RAG ou fine-tuning : que choisir pour vos documents ?
Pour un assistant qui répond sur vos documents internes, le RAG et le fine-tuning ne règlent pas le même problème. Le verdict par usage, un tableau daté des prix publics et des limites, relevé le 21 novembre 2026.
L’essentiel. Pour un assistant qui répond sur vos documents internes, le RAG est le bon choix dans la grande majorité des cas : il consulte vos documents au moment de répondre, cite ses sources et suit vos mises à jour. Le fine-tuning règle un autre problème, la constance du comportement (format, ton, raisonnement) : il n’est pas la bonne façon de « faire apprendre » vos documents. Et au 21 novembre 2026, l’offre de fine-tuning d’OpenAI est fermée aux nouveaux clients, celle de Mistral déclarée obsolète.
« On entraîne l’IA sur nos documents ? » C’est la question la plus fréquente en début de projet, et elle mélange deux techniques qui ne servent pas à la même chose. Ce comparatif les départage par usage, avec un tableau daté des prix publics et des limites, relevé à la source le 21 novembre 2026.
Deux outils pour deux problèmes
Le RAG (génération augmentée par récupération) laisse le modèle intact et lui fournit, à chaque question, les passages pertinents de vos documents. Le guide RAG de la Direction générale des entreprises (DGE) en donne la raison : les modèles de langage sont entraînés sur des corpus généralistes et leurs connaissances sont figées à l’entraînement, ils ignorent donc le contexte de votre entreprise. Le RAG leur permet de « consulter » vos données avant de répondre, ce qui améliore la traçabilité et réduit le risque d’hallucination. Réduit, pas supprimé : le même guide précise que des réponses aberrantes peuvent persister et recommande une évaluation régulière.
Le fine-tuning poursuit l’entraînement d’un modèle sur un jeu de données plus petit et propre à une tâche. Selon le guide d’OpenAI sur l’optimisation de la précision, il vise les problèmes de comportement : erreurs de format, ton inadapté, raisonnement inconstant. Il peut aussi réduire le coût, en obtenant une précision comparable avec moins de tokens ou un modèle plus petit.
Le même guide formule la règle utile : choisir l’outil adapté au problème. Il donne l’exemple d’un cas où l’ajout de RAG a fait baisser la précision, parce que le vrai problème était le comportement du modèle, pas son manque d’information.
Tableau comparatif (relevé le 21/11/2026)
| Critère | RAG | Fine-tuning |
|---|---|---|
| Ce que ça règle | Le manque de connaissance : information absente de l’entraînement, périmée ou propriétaire (OpenAI) | La constance du comportement : format, ton, raisonnement (OpenAI) |
| Mise à jour des documents | On met à jour l’index, le modèle reste le même | Il faut réentraîner pour intégrer une nouvelle version |
| Sources citées | Oui : les passages retrouvés peuvent être affichés (DGE : meilleure traçabilité) | Non : la connaissance est dans les poids du modèle, sans passage à citer |
| Prix publics | Repères DGE (novembre 2024) : environ 100 000 € pour une installation par un intégrateur, de l’ordre de 10 000 € à 100 000 € par an en SaaS, environ 106 € par utilisateur et par an de calcul en cloud (Mistral Small, 300 requêtes par semaine) | OpenAI, gpt-4.1-mini au tarif standard : entraînement 5,00 $ par million de tokens, puis 0,80 $ en entrée et 3,20 $ en sortie par million de tokens. Mistral : 4 $ minimum par job et 2 $ par mois et par modèle conservé |
| Données et RGPD | Les documents restent dans votre base, on les retire de l’index à la demande | La CNIL (7 février 2025) : effacement non absolu, réentraînement efficace mais parfois disproportionné, mémorisation impossible à lister en l’état de l’art |
| Disponibilité chez les éditeurs | Indépendant de l’éditeur du modèle | OpenAI : fermé aux nouveaux utilisateurs, dernière création de job au 6 janvier 2027 pour les clients existants. Mistral : fonction déclarée obsolète |
| Limites | La qualité dépend du découpage, de la recherche et de l’évaluation : le RAG demande un vrai travail d’ingénierie | Besoin d’exemples de qualité, coût d’entraînement, modèle figé tant qu’on ne réentraîne pas |
Les prix des éditeurs sont ceux de leurs pages publiques à la date du relevé. Ils changent : relisez-les avant de budgéter.
Quand choisir le RAG
- Vos documents changent (procédures, contrats, catalogues, base de connaissances) et la réponse doit refléter la version en vigueur.
- Vos équipes doivent pouvoir vérifier : une réponse accompagnée de ses sources se contrôle en un clic, une réponse sans source se croit ou se refuse.
- Vous traitez des données personnelles ou confidentielles et devez pouvoir retirer un document, ou limiter qui voit quoi.
- Vous voulez rester indépendant du fournisseur de modèle : l’index et les documents vous appartiennent, le modèle se remplace.
Notre pratique : nous concevons ces assistants avec hébergement en UE ou sur site, droits d’accès respectés et hallucinations mesurées, comme décrit sur notre page RAG en entreprise.
Quand choisir le fine-tuning
- Vous avez un format de sortie strict à reproduire à grande échelle (classement, extraction, rédaction dans un gabarit) et des centaines d’exemples validés.
- Le ton ou le style de l’entreprise doit être constant, et les consignes dans le prompt deviennent trop longues ou trop fragiles.
- Vous voulez remplacer un grand modèle par un modèle plus petit sur une tâche étroite, pour réduire le coût à volume égal.
Avant d’engager un fine-tuning, vérifiez la disponibilité chez votre éditeur : voir le tableau ci-dessus.
Ce pour quoi le fine-tuning reste meilleur
Le RAG n’apprend rien au modèle sur la manière de répondre. Si le problème est le comportement (un format qui dérive, un raisonnement qui varie d’une réponse à l’autre, un prompt devenu trop long), ajouter des documents ne le corrige pas. C’est précisément le cas où, selon OpenAI, le fine-tuning est le bon outil, et où ajouter du RAG peut même dégrader le résultat. Le fine-tuning permet aussi, sur une tâche étroite et répétitive, de viser un modèle plus petit donc moins cher à l’usage.
Ce pour quoi le RAG reste meilleur
Dès qu’il s’agit de faits, de documents qui évoluent et de réponses à justifier, le RAG garde l’avantage : il se met à jour sans réentraînement, il cite, il se débranche. Le fine-tuning, lui, fige la connaissance dans les poids du modèle : retirer une information de façon vérifiable est difficile, ce que la CNIL reconnaît dans sa fiche sur les droits des personnes.
Les deux ensemble
Les deux techniques s’additionnent, rappelle OpenAI : un fine-tuning peut remplacer de longues instructions pendant que le RAG apporte le contexte à jour. C’est un second temps. Commencez par un RAG évalué sur de vraies questions ; n’ajoutez un fine-tuning que si une mesure montre un défaut de comportement que le RAG ne corrige pas.
Ce que ça coûte chez Foxpilot
Un assistant RAG se chiffre sur devis après cadrage : le coût dépend du volume documentaire, du nombre d’utilisateurs, des connecteurs et de l’hébergement. Nous proposons un prototype au forfait sur un sous-corpus, pour mesurer la qualité et le coût d’exploitation avant d’industrialiser (détail sur la page RAG). Le point de départ est un audit IA gratuit de 30 minutes : il dit si votre besoin relève du RAG, de l’automatisation ou d’un agent, avant tout devis. Nos tarifs publiés sont sur la page tarifs.
Pour aller plus loin
Sources
- Optimizing LLM Accuracy (guide OpenAI, relevé le 21 novembre 2026) (nouvel onglet) — OpenAI
- Fine-tuning (documentation OpenAI : plateforme fermée aux nouveaux utilisateurs, relevé le 21 novembre 2026) (nouvel onglet) — OpenAI
- Deprecations (calendrier d'arrêt du fine-tuning, relevé le 21 novembre 2026) (nouvel onglet) — OpenAI
- Pricing (tarifs de fine-tuning, relevé le 21 novembre 2026) (nouvel onglet) — OpenAI
- Fine-tuning (documentation Mistral, relevé le 21 novembre 2026) (nouvel onglet) — Mistral AI
- Guide RAG : mettre en place un assistant sur ses documents (novembre 2024) (nouvel onglet) — Direction générale des entreprises
- IA : respecter et faciliter l'exercice des droits des personnes concernées (7 février 2025) (nouvel onglet) — CNIL
Questions fréquentes
Faut-il faire du fine-tuning pour qu'une IA connaisse nos documents ?
Le RAG supprime-t-il les hallucinations ?
Peut-on encore faire du fine-tuning chez OpenAI ou Mistral ?
Un modèle fine-tuné sur des données personnelles pose-t-il un problème de RGPD ?
Vous souhaitez passer à l'action ?
Réservez un échange gratuit de 30 min pour discuter de votre projet IA.
Sur ce sujet : RAG en entreprise
Le profil pour ce sujet : AI Engineer augmenté par l'IA
Articles liés
Ahrefs MCP : l'utiliser avec Claude, ChatGPT et Copilot pour le SEO
Le serveur MCP d'Ahrefs relie vos données SEO à Claude, ChatGPT ou Copilot. Offre requise, branchement pas à pas, coût en unités et précautions.
Mesurer la visibilité de sa marque dans ChatGPT : méthodes et outils GEO en 2026
Mention, citation, part de voix : comment mesurer la place de votre marque dans ChatGPT, ce que montrent Google et Bing, et comment choisir un outil GEO.
TJM par profil en 2026 : ce que disent les baromètres, en régie ou au forfait
Les TJM déclarés par les freelances pour treize profils, lus à la source le 21 novembre 2026, ce qui sépare ce chiffre du prix de journée d'une société de services, et ce que la régie et le forfait changent au risque comme au droit.
