Au cours des deux dernières années, les projets d'entrepôt fondés sur de grands modèles de langage ont suivi un schéma clair : presque tous commencent par des questions-réponses sur la connaissance. Un opérateur demande comment préparer un certain SKU, et le système trouve la réponse dans les manuels, les instructions de travail et les ordres de travail passés. La question n'est pas de savoir s'il faut le construire, mais comment. Deux voies techniques sont sur la table — le fine-tuning et le RAG — et les deux peuvent sembler bonnes en démonstration. Le coût d'un mauvais choix n'apparaît que six mois après la mise en service.
J'ai suivi trois projets réels de bases de connaissances d'entrepôt. L'un était un service de questions-réponses pour le service client d'un 3PL dans l'est de la Chine, lancé début 2024 sur le fine-tuning. Un autre était un assistant interne d'exploitation dans un entrepôt de e-commerce du sud de la Chine, lancé mi-2024 sur le RAG. Le troisième était un système de recherche de pièces détachées chez un fabricant du nord de la Chine, qui a testé les deux approches début 2025. Les trois ont bien fonctionné en démonstration. Six mois plus tard, leurs destins avaient fortement divergé.
Le projet de fine-tuning a rencontré des difficultés en premier. Sa base de connaissances couvrait plus de 40 documents opérationnels, et la précision initiale semblait bonne. Le problème, c'était les mises à jour. Chaque fois que l'entrepôt modifiait un processus ou remplaçait des paramètres d'équipement, l'équipe devait préparer de nouvelles données d'entraînement et lancer un nouveau cycle de fine-tuning — deux semaines dans le meilleur des cas, un mois dans le pire. Pire encore, la maîtrise du modèle sur les nouvelles connaissances était instable. Après une mise à jour, il a commencé à mélanger anciennes et nouvelles procédures dans la même réponse : un opérateur a posé une question sur une règle de picking et a reçu la moitié de la nouvelle version et la moitié de l'ancienne. Le chef de projet m'a confié plus tard que la moitié de leurs efforts servait à « empêcher le modèle d'oublier des choses » plutôt qu'à améliorer le système.
Le projet RAG a progressé plus régulièrement. La connaissance vivait sous forme de documents dans un magasin vectoriel, donc un changement de processus signifiait remplacer un document, avec effet en quelques minutes. Quand ils ont installé un nouveau système de tri fin 2024, les instructions de travail mises à jour étaient consultables le jour même. Mais le RAG avait sa propre faiblesse : quand la récupération manquait sa cible, la réponse pouvait être fausse avec une totale assurance. Une fois, un opérateur a demandé le seuil d'alarme de température du stockage frigorifique, et le système a extrait un chiffre périmé d'un document expiré, en répondant avec une totale confiance. L'équipe a failli suivre la mauvaise norme. L'analyse a posteriori était claire : la faute ne venait pas du modèle mais de la gouvernance de la connaissance. Personne n'avait nettoyé les documents expirés, donc la récupération renvoyait des déchets.
Fine-tuning vs RAG : où se situe la vraie frontière
La frontière entre les deux voies ne tient pas à savoir laquelle est plus « intelligente ». Elle tient à la forme de la connaissance et à la vitesse à laquelle elle change. Le fine-tuning intègre la connaissance dans les poids du modèle, ce qui convient aux capacités stables, générales et durables : le ton, le format de réponse, le bon sens du domaine. Le RAG place la connaissance hors du modèle, ce qui convient au contenu qui change souvent et exige des citations précises : procédures d'exploitation, paramètres d'équipement, clauses contractuelles avec les clients.
La majeure partie d'une base de connaissances d'entrepôt relève de la seconde catégorie. Les processus changent, les équipements sont remplacés, les clients ajoutent des exigences, les réglementations sont mises à jour. Si chaque mise à jour exige un réentraînement, les coûts de maintenance dépassent vite la valeur du système. C'est pourquoi ma position par défaut est la suivante : le RAG doit être l'architecture par défaut d'une base de connaissances d'entrepôt, et le fine-tuning ne doit être utilisé que là où il le mérite.
La comparaison ci-dessous offre un cadre pratique de sélection :
| Dimension | Fine-tuning | RAG |
|---|---|---|
| Coût de mise à jour de la connaissance | Élevé — réentraînement requis | Faible — remplacer le document |
| Traçabilité des réponses | Médiocre — aucune source à citer | Bonne — pointe vers le document source |
| Risque d'hallucination | Moyen — réponses tirées de la mémoire | Dépend de la qualité de la récupération, contrôlable |
| Cas d'usage idéal | Capacité générale stable, style | Connaissance spécifique qui change fréquemment |
| Données nécessaires | Des centaines à des milliers d'échantillons de qualité | Quelques dizaines de documents pour commencer |
| Défaillance typique | L'ancienne connaissance interfère, oubli catastrophique | Les documents périmés polluent la récupération |
L'« oubli catastrophique » mérite un examen plus attentif. Le fine-tuning réécrit les poids du modèle avec de nouvelles données et, poussé trop loin, il endommage des capacités que le modèle possédait déjà. Le 3PL en fine-tuning l'a constaté : après trois cycles ajustés aux nouvelles procédures, le modèle a commencé à échouer sur des questions d'arithmétique de base. Ils ont dû réduire les cycles d'ajustement au minimum, et les gains se sont réduits avec eux.
Choisir le RAG n'est que le début
Choisir le RAG ne veut pas dire choisir correctement : cela veut dire choisir un point de départ plus facile à corriger. Dans un système RAG, environ 70 pour cent du succès relève de la gouvernance de la connaissance et 30 pour cent de la technologie. La gouvernance, ce sont trois choses : le contrôle de version des documents, le nettoyage régulier du contenu expiré et l'évaluation continue de la qualité de la récupération.
L'entrepôt de e-commerce du sud de la Chine offre une référence utile. Chaque document qui entre dans la base porte une date d'entrée en vigueur et une date d'expiration ; les documents expirés quittent le vivier de récupération automatiquement. Chaque semaine, l'équipe échantillonne 50 questions réelles, vérifie à la main si la réponse a cité le bon document et déclenche une revue si la précision de récupération tombe sous un seuil. Après six mois de cette routine, la précision des réponses est passée d'environ 70 pour cent au lancement à un stable 90 pour cent ou plus. L'architecture fixe le plafond. La gouvernance fixe le plancher.
Voici un point contre-intuitif : quand vos données sont peu nombreuses, ne vous précipitez pas vers le fine-tuning. Beaucoup d'équipes commencent par là, convaincues qu'un modèle « entraîné sur nos données » comprendra leur métier. En pratique, le fine-tuning sur quelques centaines d'échantillons sur-apprend facilement : le modèle réussit les questions de son jeu d'entraînement et s'effondre face à des formulations qu'il n'a jamais vues. Plutôt que de passer deux mois à assembler des données de fine-tuning, mettez d'abord le RAG en marche, laissez les vraies questions arriver, et décidez du fine-tuning quand vous aurez assez de preuves.
Ma recommandation est un parcours en trois étapes. Première étape : lancer le RAG sur les documents existants, le faire tourner pendant trois mois et collecter les vraies questions et les cas d'échec. Deuxième étape : laisser les échecs décider s'il faut ajouter du fine-tuning — si les échecs se concentrent sur le ton et le format, le fine-tuning vaut le coup ; s'ils se concentrent sur une connaissance erronée, corrigez d'abord la base de connaissances. Troisième étape : combiner les deux — le fine-tuning pour la manière dont le système parle, le RAG pour ce qu'il dit.
Il n'y a pas de réponse universelle à ce choix, mais il y a un test universel : dans six mois, votre équipe utilise-t-elle le système, ou le sert-elle ? Si chaque changement métier oblige l'équipe technique à faire des heures supplémentaires pour lutter avec le modèle, le choix était probablement mauvais. Une base de connaissances d'entrepôt gagne sa place en changeant avec l'activité, et non en demandant à l'activité de s'adapter à elle.
Par Dr. Chen, Chercheur en supply chain
Traduit de l'anglais. En cas de divergence, la version anglaise fait foi.







