Quand on parle de « rendre une IA spécialiste de mon métier », trois techniques circulent : le prompt engineering, le RAG (Retrieval-Augmented Generation), et le fine-tuning. Trois approches, trois coûts, trois finalités. Comprendre laquelle choisir évite des mois perdus.
Prompt engineering : par où on commence
Avant tout : un prompt système clair, des exemples (few-shot), une structure de sortie définie. 70% des cas d’usage métier ne nécessitent rien d’autre. Coût : nul, délai : quelques heures, gain immédiat. La règle d’or : épuiser cette option avant de complexifier.
RAG : quand vous avez du contenu propre
Le RAG permet à un modèle d’utiliser à la volée votre base de connaissance (docs internes, FAQ, contrats). Quand le contenu est volumineux (>100 documents) et que la réponse doit être fondée sur vos sources, c’est imbattable. Coût : 5-15k€ à mettre en place, 100-500€/mois en exploitation.
Fine-tuning : rare et coûteux
Le fine-tuning a du sens quand vous voulez modifier le style ou le format de sortie du modèle de manière systématique (ex : générer du code dans un DSL maison, ou imiter un ton de marque très précis). Coût d’entraînement : 5-25k€, plus l’infrastructure d’inférence. Réservé à des cas où prompting + RAG ne suffisent plus.
L’arbre de décision pratique
1) Le prompt seul ne suffit pas ? → testez le RAG. 2) Le RAG ne donne pas la qualité voulue ? → améliorez votre base de connaissances (qualité > quantité). 3) Vraiment rien ne marche en RAG ? → là, on parle fine-tuning. Mais on n’arrive presque jamais à l’étape 3 en pratique.
