La question du réglage fin de LLM face à RAG pour une base de connaissances d'entrepôt est généralement posée à l'envers. Les équipes demandent quelle technique est la meilleure, comme si l'une d'elles devait gagner. Les données publiées pointent ailleurs : la récupération a systématiquement surpassé le réglage fin non supervisé lorsque le travail consiste à injecter de nouvelles connaissances dans un modèle, selon une étude comparative de 2023, et l'article original de 2020 qui a introduit RAG présentait l'idée comme le fait de donner au modèle un accès aux connaissances externes au moment de la réponse plutôt que de tout forcer dans ses paramètres. Pendant ce temps, les connaissances d'entrepôt changent constamment. Les procédures sont révisées, les règles d'emplacement changent et un grand client ajoute une exigence d'étiquetage en pleine saison. Quand les faits évoluent aussi vite, la décision de sélection doit commencer par deux questions : à quelle fréquence la réponse change-t-elle, et une réponse erronée peut-elle être retracée jusqu'à sa source ?

Le réglage fin change les habitudes ; RAG change ce que le modèle peut voir

Le réglage fin et RAG agissent sur des parties différentes du système. Le réglage fin poursuit l'entraînement, en ajustant les poids du modèle pour qu'il développe de nouvelles habitudes : un format fixe, un ton fixe, une façon fixe de structurer une réponse. RAG laisse le modèle intact. Quand une question arrive, le système cherche dans la base de connaissances, extrait les passages les plus pertinents et les remet au modèle avec la question. Le modèle répond à partir du matériel qu'il a sous les yeux.

Cette distinction compte parce que les connaissances vivent à des endroits différents. Avec RAG, les connaissances sont dans les documents et dans un index. Changez un document, actualisez l'index, et la réponse suivante change avec lui, généralement en quelques minutes. Avec le réglage fin, les connaissances sont dans les poids. Les changer suppose de préparer de nouvelles données d'entraînement, de lancer un autre cycle d'entraînement, de réévaluer et de redéployer. Le coût d'une correction se mesure en semaines plutôt qu'en minutes, et la correction elle-même est difficile à inspecter : personne ne peut ouvrir un ensemble de poids et désigner le paragraphe qui a fait dire quelque chose au modèle.

La plupart des questions dans un entrepôt sont des questions de connaissances, pas des questions de comportement. Un opérateur demande si deux produits peuvent partager un emplacement, quelle règle d'étiquetage s'applique à un client donné, ou quelle est la prochaine étape après une rupture de la chaîne du froid. La bonne réponse existe dans exactement un document, et le mois prochain elle pourra exister dans une version révisée de ce document. Graver cette réponse dans les poids, c'est tailler un document sur le point de changer dans un support difficile à changer.

Le calcul de l'entrepôt : fréquence de mise à jour contre coût de l'erreur

Prenons un scénario hypothétique. À l'automne 2025, un entrepôt tiers dans l'est de la Chine a affiné un modèle sur plus de 4,000 procédures d'exploitation et exigences propres aux clients. Les réponses sont devenues cohérentes et les nouveaux employés du service client se sont rapidement mis à niveau. Puis la haute saison est arrivée, et trois grands clients ont changé leurs exigences d'étiquetage et d'emballage en même temps. Les documents ont été mis à jour ; les réponses du modèle, non. Pendant deux semaines, le personnel de première ligne a travaillé avec les anciennes exigences jusqu'à ce qu'une inspection client détecte l'écart. La solution a été un autre cycle d'entraînement et un autre cycle d'évaluation, qui ont pris trois semaines. La technologie avait fonctionné comme prévu. La décision de sélection avait placé des connaissances changeantes au mauvais endroit.

Un deuxième scénario hypothétique a pris le chemin inverse. Un entrepôt de préparation de commandes e-commerce a conservé environ 2,000 documents dans un système de récupération. Chaque question extrayait les trois à cinq passages les plus pertinents, avec le nom du document et la section, et le modèle composait sa réponse à partir de ces passages. Quand un client a changé une adresse de retour pendant la haute saison, un opérateur a modifié une ligne du document, l'index s'est mis à jour et la question suivante a obtenu la bonne réponse. Quand quelque chose a mal tourné, le superviseur de service a pu suivre la citation jusqu'au passage source et dire si le document était erroné ou si la récupération avait choisi le mauvais passage. La chaîne de responsabilité était intacte, et cette traçabilité est la propriété la plus précieuse qu'un système de connaissances d'entrepôt puisse avoir.

Le point contre-intuitif est le suivant : le réglage fin ne fait pas mieux comprendre votre entrepôt au modèle. Il fait en sorte que le modèle ressemble davantage à votre entrepôt. Les connaissances et le comportement sont des problèmes différents, et les confondre est l'un des moyens les plus sûrs de dépenser de l'argent sans rien résoudre. Un modèle qui répond dans un style maison parfait mais cite une procédure remplacée est pire qu'un modèle qui répond simplement à partir du document en vigueur.

Un tableau comparatif : quand RAG l'emporte, quand le réglage fin mérite sa place

Question de sélection Choisissez RAG Choisissez le réglage fin
À quelle fréquence la réponse change-t-elle ? Chaque semaine ou chaque jour Stable pendant des mois
Une réponse erronée doit-elle être traçable ? Oui, jusqu'au document exact Non, le format compte davantage
Différentes personnes voient-elles un contenu différent ? Oui, filtrer avant la récupération Non, les poids ne portent pas de permissions
Changez-vous des connaissances ou un style ? Des connaissances Style, format, routines fixes
Avez-vous des exemples étiquetés ? Fonctionne sans eux Impossible de commencer sans eux

La ligne des permissions mérite l'attention, car c'est celle que les équipes négligent le plus souvent. Une base de connaissances d'entrepôt contient couramment les prix des clients, les conditions contractuelles et les données internes de coûts. Avec RAG, le contrôle d'accès intervient avant la récupération : le système ne remet au modèle que les passages que le demandeur est autorisé à voir. Le réglage fin ne peut pas faire cela. Une fois les connaissances dans les poids, il n'y a aucun moyen de dire qui devrait les voir et qui ne le devrait pas. Toute base de connaissances à niveaux de permission mixtes doit régler cette question avant que le réglage fin n'entre en scène.

Le coût appartient à la même comparaison, mais les deux côtés doivent être mesurés différemment. Prenons un exemple hypothétique : un entrepôt qui traite 600 questions de la base de connaissances par jour, avec RAG ajoutant environ 2,000 tokens de contexte récupéré à chaque question, consomme environ 36 millions de tokens de contexte par mois. Ce coût croît linéairement avec le volume de questions et est visible chaque mois. Le réglage fin coûte peu par question, mais il facture à chaque mise à jour des connaissances : préparer des échantillons, entraîner, évaluer et exécuter des tests de régression, avec du temps de personnel réservé à chaque cycle. Plus les connaissances changent souvent, plus le coût caché du réglage fin est élevé ; plus le volume de questions est élevé, plus le coût courant de RAG est élevé. Comparer une facture d'entraînement unique à une facture mensuelle de tokens passe complètement à côté du sujet.

Il y a aussi un cas pour ne faire ni l'un ni l'autre, au moins au début. Les conseils pratiques publiés indiquent que lorsqu'une base de connaissances totalise environ 200,000 tokens, soit environ 500 pages de documents, mettre l'intégralité du corpus dans le prompt est souvent plus simple et plus précis que de construire un système de récupération. Beaucoup d'entrepôts petits et moyens ont des bases de connaissances exactement dans cette fourchette. Rassembler les documents et les rédiger clairement vaut plus à ce stade que n'importe quel pipeline de récupération.

RAG d'abord, puis le réglage fin là où le comportement est le problème

La séquence pragmatique pour la plupart des entrepôts consiste à faire fonctionner RAG d'abord, puis à chercher les lacunes de comportement que le réglage fin sait réellement combler. Une fois RAG en production, les vrais problèmes s'avèrent généralement concerner la sortie plutôt que les connaissances : des réponses qui ne suivent pas un format cohérent, des champs de bons de travail qui apparaissent et disparaissent, des règles d'escalade laissées à la discrétion du modèle. Ce sont des problèmes de comportement, et un petit cycle de réglage fin sur quelques centaines d'exemples relus de questions-réponses peut corriger le format et la formulation de l'escalade pendant que RAG continue de fournir les faits au moment de la question.

Cet ordre maintient aussi le retour en arrière peu coûteux. Quand RAG se trompe, l'équipe modifie un document, ajuste la récupération ou change le classement, et la correction peut être vérifiée le jour même. Quand un modèle affiné se trompe, l'équipe doit déterminer quel lot d'exemples d'entraînement l'a fait dévier, réentraîner et réévaluer, un cycle mesuré en semaines. D'abord les étapes réversibles, ensuite les irréversibles : cet ordre vaut pour toutes les décisions de systèmes d'entrepôt, et il vaut ici.

Trois questions règlent la sélection pour n'importe quel entrepôt : à quelle fréquence les documents changent-ils, une réponse erronée peut-elle être retracée jusqu'à sa source, et différents rôles peuvent-ils voir un contenu différent ? Les réponses à ces trois questions déterminent où appartiennent le réglage fin et RAG. Les techniques sous-jacentes continueront de changer, mais il est peu probable que le poids de ces trois questions évolue de sitôt.

Par Dr. Chen, Chercheur en chaîne d'approvisionnement Traduit de l'anglais. En cas de divergence, la version anglaise fait foi.