Le fine-tuning prend un modèle d'IA existant et poursuit son entraînement sur vos propres exemples, pour qu'il intègre un style, un format ou une compétence étroite. Il modifie le modèle lui-même — contrairement au RAG, qui modifie ce que le modèle lit. Il exige des centaines à des milliers de bons exemples, et doit être refait quand les modèles de base évoluent.
Pour la plupart des entreprises, c'est le mauvais premier outil : de bons prompts plus de la récupération couvrent l'immense majorité des cas pour une fraction du coût. Il mérite sa place sur des domaines étroits à gros volume — une question tranchée au cadrage d'une intégration d'IA.