RAG, fine-tuning et LoRA : quelle approche choisir en entreprise ?

« Nous voulons entraîner une IA avec nos propres données. » La phrase revient souvent en entreprise. Mais elle mélange généralement deux besoins très différents : donner au modèle accès à des informations internes, ou modifier sa manière de traiter une demande.

C’est précisément ce qui distingue le RAG du fine-tuning. LoRA, lui, n’est pas une troisième voie concurrente : c’est une façon plus légère de réaliser certains fine-tunings.

La première question : information ou comportement ?

Avant de parler de technologie, il faut identifier ce qui manque. Si le modèle ne possède pas l’information nécessaire pour répondre, le problème relève d’abord du contexte. S’il possède les bonnes informations mais ne les exploite pas de manière suffisamment régulière, le problème relève plutôt de son comportement.

Cette distinction évite un piège fréquent : lancer un chantier RAG alors qu’un prompt mieux construit suffirait, ou envisager un fine-tuning pour apprendre au modèle des informations qui changent chaque semaine.

Le RAG donne accès aux bonnes informations

Le RAG (Retrieval-Augmented Generation) consiste à rechercher les informations utiles dans une documentation, un CRM ou une base métier, puis à fournir au modèle les extraits pertinents avec la demande. Le modèle de base n’est pas réentraîné.

Dans un réseau immobilier, par exemple, un assistant peut retrouver les mandats, comptes rendus de visite et documents correspondant au portefeuille du conseiller connecté. L’application peut filtrer les contenus accessibles avant la recherche ou avant leur envoi au modèle. Le RAG devient alors aussi un élément de cloisonnement des connaissances, à condition que les droits soient correctement gérés dans l’architecture.

Mais un RAG n’est pas automatiquement nécessaire. Si le corpus utile est petit, stable et connu à l’avance, on peut parfois transmettre directement les informations nécessaires dans le contexte. Les systèmes de retrieval deviennent surtout intéressants lorsque le volume augmente, que les documents évoluent ou que l’on veut sélectionner seulement les passages utiles à chaque requête.

Et surtout, un RAG ne répare pas une documentation médiocre. Des procédures contradictoires, obsolètes ou dupliquées resteront une mauvaise matière première. La qualité des documents, leur découpage et les règles de recherche comptent autant que le choix du modèle.

Le fine-tuning modifie les réflexes du modèle

Le fine-tuning part d’un autre problème. On entraîne un modèle à partir d’exemples afin qu’il reproduise plus régulièrement le comportement attendu : classer une demande selon des catégories métier, suivre un format précis, appliquer une méthode ou adopter un style de réponse.

Le fine-tuning n’est pas une base documentaire. Même si un modèle peut mémoriser des éléments vus pendant l’entraînement, ce mécanisme n’offre ni la fraîcheur d’une source consultée à la demande, ni une traçabilité simple, ni une gestion fine des droits par utilisateur.

Son intérêt apparaît surtout lorsque la tâche est stable, répétitive et mesurable. Si un grand volume de demandes doit toujours être classé selon les mêmes critères, une adaptation peut améliorer la régularité et réduire la quantité d’instructions ou d’exemples à transmettre à chaque appel.

La réduction des tokens n’est toutefois plus un argument suffisant à elle seule. Les mécanismes de prompt caching permettent déjà, chez plusieurs fournisseurs, de réutiliser à moindre coût des préfixes d’instructions identiques. La vraie question est donc : le fine-tuning apporte-t-il un gain de qualité ou de stabilité mesurable sur votre tâche ?

LoRA : une manière plus légère de faire du fine-tuning

LoRA, pour Low-Rank Adaptation, ne remplace ni le RAG ni le fine-tuning. La technique conserve les poids du modèle de base et entraîne un petit ensemble de paramètres supplémentaires. L’objectif est de rendre l’adaptation moins lourde en ressources qu’un entraînement de tous les paramètres du modèle.

C’est particulièrement pertinent lorsque l’on travaille avec des modèles à poids ouverts ou une infrastructure qui permet de gérer directement ces adaptateurs. Pour une PME qui consomme simplement un modèle propriétaire via API, LoRA peut rester totalement invisible : les possibilités de personnalisation dépendent alors des fonctions proposées par le fournisseur.

Cette disponibilité peut évoluer. Au 8 août 2026, OpenAI indique qu’il met progressivement fin à sa plateforme de fine-tuning et qu’elle n’est déjà plus accessible aux nouveaux utilisateurs. C’est une raison supplémentaire pour ne pas construire un besoin métier autour d’une technique ou d’un fournisseur avant d’avoir démontré que l’adaptation est réellement nécessaire.

Par quoi commencer dans une PME ?

Le bon point de départ est beaucoup moins spectaculaire : définir des cas de test représentatifs et mesurer ce qui échoue. On peut ensuite avancer du plus simple au plus structurant.

• Le modèle répond correctement avec quelques instructions et les bonnes informations dans le contexte : inutile d’ajouter un RAG ou un fine-tuning.
• Le modèle manque d’informations à jour ou doit chercher dans un corpus volumineux : le RAG devient pertinent.
• Le modèle possède l’information mais traite mal une tâche stable et répétitive malgré un bon prompt : le fine-tuning mérite d’être évalué.
• Vous maîtrisez le modèle ou son infrastructure et souhaitez adapter efficacement ses paramètres : LoRA peut devenir une option technique pour réaliser ce fine-tuning.

RAG et fine-tuning peuvent aussi se compléter

Les deux approches ne sont pas exclusives. Une application peut utiliser un RAG pour fournir des données récentes et autorisées, puis un modèle adapté pour appliquer toujours la même méthode d’analyse ou produire un format particulièrement régulier.

La distinction à garder en tête reste simple : le contexte ou le RAG apporte ce que le modèle doit savoir. Le fine-tuning modifie ses réflexes. LoRA rend certaines adaptations plus légères.

Si une règle classique ou une simple recherche suffit, c’est encore mieux. Le sujet n’est pas d’utiliser la technique la plus avancée : c’est d’obtenir un résultat fiable avec le moins de complexité possible.