Prompting, RAG ou fine-tuning ? La démarche décisionnelle

Trois voies résolvent un problème d'IA de façon fondamentalement différente — le mauvais choix coûte des semaines de travail pour un effet qu'un meilleur prompt aurait obtenu en une heure.

Pas un chapitre de base

Ce que signifie techniquement le fine-tuning est expliqué dans le chapitre « Fine-tuning — poursuivre l'entraînement d'un modèle ». Il s'agit ici de la décision en amont : quand un meilleur prompting suffit-il, quand le RAG s'impose-t-il, quand le fine-tuning est-il vraiment nécessaire ?

Étape 1 : essayer d'abord le prompting

Un prompt système plus clair, de meilleurs exemples ou une structure de sortie fixe résolvent étonnamment beaucoup de problèmes, ne coûtent rien d'autre que du temps et agissent immédiatement. Le prompting ne change aucune capacité du modèle, mais oriente généralement suffisamment le ton, le format et le focus.

Étape 2 : le RAG, quand des connaissances manquent

Si la tâche échoue parce qu'il manque au modèle des connaissances actuelles ou propres à l'entreprise — listes de prix, documents internes, contenus publiés la semaine dernière —, le RAG est le bon levier, pas le fine-tuning. Le fine-tuning ancre les nouveaux faits de façon peu fiable ; le RAG les fournit fraîchement à chaque requête.

Étape 3 : le fine-tuning seulement en dernier recours

Le fine-tuning ne se justifie que lorsque le prompting et le RAG sont épuisés et qu'un format ou un comportement fixe ne se stabilise toujours pas — ou en cas de volume très élevé, où des prompts plus courts font gagner sensiblement en coûts et en latence.

Les critères en aperçu

Volume de données, fréquence de changement des connaissances (des changements fréquents plaident pour le RAG plutôt qu'un nouvel entraînement), coûts et temps nécessaire (prompting : minutes, RAG : jours, fine-tuning : semaines) et cohérence de format à haut volume.

EXEMPLE

Tableau de décision pour trois cas d'exemple : Cas A : « Le modèle ne connaît pas nos prix produits actuels. » → lacune de connaissances, change souvent → RAG Cas B : « Les réponses sont trop formelles, nous avons besoin d'un ton de marque décontracté. » → question de comportement/style, aucune connaissance ne manque → Prompting (prompt système avec exemples) Cas C : « Avec 2 millions de tickets de support par mois, la classification doit tourner de façon ultra-concise et toujours dans exactement le même format JSON, les prompts longs sont trop coûteux. » → volume élevé, cohérence fixe, pression sur les coûts → Fine-tuning

🛠️ EXERCICE — À TOI DE JOUER

Attribue trois problèmes réels ou fictifs de ton entourage à chacune des trois voies, et justifie ton choix.

Rassemble trois problèmes d'IA différents que tu as rencontrés ou qui te semblent plausibles (par ex. ton inadapté, connaissances spécialisées manquantes, format de sortie incohérent à haut volume).
Pour chaque problème, vérifie d'abord : un meilleur prompt suffirait-il ?
Vérifie ensuite : des connaissances changeantes manquent-elles réellement ?
Détermine seulement ensuite si l'un des trois problèmes justifie vraiment le fine-tuning, et explique pourquoi les deux autres voies n'y suffisent pas.

✅ AUTO-VÉRIFICATION

☐ As-tu d'abord vérifié le prompting pour chaque problème, avant de recourir à une solution plus coûteuse ?
☐ Peux-tu indiquer concrètement, pour ton problème candidat au fine-tuning, pourquoi le RAG n'y suffirait PAS ?

QUIZ RAPIDE

Une équipe constate : le modèle ne dispose tout simplement pas des connaissances nécessaires (liste de prix actuelle de l'entreprise). Laquelle des trois voies convient en premier selon la logique décisionnelle ?