---
title: "Projet, RAG ou ajustement du modèle"
description: "Trois façons de donner vos documents à une IA, ce que chacune coûte, et laquelle prendre."
url: https://meridal.fr/apprendre/projet-rag-ou-ajustement/
language: fr
written: 2026-10-07
verified: 2026-10-07
license: CC BY 4.0
---

[Apprendre](https://meridal.fr/apprendre/) › [Vos documents](https://meridal.fr/apprendre/dossier/documents/)

Choisir · Niveau 2, Pratiquer · 10 minutes

# Projet, RAG ou ajustement du modèle

Trois façons de donner vos documents à une IA : tout lui faire lire, lui faire chercher les bons passages, ou la réentraîner. Ce que chacune coûte, ses limites, et laquelle prendre selon vos documents.

Écrit le 7 octobre 2026 · Vérifié le 7 octobre 2026 sur les pages des éditeurs

## Vous saurez

- Dire en une phrase ce que font un projet, un RAG et un ajustement
- Choisir la bonne façon selon le volume, la mise à jour et les droits
- Savoir pourquoi l'ajustement n'est presque jamais la réponse pour des documents

## Dans le parcours

[L'IA sur vos documents](https://meridal.fr/apprendre/parcours/documents/)

Étape 2 sur 8

- [← Avant Le RAG : une IA qui répond avec les documents de l'entreprise](https://meridal.fr/apprendre/rag/)
- [↓ Plus concret Atelier : interroger vos documents sans programmer](https://meridal.fr/apprendre/atelier-documents/)
- [→ Ensuite Un assistant sur vos documents avec vos outils actuels](https://meridal.fr/apprendre/assistant-sur-vos-documents/)

Rappel de la page précédente

Répondez de tête, puis ouvrez. [Le RAG : une IA qui répond avec les documents de l'entreprise](https://meridal.fr/apprendre/rag/)

**1 Un RAG garantit-il qu'une réponse est juste ?**

Non. Il la rend vérifiable, parce qu'elle cite ses passages. Si un document est faux ou périmé, la réponse le sera aussi.

**2 Qu'est-ce qui compte le plus pour la qualité des réponses ?**

L'état des documents : à jour, sans doublons ni versions qui se contredisent, lisibles par une machine.

L'essentiel

1. Pour quelques dizaines de documents, un projet dans votre assistant suffit : le modèle les lit tous à chaque question.
2. Au-delà, ou quand chacun ne doit voir que ses documents, un RAG cherche les bons passages avant de répondre.
3. Réentraîner un modèle sur vos documents n'est presque jamais la bonne réponse : il faudrait recommencer à chaque changement.
4. OpenAI ferme son service d'ajustement aux nouveaux clients, et à tous le 6 janvier 2027 ; Mistral a abandonné le sien.
5. Dans les trois cas, la qualité tient d'abord à l'état de vos documents.

## Options

Avant de lire l'arbre : pour vingt procédures de quelques pages, quelle façon prendriez-vous ?

![Trois questions mènent au bon choix : si le problème est le ton ou le format, pas les faits, un ajustement ; si vos documents tiennent dans un projet de l'assistant et qu'il ne faut pas de droits différents par personne, un projet suffit ; sinon, un RAG.](https://meridal.fr/assets/apprendre/medias/apprendre-arbre.svg)

**Un projet contexte long**

Vous déposez les documents dans un projet de votre assistant ; à chaque question, le modèle les relit tous. Les modèles actuels lisent jusqu'à environ un million de tokens d'un coup, soit quelque 2 500 pages au compte d'Anthropic, qui donne 500 pages pour 200 000 tokens.

**Un RAG retrieval-augmented generation**

Une recherche choisit d'abord les passages utiles, puis le modèle répond à partir d'eux, en les citant. C'est le mécanisme de [la page du RAG](https://meridal.fr/apprendre/rag/).

**Un ajustement fine-tuning**

Le modèle est réentraîné sur des exemples de questions et de réponses. Il apprend une façon de répondre, pas une base de documents qu'on pourrait mettre à jour.

## Sélection par besoin

| Votre situation | La façon qui convient |
|---|---|
| Quelques dizaines de documents, lus par toute l'équipe | Un projet, ou un bloc-notes, dans l'assistant que vous avez |
| Des documents qui changent chaque semaine | Un projet qui suit vos fichiers (Copilot Notebooks, Gemini Notebook), ou un RAG |
| Des centaines de documents, ou plus | Un RAG |
| Chacun ne doit voir que ce qu'il a le droit de lire | Un RAG qui filtre selon la personne, ou un agent qui respecte les droits de SharePoint |
| Du confidentiel à tenir à part | Un RAG, avec ces documents exclus ou réservés |
| Un ton ou un format précis, sur des milliers de textes | D'abord des consignes et des exemples dans la demande ; un ajustement seulement ensuite, sur un modèle qui le permet encore |

## Comparatif

Les trois façons, sur cinq questions. Relevé le 7 octobre 2026 sur les pages des éditeurs ; la source est au bout de chaque case.

Un avantage À savoir

| Outil et offre | Combien de documents | Mise à jour | Droits par personne | Coût | Limite |
|---|---|---|---|---|---|
| Un projet, ou tout dans la demande le modèle lit tous les documents à chaque question | Jusqu'à la fenêtre de contexte : 1 million de tokens chez Claude Opus 5.5, 1,05 million chez GPT-6 Astra, environ 1 million chez Gemini 3.8 Flash | Il suffit de remplacer le document | À savoir : Tous les documents du projet, pour tous ses membres | Tout est relu à chaque question ; la mise en cache réduit le coût des relectures | À savoir : La précision baisse quand le contexte s'allonge, et quand plusieurs faits sont à trouver |
| Un RAG une recherche choisit les passages, le modèle répond à partir d'eux | Bien au-delà de la fenêtre de contexte : seuls les passages retenus sont lus | Un document changé se remplace dans l'index | Un avantage : Peut ne servir à chacun que ce qu'il a le droit de lire, comme les agents SharePoint | Un index à tenir, et une recherche à régler ; peu de texte lu par question | À savoir : Une réponse ne vaut que ce que la recherche a trouvé |
| Un ajustement du modèle le modèle est réentraîné sur des exemples | Des exemples de questions et de réponses, pas des documents | À savoir : Un nouvel entraînement à chaque changement | À savoir : Aucun droit par document : le modèle ajusté répond de la même façon à tous | Entraînement payé au token, puis un modèle à part | À savoir : OpenAI le ferme aux nouveaux clients, et à tous le 6 janvier 2027 ; Mistral l'a abandonné |

## Méthode

Ce comparatif s'appuie sur la documentation des éditeurs : les fenêtres de contexte et les prix d'Anthropic, d'OpenAI et de Google, leurs avertissements sur les longs contextes, la page de dépréciations d'OpenAI et celle de Mistral sur l'ajustement, lues le 7 octobre 2026. Les deux annonces sur l'ajustement ont été relues à la source le même jour. Aucun test de Meridal n'y est mêlé.

En 2024, Anthropic conseillait de tout mettre dans la demande sous 200 000 tokens, environ 500 pages, et de passer à un RAG au-delà. Les fenêtres ont grandi depuis ; le seuil pratique dépend surtout de ce que coûte la relecture de tout à chaque question, et de la baisse de précision sur de longs contextes.

## Pièges de lecture

- **Un million de tokens ne veut pas dire tout lu avec la même attention.** Anthropic écrit que la précision baisse quand le contexte s'allonge ; Google, que trouver plusieurs faits dans un long texte est plus difficile qu'en trouver un.
- **Un long contexte se paie à chaque question.** Tout est relu à chaque fois ; la mise en cache réduit ce coût, et chez OpenAI, au-delà de 272 000 tokens, l'entrée de GPT-6 Astra coûte deux fois plus.
- **Un RAG ne rend pas une réponse juste.** Il la rend vérifiable : si la recherche ne trouve pas le bon passage, la réponse se trompe aussi.
- **L'ajustement n'est pas une base de documents.** OpenAI le présente pour donner plus d'exemples, raccourcir les demandes, entraîner sur des données sensibles ou passer à un modèle plus petit ; il vient après des évaluations, et il ferme.

## Vérification

**1 Appliquer Votre équipe a dix procédures de quelques pages. Faut-il un RAG sur mesure ?**

Probablement pas : un projet ou un bloc-notes dans l'assistant que vous avez suffit.

**2 Comprendre Quand un RAG sur mesure se justifie-t-il ?**

Avec beaucoup de documents, des droits d'accès différents selon les personnes, ou du confidentiel à tenir à part.

**3 Comprendre Pourquoi ne pas réentraîner un modèle sur vos tarifs ?**

Parce qu'il faudrait le réentraîner à chaque changement de tarif, que le modèle ajusté répondrait de la même façon à tous, et qu'OpenAI et Mistral ferment ce service.

## Lectures suivantes

↑ Plus général

Rien avant : c'est un point de départ.

← Avant [Le RAG : une IA qui répond avec les documents de l'entreprise Comprendre · Niveau 1 · 12 minutes](https://meridal.fr/apprendre/rag/)

Vous êtes ici

Projet, RAG ou ajustement du modèle

→ Ensuite [Un assistant sur vos documents avec vos outils actuels Faire · Niveau 2 · 14 minutes](https://meridal.fr/apprendre/assistant-sur-vos-documents/)

L'IA sur vos documents · étape 3 sur 8

↓ Plus concret [Atelier : interroger vos documents sans programmer S'exercer · Niveau 2 · 20 minutes](https://meridal.fr/apprendre/atelier-documents/)

[Tout le dossier « Vos documents »](https://meridal.fr/apprendre/dossier/documents/)

Les pages qui renvoient ici

- [Le RAG : une IA qui répond avec les documents de l'entreprise](https://meridal.fr/apprendre/rag/)
- [Un assistant sur vos documents avec vos outils actuels](https://meridal.fr/apprendre/assistant-sur-vos-documents/)
- [La recherche par le sens](https://meridal.fr/apprendre/recherche-par-le-sens/)

**Limites et sources**

Cette page aide à choisir ; elle ne remplace pas un essai sur vos documents, avec cinq questions dont vous connaissez la réponse.

Les fenêtres de contexte et les prix changent vite : ils sont relevés le 7 octobre 2026, avec leur source au bout de chaque case.

1. [OpenAI, Deprecations](https://platform.openai.com/docs/deprecations) : la fin de l'ajustement en libre-service ; [Model optimization](https://platform.openai.com/docs/guides/model-optimization).
2. [Mistral, Fine-tuning](https://docs.mistral.ai/capabilities/finetuning/), marqué abandonné.
3. [Anthropic, Context windows](https://docs.claude.com/en/docs/build-with-claude/context-windows) et [Prompt caching](https://docs.claude.com/en/docs/build-with-claude/prompt-caching) ; [Introducing Contextual Retrieval](https://www.anthropic.com/news/contextual-retrieval), 19 septembre 2024.
4. [Google, Long context](https://ai.google.dev/gemini-api/docs/long-context) ; [OpenAI, GPT-6 Astra](https://platform.openai.com/docs/models/gpt-6-astra).

Écrit par Meridal, avec l'aide de l'IA ; chaque fait vérifié à sa source et relu avant publication. Texte et schémas sous licence [CC BY 4.0](https://creativecommons.org/licenses/by/4.0/deed.fr) : reprenez-les en citant Meridal. Le code sous licence MIT.

Service correspondant

Un assistant qui connaît votre entreprise

3 300 € à 10 200 €, puis sur devis

[Voir le service](https://meridal.fr/offre/#assistant)

## Un premier échange de 30 minutes

En visio et sans frais : vous décrivez votre situation, nous vous indiquons ce qui est réalisable, avec quels outils et pour quel ordre de prix. Vous pouvez aussi nous écrire ; chaque message reçoit une réponse écrite.

[Réserver 30 minutes](https://meridal.fr/contact/#reserver) [Écrire un message](https://meridal.fr/contact/)