“On va entraîner l’IA avec nos données.” Cette phrase, prononcée par beaucoup d’hébergeurs qui découvrent les chatbots IA, repose sur un malentendu. En 2026, entraîner un LLM n’est ni ce qu’on vous vend, ni ce dont vous avez besoin. Voici la vraie mécanique - et pourquoi elle vous simplifie la vie.
À retenir
- Pré-entraînement, fine-tuning, RAG : trois choses distinctes
- Pour un hébergeur, le RAG est la seule approche pertinente
- Le RAG = votre base de connaissances + le LLM = réponses précises sans hallucination
- Construire une bonne base prend 2 à 4 heures, pas des mois
- La précision s’améliore chaque semaine si vous enrichissez la base
Le mythe du ‘on entraîne le chatbot’ : ce que ça veut vraiment dire
Quand on parle d‘“entraîner un chatbot”, on confond souvent trois choses très différentes :
1. Le pré-entraînement : c’est la formation initiale du LLM sur des milliards de textes - Wikipedia, livres, sites web, code… Ce travail a été fait par OpenAI, Anthropic, Mistral ou Meta. Il a coûté des dizaines de millions d’euros et pris des mois. Vous n’y participez pas et n’en avez pas besoin.
2. Le fine-tuning : ajustement du LLM sur un jeu de données spécialisé pour lui faire adopter un style, un vocabulaire ou une expertise particulière. Coûteux (milliers d’euros), lent (jours à semaines), nécessite des milliers d’exemples annotés. Rarement pertinent pour un hébergeur individuel.
3. Le RAG (Retrieval-Augmented Generation) : c’est ça que vous utilisez réellement. Le LLM reste inchangé - il sert de moteur linguistique. Vous lui fournissez une base de connaissances (vos PDF, votre site, vos FAQ) et à chaque question, le système récupère les passages pertinents de votre base pour que le LLM formule la réponse. Résultat : réponses précises, sourcées, sans hallucination.
Quand Groomy dit que votre agent “apprend” votre établissement, il s’agit du RAG : vous enrichissez la base, l’agent répond mieux. Pas de réentraînement, pas de coût supplémentaire.
Pré-entraînement vs fine-tuning vs RAG : 3 niveaux distincts
Pour visualiser la différence :
| Pré-entraînement | Fine-tuning | RAG | |
|---|---|---|---|
| Qui le fait | Anthropic, OpenAI, Mistral | L’éditeur du chatbot ou vous | Vous (avec outils no-code) |
| Coût | Millions d’euros | Milliers d’euros | Inclus dans l’abonnement |
| Durée | Mois | Jours-semaines | Minutes |
| Nécessite | Supercalculateurs | Milliers d’exemples annotés | Vos documents existants |
| Bénéfice pour vous | Langage naturel fluent | Style/vocabulaire spécifique | Réponses précises sur votre établissement |
| Recommandé pour un hébergeur | N/A | Non | Oui |
Le RAG est la bonne réponse parce qu’il résout exactement le problème de l’hébergeur : l’IA sait parler, mais elle ne connaît pas votre wifi, vos horaires, votre politique animaux. La base de connaissances comble ce manque.
Pourquoi le RAG est la bonne approche pour un chatbot tourisme
Le RAG fonctionne en trois étapes, à chaque question :
- Récupération : la question est transformée en représentation vectorielle et comparée aux passages de votre base de connaissances. Les 3 à 10 passages les plus pertinents sont récupérés.
- Augmentation : ces passages sont transmis au LLM avec la question, comme contexte.
- Génération : le LLM formule une réponse en s’appuyant sur ces passages - et rien d’autre.
Ce mécanisme garantit que l’agent :
- Ne répond que sur ce qui est dans votre base
- Cite ses sources (vos documents)
- Dit “je ne sais pas” si la réponse n’existe pas
- Ne crée pas d’informations fictives (pas d’hallucination)
C’est fondamentalement différent d’un LLM “libre” qui peut inventer des informations plausibles mais fausses sur votre établissement.
Pratique chez Groomy : la base de connaissances Groomy indexe vos PDF, votre site et vos FAQ en quelques minutes. Chaque réponse affiche sa source. Si une question reste sans réponse satisfaisante, le dashboard vous l’indique pour enrichissement.
Construire sa base de connaissances : structure, mise à jour, qualité
Une bonne base de connaissances pour un chatbot tourisme repose sur trois types de contenus :
1. Documents structurés : votre livret d’accueil PDF, votre FAQ, votre règlement intérieur. Importez-les directement - le système indexe automatiquement.
2. Votre site web : pointez vers votre URL, le crawler indexe vos pages. Particulièrement utile pour les descriptions de chambres, les services, les tarifs. À recrawler après chaque mise à jour majeure.
3. Q/A manuelles : pour les questions fréquentes que vos documents ne couvrent pas exactement. Format simple : une question, une réponse de 2 à 5 phrases. Exemples :
- “Y a-t-il des restaurants à proximité ?” → Liste des 3-4 restaurants recommandés avec type de cuisine et distance
- “Comment accéder au parking ?” → Procédure exacte, code de barrière si nécessaire
- “Le petit-déjeuner est-il inclus ?” → Précision par type de chambre
Qualité plutôt que volume Une base de 30 Q/A précises et bien rédigées surpasse une base de 200 réponses vagues. Chaque Q/A doit répondre à une vraie question de vraie client, avec une vraie réponse concrète. Évitez les formules génériques du type “nous faisons de notre mieux pour…”.
Mise à jour continue La base se dégrade si elle n’est pas maintenue. Calendrier recommandé :
- Hebdomadaire : traiter les questions auxquelles l’agent n’a pas su répondre (dashboard vous les remonte)
- Mensuel : vérifier les informations saisonnières (horaires d’été/hiver, animations)
- À la demande : chaque changement de tarif, de politique, d’offre
Erreurs fréquentes (et comment Groomy les évite)
Erreur 1 : copier-coller du site web en bloc Les longues pages web mal structurées donnent des extractions floues. Préférez les pages bien segmentées (une section = un sujet) ou complétez avec des Q/A manuelles pour les infos clés.
Erreur 2 : informations contradictoires Si votre base dit “check-in à 15h” et votre livret PDF dit “check-in à 14h”, l’agent peut hésiter ou générer une réponse incohérente. Unifiez vos sources avant l’import. En cas de conflit, la Q/A manuelle prend le dessus.
Erreur 3 : base figée Une base non maintenue génère des erreurs coûteuses - donner un ancien tarif, mentionner un service supprimé. Désignez un référent interne qui fait la revue hebdomadaire des 5 minutes.
Erreur 4 : bases trop génériques “Nous sommes à disposition pour toute question” n’aide pas un LLM à formuler une réponse précise. Rédigez des réponses qui contiennent de vraies informations factuelles.
Pour aller plus loin
- La définition de tous les termes dans notre glossaire de l’IA en tourisme.
- Comment fonctionne le RAG dans le contexte d’un chatbot : comment fonctionne un chatbot IA conversationnel.
- Pour construire votre base dès maintenant : découvrez la fonctionnalité base de connaissances Groomy.
Questions fréquentes
Un LLM open source est-il aussi bon qu’un LLM propriétaire ? Pour l’usage tourisme, les meilleurs modèles open source (Mistral, Llama 3) sont très proches des modèles propriétaires sur les tâches conversationnelles en français. L’avantage principal est la maîtrise des données : avec un modèle open source hébergé en France, aucune donnée client ne sort de l’UE.
Combien de documents peut-on mettre dans la base ? Il n’y a pas de limite dure, mais au-delà d’un certain volume, la qualité de la récupération peut baisser. L’optimum pour un hébergeur : 1 à 5 documents structurés + 30 à 100 Q/A manuelles. Plus que ça, il vaut mieux segmenter par thème.
La base de connaissances est-elle commune à tous les établissements ? Non. Chaque établissement dispose d’une base isolée. Vos données ne servent jamais à entraîner le modèle partagé ni à alimenter la base d’un autre client.