Le vocabulaire de l'IA
Fine-tuning ou prompt : que coûte vraiment une IA spécialisée ?
Le fine-tuning consiste à réentraîner un modèle sur vos propres données pour modifier durablement son comportement. Le prompt consiste à lui donner des instructions au moment de chaque demande. Le premier coûte cher, prend des semaines et vieillit ; le second est immédiat, gratuit et se refait à volonté.
Ce que fait le fine-tuning
On part d'un modèle existant et on poursuit son entraînement sur un corpus choisi — vos actes, vos notes, vos formulations. Le modèle en ressort avec des habitudes différentes : il adopte plus naturellement votre style, votre vocabulaire, vos structures.
Cela suppose un volume de données significatif, une préparation soignée de ce corpus, du temps de calcul, et une évaluation pour vérifier que le résultat est meilleur et non seulement différent.
Ce que fait un prompt
On donne au modèle, à chaque demande, les instructions et les exemples utiles. Cela n'entraîne rien : le modèle est le même, on l'oriente sur le moment.
La modification est immédiate, réversible, et elle se corrige en 10 secondes quand elle ne convient pas. Les systèmes professionnels le font en arrière-plan, sans que l'utilisateur ait à s'en occuper.
Ce que le premier ne fait pas et qu'on lui prête
Le fine-tuning enseigne une manière de faire, pas des connaissances. C'est la confusion la plus répandue et la plus coûteuse : réentraîner un modèle sur vos contrats ne lui apprend pas le contenu de vos contrats, cela lui apprend à écrire des contrats qui ressemblent aux vôtres.
Si vous voulez qu'un système sache ce que contient votre dossier, il faut le lui donner au moment où vous l'interrogez. Aucun réentraînement ne remplace cela, et un modèle affiné sur vos données inventera vos clauses avec votre style, ce qui est plus dangereux que de les inventer avec un style neutre.
Quand il se justifie malgré tout
Deux situations le rendent pertinent, et elles sont plus rares qu'on ne le prétend.
La première est une exigence de forme très marquée et très stable : un cabinet dont les actes suivent une structure propre depuis des années, et qui veut la retrouver sans avoir à la redemander à chaque fois.
La seconde est un vocabulaire de niche que les modèles généraux maîtrisent mal — certaines matières techniques, certains contentieux spécialisés où la terminologie usuelle du modèle n'est pas la bonne.
Dans les deux cas, il s'agit d'une amélioration marginale sur un socle qui fonctionne déjà, jamais d'un moyen de faire fonctionner ce qui ne fonctionne pas.
Ce que ça ne résout pas
Le fine-tuning est daté par construction. Le modèle affiné correspond à un état de vos pratiques ; six mois plus tard, vos positions ont évolué et lui non. Le maintenir suppose de recommencer périodiquement.
Il crée aussi une dépendance : le modèle affiné est indissociable du fournisseur qui l'héberge, et il ne se transporte pas ailleurs.
Enfin il pose une question de confidentialité qui doit être posée explicitement : ce qui a servi à l'entraînement ne se retire pas facilement d'un modèle.
Un point de vocabulaire utile en réunion : on entend aussi « modèle entraîné sur vos données », qui recouvre la même opération et sonne plus engageant. La question à poser est alors : entraîné sur quoi exactement, et pour obtenir quel comportement différent ?
Pourquoi ça compte pour un juriste
Parce que le fine-tuning est souvent proposé comme la réponse à « il ne connaît pas notre manière de travailler », alors qu'il ne traite qu'une petite partie de ce besoin — la forme, pas le fond.
Avant d'engager un projet de ce type, la question à poser est simple : ce que nous cherchons relève-t-il du style ou de la connaissance de nos dossiers ? Dans le second cas, le fine-tuning n'est pas l'outil.