IA en PME : choisir entre RAG, fine-tuning et prompt

Près d'une PME sur quatre a déjà franchi le pas de l'IA

Selon une estimation de Bpifrance Le Lab, près de 25 % des PME et ETI françaises ont initié au moins un projet d'intelligence artificielle en 2023, un chiffre qui a probablement crû depuis. Derrière cet engouement se cache une réalité technique complexe. Une fois les modèles de langage (LLM) comme GPT-4 ou Claude 3 accessibles, la véritable question pour un dirigeant devient : comment les adapter à mon métier, mes données, mes processus ? Trois approches dominent le débat : le *prompt engineering*, le *fine-tuning* et le *RAG* (Retrieval-Augmented Generation).

Ces termes, souvent brandis comme des étendards technologiques, désignent des stratégies aux implications radicalement différentes en termes de coût, de compétences requises et de souveraineté des données. Le prompt engineering consiste à formuler des requêtes très précises pour guider le modèle. Le fine-tuning ré-entraîne une partie d'un modèle préexistant sur un jeu de données spécifique pour l'adapter à une tâche. Le RAG, enfin, permet au modèle de puiser des informations dans une base de connaissances externe et privée (documents d'entreprise, base client) pour formuler ses réponses. Comprendre cette trilogie n'est plus une option, c'est une nécessité pour tout investissement IA pertinent.

« Le prompt est une compétence, le fine-tuning un investissement, le RAG une architecture »

Cette formule, attribuée à un architecte solutions d'une ESN nantaise, résume parfaitement les enjeux. L'erreur serait de voir ces approches comme concurrentes ; elles sont en réalité des réponses à des niveaux de maturité et des besoins différents. Le paradoxe pour une PME est de devoir choisir sans avoir les moyens d'expérimenter les trois à grande échelle. L'arbitrage se fait sur un triangle : coût, contrôle, complexité.

Le *prompt engineering* est le point d'entrée. Faible coût, mise en œuvre immédiate, il permet d'obtenir des résultats rapides pour des tâches génériques : génération de contenu marketing, aide à la rédaction d'emails, brainstorming. Sa limite est sa dépendance au savoir-faire de l'utilisateur et son incapacité à traiter des informations confidentielles ou très spécifiques à l'entreprise. C'est l'art de poser la bonne question, mais le modèle reste une boîte noire.

Le *fine-tuning* représente l'opposé. Il offre un contrôle maximal en adaptant le "cerveau" même de l'IA. Pour une entreprise avec un jargon métier unique ou un style rédactionnel très normé, il peut s'avérer puissant. Le coût est cependant significatif : il requiert des jeux de données d'entraînement volumineux et de haute qualité, ainsi que des compétences pointues en machine learning. Un projet de *fine-tuning* peut se chiffrer en dizaines de milliers d'euros, un ticket d'entrée qui le réserve aux projets à très fort ROI ou aux entreprises les plus matures. Il soulève aussi des questions sur la portabilité : un modèle affiné sur une technologie propriétaire est un actif difficile à migrer.

Le RAG se positionne comme un compromis stratégique. Il ne modifie pas le modèle de base mais lui donne accès, en temps réel et de manière sécurisée, à une base de données privée. C'est la solution privilégiée pour créer des assistants internes ou des chatbots capables de répondre à des questions précises sur des produits, des procédures ou l'historique d'un client. Moins coûteux que le *fine-tuning*, il demande néanmoins une architecture solide pour la gestion et l'indexation des documents (*vector database*). Sa performance dépend directement de la qualité de la base de connaissances fournie.

Comment arbitrer concrètement entre ces trois voies ?

La décision ne doit pas être purement technique mais guidée par le cas d'usage. Une PME doit cartographier ses processus et identifier les goulots d'étranglement où l'IA pourrait apporter une valeur mesurable. La question n'est pas "Que puis-je faire avec l'IA ?" mais "Quel est le problème le plus coûteux que l'IA pourrait résoudre ?".

Pour un besoin de productivité individuelle et de créativité, le *prompt engineering* est la réponse. Former ses équipes à l'utilisation avancée des LLM via des abonnements standards (type ChatGPT Team ou Claude Pro) est un investissement à retour immédiat. Il s'agit d'une montée en compétence, pas d'un projet IT. Le risque est faible, le gain potentiel sur des tâches bureautiques est de l'ordre de 10 à 30 % de productivité selon les études de cas publiées par des firmes comme McKinsey.

Pour un besoin d'accès à la connaissance d'entreprise, le RAG s'impose. Si vos équipes passent des heures à chercher des informations dans des manuels, des intranets ou des bases de données éclatées, un projet RAG est justifié. Le pilote peut être mené en quelques semaines avec des outils de plus en plus accessibles. Le budget initial se situe entre 5 000 € et 50 000 € selon le périmètre et le niveau d'intégration. La clé du succès est la qualité et la fraîcheur des données sources.

Pour un besoin de création d'un avantage concurrentiel unique, le *fine-tuning* entre en jeu. Une société de conseil qui veut générer des rapports dans un format propriétaire, un cabinet d'avocats qui veut une aide à la rédaction de clauses très spécifiques, ou un site e-commerce qui souhaite des descriptions produits hyper-personnalisées peut envisager cette voie. C'est un projet de R&D qui peut nécessiter un financement PME spécifique au-delà du prêt bancaire. Le ROI est plus long à atteindre mais peut créer une véritable barrière à l'entrée. C'est le terrain de jeu des deeptechs qui captent les fonds pour ce type d'innovation de rupture.

Une PME nantaise divise par trois le temps de traitement de ses appels d'offres

Ce cas concret illustre bien la démarche. Une PME du secteur du BTP, confrontée à des dossiers d'appel d'offres de plusieurs centaines de pages, a mis en place un système RAG. L'IA, connectée à l'historique des chantiers, aux fiches techniques des matériaux et aux normes réglementaires, pré-analyse les documents et identifie en quelques minutes les points de vigilance, les exigences techniques spécifiques et les incohérences. "Le temps d'analyse par dossier est passé de 8 heures à moins de 3 heures en moyenne", confie le dirigeant. Le projet, mené avec une ESN locale, a été amorti en moins de 6 mois.

Cet exemple montre que la première étape est toujours l'identification d'une douleur métier quantifiable. Pour les entrepreneurs, l'enjeu est de ne pas se laisser aveugler par la technologie mais de rester focalisé sur la valeur. L'approche progressive est souvent la plus sage : maîtriser le *prompting*, puis lancer un pilote RAG sur un périmètre restreint.

L'écosystème français, entre soutien public et vigilance réglementaire

La France ne manque pas d'atouts. Le plan France 2030, via des dispositifs comme "IA Booster" opéré par Bpifrance, vise précisément à aider les PME à financer leur premier diagnostic et leur première expérimentation. Des subventions peuvent couvrir jusqu'à 50 % des coûts d'un projet pilote. Les écosystèmes régionaux, comme celui de Nantes avec son pôle d'excellence numérique, offrent un tissu dense d'ESN, de startups spécialisées et de laboratoires issus du transfert technologique en IA qui peuvent accompagner ces projets.

Cependant, le cadre réglementaire européen se durcit. L'AI Act impose une classification des systèmes d'IA en fonction de leur niveau de risque. Un système RAG utilisant des données personnelles pour un service client sera probablement considéré comme à "risque limité", mais devra respecter des obligations de transparence. Un modèle *fine-tuné* pour le recrutement pourrait tomber dans la catégorie "haut risque", avec des contraintes bien plus lourdes. Réaliser un audit algorithmique préventif devient une étape prudente avant tout déploiement à grande échelle. Les agents IA autonomes, qui combinent souvent ces différentes approches, sont particulièrement scrutés.

Conclusion : de la compétence à l'architecture, une trajectoire stratégique

Le choix entre *prompt engineering*, RAG et *fine-tuning* n'est pas une bifurcation mais une trajectoire de maturité. Pour la majorité des PME, l'itinéraire le plus rationnel commence par l'acculturation et la maîtrise du *prompting*, se poursuit par le déploiement de systèmes RAG pour valoriser le patrimoine informationnel, et n'aborde le *fine-tuning* que pour des besoins de spécialisation extrêmes qui constituent un avantage compétitif défendable. Ignorer cette séquence, c'est risquer de financer un projet de R&D complexe là où une simple amélioration des processus aurait suffi. La véritable intelligence, pour le dirigeant, n'est pas dans l'algorithme, mais dans la stratégie de son déploiement.

FAQ - Intelligence Artificielle en PME

Sources & références