Le fine-tuning consiste à prendre un LLM pré-entraîné (GPT, Claude, Mistral) et à continuer son entraînement sur vos propres données pour qu’il maîtrise votre vocabulaire, votre ton, vos formats spécifiques.
Quand l’utiliser
Quand vous voulez un comportement spécifique très répété (un format de sortie précis, un style éditorial, un vocabulaire métier rare). Ou quand votre cas d’usage demande une qualité que le RAG ne suffit pas à atteindre.
Quand NE PAS l’utiliser
90% des cas d’usage en PME peuvent se résoudre avec du prompt engineering + RAG. Le fine-tuning est plus cher, plus long, et plus risqué (overfitting, drift). En 2026, partez du principe que vous n’en aurez pas besoin avant un volume sérieux d’usage.
Comment ça se passe
Préparer un dataset de 100 à 10 000 exemples (input → output attendu). Lancer le fine-tuning sur la plateforme du modèle (OpenAI, Anthropic, Mistral) ou sur votre infra. Évaluer rigoureusement avant déploiement.
Exemple concret
Une marque de luxe fine-tune Mistral pour produire des descriptifs produit dans son ton de marque exact. Avec 500 exemples curés, le résultat est indiscernable d’un copywriter humain.
À retenir
Le fine-tuning est puissant mais rarement nécessaire. Commencez par le prompt engineering et le RAG, vous y arriverez 9 fois sur 10.