Entraîner ChatGPT sur ses propres données : 4 options réelles

Commençons par ce que personne ne vous dit : vous ne pouvez pas entraîner ChatGPT sur vos propres données. Pas au sens que l'expression suggère. Les modèles d'OpenAI sont entraînés par OpenAI ; vous n'avez aucun moyen d'ajouter vos documents à ce processus.

Cela ressemble à une mauvaise nouvelle et c'en est une bonne, car ce que les gens veulent dire par « entraîner ChatGPT sur mes données » — obtenir des réponses justes sur les procédures, les produits et la documentation de leur entreprise — est parfaitement réalisable. Simplement, ce n'est pas de l'entraînement.

Quatre choses distinctes se cachent derrière cette seule expression. Choisir la mauvaise est l'erreur la plus fréquente et la plus coûteuse : affiner un modèle en espérant qu'il retienne votre règlement intérieur gaspille des semaines et ne fonctionne pas. Ce guide sépare les quatre, explique à quoi chacune sert réellement, et détaille la mise en œuvre de celle que vous voulez presque certainement.

Ce que « entraîner ChatGPT sur ses données » veut vraiment dire

Quatre mécanismes différents, quatre usages différents :

# Que voulez-vous réellement changer ?

Sa façon de vous parler          →  Instructions personnalisées / mémoire
Quelques fichiers de référence   →  GPT personnalisé avec fichiers
Son comportement, son style      →  Fine-tuning (affinage)
Des réponses depuis vos données  →  RAG / récupération   ← généralement celle-ci

La dernière ligne est ce que la plupart des gens cherchent. Gardez-la en tête en parcourant les autres, car c'est entre la troisième et la quatrième que l'argent se perd.

Option 1 : instructions personnalisées et mémoire

Dans l'application ChatGPT, vous pouvez définir des instructions permanentes — qui vous êtes, sur quoi vous travaillez, comment vous voulez que les réponses soient formatées — et l'assistant les conserve d'une conversation à l'autre.

C'est de la personnalisation, pas de la connaissance. Réellement utile pour un individu, et totalement inadapté pour donner à une organisation accès à ses propres documents : aucun partage, aucune gestion de droits, aucune traçabilité, et aucune capacité au-delà de quelques paragraphes de contexte.

À utiliser quand : vous êtes seul et voulez que ChatGPT arrête de vous expliquer ce que vous savez déjà.

Option 2 : un GPT personnalisé avec des fichiers

Vous pouvez créer un GPT personnalisé, y joindre des instructions et téléverser une poignée de fichiers qu'il consultera pour répondre. Aucun code requis, et pour un cas d'usage restreint cela fonctionne bien.

Les limites arrivent vite. Le nombre et la taille des fichiers sont plafonnés : un vrai corpus documentaire n'y entre pas. Rien ne se met à jour automatiquement — une procédure change, vous téléversez à nouveau. Aucun moyen de garantir que l'utilisateur A voit un document que l'utilisateur B ne doit pas voir. Et vos contenus résident dans l'environnement d'OpenAI, ce qui met souvent fin à la discussion en contexte réglementé.

À utiliser quand : une équipe, une poignée de documents stables, rien de confidentiel.

Option 3 : le fine-tuning — et pourquoi il n'apprendra pas vos documents

C'est le malentendu le plus coûteux, il vaut donc la peine d'être précis.

Ce que le fine-tuning change réellement

Le fine-tuning montre au modèle de nombreux exemples associant une entrée à la sortie souhaitée, et déplace son comportement vers ce motif. Il enseigne la forme : ce ton, cette structure, cette classification, ce niveau de concision.

C'est un mauvais mécanisme pour enseigner des faits. Les travaux sur les tâches à forte intensité de connaissances montrent régulièrement que la récupération surpasse l'affinage, et que les modèles peinent à acquérir de nouvelles informations factuelles par affinage non supervisé. Intuitivement : vous ajustez des poids sur des millions de paramètres, vous n'écrivez pas une ligne dans une base. Rien ne garantit qu'un fait précis est bien entré, et rien ne permet de le vérifier.

Et là même où cela fonctionne partiellement, le tableau opérationnel est mauvais. Votre règlement change mardi ; il vous faut un nouvel entraînement, une nouvelle évaluation, un nouveau déploiement. La récupération, elle, absorbe le même changement en réindexant un fichier.

Les méthodes documentées par OpenAI

Le guide d'optimisation des modèles d'OpenAI liste quatre approches : affinage supervisé, affinage visuel, optimisation directe des préférences pour le ton et le style, et affinage par renforcement avec évaluateurs experts. Regardez à quoi elles sont recommandées : classification, génération de contenu formaté, ajustement du ton. Du comportement, donc. Pas de la connaissance.

Le guide est aussi inhabituellement direct sur l'ordre des étapes : commencez par les évaluations et l'ingénierie de prompt, car celle-ci suffit peut-être. Le fine-tuning trouve sa place quand vous disposez de gros jeux d'entraînement, voulez réduire le coût en tokens à grande échelle, ou avez besoin qu'un petit modèle assure une tâche précise.

Quand le fine-tuning est le bon choix

• Vous exigez un format de sortie rigide à chaque appel et le prompt dérive sans cesse.
• Vous menez une classification à fort volume et voulez qu'un petit modèle économique égale un grand.
• Vous avez une voix de marque que les instructions ne parviennent pas à fixer.

Ne l'utilisez pas pour faire « connaître » à un modèle votre catalogue, vos tarifs ou vos procédures internes.

Option 4 : le RAG — ce que vous voulez presque certainement

La génération augmentée par récupération ne touche pas au modèle. À l'arrivée d'une question, le système cherche dans vos contenus, en extrait les passages pertinents et les transmet au modèle avec la consigne de répondre à partir de ceux-ci en les citant.

Question   →  recherche dans vos documents
           →  récupération des 3 à 5 passages pertinents
           →  le modèle les lit et répond
           →  réponse + source affichée à l'utilisateur

Les conséquences sont exactement ce dont une organisation a besoin. On ne demande jamais au modèle de se souvenir, il ne peut donc pas mal se souvenir. Mettre la connaissance à jour, c'est mettre un document à jour. Chaque réponse pointe vers une source que quelqu'un peut ouvrir. Les droits s'appliquent au moment de la récupération, si bien qu'un assistant n'expose jamais un fichier que l'utilisateur ne pourrait pas ouvrir lui-même. Et l'ensemble peut tourner sur une infrastructure que vous contrôlez.

C'est aussi le premier levier sur la fiabilité, pour les raisons exposées dans ChatGPT est-il fiable : lire une source est une tâche bien plus sûre que restituer de mémoire.

La recherche de fichiers dans l'API OpenAI

Si vous construisez vous-même, OpenAI propose la recherche de fichiers comme outil hébergé dans l'API Responses. Vous téléversez des fichiers, créez un magasin vectoriel et activez l'outil — le modèle y effectue alors une recherche sémantique sans que vous écriviez de code de récupération.

from openai import OpenAI
client = OpenAI()

# 1. téléverser, 2. placer dans un magasin vectoriel, 3. laisser chercher
store = client.vector_stores.create(name="reglement-interne")

response = client.responses.create(
    model="gpt-5.6-terra",
    input="Combien de jours de congés pour un nouvel arrivant ?",
    tools=[{
        "type": "file_search",
        "vector_store_ids": [store.id],
    }],
)

print(response.output_text)

C'est la voie la plus rapide vers un prototype. Passer du prototype à un système sur lequel une organisation s'appuie ajoute les parties que personne ne montre en démo : synchronisation incrémentale depuis les sources vivantes, droits par utilisateur, évaluation, supervision, et un déploiement qui satisfait votre équipe sécurité. Notre guide de l'API ChatGPT détaille la mécanique côté API.

Comment choisir

Avez-vous besoin de réponses issues de documents qui évoluent ?
   ├─ oui  →  RAG
   └─ non
       Avez-vous besoin d'un format ou d'un ton figé ?
          ├─ oui  →  prompt d'abord, fine-tuning si ça dérive
          └─ non  →  les instructions personnalisées suffisent

Les deux peuvent se combiner : le RAG fournit les faits, le fine-tuning façonne la forme. Mais dans cet ordre, et n'ajoutez le second que si l'évaluation montre que le prompt n'y arrive pas.

Pas à pas : mettre vos données derrière un assistant

1. Choisir les sources, étroitement

Résistez à l'envie de tout connecter. Retenez les sources qui répondent aux questions réellement posées — en général un espace de documentation, un dossier de procédures, un wiki produit. Un index ciblé donne de meilleures réponses qu'un index exhaustif, car la récupération a moins de bruit à trier.

2. Corriger le contenu avant de l'indexer

La qualité de la récupération est plafonnée par celle du contenu. Trois choses valent l'effort : supprimer les documents périmés au lieu de les garder à côté des documents à jour, s'assurer que les titres décrivent leurs sections, et vérifier que vos PDF scannés contiennent bien du texte et non des images de texte. Des documents contradictoires produisent des réponses contradictoires, et aucun prompt n'y remédie.

3. Décider qui voit quoi, d'abord

Les droits d'accès sont beaucoup plus durs à rajouter qu'à concevoir dès le départ. La règle est simple : un assistant ne doit jamais révéler par une réponse ce qu'un utilisateur ne pourrait pas ouvrir directement. Voir gouvernance et contrôle d'accès.

4. Rédiger la consigne d'ancrage

Dites explicitement que répondre depuis les documents est la mission et qu'avouer une lacune est un bon résultat. Les modèles ne s'abstiendront pas d'eux-mêmes : il faut les y autoriser.

Réponds uniquement à partir des documents récupérés.
Cite le document source de chaque affirmation factuelle.
Si les documents ne contiennent pas la réponse, dis-le clairement
et ne recours pas à des connaissances générales.
N'invente jamais un chiffre, une date ou un nom absent de la source.

5. Évaluer sur de vraies questions

Rassemblez 50 questions que vos collègues posent réellement, faites-en écrire les réponses par quelqu'un qui les connaît, et notez trois choses séparément : la réponse est-elle juste, est-elle étayée par la source citée, et le système a-t-il correctement refusé quand la réponse était absente. C'est cette troisième colonne que les équipes oublient et qui décide si vous pouvez placer l'outil devant des clients.

6. Observer ce que les gens demandent

Les questions des utilisateurs constituent le meilleur brief éditorial que vous obtiendrez jamais. Les échecs répétés signalent le plus souvent une lacune documentaire plutôt qu'un problème de modèle — le correctif consiste à écrire la page manquante, pas à changer l'IA.

Cinq erreurs à éviter

1. Affiner pour enseigner des faits. Des semaines de travail pour un système ni actualisable ni vérifiable.
2. Tout indexer. Chaque brouillon obsolète inclus est une mauvaise réponse en attente.
3. Se passer de citations. Sans source, personne ne peut vérifier, et la confiance ne s'installe jamais.
4. Reporter les droits d'accès à la phase 2. La première fuite est aussi le dernier jour d'utilisation de l'outil.
5. Juger sur une démo. Dix questions inventées ne sont pas une évaluation. Cinquante questions de vos collègues, oui.

Le faire avec QAnswer

QAnswer est conçu exactement pour ce chemin — la quatrième option, sans assembler soi-même la chaîne. Vous connectez vos sources, et son mode RAG récupère les fragments de documents les plus pertinents pour chaque question au lieu de livrer tout un jeu de données à un LLM.

Ce que cela donne en pratique :

• Des réponses issues de vos propres contenus, avec la source attachée à chacune
• Des connexions vivantes à SharePoint, Confluence, votre site web, vos bases et référentiels documentaires — les mises à jour circulent, sans re-téléversement
• Des droits d'accès appliqués au moment de la récupération
• Des prompts personnalisés par assistant, pour ajuster le comportement sans toucher au modèle
• Un déploiement sur site ou en cloud privé : aucun document ne quitte votre infrastructure

C'est ce dernier point qui explique l'usage par des institutions comme le Parlement européen et la Commission européenne. Si la souveraineté est une contrainte chez vous, c'est l'exigence qui décide de toutes les autres — voir qu'est-ce que l'IA privée et souveraineté des données.

Questions fréquentes

Peut-on entraîner ChatGPT sur ses propres données ?

Pas littéralement — vous ne pouvez pas ajouter de données au processus d'entraînement d'OpenAI. Mais vous pouvez faire répondre ChatGPT avec justesse depuis vos données en récupérant le contenu pertinent au moment de la question et en lui demandant d'y puiser sa réponse. C'est le RAG, et c'est presque toujours ce que les gens veulent réellement.

Comment entraîner ChatGPT sur mes propres données ?

Connectez vos documents à un système de récupération, demandez au modèle de ne répondre qu'à partir de ce qui est récupéré, et exigez une citation. Côté API, cela signifie la recherche de fichiers sur un magasin vectoriel ; sur une plateforme comme QAnswer, cela signifie connecter une source et poser une question.

Comment apprendre quelque chose de nouveau à ChatGPT ?

Mettez-le dans un document que l'assistant peut récupérer. C'est plus rapide, moins cher, vérifiable et immédiatement actualisable, là où le fine-tuning est lent, invérifiable et périmé dès que le fait change.

Quelle différence entre fine-tuning et RAG ?

Le fine-tuning change la manière dont un modèle se comporte — ton, format, classification. Le RAG change ce qu'il sait au moment de répondre. Comportement contre connaissance. Si votre besoin contient les mots « nos documents », c'est le RAG qu'il vous faut.

Ai-je besoin d'un jeu de données d'entraînement ?

Pour le RAG, non — vos documents existants sont l'entrée et aucun exemple annoté n'est requis. Un jeu de paires prompt/réponse ne sert qu'au fine-tuning, qui n'est pas l'outil de la connaissance.

Puis-je entraîner ma propre version de ChatGPT ?

Vous pouvez affiner un modèle OpenAI pour qu'il se comporte différemment, et exécuter vous-même des modèles à poids ouverts. Ni l'un ni l'autre n'est nécessaire pour répondre à des questions sur vos contenus, et les deux demandent bien plus de travail que la récupération.

Est-ce gratuit ?

Les instructions personnalisées et les GPT personnalisés viennent avec un abonnement ChatGPT. Construire via l'API est facturé au token — voir notre guide de l'API pour le détail. Une plateforme fait l'objet d'une licence. Le fine-tuning ajoute un coût d'entraînement au coût d'usage, raison de plus pour ne pas y aller en premier.

Combien de temps pour la mise en place ?

Un prototype fonctionnel sur un corpus, c'est une après-midi. La production — droits, synchronisation vivante, évaluation, déploiement — se compte en semaines si vous la construisez, ou en jours avec une plateforme qui couvre déjà ces couches.

Mes données serviront-elles à entraîner les modèles d'OpenAI ?

Vérifiez les conditions du produit et de l'offre que vous utilisez, car elles diffèrent entre ChatGPT grand public, l'API et les contrats entreprise, et elles évoluent. Si la réponse doit être un non garanti, exécutez le système sur votre propre infrastructure : cela supprime la question plutôt que d'y répondre.

En résumé

Vous ne pouvez pas entraîner ChatGPT sur vos données, et vous n'en avez pas besoin. La récupération vous donne des réponses justes, à jour et citables sur vos propres contenus — sans entraînement, sans attente, et sans que vos documents quittent votre contrôle si vous ne le souhaitez pas.

S'il ne faut retenir qu'une chose : le fine-tuning enseigne un comportement, la récupération fournit la connaissance. Presque tous les projets « on l'a entraîné sur nos données » qui ont échoué confondaient les deux.

‍

Construisez un assistant sur vos propres documents avec QAnswer. Découvrez nos assistants IA et nos intégrations, ou comparez les offres sur notre page tarifs.

Plus d'informations sur www.qanswer.ai

Envie d'essayer sur vos contenus ? Contactez-nous ou écrivez à info@the-qa-company.com