Dans nos précédents article de Décryptage IA, on a expliqué ce qu’est le RAG : cette technique qui permet à une IA de consulter des documents en temps réel avant de répondre. Cette semaine, on s’attaque à sa grande cousine : le fine-tuning. Deux mots un peu barbares qui cachent une idée finalement assez intuitive. Et pour bien les distinguer, imaginez deux façons d’aider un assistant médical à devenir expert en cardiologie.
La première façon (le RAG) : vous lui donnez accès à une bibliothèque cardiologique qu’il peut consulter avant chaque question. Il ne mémorise pas tout, mais il peut toujours trouver l’information dont il a besoin. La deuxième façon (le fine-tuning) : vous lui faites suivre une formation intensive de plusieurs semaines, pendant laquelle il lit et relit des milliers de cas cliniques cardiaques jusqu’à les avoir intégrés dans sa mémoire. À la fin, il n’a plus besoin de bibliothèque, il sait.
La définition simple
Le fine-tuning (ajustement fin, ou réglage fin en français) consiste à prendre un modèle de langage déjà entraîné, par exemple Llama 3 ou Mistral 7B, et à le réentraîner partiellement sur un ensemble de données spécifiques à votre domaine. Résultat : le modèle acquiert un style, un vocabulaire, une expertise ou des comportements particuliers, en plus de ses capacités générales.
C’est comme si vous embauchiez un ingénieur polyvalent (le modèle de base) et que vous lui faisiez suivre une formation interne intensive de trois mois sur les spécificités de votre entreprise, vos clients, votre secteur. À la fin de la formation, il est toujours un bon ingénieur généraliste mais il est aussi devenu un expert de votre contexte.
Comment ça fonctionne techniquement
Le fine-tuning mobilise quelques concepts techniques qu’il est utile de comprendre à haut niveau.
Les données d’entraînement
Pour fine-tuner un modèle, vous avez besoin d’un dataset : un jeu de données dans le format questions/réponses ou instructions/sorties attendues. Par exemple, pour fine-tuner un assistant service client, vous rassembleriez des milliers d’échanges emails ou chat réels entre vos agents et vos clients, reformatés pour montrer au modèle « quelle réponse on attend à ce type de question ».
LoRA et QLoRA : Le fine-tuning efficace
Le fine-tuning complet d’un modèle de 7 milliards de paramètres nécessiterait des GPU puissants et coûteux pendant plusieurs jours. En 2026, la technique standard est LoRA (Low-Rank Adaptation) et sa variante quantifiée QLoRA. Au lieu de modifier tous les milliards de paramètres du modèle, LoRA n’entraîne qu’une petite fraction de paramètres supplémentaires, comme une surcouche légère posée sur le modèle de base. Le résultat est presque aussi bon, mais avec 10 à 100 fois moins de ressources.
Les outils en 2026
- Unsloth : framework Python qui permet de fine-tuner Llama 3 ou Mistral sur un GPU 16 Go en quelques heures.
- Hugging Face PEFT : la librairie de référence pour LoRA et QLoRA.
- OpenAI Fine-tuning API : si vous voulez fine-tuner GPT-4o mini sans gérer votre propre infrastructure, c’est le service le plus simple mais payant.
- Mistral AI Fine-tuning : Mistral propose un service de fine-tuning de ses propres modèles pour les entreprises.
RAG ou fine-tuning : Quand choisir quoi ?
| Situation | RAG | Fine-tuning |
| Données qui changent souvent | ✅ Idéal : mise à jour instantanée | ❌ Réentraînement nécessaire |
| Style et ton de communication | ❌ Limité (via prompt) | ✅ Excellent |
| Connaissances de domaine profondes | ✅ Bon avec bons documents | ✅ Excellent (intégré) |
| Comportements spécifiques répétitifs | ⚠️ Possible via prompt | ✅ Très fiable |
| Faible budget infrastructure | ✅ Accessible | ⚠️ Coût GPU requis |
| Sécurité/confidentialité données | ✅ Données restent hors modèle | ⚠️ Données intégrées au modèle |
Exemples concrets de fine-tuning réussis
- Chatbot juridique formé sur 10 000 décisions de justice françaises : répond directement en style juridique.
- Assistant médical fine-tuné sur des guides de pratique clinique : adopte le vocabulaire médical précis.
- Support client automatisé formé sur les emails internes : répond avec le même ton que les agents humains.
- Générateur de code formé sur une base de code interne : respecte les conventions de nommage et d’architecture de l’entreprise.
Ce que le fine-tuning ne fait pas
- Il ne met pas à jour les connaissances temporelles : si vous fine-tunez sur des données de 2024, le modèle ne connaîtra pas 2025.
- Il ne remplace pas la qualité des données : du mauvais dataset produit un mauvais modèle.
- Il n’élimine pas les hallucinations : un modèle fine-tuné peut encore inventer des informations.
- Il ne remplace pas le RAG pour l’accès à des documents spécifiques à la demande.
🔸 Fine-tuning ou RAG : maintenant que vous connaissez les deux, lequel vous semble le plus adapté à votre contexte professionnel ? Et surtout, avez-vous déjà expérimenté l’un des deux dans votre travail ?