Le contexte

Tu as un cas d'usage IA. Ton consultant te parle de "RAG" ou de "fine-tuning". Tu hoches la tête. En vrai tu te demandes c'est quoi la différence et quand utiliser quoi.

On va clarifier en 5 minutes.

Les définitions sans jargon

RAG (Retrieval-Augmented Generation) : tu donnes à l'IA accès à tes documents (PDF, base de connaissances, tickets) au moment où elle répond. L'IA reste générique, ton contexte est dynamique.

Fine-tuning : tu entraînes le modèle sur tes propres exemples (input → output). L'IA devient "spécialiste" de ton domaine, mais c'est figé jusqu'au prochain entraînement.

Notre arbre de décision

Cas d'usage ?
│
├── "Je veux que l'IA réponde sur ma doc / base de connaissances"
│   → RAG. Toujours. Sauf si volumes massifs.
│
├── "Je veux que l'IA suive un format / style très spécifique"
│   → Fine-tuning léger (50-500 exemples). Ou prompt très structuré.
│
├── "Je veux que l'IA fasse des inférences spécialisées (juridique, médical)"
│   → Fine-tuning + RAG. Combo.
│
└── "Je veux que l'IA réponde plus vite / moins cher"
    → Fine-tuning d'un petit modèle. Mais c'est rarement le bon angle V1.

Notre recommandation par défaut

Démarre TOUJOURS par du RAG. Voici pourquoi :

⛭ Rapide à mettre en place : 2-3 semaines max pour un POC fonctionnel. ⛭ Évolutif : tu rajoutes des sources sans re-déployer. ⛭ Auditabilité : tu peux montrer les sources sur lesquelles l'IA s'appuie. ⛭ Cost-friendly : pas de coût d'entraînement, juste l'inférence.

Le fine-tuning, on le déclenche quand on a 6 mois de prod RAG, qu'on voit des patterns récurrents, et qu'on veut grappiller en latence ou en cohérence.

Un cas réel

Chez un client services, on a démarré RAG sur leur base de tickets historiques (30 000 tickets). Après 4 mois de prod, on a fine-tuné un modèle plus petit sur les 1 000 cas les plus fréquents. Résultat : –40 % de coût d'inférence, +15 % de précision sur les cas standards.

L'ordre compte. RAG d'abord, fine-tuning ensuite.

Et toi ?

Si tu hésites pour ton cas, écris-nous le contexte en 3 lignes — on te répond avec le bon choix par défaut.