Fine-tuning : les enjeux pour la PME
Le fine-tuning passe souvent pour la solution évidente : « entraîner l’IA sur nos données ». C’est rarement le premier levier pour une PME. La documentation d’OpenAI présente le travail sur les instructions, le prompt engineering, comme le meilleur point de départ, et distingue deux problèmes : le modèle manque de connaissances, parce qu’elles ne figuraient pas dans son entraînement ou qu’elles sont datées, ou il se comporte de façon irrégulière, avec un format qui varie d’une réponse à l’autre. L’ajustement du modèle traite surtout le second.
Pour donner à l’IA l’accès à vos documents, la voie habituelle est le RAG : le modèle consulte vos sources au moment de répondre, sans être réentraîné. Le fine-tuning devient pertinent quand une tâche très répétitive doit être exécutée toujours de la même façon et que vous disposez de nombreux exemples de bonnes réponses. Selon la documentation de Claude, il permet d’adapter un modèle à un domaine, une tâche ou un style, mais exige une attention particulière aux données utilisées et à leur effet possible sur la qualité des réponses et les biais du modèle.
Un modèle ajusté est aussi un actif à entretenir : quand vos pratiques changent, il faut le réajuster. L’ANSSI, dans ses recommandations de sécurité pour un système d’intelligence artificielle générative publiées en 2024, recommande fortement de ne pas réentraîner un modèle directement en production. Avant tout projet, nous posons trois questions : le problème vient-il d’un manque de connaissances ou d’un manque de régularité ? Disposons-nous d’un volume suffisant d’exemples validés ? Qui maintiendra le modèle quand les pratiques évolueront ?
Exemple
Une PME fictive d’expertise comptable de 60 personnes veut que l’IA rédige ses lettres de mission dans son format maison. Elle envisage un fine-tuning sur 300 lettres. Un test préalable de deux semaines montre qu’un modèle standard, guidé par une consigne détaillée et trois lettres modèles, respecte le format dans 46 cas sur 50. Les 4 écarts portent sur des clauses rares, traitées en relecture. Le projet de fine-tuning est reporté.
Questions fréquentes
Faut-il fine-tuner un modèle pour qu’il connaisse nos documents ?
Généralement non. Pour des connaissances internes qui évoluent, le RAG est plus adapté : il s’appuie sur vos documents à jour sans réentraîner le modèle.
Quelle différence entre fine-tuning et RAG ?
Le fine-tuning agit sur le comportement du modèle : format, style, régularité. Le RAG agit sur les informations dont il dispose au moment de répondre.
Par quoi commencer avant d’envisager un fine-tuning ?
Par le travail des instructions, que la documentation d’OpenAI présente comme le meilleur point de départ, puis par un test mesuré sur des cas réels de l’entreprise.
Un modèle fine-tuné dispense-t-il de relire ses réponses ?
Non. Un modèle ajusté reste un modèle génératif : ses sorties destinées à des clients ou engageant l’entreprise doivent toujours être relues.
Sources
- Glossary, Anthropic (documentation Claude) — consulté le 16 octobre 2026
- Optimizing LLM Accuracy, OpenAI (documentation développeurs) — consulté le 16 octobre 2026
- Recommandations de sécurité pour un système d’IA générative (ANSSI-PA-102, v1.0, 29/04/2024), ANSSI — consulté le 16 octobre 2026
Auteur
Clément Marchal a fondé le Cabinet Flourens. Depuis 2017, dont cinq ans à faire tourner des équipes, notamment dans un environnement régulé par l'AMF, il voit la même chose : l'IA entre dans l'entreprise par les salariés, pas par la direction. Personne ne sait qui l'utilise, sur quelles données, ni ce qu'elle rapporte. Avec Ardoise, le Cabinet Flourens met cet usage en ordre en six semaines : la carte des usages, des règles acceptées, deux automatisations ou agents IA sur vos outils et le dossier qui prouve ce que l'entreprise a fait.
L'histoire du cabinetMode d'Emploi, la lettre
Une méthode par semaine pour reprendre la main sur votre organisation. Désinscription en un clic.