RAG, fine-tuning ou agent : que faut-il à une entreprise ?

Écrit par la rédaction · 12 novembre 2026 · Mis à jour le12 novembre 2026

Un RAG donne au modèle les bons documents au moment de répondre, un fine-tuning ajuste son comportement (format, ton, régularité), un agent choisit lui-même ses outils pour mener une tâche en plusieurs étapes. Pour répondre à partir des documents d'une entreprise, on commence presque toujours par la recherche dans ces documents ; l'agent vient quand la tâche enchaîne des actions, et le fine-tuning en dernier, si le comportement du modèle reste irrégulier.

Un fournisseur vous parle de RAG, un autre de fine-tuning, un troisième d’agents. Les trois mots se retrouvent dans les mêmes présentations, alors qu’ils désignent trois leviers distincts. Cet article les définit d’après la documentation d’Anthropic et d’OpenAI, que nous avons lue, puis dit lequel regarder en premier.

Qu’est-ce qu’un RAG ?

RAG veut dire retrieval-augmented generation. OpenAI le résume ainsi : récupérer du contenu pour enrichir le prompt du modèle avant de générer une réponse. Le modèle reçoit, au moment de la question, les passages de vos documents qui concernent le cas.

Dans le guide d’OpenAI, le RAG traite un problème de contexte : le modèle ne connaît pas vos documents, ou il en connaît une version périmée. Le piège vient de la recherche. Le guide prévient qu’un excès de contexte hors sujet noie l’information utile et provoque des hallucinations. Un RAG vaut donc ce que vaut sa recherche : bien retrouver le bon contrat, la bonne version, le bon dossier.

Qu’est-ce que le fine-tuning ?

Le fine-tuning poursuit l’entraînement d’un modèle sur un jeu de données plus petit, propre à une tâche. Selon OpenAI, il vise le comportement : régularité des réponses, format, ton, raisonnement. Il sert aussi à obtenir la même précision avec moins de jetons ou un modèle plus petit.

Le guide recommande d’aller au bout du travail sur le prompt avant de passer au RAG ou au fine-tuning. Il signale un piège fréquent : des exemples d’entraînement qui diffèrent subtilement de ce que le modèle recevra en production, par le format ou la forme. Le modèle apprend alors de mauvaises habitudes.

Qu’est-ce qu’un agent ?

Anthropic distingue deux choses. Un workflow orchestre des modèles et des outils par des chemins de code prédéfinis. Dans un agent, « LLMs dynamically direct their own processes and tool usage » : le modèle décide lui-même quoi faire ensuite.

Côté technique, la documentation d’Anthropic sur l’appel d’outils décrit le mécanisme. Le modèle renvoie un appel structuré, et c’est l’application qui l’exécute puis lui rend le résultat. Chercher un document, lire un tableau, écrire un fichier : chaque action est un outil.

Anthropic ajoute une limite que beaucoup de présentations commerciales omettent. Les systèmes agentiques échangent de la latence et du coût contre de meilleures performances, et leur autonomie ouvre la porte à des erreurs qui s’accumulent d’une étape à l’autre.

Lequel choisir selon votre besoin ?

Ces leviers s’empilent. D’après OpenAI, RAG et fine-tuning se combinent, et Anthropic décrit un agent comme un modèle muni de recherche, d’outils et de mémoire. La recherche documentaire devient alors l’un des outils de l’agent.

L’ordre compte. Anthropic conseille de chercher la solution la plus simple et de n’ajouter de la complexité que si elle est nécessaire, ce qui, écrit-il, « might mean not building agentic systems at all ». Les agents conviennent quand il faut de la flexibilité et des décisions prises par le modèle à grande échelle.

Comment reconnaître votre cas ?

Trois situations typiques aident à trancher.

Un assistant se trompe parce qu’il ignore un document, une grille de prix ou une procédure interne : c’est un problème de contexte, donc de recherche. Un assistant connaît l’information mais la rédige différemment à chaque fois, dans un format que vos équipes doivent reprendre : c’est un problème de comportement, et un prompt plus précis est le premier remède. Une demande exige d’ouvrir trois documents, de comparer deux versions, puis de produire un fichier : ni la recherche seule ni l’entraînement ne l’enchaînent, c’est le travail d’un agent.

La documentation d’Anthropic sur l’appel d’outils ajoute un détail utile : par défaut, le modèle décide à chaque tour s’il appelle un outil ou s’il répond directement. Il répond directement pour une connaissance stable ou une conversation, et appelle un outil quand la réponse n’est pas déjà dans le contexte. Un agent n’est donc pas un modèle qui « fait tout seul » : c’est un modèle qui dispose d’outils bien décrits et d’un cadre pour s’en servir.

Quels pièges éviter ?

• Lancer un fine-tuning pour que le modèle « connaisse » vos documents. Le guide d’OpenAI classe la connaissance du côté du RAG.
• Brancher un RAG sans jamais mesurer ce que la recherche rend. Les mauvais passages produisent de mauvaises réponses, avec aplomb.
• Construire un agent pour une tâche qui tient en un seul appel.
• Laisser l’agent envoyer ses résultats sans relecture. Anthropic recommande des tests poussés en environnement isolé et des garde-fous.
• Entraîner sur des exemples qui ne ressemblent pas aux demandes réelles.

Et chez nous ?

Nous publions ce blog et nous sommes une agence en forward deployed : trois ingénieurs de Télécom Paris spécialisés en IA, qui construisent des agents sur mesure et prennent aussi des missions de machine learning et de données.

Nos agents lisent vos documents sur SharePoint, OneDrive ou Dropbox, en lecture seule, dans les dossiers que vous choisissez, sans conserver de fichier. Ils citent leurs sources et rédigent des Word et des PowerPoint. Rien ne part sans la validation d’une personne de votre entreprise. Le premier appel dure 30 minutes, il est offert et sans engagement ; deux semaines plus tard, un premier agent tourne. Pour le détail, voir la page sur l’agent IA en entreprise et celle sur la couche de contexte.