+160 XP

Choisir la bonne approche : prompt, RAG, fine-tuning ou agent

Une startup a consacré quatre mois et 80 000 $ au fine-tuning d'un modèle pour répondre aux questions de ses clients sur son produit. Un concurrent a ensuite lancé la même fonctionnalité en un week-end, en collant sa documentation d'aide dans un prompt. Le concurrent a gagné. Choisir la mauvaise approche est l'erreur la plus coûteuse d'un projet d'IA, et on peut presque toujours l'éviter.

Il existe quatre façons courantes de construire avec des grands modèles de langage (LLM, l'IA derrière ChatGPT, Claude et Gemini). Chacune répond à un problème différent. La plupart des gens se tournent vers la plus compliquée alors que la plus simple aurait suffi.

Corrigeons cela.

Les quatre approches, en termes simples

Le prompting. Vous rédigez de bonnes instructions et les envoyez au modèle. Aucune mise en place, aucun code nécessaire.

Le RAG (Retrieval-Augmented Generation). Vous donnez au modèle vos propres documents à lire avant qu'il ne réponde. « Retrieval » signifie qu'il va chercher l'information ; « augmented » signifie qu'il s'appuie sur ce qu'il a trouvé pour mieux répondre.

Le fine-tuning. Vous entraînez le modèle sur de nombreux exemples pour qu'il intègre durablement un style, un format ou un comportement spécialisé.

Les agents. Vous laissez le modèle agir : chercher sur le web, envoyer un e-mail, interroger une base de données, utiliser d'autres outils, en boucle, jusqu'à ce que la tâche soit terminée.

Voici l'ordre dans lequel les envisager : d'abord le prompt, puis le RAG, puis l'agent, et le fine-tuning presque en dernier. La bonne approche est la plus simple qui fonctionne.

Un arbre de décision réellement utilisable

Appuyons-nous sur un scénario concret : vous dirigez un cabinet d'avocats de taille moyenne et vous voulez que l'IA vous aide à rédiger des contrats et à répondre aux questions qui les concernent.

Parcourons l'arbre.

Question 1 : un prompt intelligent et bien rédigé suffit-il ?

Essayez cela en premier. Toujours.

Les modèles actuels (la famille GPT-5 d'OpenAI, la famille Claude 4.x d'Anthropic, Gemini 3 de Google) sont très performants dès le départ. Si votre tâche repose sur des connaissances générales ou du raisonnement, un prompt peut suffire.

Pour le cabinet : « Expliquez en termes simples la différence entre une clause d'indemnisation et une clause de garantie » ne demande aucune mise en place. Il suffit de poser la question.

python
from openai import OpenAI
client = OpenAI()

response = client.responses.create(
    model="gpt-5",
    input="Explain the difference between an indemnity "
          "and a warranty clause in a commercial contract, "
          "in plain English, for a non-lawyer."
)
print(response.output_text)

Si un prompt répond de façon fiable à votre question, arrêtez-vous là. C'est terminé. Ne construisez rien d'autre.

Pour un guide plus approfondi sur la rédaction de prompts efficaces, la documentation d'Anthropic sur le prompt engineering est gratuite et excellente.

Question 2 : la tâche nécessite-t-elle VOS informations spécifiques ?

Le modèle ne connaît ni vos contrats, ni vos clients, ni vos politiques internes. Si la réponse se trouve dans vos documents, il vous faut du RAG.

Pour le cabinet : « Quel est le préavis de résiliation dans le contrat du client Henderson ? » Le modèle n'a jamais vu ce contrat. Vous le lui fournissez donc.

Le RAG fonctionne en trois étapes :

  1. Découper vos documents en fragments et les stocker dans une base de données interrogeable (une « base de données vectorielle » qui retrouve le texte par le sens, pas seulement par mots-clés).
  2. À l'arrivée d'une question, récupérer les fragments les plus pertinents.
  3. Coller ces fragments dans le prompt pour que le modèle réponde à partir de vos données réelles.

Une version minimale se résume à un collage intelligent :

python
relevant_clause = search_contracts("Henderson termination notice")

prompt = f"""Using ONLY the contract text below, answer the question.
If the answer isn't present, say so.

CONTRACT TEXT:
{relevant_clause}

QUESTION: What is the termination notice period?"""

response = client.responses.create(model="gpt-5", input=prompt)
print(response.output_text)

En 2026, le RAG est le cheval de trait de l'IA en entreprise. Support client, bases de connaissances internes, questions-réponses sur des documents : l'essentiel repose sur le RAG. Il ancre les réponses dans vos données réelles et à jour, et réduit les réponses inventées (appelées « hallucinations »).

Raccourci pour les petits volumes de documents : les modèles actuels disposent de fenêtres de contexte énormes (les modèles Gemini gèrent environ un million de tokens, soit quelques milliers de pages). Si vous n'avez qu'une poignée de documents, vous pouvez vous passer de la base de données vectorielle et tout coller directement. Ne construisez le pipeline RAG complexe que lorsque votre pile de documents est trop volumineuse pour tenir dans le contexte.

Question 3 : la tâche nécessite-t-elle d'AGIR, pas seulement de répondre ?

Si la tâche consiste à faire des choses dans le monde réel (plusieurs étapes, utilisation d'outils, décisions en cours de route), il vous faut un agent.

Pour le cabinet : « Examinez ce nouveau contrat, signalez toute clause en conflit avec nos conditions standard, vérifiez si la contrepartie a des litiges passés dans notre système et rédigez un e-mail de synthèse pour l'associé. » Ce n'est pas une réponse unique. C'est une séquence d'actions avec utilisation d'outils.

Un agent fonctionne en boucle : réfléchir, agir, observer le résultat, réfléchir à nouveau, jusqu'à ce que le travail soit terminé.

python
response = client.responses.create(
    model="gpt-5",
    input="Review the attached contract. Flag clauses that "
          "conflict with our standard terms, look up the "
          "counterparty in our disputes database, and draft "
          "a summary email to the partner.",
    tools=[
        {"type": "file_search"},      # lire le contrat
        {"type": "function", "name": "query_disputes_db"},
        {"type": "function", "name": "draft_email"}
    ]
)

Les agents sont puissants et constituent le sujet phare de 2026, mais ils sont plus difficiles à contrôler et peuvent échouer de manière inattendue. Donnez à un agent le plus petit ensemble d'outils dont il a besoin, et gardez un humain pour valider tout ce qui est risqué (comme l'envoi de cet e-mail). Commencez avec des agents au périmètre restreint.

Vérification des acquis

1. Selon la leçon, dans quel ordre faut-il envisager les quatre approches pour construire avec des LLM ?

2. Qu'est-ce qui décrit le mieux l'objectif central du RAG (Retrieval-Augmented Generation) ?

3. Dans l'exemple du cabinet d'avocats, quelle approche convient le mieux à la question « Expliquez en termes simples la différence entre une clause d'indemnisation et une clause de garantie », et pourquoi ?

CHOIX MULTIPLES

4. Sélectionnez TOUTES les affirmations qui distinguent correctement les quatre approches décrites dans la leçon.

Sélectionnez toutes les réponses correctes.

CHOIX MULTIPLES

5. Sélectionnez TOUTES les raisons avancées par la leçon pour expliquer pourquoi le choix de l'approche compte et pourquoi la simplicité est souvent préférable.

Sélectionnez toutes les réponses correctes.

Question 4 : avez-vous besoin d'un STYLE ou d'un FORMAT constant que le modèle refuse de suivre ?

C'est là qu'intervient le fine-tuning, et s'il arrive en dernier, ce n'est pas un hasard.

Le fine-tuning consiste à montrer au modèle des centaines ou des milliers d'exemples jusqu'à ce qu'un comportement devienne une seconde nature. C'est le bon outil lorsque :

  • Vous avez besoin d'un ton ou d'un format très précis à chaque fois (le style exact de rédaction des contrats de votre cabinet).
  • Vous disposez de nombreux exemples de qualité pour l'entraînement.
  • Le prompting et le RAG ont réellement montré leurs limites, pas seulement lors d'un premier essai.

Pour le cabinet : si vous avez 2 000 contrats passés rédigés dans le style propre à votre cabinet et que vous voulez que chaque projet le reproduise fidèlement, le fine-tuning peut ancrer ce style dans le modèle.

La distinction essentielle que l'on comprend mal : le fine-tuning enseigne un *style et un comportement*, pas des *faits*. Il est mauvais pour transmettre des connaissances. Si vous faites du fine-tuning pour ajouter des informations sur le contrat Henderson, le modèle inventera des détails avec aplomb. Pour les faits, utilisez le RAG. Pour le style, envisagez le fine-tuning.

python
# Le fine-tuning commence par des paires d'exemples, pas par des questions en direct
{"messages": [
    {"role": "user", "content": "Draft a confidentiality clause."},
    {"role": "assistant", "content": "<your firm's exact house style here>"}
]}
# Vous en fournissez des centaines, puis vous entraînez un modèle personnalisé.

Le fine-tuning est l'approche la plus coûteuse en temps, en données et en argent. En 2026, moins de projets en ont besoin qu'on ne le pense, car les modèles de base et le RAG ne cessent de progresser. N'y recourez que lorsque les outils plus simples ont échoué.

Assembler le tout : les approches se combinent

Ces approches ne sont pas concurrentes. Les meilleurs systèmes les empilent.

L'outil final de notre cabinet pourrait être : un agent qui utilise le RAG pour lire les contrats, tourne sur un modèle fine-tuné pour le style maison, le tout piloté par des prompts rédigés avec soin.

Mais le cabinet n'a pas construit cela dès le premier jour. Il a commencé par un prompt. Puis il a ajouté le RAG quand il a fallu exploiter ses documents. Puis un agent quand il a fallu agir. Il n'a envisagé le fine-tuning qu'une fois tout le reste solide.

Tout l'enjeu est dans cette séquence. Chaque étape ajoute du coût et de la complexité : chaque échelon se mérite.

Aide-mémoire

  • Prompt : connaissances générales ou raisonnement. Aucune mise en place. *« Expliquez cette clause. »*
  • RAG : réponses tirées de vos propres documents. *« Que dit notre contrat Henderson ? »*
  • Agent : tâches en plusieurs étapes et utilisation d'outils. *« Examinez, vérifiez la base de données, rédigez l'e-mail. »*
  • Fine-tuning : style ou format constant appris sur de nombreux exemples. *« Écrivez toujours dans notre style maison. »*

Points clés

  1. Commencez toujours par un prompt. C'est gratuit, immédiat et étonnamment performant. La plupart des idées devraient être testées ici avant de construire quoi que ce soit.
  2. Le RAG pour les faits, le fine-tuning pour le style. Confondre les deux est l'erreur la plus fréquente et la plus coûteuse. Vos documents vont dans le RAG ; votre ton va dans le fine-tuning.
  3. Méritez chaque échelon. D'abord le prompt, puis le RAG, puis l'agent, et le fine-tuning presque en dernier. Chaque étape ajoute du coût : ne montez que lorsque la plus simple a démontré ses limites.
  4. Pour les petits volumes de documents, passez-vous complètement du RAG. Les grandes fenêtres de contexte actuelles permettent de coller quelques documents directement dans le prompt. Ne construisez le pipeline que lorsque la pile devient trop volumineuse.
  5. Combinez les approches dans les systèmes réels, mais ajoutez-les une par une. Validez chaque couche avant d'empiler la suivante.

À faire, tiré de cette leçon

Ces actions sont compilées dans le plan d'action du rôle.

  • Montez les échelons dans l'ordre : prompt, RAG, agent, puis fine-tuning
  • Utilisez le RAG pour les faits et le fine-tuning pour le style
  • Passez le RAG et collez de petits ensembles de documents directement dans le prompt
Voir le plan d'action complet →

Articles liés

Les articles récents du blog qui s'appuient sur cette leçon.