Fiche concept

RAG vs Fine-tuning vs Apprentissage en contexte — Cadre de décision pour la connaissance SAP

À jour au 2026-07-24T14:00:00Z

Édité par Cédric-Olivier Mâry, éditeur et directeur de la publication — 27 ans d'écosystème SAP. Comment ces pages sont produites, et où intervient l'automatisation.

Qu'est-ce que RAG vs Fine-tuning vs Apprentissage en contexte — Cadre de décision pour la connaissance SAP ?

La bonne méthode de restitution de connaissance se décide par trois questions — tient-elle dans la fenêtre de contexte, nécessite-t-elle un réentraînement, le corpus dépasse-t-il 128K tokens — pas par la technique la plus à la mode.

Chaque projet d'IA SAP qui place un modèle de langage au-dessus de la connaissance d'entreprise se heurte à la même bifurcation dans ses deux premières semaines : récupère-t-on la connaissance au moment de la requête (RAG), l'intègre-t-on dans les poids du modèle (fine-tuning), ou la remet-on simplement au modèle dans le prompt (apprentissage en contexte) ? Se tromper dans ce choix coûte cher de trois façons différentes — infrastructure doublée, mois de latence ajoutés avant une mise en production, ou modèle qui hallucine avec assurance des codes de transaction SAP devant un client — et la différence entre un architecte IA expérimenté et une équipe pilote enthousiaste se voit généralement dans cette seule décision.

Les trois approches

L'apprentissage en contexte (in-context learning, ICL) place les exemples ou la connaissance pertinents directement dans le prompt au moment de l'inférence. Il ne nécessite aucun pipeline d'entraînement, se déploie en quelques heures, et constitue le choix par défaut correct pour les prototypes et les cas d'usage à faible volume. Son plafond est la fenêtre de contexte — 128 000 tokens pour les modèles Joule sur BTP — et chaque token de cette fenêtre est payé et traité à chaque appel, si bien que le coût croît linéairement avec la quantité de contexte injectée, indépendamment de ce dont le modèle a réellement besoin. La connaissance paramétrique du modèle est en outre figée à la date limite d'entraînement, donc l'ICL seul ne peut pas rendre un modèle conscient de ce qui s'est produit après cette date.

Pourquoi c'est important

L'apprentissage en contexte se déploie en quelques heures et reste le bon défaut pour les prototypes, mais tout doit tenir dans la fenêtre de 128K tokens de Joule et le coût évolue à chaque appel.
Le RAG est le standard de production car il gère des millions de pages (SAP Help Portal), reste à jour sans réentraînement, et fournit des citations de sources auditables.
Le fine-tuning se réserve aux cas exigeant un format de sortie cohérent ou un changement de comportement implicite — pas à l'injection de connaissances fraîches.

Points clés

ICL : aucun entraînement, déploiement en heures, connaissances dans le prompt — adapté aux PoC et au contenu SAP fréquemment modifié ; limité par la taille de la fenêtre de contexte.
RAG : index vectoriel externe, récupération au moment de la requête, gère des corpus arbitrairement grands, reste à jour sans réentraînement, fournit des citations sources — standard de production.
Fine-tuning : met à jour les poids du modèle — justifié uniquement si la conformité au format est non négociable ET les connaissances sont stables ET le volume dépasse ~1M appels/jour.
La documentation SAP change tous les trimestres : les modèles fine-tunés deviennent obsolètes à chaque cycle ; le RAG reste à jour en réindexant la nouvelle documentation.
Pattern hybride : RAG (ancrage factuel) + ICL (formatage few-shot) + fine-tuning (structure de sortie uniquement) remporte 80%+ des déploiements enterprise SAP.
HANA Cloud Vector Engine élimine le besoin d'une base de données vectorielle séparée ; SAP AI Core héberge les modèles d'embedding et de complétion dans le périmètre BTP.

Termes employés sur cette page

RAG (Retrieval-Augmented Generation): Architecture qui récupère les chunks de documents pertinents depuis un index vectoriel au moment de l'inférence et les injecte comme contexte dans le prompt du LLM, ancrant les réponses dans des sources à jour et citables.
Fine-tuning: Processus de mise à jour des poids d'un modèle pré-entraîné sur un jeu de données étiquetées spécifique au domaine afin de spécialiser son comportement, son format ou sa connaissance implicite.
In-context learning (ICL): Technique où les instructions de tâche, les exemples et/ou la connaissance sont placés directement dans le prompt au moment de l'inférence ; ne requiert aucun entraînement.
Few-shot prompting: Forme d'ICL où 3 à 10 exemples entrée-sortie sont inclus dans le prompt pour démontrer le format de réponse ou le schéma de raisonnement souhaité.
Decision owner: La personne responsable qui accepte l'arbitrage et finance l'action suivante.
Semantic contract: La définition partagée des termes métier, des métriques, des entités et des règles d'accès utilisée par les outils et les équipes.
Control plane: La couche qui applique les politiques, les accès, le lignage, la supervision et l'escalade à l'ensemble du modèle opérationnel.
Evidence grade: Un label qui distingue le fait vérifié, le signal directionnel, l'hypothèse modélisée et l'observation de terrain.

Sources

Fiche complète réservée aux abonnés. Ce que la fiche complète ajoute : le cadre de décision complet · la comparaison SAP · Snowflake · Databricks · Fabric · les pièges courants et leur correctif · l'aide-mémoire · les schémas d'architecture · les blocs de code · les chiffres à citer.

Ouvrir dans l'application →

RAG vs Fine-tuning vs Apprentissage en contexte — Cadre de décision pour la connaissance SAP

Qu'est-ce que RAG vs Fine-tuning vs Apprentissage en contexte — Cadre de décision pour la connaissance SAP ?

Les trois approches

Pourquoi c'est important

Points clés

Termes employés sur cette page

Sources

Concepts liés

Modules d'académie associés

Études approfondies

Guides SAP analytics & TJM