Vous mettez un document à jour, vous le réindexez, et la réponse suivante en tient compte. Aucun réentraînement.
La récupération est aussi le choix naturel quand les gens doivent vérifier la réponse. Dans un secteur réglementé, ou partout où une mauvaise réponse a des conséquences, pouvoir dire « ceci vient de la section 4 de la politique 2026 » compte plus qu’une belle prose.
Elle gère aussi bien les permissions. L’étape de recherche peut se limiter aux documents qu’un utilisateur, une équipe ou un client a le droit de voir. Quand nous avons intégré la recherche documentaire à Notermed, la recherche de chaque clinique devait rester dans ses propres documents, et cette restriction devait s’appliquer dans la recherche de l’IA elle-même, pas seulement dans la base de données.
Pour les gestionnaires: Si votre question commence par « que dit notre documentation au sujet de… », vous avez affaire à un problème de récupération.
4. Quand le fine-tuning vaut la peine
Le fine-tuning a du sens quand le problème tient à la constance de la forme plutôt qu’à un manque de connaissances. Quelques exemples : la réponse doit suivre une structure stricte à chaque fois, le ton doit respecter un style maison difficile à décrire en consignes, ou une tâche de classement étroite doit tourner en grand volume sur un modèle plus petit et moins coûteux.
Il peut aussi se justifier quand vous avez déjà essayé des consignes soignées avec de bons exemples et que le modèle dérive encore. Cette dernière condition compte. Les modèles actuels suivent bien des consignes détaillées, et une bonne part de ce qui exigeait autrefois du fine-tuning se règle maintenant avec une consigne claire et quelques exemples.
Les deux approches se combinent, d’ailleurs. Un système peut récupérer des faits à jour et les transmettre à un modèle ajusté pour le format. Pour la plupart des entreprises, c’est une étape ultérieure, pas un point de départ.
Pour les gestionnaires: Envisagez le fine-tuning quand vous voulez que le modèle se comporte autrement, et seulement après avoir vraiment essayé de bonnes consignes.
5. Ce que chacune coûte à bâtir et à entretenir
La récupération demande un travail initial sur vos documents : les nettoyer, les découper en passages sensés, choisir ce qui sera indexé et vérifier que les bons passages remontent. Les coûts d’exploitation augmentent avec le nombre de questions, puisque chaque réponse envoie du texte supplémentaire au modèle. L’entretien consiste à garder l’index synchronisé avec vos documents.
Le fine-tuning demande un jeu d’exemples de qualité, que quelqu’un doit rédiger ou sélectionner, plus l’entraînement lui-même et l’hébergement d’un modèle personnalisé. Le coût qu’on sous-estime, c’est l’entretien. Quand votre guide de style change ou que le fournisseur retire le modèle de base, il faut revoir les exemples et, souvent, refaire l’entraînement.
La récupération a sa propre version de ce problème. L’index dépend du modèle qui l’a créé, donc changer ce modèle oblige à réindexer vos documents. C’est exactement ce que nous avons fait quand Notermed est passé à Amazon Bedrock, dans un nouvel espace en gardant l’ancien pour un retour arrière. C’est gérable, mais ça doit figurer dans le plan.
Pour les gestionnaires: Demandez le coût de la deuxième année, pas seulement celui du développement. C’est là que les deux approches diffèrent le plus.
6. Ce qu’il advient de vos données
Avec la récupération, vos documents restent dans un espace que vous contrôlez. Seuls les passages utiles à une question sont envoyés au modèle, selon l’entente conclue avec le fournisseur. Si un document doit être retiré, vous le supprimez de l’index et il n’apparaît plus dans les réponses.
Avec le fine-tuning, vos exemples s’intègrent aux paramètres du modèle. Retirer un enregistrement après coup n’est pas réaliste, et toute personne qui utilise le modèle peut obtenir des réponses influencées par des données qu’elle n’était pas censée voir. Si vos exemples d’entraînement contiennent des renseignements personnels ou confidentiels, il faut un examen attentif avant l’entraînement, et peut-être une autre approche.
Dans les deux cas, les questions habituelles s’appliquent : quel fournisseur, quelle région, ce que le fournisseur peut faire de vos données et quelle entente vous pouvez signer. Au Canada, ça inclut la LPRPDE et les règles propres à votre secteur.
Pour les gestionnaires: Si vous pourriez devoir supprimer ou restreindre une information plus tard, gardez-la hors des données d’entraînement et servez-la par récupération.
7. Pourquoi la plupart des projets commencent par la récupération et de bonnes consignes
La plupart des premières demandes en entreprise consistent à répondre à partir de l’information de l’entreprise, et c’est précisément le problème pour lequel la récupération a été conçue. Elle est plus rapide à mettre en place, plus facile à mettre à jour, à auditer et à annuler. Des consignes claires, quelques exemples dans la requête et l’obligation de répondre uniquement à partir du contenu récupéré couvrent une grande part des besoins.
Commencez par là, testez le tout sur un ensemble de vraies questions dont vous connaissez les bonnes réponses, et mesurez où ça accroche. Si les lacunes viennent de faits manquants ou périmés, améliorez les documents et la recherche. Si les faits sont justes mais que la forme ou le ton reste à côté, c’est le moment de regarder le fine-tuning, avec des preuves concrètes pour le justifier.
Pour les gestionnaires: Avant d’approuver un budget de fine-tuning, demandez à votre équipe de vous montrer où la récupération et de bonnes consignes échouent sur de vraies questions.
En bref
Le RAG fournit vos faits au modèle au moment où il répond. Le fine-tuning modifie la façon dont le modèle se comporte. Pour de l’information qui change, des citations et des accès par utilisateur, la récupération convient mieux et reste plus simple à entretenir et à protéger. Le fine-tuning se justifie pour un format, un ton ou une tâche étroite à grand volume, une fois de bonnes consignes essayées. La plupart des projets d’affaires devraient commencer par la récupération.