Votre meilleur vendeur a des années de réponses dans son WhatsApp : RAG ou fine-tuning ?

Imaginez votre meilleur vendeur. Il conclut plus que personne, et il le fait depuis son téléphone : il sait quoi dire au client qui hésite et à celui qui marchande. Des années de conversations WhatsApp y laissent une part précieuse, et désordonnée, de sa façon de répondre aux objections, d'expliquer les conditions et de préparer les devis. Un jour, en comité, quelqu'un propose ce qui semble évident : « Entraînons une intelligence artificielle avec ses chats, et que tout le monde vende comme lui ».

L'idée est bonne dans son intention et délicate dans son exécution. « Entraîner une IA » peut signifier trois choses très différentes, avec des coûts, des risques et des délais différents. Mal choisir ne fait pas que dépenser de l'argent : cela peut produire un assistant qui répète des erreurs, cite des prix périmés ou utilise des données de clients pour une finalité que l'avis de confidentialité ne couvre peut-être pas.

Cet article s'adresse à celui ou celle qui décide en matière d'IA dans une banque, un assureur, une fintech, une chaîne de distribution ou une entreprise réglementée. Il explique les concepts sans jargon, compare les deux voies les plus courantes et s'achève sur le cas du WhatsApp résolu, pas à pas.

Les concepts, sans jargon

Le modèle de langage : un rédacteur qui a énormément lu

Un modèle de langage est un système qui a lu d'énormes quantités de texte et qui, sur cette base, calcule quels mots ont la plus grande probabilité de suivre. C'est pourquoi il peut rédiger et résumer avec une aisance apparente ; cette aisance ne remplace pas la vérification des faits. Mais il a deux limites qui comptent pour un dirigeant : ne supposez pas qu'il connaisse les informations de votre entreprise (vos tarifs, politiques et dossiers) ni que ce qu'il sait soit à jour : il a été entraîné avec des informations disponibles jusqu'à une certaine date, pas nécessairement avec ce qui a changé hier. Lorsque la réponse en dépend, il faut lui fournir des sources approuvées et actuelles. De plus, il peut se tromper avec un aplomb total.

Les instructions (prompting) : le briefing

C'est la manière la plus simple de le diriger : lui dire, à chaque requête, qui il est, quel ton employer, quel format livrer et lui montrer un ou deux exemples. C'est comme donner un bon briefing à un nouvel analyste avant chaque mission. Cela ne change pas le modèle ; cela change ce qu'on lui demande.

RAG : le bon dossier, avant de répondre

RAG signifie, en anglais, retrieval-augmented generation, soit génération augmentée par la recherche d'information. L'idée tient en une phrase : avant de répondre, le système cherche dans vos documents approuvés les passages pertinents et les remet au modèle avec la question. C'est l'analyste qui, avant de répondre, ouvre la politique en vigueur et joint les pages qu'il a utilisées.

Deux conséquences le rendent attrayant. La première : la connaissance vit dans vos documents, non dans le modèle ; si le tarif change, on met à jour le document. La seconde : la réponse peut montrer d'où elle vient. Microsoft le décrit ainsi dans sa documentation : le modèle reçoit le contenu retrouvé et génère « une réponse qui peut inclure des citations de la source » [1].

Fine-tuning : le cours intensif

Le fine-tuning, ou ajustement fin, consiste à entraîner le modèle de façon complémentaire avec des exemples de ce que vous voulez qu'il fasse : face à ce type d'entrée, voici la bonne sortie. C'est un cours intensif pour l'analyste. Il apprend un style, un format ou une tâche précise et la répète avec constance. Ce qu'il n'apprend pas de façon fiable, c'est ce qui a changé après le cours : un nouveau tarif, une politique corrigée, le produit lancé le mois dernier.

Ce que chacun résout et ne résout pas

La distinction qui structure tout est formulée ainsi par AWS : si le modèle n'a pas la connaissance, on la lui fournit avec RAG ; si « le ton, le style de raisonnement ou l'exécution de la tâche ne correspondent pas à ce dont vous avez besoin, bien que la connaissance correcte soit présente », alors fine-tuning [2]. OpenAI la formule en deux axes : le contexte (ce que le modèle ne sait pas, ce qui est périmé ou propriétaire) et le comportement (résultats incohérents, format ou ton incorrects) [3]. Microsoft va dans le même sens : RAG pour les données privées ou changeantes ; fine-tuning pour changer le comportement, le style ou la performance d'une tâche, « au lieu d'ajouter de la connaissance nouvelle » [1]. (Les citations de fournisseurs sont traduites par nos soins.)

Ce qu'implique chaque voie

Données nécessaires. RAG exige des documents fiables, à jour et dotés d'un responsable. Le fine-tuning exige des exemples approuvés de la tâche correctement exécutée. Microsoft recommande des exemples précis, cohérents et représentatifs, à comparer à une évaluation indépendante ; la quantité doit se décider par des tests, non par un seuil universel [4]. Et l'enjeu n'est pas la quantité : le même document demande de vérifier, avant de téléverser les données, les scénarios manquants, les doublons, les biais et les informations sensibles [4].

Nettoyage. Dans les deux voies, préparer, vérifier et entretenir les données exige un travail important côté métier, juridique et technologie. Avec RAG, un document contradictoire ou ancien se transforme en une réponse contradictoire ou ancienne, désormais avec l'apparence d'une source. Microsoft le souligne : la qualité d'un RAG dépend de la préparation du contenu et de la recherche, et même avec des documents le modèle peut donner des réponses incomplètes ou inexactes [1]. Avec le fine-tuning, des exemples déficients ou peu représentatifs peuvent transmettre au modèle des schémas indésirables et dégrader la tâche, y compris les mauvaises habitudes ; c'est pourquoi ils exigent un tri et une évaluation.

Données personnelles et consentement. Un chat de vente contient des noms, des numéros de téléphone, parfois des données financières. La nouvelle Ley Federal de Protección de Datos Personales en Posesión de los Particulares (LFPDPPP, loi fédérale sur la protection des données personnelles détenues par les particuliers), publiée au Diario Oficial de la Federación (DOF, le journal officiel mexicain) le 20 mars 2025, dispose que tout traitement de données personnelles est soumis au consentement de son titulaire, sauf les exceptions prévues par la loi (art. 7). Les données financières ou patrimoniales requièrent un consentement exprès (art. 7) et les données sensibles, exprès et écrit (art. 8). Et si vous voulez utiliser les données pour une finalité distincte de celle que l'avis de confidentialité annonçait, la loi demande d'obtenir de nouveau le consentement (art. 11) [5]. Même examiner les chats pour préparer un échantillon constitue déjà un traitement de données. La loi prévoit des exceptions au consentement, parmi lesquelles le fait que les données soient d'abord soumises à une procédure de dissociation (art. 9), et elle définit la dissociation comme le fait que les données ne puissent être associées à la personne titulaire ni permettre, par leur structure, leur contenu ou leur degré de désagrégation, son identification (art. 2). Question pour votre service juridique : l'avis avec lequel ces clients ont écrit couvre-t-il que leurs messages entraînent ou alimentent une IA ? Si la réponse est « je ne sais pas », c'est une conversation qui doit avoir lieu avant la technique. Ceci n'est pas un avis juridique ; c'est la lecture d'un texte que votre avocat doit confirmer pour votre cas.

Coût. RAG ajoute la préparation des documents, la recherche et davantage de texte par requête (Microsoft l'énumère : coûts de recherche et d'embeddings, et davantage de jetons en entrée [1]). Le fine-tuning ajoute la préparation des exemples, l'entraînement, l'évaluation et, selon le fournisseur et le schéma de déploiement, des coûts d'entraînement, d'hébergement et d'inférence [4]. Il peut alléger la charge d'instructions ; l'évaluation face à une ligne de base dira s'il améliore aussi le coût ou la latence [4]. Aucun n'est « toujours moins cher » : cela dépend du volume, de la qualité des données et de ce que l'on veut atteindre.

Délai et maintenance. Avec RAG, un changement de politique est un changement de document. Avec le fine-tuning, Microsoft recommande de réévaluer la qualité quand les données de la tâche changent ou que le modèle de base approche de son retrait ; un réentraînement et un redéploiement peuvent être nécessaires [4] ; autrement dit, il faut vérifier si les exemples représentent encore la tâche et valider de nouveau. C'est la différence entre mettre à jour un classeur et redonner le cours.

Audit. Un RAG conçu avec contrôle d'accès, journalisation et citations peut faciliter la revue de ce qui a étayé une réponse : qui a posé la question, quels documents ont été consultés et quelle source a été affichée. Rien de cela n'apparaît du simple fait d'utiliser RAG ; cela dépend de la manière dont il est construit, et Microsoft prévient que le contenu retrouvé non pertinent peut produire des réponses inexactes et que l'accès doit être contrôlé [1]. Une citation ne prouve pas à elle seule que la conclusion est correcte, mais elle permet à quelqu'un de la vérifier. Un modèle ajusté n'offre pas de source par réponse ; sa trace est l'ensemble des exemples et les tests par lesquels il a été approuvé, et cela doit être conservé et versionné.

Risque d'apprendre des erreurs. C'est le point du vendeur vedette. Ses chats bruts comprennent des remises qu'il n'aurait pas dû offrir, des promesses que le produit ne tient pas, des réponses improvisées qui ont fonctionné une fois et un ton informel qui, avec un autre client, serait un problème. Un modèle ajusté avec cette matière ne distingue pas le talent de la boutade.

Par lequel commencer, et pourquoi

La recommandation des fournisseurs eux-mêmes est de commencer par le plus simple et de ne monter d'un échelon que lorsqu'un test réel le justifie. AWS le dit sans détour : « commencez par l'approche la plus simple et n'approfondissez que lorsque vous le devez » [2], et sa séquence va de l'usage du modèle tel quel, aux instructions, puis à RAG, et réserve l'ajustement fin au cas où le comportement ne correspond toujours pas [2]. AWS prévient aussi que les équipes sautent souvent au fine-tuning « alors qu'un prompt bien structuré l'aurait résolu en une après-midi » [2].

Une nuance honnête : OpenAI ne présente pas cela comme une échelle obligatoire. Son guide dit que beaucoup de gens le conçoivent comme un flux linéaire (instructions, puis RAG, puis fine-tuning), mais que « ce n'est souvent pas le cas » : ce sont des leviers qui résolvent des choses différentes et il faut actionner le bon [3]. En pratique, les deux positions se rejoignent sur l'essentiel : diagnostiquez d'abord ce qui ne va pas (la connaissance manque-t-elle ou le comportement est-il défaillant ?) et choisissez l'intervention la moins complexe qui permette de tester l'hypothèse. Commencez par mesurer l'échec : instructions s'il manque de la consigne ; RAG s'il manque une information à jour ou privée ; fine-tuning si un écart de comportement reproductible persiste. Ils peuvent se combiner si les tests le justifient.

La raison, pour un dirigeant : chaque échelon ajoute des données, du coût, du risque et de l'exploitation. Avant d'investir, mesurez une ligne de base avec des cas réels et définissez ce que signifie « a bien répondu ».

Quand le fine-tuning convient, et quand les combiner

Il convient lorsqu'il existe un écart de comportement reproductible et suffisamment d'exemples approuvés. La documentation de Microsoft énumère les cas typiques [4] :

• Format ou schéma rigide : sorties structurées, rapports à champs fixes.
• Style et ton constants, par exemple dans le service client.
• Réduire des instructions très longues, qui renchérissent et ralentissent chaque requête.
• Distillation : utiliser les sorties d'un grand modèle pour ajuster un modèle plus petit qui exécute bien une tâche circonscrite, avec moins de coût et de latence.

On les combine aussi, et c'est une option lorsque les tests le justifient : fine-tuning pour le comportement, RAG pour les faits qui changent et doivent être cités. Microsoft le décrit comme l'amélioration de la capacité du modèle à utiliser la connaissance retrouvée et à écarter ce qui n'est pas pertinent [4]. Un assistant qui parle avec le ton de votre maison (ajustement) et consulte le tarif en vigueur (RAG) résout les deux problèmes.

Le cas du WhatsApp, résolu

Revenons au comité. Voici une séquence pour limiter la portée initiale et produire des preuves avant d'élargir.

1. Un échantillon exploratoire, pas tout. Commencez par un échantillon exploratoire, défini avec le Commercial, le Juridique et la Sécurité, qui couvre les types de client, d'objection et de produit. Sa taille doit suffire pour évaluer le cas sans collecter plus de données que nécessaire. Moins de données personnelles en jeu, moins de nettoyage.
2. Nettoyer et protéger. Avant d'utiliser un échantillon, définissez avec le juridique la base applicable et appliquez une dissociation qui empêche raisonnablement de réidentifier des clients ou des collaborateurs ; retirer noms, numéros de téléphone et montants visibles peut ne pas suffire à lui seul. Garder le schéma, pas la personne.
3. Convertir en connaissance approuvée. De la matière sortent des questions fréquentes, des réponses types, la gestion des objections, des comparatifs. Le vendeur apporte le contexte ; le responsable commercial ou produit et les responsables des tarifs, conditions et politiques approuvent chaque pièce. On sépare ainsi ce qui fonctionne de ce qui était une concession ponctuelle. Ce document, avec un responsable et une date de validité, est l'actif.
4. RAG en mode « suggestion au vendeur ». L'assistant ne répond pas au client ; il propose une réponse au vendeur, avec la source en vue. On mesure ainsi combien de suggestions il accepte, lesquelles il corrige et où l'assistant se trompe. L'envoi et la décision commerciale restent entre les mains d'une personne, avec des critères de révision, le pouvoir de rejeter la suggestion, une journalisation des résultats et une voie d'escalade définie.
5. Capter l'avenir par le canal officiel. Pour que la connaissance nouvelle ne continue pas à vivre uniquement sur un téléphone personnel, les conversations commerciales devraient passer par un canal de l'entreprise, avec un avis de confidentialité clair, une journalisation et des permissions. C'est la base de tout le reste.
6. Ensuite, et seulement s'il existe un écart de style que RAG ne comble pas, évaluer le fine-tuning avec des exemples déjà nettoyés et approuvés, non avec des chats bruts.

Une mise en garde qu'il faut formuler clairement : extraire des chats d'un téléphone (les exporter, les copier, utiliser des programmes qui les lisent) a des implications pour la vie privée — les clients ont écrit à une personne, non à un système d'entraînement — et, s'il s'agit d'un compte WhatsApp Business, n'utilisez pas d'exporteurs, de scrapers ni d'applications non autorisées : les conditions en vigueur de WhatsApp Business App interdisent d'extraire des données du service et d'utiliser des applications qui interagissent avec lui sans autorisation écrite préalable, et confient à l'entreprise la responsabilité de fournir les avis et d'obtenir les droits et consentements nécessaires [6]. Examinez le contrat, la politique applicable et l'avis de confidentialité avant d'intégrer des messages. Nous ne le recommandons pas comme point de départ. Avant de toucher un seul chat, consultez votre service juridique et de sécurité, et examinez avec eux ce qui peut se faire, sur quelle base et par quel canal.

Cinq questions pour votre prochain comité

1. Quelle décision le système va-t-il assister, et laquelle reste explicitement entre les mains d'une personne ?
2. Quelle est la source officielle de chaque réponse, qui en est le responsable et à quelle fréquence change-t-elle ?
3. Quelle preuve chaque réponse doit-elle conserver pour une réclamation, un audit ou un régulateur ?
4. Sur quelle base et avec quel avis de confidentialité détenons-nous ces données, et qu'est-ce qui voyage vers quel fournisseur ou environnement ? L'avis couvre-t-il cet usage, qui peut voir les données, combien de temps elles sont conservées et comment sont traités l'accès, la rectification, la suppression ou l'opposition ?
5. Comment allons-nous mesurer que cela fonctionne (quelle erreur est tolérable, ce qui est escaladé à une personne) avant de l'étendre ?

Par où commencer cette semaine, sans projet

Choisissez un type de question de clients (par exemple, des objections sur un produit). Demandez à votre meilleur vendeur d' écrire, sur une feuille, les dix réponses qu'il donnerait et pourquoi. Vous disposez alors d'une première connaissance approuvée, d'un échantillon pour tester un assistant en mode suggestion et, surtout, de la preuve que le problème est de connaissance, de comportement ou des deux. Vous pouvez démarrer sans réutiliser de chats historiques ni décider d'un recrutement.

Ce que fait Hábil

Hábil travaille depuis 2006 à l'intégration de systèmes. Hábil AI accompagne les entreprises qui évaluent comment intégrer l'IA à des processus existants. Lorsque les politiques de votre organisation limitent le traitement d'informations hors de son environnement, nous examinons avec vous si Nova est une alternative applicable et à quelles conditions.

La première conversation est sans frais : elle part de l'endroit où vit aujourd'hui la connaissance de votre activité et de ce qui doit être surveillé avant de la mettre au travail. Écrivez-nous sur WhatsApp.

Consultées le 6 octobre 2026 ; la référence 4, le 19 octobre 2026.