Fine-tuning ou RAG : ne mettez pas vos prix dans les neurones d’une IA

Un dirigeant de PME veut aller vite.

Son équipe vend plusieurs milliers de références. Les clients appellent pour demander une dimension, une compatibilité, une disponibilité, un prix actualisé, une alternative si le produit n’est plus en stock. Les commerciaux passent leur journée à chercher dans le catalogue, dans l’ERP, dans les PDF fournisseurs, dans les anciennes réponses envoyées par email.

Une agence arrive avec une promesse séduisante :

“On va réentraîner une IA sur tout votre catalogue. Elle connaîtra vos produits par cœur.”

Sur le papier, l’idée semble logique. Si l’IA doit répondre sur les produits, autant lui faire apprendre les produits. Si elle doit répondre sur les prix, autant lui faire apprendre les prix. Si elle doit devenir un commercial augmenté, autant lui injecter toute la connaissance commerciale.

Le devis tombe. Plusieurs dizaines de milliers d’euros. Quelques semaines de travail. Un modèle “sur mesure”. Une démo propre. Les premières réponses sont bonnes. Le dirigeant se dit que l’entreprise vient de gagner un assistant commercial disponible 24h/24.

Puis la vraie vie recommence.

Cinquante tarifs changent. Trois produits sortent. Deux références sont remplacées. Une remise spéciale est ajoutée pour un segment client. Un fournisseur modifie une fiche technique. Le stock d’un produit sensible passe sous le seuil critique.

L’équipe demande à mettre l’assistant à jour.

Et là, le système montre sa faiblesse : l’IA répond encore avec les anciens prix. Elle ignore les nouveaux produits. Elle affirme avec aplomb une information qui était vraie le mois dernier, mais qui est fausse aujourd’hui.

Le problème n’est pas que “l’IA hallucine”.

Le problème est beaucoup plus simple : on lui a demandé de mémoriser une vérité qui change.

La règle simple : une IA ne doit pas stocker les données vivantes de l’entreprise

Un catalogue produit, un tarif, un stock, une disponibilité, un statut de commande, une date de livraison ou une remise commerciale ne sont pas des souvenirs.

Ce sont des données vivantes.

Elles changent. Elles doivent être vérifiables. Elles doivent venir d’une source officielle. Elles doivent parfois être arbitrées par un humain. Elles doivent laisser une trace.

Les mettre directement dans les poids d’un modèle revient à graver une grille tarifaire dans du marbre. C’est spectaculaire au lancement. C’est absurde dès que le premier prix change.

Dans une architecture sérieuse, le modèle ne remplace pas le catalogue, l’ERP, le CRM ou la base documentaire.

Il s’y connecte.

L’IA ne doit pas “se souvenir” du prix. Elle doit aller le lire dans la bonne source, au bon moment, avec la bonne règle métier, puis formuler une réponse claire.

Fine-tuning : utile, mais pas pour remplacer votre base de données

Le fine-tuning consiste à adapter un modèle à un type de tâche, de réponse, de ton ou de comportement.

Il peut être utile pour apprendre à mieux classer des demandes, respecter un format, répondre dans un style particulier, appliquer une structure de sortie, ou améliorer une tâche répétitive bien cadrée.

Mais ce n’est pas le bon outil pour stocker une base de vérité qui bouge tous les jours.

Microsoft le formule de manière très nette dans sa documentation sur le RAG : il faut utiliser le RAG quand les réponses doivent être fondées sur des données privées ou fréquemment mises à jour, et réserver le fine-tuning aux cas où l’on veut changer le comportement, le style ou la performance d’une tâche, plutôt que d’ajouter de la connaissance fraîche.

Cette distinction est capitale pour les PME.

Parce que beaucoup de projets IA échouent exactement là : l’entreprise confond “faire parler une IA comme nous” avec “donner à l’IA accès à notre vérité opérationnelle”.

Ce ne sont pas les mêmes sujets.

RAG : connecter l’IA à la bonne information au bon moment

Le RAG, pour Retrieval-Augmented Generation, consiste à récupérer une information pertinente avant de demander au modèle de répondre.

Concrètement, quand un client pose une question, le système peut aller chercher :

• la fiche produit officielle ;
• le tarif actuel ;
• le stock disponible ;
• les règles de remise ;
• les conditions de livraison ;
• les anciennes commandes du client ;
• une note interne validée ;
• un document fournisseur ;
• une règle métier décidée par l’équipe.

Ensuite seulement, l’IA formule une réponse.

AWS rappelle que les données utilisées dans une architecture RAG peuvent venir de plusieurs sources : dépôts documentaires, bases de données ou APIs. C’est exactement ce dont une PME a besoin : ne pas enfermer sa connaissance dans un modèle, mais relier le modèle aux systèmes qui contiennent déjà la vérité.

La valeur ne vient donc pas d’une IA “qui sait tout”.

Elle vient d’une IA qui sait où vérifier.

Exemple concret : une demande client sur un produit

Prenons une demande simple :

“Est-ce que cette pièce est compatible avec mon modèle, quel est le prix, et pouvez-vous me proposer une alternative disponible cette semaine ?”

Un mauvais assistant IA répond depuis une connaissance figée.

Il récite ce qu’il a appris. Il peut donner un ancien prix. Il peut ignorer une rupture de stock. Il peut proposer une référence remplacée. Il peut être très convaincant et très faux.

Un bon système fait autre chose.

Il identifie la référence. Il vérifie la compatibilité dans le catalogue officiel. Il lit le prix actuel dans la base tarifaire. Il regarde le stock. Il vérifie les alternatives autorisées. Il signale les incertitudes. Il prépare une réponse commerciale. Et si la remise est importante, si le client est prioritaire ou si la disponibilité est critique, il demande une validation humaine.

C’est là que l’IA devient utile.

Pas parce qu’elle a tout appris une fois.

Parce qu’elle sait travailler avec les sources vivantes de l’entreprise.

Ce que les dirigeants doivent demander avant d’acheter un projet IA

Avant de signer un projet d’assistant IA, il faut poser des questions très simples.

Où sont les sources de vérité ?

Catalogue, ERP, CRM, fichiers prix, stock, base documentaire, drive, emails, outil de ticketing, logiciel métier : l’IA doit savoir où aller chercher.

Quelles données changent souvent ?

Prix, disponibilité, délais, conditions commerciales, fournisseurs, fiches produit, statuts de commande. Ces données ne doivent pas être figées dans un modèle.

Quelle information doit être citée ou tracée ?

Quand l’IA répond à un client, prépare un devis ou propose une décision, l’entreprise doit pouvoir retrouver la source utilisée.

Qu’est-ce qui reste humain ?

Une remise exceptionnelle, un avoir, une rupture sensible, une réponse juridique, une promesse de délai ou une décision commerciale importante doivent rester validés par une personne responsable.

Comment met-on à jour le système ?

Si chaque mise à jour exige un nouveau cycle d’entraînement, le projet est probablement mal conçu.

Le vrai piège : acheter une démo au lieu d’un système

La démo d’un modèle entraîné sur quelques documents peut être impressionnante.

Elle répond vite. Elle parle bien. Elle donne l’impression de connaître l’entreprise.

Mais une entreprise n’est pas une brochure figée.

Une entreprise est un flux permanent de devis, factures, clients, contraintes, changements de prix, retards, relances, exceptions, décisions et arbitrages.

C’est pour cela qu’un projet IA sérieux ne commence pas par “quel modèle allons-nous entraîner ?”.

Il commence par :

• quelles données font foi ?
• qui peut les modifier ?
• à quelle fréquence changent-elles ?
• quelles réponses doivent citer leurs sources ?
• quels cas doivent être escaladés ?
• quelles décisions doivent rester mémorisées ?
• comment corrige-t-on une erreur ?

La technologie vient après l’architecture métier.

Le rôle d’Amplify : construire une IA reliée au réel

Chez Amplify, nous ne traitons pas les agents IA comme des chatbots décoratifs.

Un agent utile doit être relié aux objets concrets de l’entreprise : demandes clients, devis, catalogue, stock, CRM, documents, factures, règles commerciales, validation humaine, mémoire des décisions.

Il doit pouvoir dire :

“Je ne sais pas encore.”

“Voici la source utilisée.”

“Ce point doit être validé.”

“Le prix vient d’être modifié.”

“Cette réponse n’est pas sûre sans contrôle humain.”

Ce niveau de prudence n’est pas un frein. C’est ce qui rend l’IA exploitable dans une vraie PME.

Une IA qui répond vite mais faux coûte cher.

Une IA qui vérifie, trace et prépare le bon travail fait gagner du temps sans casser la confiance.

Fine-tuning, RAG, agent : comment choisir simplement

Pour une PME, la grille de décision peut rester très simple.

Fine-tuning : utile si vous voulez améliorer un comportement stable. Par exemple : répondre dans un format précis, classer des demandes, produire un style homogène, respecter une structure métier.

RAG : utile si l’IA doit répondre avec des données internes, privées ou fréquemment mises à jour. Par exemple : catalogue, prix, stock, documentation, procédures, contrats, historique client.

Agent connecté aux outils : utile si l’IA doit non seulement répondre, mais préparer une action. Par exemple : générer un brouillon de devis, ouvrir un ticket, comparer deux documents, préparer une relance, signaler une anomalie, demander une validation.

Le bon projet combine souvent les trois.

Mais dans le bon ordre.

D’abord les sources de vérité. Ensuite la récupération des informations. Ensuite les règles et validations. Ensuite seulement, si nécessaire, l’optimisation du modèle.

À retenir

Le fine-tuning n’est pas mauvais.

Le RAG n’est pas magique.

Le problème vient du mauvais usage de chaque brique.

Quand une entreprise veut un assistant IA pour parler de prix, stocks, produits, commandes ou clients, la priorité n’est pas de faire apprendre toute l’entreprise à un modèle.

La priorité est de connecter l’IA à ce qui fait foi.

La prochaine génération d’IA en entreprise ne sera pas composée de modèles qui prétendent tout savoir.

Elle sera composée de systèmes capables de vérifier, citer, préparer, escalader et apprendre des décisions réelles.

C’est moins spectaculaire qu’une démo.

C’est beaucoup plus rentable.

Dans le même corpus

• Automatisation IA : éviter le piège du chatbot isolé
• Après les LLM, la vraie bataille IA se joue dans les données métier
• IA souveraine en entreprise : protéger votre intelligence métier

Bibliographie

Les références ci-dessous servent à cadrer la distinction technique entre fine-tuning, RAG et données métier vivantes.

• Microsoft Learn, “Retrieval augmented generation and indexes in Microsoft Foundry”. La documentation distingue clairement le RAG, adapté aux données privées ou fréquemment mises à jour, du fine-tuning, adapté au comportement, au style ou à la performance d’une tâche. https://learn.microsoft.com/en-us/azure/foundry/concepts/retrieval-augmented-generation

• AWS Documentation, “Retrieval Augmented Generation”, Amazon SageMaker AI. AWS décrit le RAG comme une manière d’ajouter au prompt des données externes provenant notamment de dépôts documentaires, bases de données ou APIs. https://docs.aws.amazon.com/sagemaker/latest/dg/jumpstart-foundation-models-customize-rag.html

• OpenAI Developers, “Model optimization”. La documentation OpenAI présente le fine-tuning comme une méthode d’optimisation de modèles pour des tâches et comportements spécifiques, notamment le ton, le style, les exemples de réponse ou des cas spécialisés. https://developers.openai.com/api/docs/guides/model-optimization

• Patrick Lewis et al., “Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks”, 2020. Papier fondateur décrivant l’usage de la récupération d’information pour améliorer les tâches de génération fondées sur la connaissance. https://arxiv.org/abs/2005.11401