Prompting, RAG, fine-tuning : ces trois approches répondent à des problèmes différents, mais on les confond sans cesse. Le réflexe coûteux est de vouloir fine-tuner alors qu'un bon prompt ou un RAG suffirait. La règle d'ingénierie est simple : commencez par le moins cher, montez en complexité seulement si le besoin l'exige.

Prompting : le point de départ, presque gratuit

Le prompt engineering consiste à bien formuler la demande et le contexte donnés au modèle. C'est rapide, peu coûteux et souvent suffisant. Si votre besoin est de reformuler, classer, extraire ou générer du texte à partir d'instructions claires, commencez ici. Budget typique : quelques jours d'ingénierie, coût d'usage seul ensuite.

  • Idéal pour : rédaction, classification, extraction, synthèse à la demande
  • Délai : quelques jours à deux semaines
  • Coût build : faible (1 à 5 k EUR selon le périmètre)
  • Limite : le modèle ne connaît pas vos données internes ni vos cas très spécifiques

RAG : donner vos données au modèle

Le RAG (génération augmentée par récupération) connecte le modèle à votre base de connaissances : documents, fiches produit, historique. À chaque question, le système retrouve les passages pertinents et les fournit au modèle. C'est la bonne réponse quand le problème est un problème de connaissance, pas de comportement. La grande majorité des projets PME relèvent du RAG, pas du fine-tuning.

Quand le modèle doit savoir ce que vous savez, vous voulez du RAG. Quand il doit se comporter autrement, vous pensez fine-tuning.

  • Idéal pour : support sur vos docs, recherche interne, assistant métier sourcé
  • Délai : deux à huit semaines selon la qualité des données
  • Coût build : moyen (8 à 30 k EUR), dominé par la préparation des données
  • Avantage clé : mise à jour facile, réponses sourcées et vérifiables

Fine-tuning : le dernier recours, le plus cher

Le fine-tuning réentraîne un modèle sur vos exemples pour modifier son comportement : un ton très spécifique, un format de sortie rigide, une tâche de niche répétée à très grand volume. Il exige un jeu de données d'exemples de qualité, un travail d'évaluation sérieux et une maintenance à chaque évolution du modèle de base. Sans volume élevé et stable, il est rarement rentable.

  • Idéal pour : style/format très spécifique, tâche de niche à très haut volume, latence/coût à optimiser à l'échelle
  • Délai : plusieurs semaines à plusieurs mois
  • Coût build : élevé (à partir de 25 à 30 k EUR), plus une dette de maintenance
  • Prérequis : un jeu de données d'exemples propre et un protocole d'évaluation

L'arbre de décision en pratique

Notre démarche est toujours la même : on essaie le prompting d'abord. Si le modèle a besoin de vos connaissances, on passe au RAG. On ne considère le fine-tuning que si, RAG en place, il reste un problème de comportement ou d'échelle que rien d'autre ne résout. Neuf fois sur dix, on s'arrête avant le fine-tuning, et le budget s'en trouve divisé par trois ou quatre.

On challenge, puis on construit : le bon choix technique est celui qui résout le problème au coût le plus bas, pas le plus sophistiqué.

Une combinaison est souvent la meilleure réponse : un RAG solide avec un prompting soigné couvre la quasi-totalité des besoins B2B en 2026. Vous hésitez sur l'approche pour votre cas ? On la cadre avec vous, budget à l'appui, avant d'écrire la moindre ligne de code : contact@nexus-os.fr.