« On va fine-tuner un modèle sur vos données. » La phrase revient dans presque toutes les propositions d’IA sur mesure, et elle laisse entendre quelque chose de très simple : on verse tes documents dans l’IA, et elle les connaît. C’est le malentendu le plus répandu sur le fine-tuning. C’est aussi le plus cher, parce qu’on l’achète.
Le fine-tuning, c’est quoi ?
Le fine-tuning (« affinage » en français, que personne n’emploie) consiste à reprendre un modèle de langage déjà entraîné et à poursuivre son entraînement sur une série d’exemples qui viennent de toi. On ne repart pas de zéro : le modèle sait déjà écrire, on lui montre comment tu veux qu’il écrive.
À la sortie, tu obtiens un nouveau modèle. Ta version, dont les réglages internes ont réellement bougé. C’est ce qui le distingue d’une simple consigne : un prompt pilote un modèle inchangé, le fine-tuning modifie le modèle lui-même.
Ce qu’il apprend à l’IA, et ce qu’il ne lui apprend pas
Sur la forme, le procédé est redoutable. Répondre à chaque fois dans un format imposé, tenir le ton d’un service client, ranger un message entrant dans l’une de tes six catégories métier, sortir du JSON propre sans jamais broder autour : terrain idéal.
Sur le fond, l’histoire est tout autre. Montrer deux cents fiches produits à un modèle ne les range nulle part, contrairement à ce que ferait une base de données. Il en retient une tendance, un air de famille, une manière de tourner les phrases. Interroge-le ensuite sur la référence exacte d’une de ces fiches : il te répondra quelque chose de crédible. Crédible, pas vérifié, et te voilà revenu au mécanisme de l’hallucination.
La formule que je garde, c’est celle-ci : le fine-tuning change la manière dont l’IA répond, pas la matière dont elle dispose pour répondre.
Concrètement, ça ressemble à quoi ?
Pas à un dossier de PDF. Un jeu de fine-tuning est une liste de paires : une demande, la réponse que tu attends. Répétée des dizaines de fois. Tu ne transmets pas de la connaissance à l’IA, tu lui donnes des démonstrations de comportement.
Sur les volumes, la documentation d’OpenAI est chiffrée : le minimum accepté est de dix exemples, et elle recommande d’en préparer cinquante bien construits avant d’évaluer quoi que ce soit. Dix, c’est un plancher technique, pas une quantité sérieuse.
Et c’est là que le budget se déplace là où on ne l’attendait pas. L’entraînement dure quelques minutes ; la fabrication des exemples, elle, prend des jours. Quelqu’un doit écrire les bonnes réponses, une par une. Ce travail-là ne s’automatise pas : s’il s’automatisait, tu n’aurais rien à apprendre au modèle.
Fine-tuning ou RAG ? Le tri à faire avant de payer
Les deux servent à « spécialiser » une IA, d’où la confusion permanente. Ce sont deux gestes différents, et ils ne répondent pas à la même question.
| Fine-tuning | RAG | |
|---|---|---|
| Ce que ça modifie | Le modèle lui-même | Rien du modèle : ce qu’on lui met sous les yeux |
| Ce que ça améliore | Le style, le format, le comportement | L’exactitude des faits |
| Mise à jour des données | Réentraînement | On modifie la source, c’est tout |
| Sources citables dans la réponse | Non | Oui |
| Le bon cas | « Réponds toujours dans ce format » | « Réponds à partir de ces documents » |
Le tri tient en une question. Si tu te demandes comment faire connaître tes documents à l’IA, la réponse est presque toujours le RAG. Si tu te demandes comment lui faire adopter une façon de répondre que tu n’arrives pas à obtenir autrement, alors le fine-tuning se discute.
Le détail que les définitions oublient : les guichets ferment
Voilà un fait daté, et il change la perspective. Le 7 mai 2026, OpenAI a inscrit sa plateforme de fine-tuning à son calendrier de dépréciations : depuis cette date, une organisation qui n’en avait jamais fait ne peut plus en lancer, et le 6 janvier 2027 les clients existants perdront à leur tour la possibilité de créer de nouveaux entraînements. Les modèles déjà affinés continuent de répondre jusqu’à la mise hors service du modèle de base. Chez Mistral, la fonctionnalité est aujourd’hui affichée en clair comme dépréciée et plus activement maintenue.
Ce qui ferme, ce sont des guichets grand public, pas la technique. Les modèles à poids ouverts se réentraînent toujours, et depuis les travaux d’Edward Hu et de ses coauteurs sur LoRA, publiés en juin 2021, l’opération s’est allégée dans des proportions spectaculaires : jusqu’à dix mille fois moins de réglages à entraîner que pour un affinage complet de GPT-3, pour des performances équivalentes. Le fine-tuning n’est pas mort, il redevient l’affaire de gens équipés.
Une dernière chose, et elle vient de l’éditeur lui-même. Avant même l’annonce de fermeture, la documentation d’OpenAI recommandait d’ordonner les efforts autrement : mesurer, puis soigner ses instructions, et « le travail sur le prompt sera peut-être tout ce dont vous avez besoin ». Quand le vendeur d’une option te conseille d’en essayer une autre d’abord, ça mérite d’être noté.
À retenir
- Le fine-tuning réentraîne un modèle sur tes exemples pour changer sa façon de répondre : le ton, le format, le comportement.
- Il ne lui apprend pas tes documents : pour des faits exacts et à jour, c’est le RAG qu’il faut, pas un réentraînement.
- Son coût réel n’est pas le calcul, c’est l’écriture à la main du jeu d’exemples.
- Les plateformes grand public referment le robinet (OpenAI d’ici janvier 2027, Mistral déjà déprécié) : avant d’en chercher une, vérifie que ton problème n’est pas simplement un problème de consigne.