Adapter un modèle : prompt, RAG, fine-tuning

Un modèle de langage sorti de l'usine connaît le monde en général et votre entreprise pas du tout. Il ignore vos conditions de remboursement, vos procédures, vos produits. Il existe trois façons de l'adapter à votre métier, de la moins chère à la plus chère, et le bon réflexe est presque toujours de commencer par la première.

Trois leviers, un seul réflexe

Ces trois leviers ne s'excluent pas. Un assistant conseiller bien conçu combine un prompt soigné et un RAG ; le fine-tuning vient rarement, et jamais en premier. Le réflexe à garder : monter d'un cran seulement quand le cran précédent a prouvé qu'il ne suffisait pas.

Le prompt : la consigne

Le prompt est le texte qu'on donne au modèle avant la question du client. Il fixe le rôle (« tu es l'assistant du service client de telle entreprise »), le ton, le format de réponse, ce que le modèle a le droit de faire et ce qu'il doit refuser.

Un bon prompt change beaucoup de choses. Le même modèle, avec une consigne précise, répond en deux phrases au lieu de dix, refuse de parler des concurrents, et oriente vers un conseiller dès qu'une question dépasse son périmètre. Ce travail prend des jours, pas des mois, et il se refait en une heure quand une règle change.

Ses limites sont tout aussi nettes : un prompt ne donne au modèle aucune connaissance nouvelle. Il peut lui dire « réponds d'après nos conditions générales », il ne peut pas lui faire connaître ces conditions. Pour cela, il faut les lui fournir, et c'est le rôle du RAG.

Le RAG : répondre à partir de vos documents

RAG signifie « génération augmentée par la recherche ». L'idée tient en une phrase : avant de laisser le modèle répondre, on cherche dans vos documents les passages qui concernent la question, on les lui donne, et on lui demande de ne répondre qu'à partir de ces passages.

Préparation, une seule fois, puis à chaque mise à jour des documents :

1. On rassemble les documents de référence : FAQ, procédures, conditions générales, fiches produit.
2. On les découpe en petits passages de quelques paragraphes.
3. On transforme chaque passage en embedding, une suite de nombres qui représente son sens. Deux passages qui parlent de la même chose ont des nombres proches, même s'ils n'emploient pas les mêmes mots.
4. On range ces nombres dans une base vectorielle, une base de données faite pour chercher par proximité de sens.

À chaque question du client :

1. La question est elle aussi transformée en embedding.
2. On cherche dans la base les passages dont le sens est le plus proche.
3. On donne ces passages au modèle, avec la question et une consigne : « réponds uniquement à partir de ces sources ; si elles ne permettent pas de répondre, dis-le ».
4. Le modèle rédige la réponse, idéalement en citant le passage utilisé.

Ce mécanisme traite les deux problèmes de la carte précédente. L'hallucination recule, parce que le modèle a sous les yeux les faits à utiliser et la consigne de ne pas en sortir. La fenêtre de contexte cesse d'être un obstacle, parce qu'on n'envoie que les passages utiles, pas la documentation entière.

Et surtout, quand une procédure change, on remplace le document et on relance la préparation. Le modèle, lui, ne bouge pas. C'est ce qui rend le RAG adapté à tout ce qui évolue : tarifs, conditions, procédures, catalogue.

Le fine-tuning : réentraîner le modèle

Le fine-tuning reprend un modèle existant et poursuit son entraînement sur des exemples de votre entreprise : des milliers de paires question-réponse, ou de textes dans votre style. Les poids du modèle, figés depuis l'usine, bougent à nouveau.

Des techniques légères comme LoRA n'ajustent qu'une petite partie des poids, ce qui réduit fortement le coût. Un fine-tuning qui demandait des semaines de calcul se fait en quelques heures.

Le fine-tuning apprend bien une façon de faire : un ton, un format, un vocabulaire maison, une tâche répétitive très cadrée. Il apprend mal des faits. Un modèle fine-tuné sur vos conditions générales de 2025 continuera de les réciter en 2026, après qu'elles ont changé, et il les mélangera avec ce qu'il savait déjà. Pour des faits qui changent, le RAG reste préférable, et de loin.

Il demande aussi ce que la plupart des entreprises n'ont pas : des milliers d'exemples propres, étiquetés, représentatifs. Sans eux, le fine-tuning dégrade le modèle au lieu de l'améliorer.

Pourquoi « un fine-tuning » veut presque toujours dire « un RAG »

Quand un client ou un éditeur parle de fine-tuning, il veut dire, neuf fois sur dix, « que le modèle connaisse notre entreprise ». C'est exactement ce que fait le RAG, pour une fraction du coût, avec des mises à jour en minutes au lieu de semaines, et sans le risque de figer des faits périmés dans le modèle.

Les cas où le fine-tuning se justifie existent, mais ils sont étroits : une tâche très répétitive à très gros volume, où chaque milliseconde et chaque token comptent ; un style de rédaction si particulier qu'aucune consigne ne le reproduit ; une langue ou un jargon absent des données d'entraînement. Et même dans ces cas, le RAG reste nécessaire à côté, pour les faits.

La question à poser à un éditeur qui propose un fine-tuning : « qu'est-ce que le fine-tuning apporte que le RAG ne donne pas, et comment mettrez-vous à jour le modèle quand nos procédures changeront ? ».

Ce que ça change en centre de contact

Un assistant conseiller qui répond à partir de la base de connaissances est un RAG. Un bot client qui explique les conditions de retour est un RAG. La qualité de ces outils ne dépend ni du modèle choisi ni de l'éditeur ; elle dépend de la base de connaissances qu'on leur donne.

Or cette base, dans la plupart des centres de contact, est en mauvais état : des procédures en doublon, des versions contradictoires, des fiches jamais mises à jour, des pages écrites pour des conseillers qui connaissent déjà le contexte. Un RAG posé là-dessus répondra avec la même confusion, en plus rapide.

C'est pourquoi le premier chantier d'un projet d'assistant IA n'est pas technique. C'est un audit de la base de connaissances : complétude, fraîcheur, doublons, contradictions. C'est un angle de mission à part entière, et c'est celui qui décide du résultat.

Ce qu'on retient

• Trois leviers, par coût croissant : prompt, RAG, fine-tuning. On ne monte d'un cran que si le précédent ne suffit pas.
• Le prompt fixe le comportement ; il ne donne aucune connaissance.
• Le RAG fournit au modèle vos documents avant qu'il réponde : moins d'hallucinations, mises à jour en minutes.
• Le fine-tuning apprend une façon de faire, pas des faits. « Un fine-tuning » veut presque toujours dire « un RAG ».
• La qualité d'un assistant IA, c'est la qualité de la base de connaissances. L'audit de cette base passe avant tout.