« Notre IA maison, entraînée pour la finance. » La phrase revient dans presque toutes les démonstrations d'outils destinés aux cabinets. Elle sonne bien. Elle est rarement exacte.
Trois mots circulent comme s'ils voulaient dire la même chose, entraînement, fine-tuning et RAG. Ils désignent trois opérations très différentes, qui ne coûtent pas le même prix, ne demandent pas les mêmes moyens et surtout ne produisent pas les mêmes garanties.
Savoir les distinguer prend cinq minutes. Ça change la façon d'écouter un éditeur, et ça dit lesquelles de ses promesses tiennent.
En bref. Entraîner un modèle depuis zéro coûte des dizaines de millions d'euros, presque personne ne le fait. Le fine-tuning ajuste le ton et les réflexes d'un modèle existant, il ne lui apprend pas de nouvelles vérités. Le RAG branche le modèle sur des sources réelles au moment de répondre, c'est la seule couche qui rattache une réponse à un document vérifiable. Pour un conseil chiffré, c'est celle qui compte.
[[SIMULATEUR_2]]
Sommaire
Qui peut vraiment entraîner un modèle d'IA ?
Presque personne. À l'échelle mondiale, une poignée d'acteurs en ont les moyens.
Imaginez des études générales, de la maternelle au doctorat. Le modèle part de zéro, sans rien savoir, et lit des milliards de textes jusqu'à apprendre comment fonctionne le langage. Il n'apprend pas des vérités, il apprend des régularités, quels mots suivent quels mots. C'est ce qu'on appelle l'entraînement, ou pré-entraînement.
L'ordre de grandeur donne la mesure du filtre. D'après le rapport AI Index 2025 de l'université Stanford, l'entraînement de GPT-4 est estimé autour de 78 à 100 millions de dollars de calcul, et celui de Gemini Ultra autour de 191 millions. Sam Altman, patron d'OpenAI, a confirmé au Wall Street Journal un coût supérieur à 100 millions de dollars pour GPT-4. À ces montants s'ajoutent des milliers de processeurs graphiques mobilisés pendant des semaines et des équipes de recherche spécialisées.
Conséquence directe pour un cabinet. Quand un éditeur affirme avoir « entraîné son IA », il faut entendre, dans l'immense majorité des cas, qu'il a utilisé un modèle existant et l'a adapté. Ce n'est ni une faute ni un mensonge en soi. C'est même l'usage normal du marché. Mais le mot employé promet beaucoup plus que ce qui est réellement fait.
Le fine-tuning, qu'est-ce que ça change vraiment ?
Le ton, le vocabulaire et les réflexes du modèle. Pas les faits qu'il connaît.
Ici l'image est celle de la spécialisation professionnelle. On prend quelqu'un qui a déjà fait ses études, et on lui apprend les codes d'un métier, le vocabulaire, la manière de formuler, les réponses attendues dans telle situation. C'est le fine-tuning, l'ajustement fin d'un modèle déjà existant sur un domaine ou un style.
L'opération est incomparablement plus légère que l'entraînement. Là où le pré-entraînement se compte en dizaines de millions, un fine-tuning se compte souvent en centaines ou en milliers d'euros. C'est accessible à beaucoup d'équipes, ce qui explique sa fréquence.
Le point à retenir est ailleurs. Le fine-tuning rend un modèle plus à l'aise avec le langage patrimonial, plus régulier dans son format de réponse, plus conforme au ton d'un cabinet. Il ne lui donne pas accès au taux du Livret A d'aujourd'hui, ni au plafond en vigueur, ni au contrat de votre client. Un modèle affiné répond toujours de mémoire, avec la même mécanique de prédiction, décrite dans notre article sur le fonctionnement d'un LLM.
Autrement dit, il parle mieux. Il ne sait pas davantage.
Le RAG, pourquoi ça change tout pour un conseil chiffré ?
Parce que le modèle cesse de répondre de mémoire et va lire la source au moment de répondre.
L'image est celle de l'examen à livre ouvert. Jusqu'ici l'IA récitait. Avec le RAG, on lui ouvre une documentation, et on lui demande de composer sa réponse à partir des documents qu'elle vient de consulter. Le sigle veut dire génération augmentée par la recherche, formalisée dans un article de recherche de Lewis et ses coauteurs en 2020.
Concrètement, la question du conseiller déclenche d'abord une recherche dans un référentiel choisi, textes réglementaires, conditions d'un contrat, barèmes fiscaux à jour, dossier du client. Les extraits trouvés sont remis au modèle, qui rédige sa réponse à partir d'eux.
Deux conséquences comptent pour un cabinet. La réponse peut être à jour, puisqu'elle dépend du référentiel et non de la date d'entraînement. Et elle peut être vérifiée, puisqu'on sait de quel document elle sort. Sans cette couche, une réponse chiffrée reste une reconstitution de mémoire, présentée avec le même aplomb qu'un fait exact, ce que nous détaillions à propos de l'usage de ChatGPT pour préparer un conseil.
Le simulateur ci-dessous pose la même question à trois IA, un modèle généraliste, un modèle affiné et un modèle branché sur une source réelle. Les trois répondent avec la même assurance. Une seule peut montrer d'où vient son chiffre.
Quel défaut reste-t-il à chaque couche ?
Chacune corrige quelque chose et laisse un angle mort.
L'entraînement fixe une date de fin. Le modèle ignore tout ce qui s'est passé après, sans le savoir lui-même. Un taux modifié cet été reste à sa valeur de l'an dernier, affirmée sans hésitation.
Le fine-tuning peut renforcer un défaut au lieu de le corriger. Un modèle ajusté pour être utile et affirmatif devient plus fluide, donc plus convaincant, y compris quand il se trompe. L'assurance progresse plus vite que l'exactitude.
Le RAG déplace la question sans la supprimer. La réponse ne vaut que ce que vaut le référentiel, sa fraîcheur et son périmètre. Un document obsolète produira une réponse obsolète, simplement traçable. Et si la recherche ramène le mauvais extrait, le modèle rédigera une réponse propre à partir d'une base inadaptée.
D'où une règle qui vaut pour les trois couches. Aucune ne transforme l'outil en source d'autorité. Elles déplacent seulement l'endroit où le contrôle humain doit se poser.
Comment lire une promesse d'éditeur ?
En traduisant systématiquement le mot employé en opération réelle.
Une grille de lecture simple suffit en rendez-vous.
« Nous avons entraîné notre modèle » appelle une question, entraîné depuis zéro ou adapté à partir d'un modèle existant ? La seconde réponse est la bonne dans presque tous les cas, et elle est parfaitement acceptable, à condition d'être dite.
« Notre IA est spécialisée en gestion de patrimoine » décrit en général un fine-tuning, parfois seulement des instructions données au modèle. La bonne question suit, est-ce que ça change son ton, ou est-ce que ça change ses sources ?
« Nos réponses s'appuient sur un référentiel vérifié et à jour » est la revendication la plus sérieuse, parce qu'elle est vérifiable. Trois questions la confirment ou l'infirment, quelles sources exactement, mises à jour à quelle fréquence, et l'outil montre-t-il le document d'où sort le chiffre ?
Ce dernier point est le plus discriminant. Un outil qui affiche sa source accepte d'être contredit. Un outil qui n'en affiche pas vous demande de le croire. Pour une recommandation qui engage votre responsabilité, la différence n'est pas de confort, elle est de nature.
À titre d'exemple, c'est l'approche que nous suivons chez Apana avec Advisor, où les scénarios patrimoniaux reposent sur des moteurs de calcul déterministes et des fiches métier et fiscales réelles, le conseiller restant celui qui arbitre et qui signe.
FAQ
Un modèle fine-tuné connaît-il mieux la fiscalité française ? Il en parle mieux, avec le bon vocabulaire et le bon format. Il ne dispose pas pour autant de barèmes à jour. Seul un accès à une source externe, par RAG, apporte cette garantie.
Le RAG supprime-t-il les erreurs de l'IA ? Non. Il réduit fortement les réponses inventées en les rattachant à des documents, mais la qualité dépend du référentiel et de la recherche. Une source obsolète donne une réponse obsolète, simplement traçable.
Faut-il un modèle français pour des données françaises ? Ce sont deux sujets différents. La langue et la culture juridique relèvent du modèle et de son ajustement. La localisation des données relève de l'hébergement et du déploiement, question traitée séparément dans la série.
Comment savoir ce qu'un éditeur a réellement fait ? En demandant d'où vient le chiffre affiché à l'écran. Si l'outil peut pointer un document daté, il y a une couche de sources. S'il ne peut pas, la réponse vient de la mémoire du modèle.
Sources
Stanford Institute for Human-Centered AI, Artificial Intelligence Index Report 2025, chapitre sur les coûts d'entraînement des modèles de frontière (estimations établies avec Epoch AI).
Stanford HAI, Artificial Intelligence Index Report 2024, estimation du coût d'entraînement de Gemini Ultra.
The Wall Street Journal, déclarations de Sam Altman sur le coût d'entraînement de GPT-4.
Patrick Lewis, Ethan Perez, Aleksandra Piktus et al., « Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks », Advances in Neural Information Processing Systems (NeurIPS), 2020.
Pour aller plus loin. Si vous découvrez le sujet, l'article socle sur les LLM explique le mécanisme de prédiction en quelques minutes. Pour choisir un outil du marché, voir quel outil d'IA choisir en cabinet.
Envie de voir ce que ça donne sur un dossier réel ? Nous prenons un de vos dossiers et nous déroulons l'analyse en direct, en moins de 15 minutes, sources affichées à chaque étape.