RAG ou fine-tuning : deux docs, pas un score

Le RAG et le fine-tuning ne résolvent pas le même problème. Un système RAG récupère du contexte dans une source externe au moment de la requête. Le fine-tuning ajuste le comportement d'un modèle à partir d'exemples d'entraînement. On peut utiliser l'un, l'autre, les deux, ou aucun des deux.

Cette page compare les mécanismes décrits dans les guides officiels d'OpenAI, consultés le 2026-10-19. Elle ne présente aucun benchmark: aucun index n'a été construit, aucune évaluation n'a été lancée et aucun modèle n'a été entraîné.

Ce que fait le RAG

RAG signifie retrieval-augmented generation, ou génération augmentée par récupération. La récupération cherche des passages dans une base documentaire. Ces passages sont ensuite placés dans le contexte envoyé au modèle, qui rédige une réponse à partir de la question et du contenu retrouvé.

Le guide Retrieval décrit cette recherche avec des vector stores. Lorsqu'un fichier est ajouté, le service le découpe, calcule des embeddings et l'indexe. Une recherche retourne des morceaux de texte, un score de similarité et le fichier d'origine.

Le guide indique un découpage par défaut de 800 tokens avec un chevauchement de 400 tokens. Il documente aussi des limites de taille configurables. Ce sont les valeurs du service, pas une recommandation universelle. Un bon découpage dépend de la structure des documents et des questions réelles.

L'outil hébergé File search branche ce mécanisme à l'API Responses. Le modèle peut appeler l'outil, rechercher dans les vector stores autorisés et produire une réponse accompagnée de citations de fichiers. L'hébergement de l'outil ne prouve pas que le passage retrouvé est vrai ou pertinent.

Ce que fait le fine-tuning

Le guide Model optimization commence par les évaluations et le prompt. Le fine-tuning arrive ensuite, pour certains cas où des exemples peuvent apprendre au modèle un comportement plus régulier.

Le fine-tuning supervisé associe des entrées à des sorties attendues. Il peut servir à stabiliser un format, un ton, une classification ou une façon de suivre des instructions. D'autres méthodes existent selon les modèles disponibles, notamment l'optimisation par préférence et le reinforcement fine-tuning.

Un modèle fine-tuné n'est pas une base documentaire consultable. L'entraînement ne fournit pas, à lui seul, la provenance d'un fait. Pour une information privée, récente ou souvent mise à jour, le guide d'optimisation recommande de fournir le contexte nécessaire dans le prompt. Un mécanisme de retrieval peut fournir ce contexte.

La page Model optimization consultée signale aussi que certaines surfaces d'evals et de fine-tuning migrent vers une documentation héritée. Il faut donc vérifier les pages de modèles et de dépréciations avant de lancer un job.

Choisir d'après le problème

Besoin	Point de départ	Pourquoi
Répondre à partir de documents qui changent	RAG	Le corpus peut être réindexé sans réentraîner le modèle
Afficher la source d'un passage	RAG avec citations	La récupération conserve le lien avec le fichier
Stabiliser un format ou un comportement sur des exemples	Fine-tuning	L'entraînement cible une façon de répondre
Ajouter des faits récents ou privés	RAG ou contexte fourni au prompt	Les faits restent hors des poids du modèle
Améliorer un système sans diagnostic	Evals d'abord	Il faut mesurer l'erreur avant de choisir le remède

Ce tableau est un guide de décision, pas le résultat d'une expérience. Une équipe peut découvrir, avec ses propres évaluations, qu'un meilleur prompt suffit ou que les deux techniques doivent être combinées.

Les deux peuvent coexister

Un modèle fine-tuné peut recevoir des passages récupérés. Le fine-tuning règle alors le comportement attendu, tandis que le retrieval fournit les informations propres à la requête. Par exemple, l'entraînement peut apprendre un format de réponse; le RAG peut apporter la procédure interne à citer.

Cette combinaison ajoute aussi deux sources d'erreur. Le moteur peut récupérer un mauvais passage, puis le modèle peut mal l'utiliser. Les évaluations doivent donc séparer la qualité du retrieval, la fidélité au contexte et la qualité de la réponse finale.

Mise à jour et suppression

Dans un système RAG, mettre à jour une connaissance revient en principe à remplacer ou réindexer les documents concernés. Le guide Retrieval prévient toutefois que la suppression d'un fichier est éventuellement cohérente: le contenu peut encore apparaître brièvement dans les résultats.

Pour un modèle fine-tuné, corriger les exemples ne modifie pas un modèle déjà entraîné. Il faut préparer de nouvelles données et créer une nouvelle version. Les politiques de rétention, de suppression et d'usage des données dépendent du fournisseur et du contrat retenu.

Coûts, licences et données

Les coûts ne se comparent pas par une formule unique. Le RAG ajoute ingestion, stockage, embeddings et recherches. Le fine-tuning ajoute préparation des exemples, entraînement, évaluations et usage du modèle obtenu. Aucun montant n'a été relevé ici.

Les droits sur le code d'un pipeline ne déterminent pas les droits sur les documents, les données d'entraînement, les modèles ou l'offre cloud. Il faut vérifier chaque couche séparément. Cette page ne donne pas d'avis juridique.

Ce que le site traite ailleurs

La sécurité du RAG, la confiance intrinsèque, le découpage autour des entités, la compression du contexte et le retrieval hybride auto-hébergé ont leurs propres pages. Elles examinent des travaux ou systèmes précis. Elles ne constituent pas un benchmark du RAG contre le fine-tuning.

Sources

OpenAI, Retrieval, consulté le 2026-10-19.
OpenAI, File search, consulté le 2026-10-19.
OpenAI, Model optimization, consulté le 2026-10-19.
OpenAI, Fine-tuning, consulté le 2026-10-19.
OpenAI, Deprecations, consulté le 2026-10-19.

Vérification effectuée

Aucun fichier n'a été envoyé, aucun vector store n'a été créé, aucune recherche n'a été lancée et aucun job de fine-tuning n'a été exécuté. Aucun chiffre de performance ni classement n'est présenté. Prix: non relevés.