Brancher l’IA sur vos données · Couche 4
Fine-tuning (affinage)
Réentraîner un modèle existant sur vos propres exemples pour modifier durablement son comportement : son style, son format ou une tâche précise.
Pour se le représenterLe fine-tuning, c’est une formation intensive qui change les réflexes d’un collaborateur ; le RAG, c’est lui remettre le bon classeur à consulter. On ne reforme pas quelqu’un chaque fois qu’une procédure change.
En pratiqueCommencez par les consignes et le RAG ; réservez l’affinage à un comportement stable que ni l’un ni l’autre n’obtient.
Un assureur veut que ses courriers de refus de prise en charge suivent toujours la même structure, le même ton et les mentions obligatoires. Malgré des consignes détaillées, le modèle s’en écarte encore régulièrement. Il est affiné sur 2 000 courriers validés et anonymisés, tandis que les garanties à jour restent fournies par un RAG. Chaque nouvelle version du modèle est rejouée sur un jeu de cas test avant sa mise en service.
L’organisation qui affine un modèle avec ses propres données devient responsable de ce traitement (France · CNIL, 18 juillet 2024), et un modèle entraîné sur des données personnelles n’est pas anonyme par principe (UE · CEPD, avis 28/2024). Une donnée apprise ne s’efface pas comme une ligne de base de données : minimisez ou anonymisez les exemples avant l’entraînement (UE · RGPD, art. 5). Celui qui modifie un modèle à usage général en y consacrant plus d’un tiers du calcul de son entraînement initial en devient fournisseur, selon le critère indicatif retenu par la Commission (UE · Commission européenne, juillet 2025 ; UE · AI Act, art. 53). Un affinage courant reste très en deçà de ce seuil, mais le RGPD s’applique dès qu’un exemple contient une donnée personnelle.
« Qu’apporte l’affinage de mesurable, sur nos propres cas de test, par rapport à de meilleures consignes et à un RAG, et comment retirerez-vous du modèle une donnée qu’une personne nous demande d’effacer ? »
Mal. Le modèle retient des tendances plus que des faits précis, sans pouvoir citer sa source ni suivre les mises à jour. Pour répondre à partir de documents, le RAG est plus adapté.
Oui, c’est l’un des intérêts des modèles ouverts : les données d’entraînement ne sortent pas de chez vous. Il faut en revanche des compétences et une infrastructure de calcul adaptées.
Pas en soi. Il le rend plus régulier sur ce qu’on lui a montré ; la fiabilité se mesure ensuite, sur un jeu de cas test distinct des exemples d’entraînement.
Fiche pédagogique, pas un avis juridique. À jour au 29 octobre 2026.