N'entraînez pas votre chatbot WordPress. Faites ceci à la place.

Il y a trois ans, pour un chatbot WordPress qui connaisse vos produits, vos tutoriels et votre ton, la réponse était le fine-tuning. On rassemblait quelques centaines ou milliers de paires question-réponse, on payait OpenAI pour entraîner une version sur mesure, et on obtenait un modèle qui parlait comme vous.

C’était la bonne réponse à l’époque. C’est la mauvaise aujourd’hui. Si un consultant vous vend encore du fine-tuning pour un chatbot en 2026, partez.

Pourquoi le fine-tuning est passé de mode

La raison est simple. Le fine-tuning grave vos contenus dans les poids du modèle, une fois, au moment de l’entraînement. Trois problèmes en découlent.

• Un savoir périmé. Le jour où vous publiez un nouvel article, le bot l’ignore. Pour le mettre à jour, il faut réentraîner : du temps et de l’argent.
• Une compression avec pertes. Un modèle n’est pas une encyclopédie. Il « oublie » ou invente des faits de ses données d’entraînement. Pour un bot qui doit répondre juste, c’est rédhibitoire.
• Les modèles de pointe ont pris le large. Ils suivent les instructions et exploitent le contexte si bien qu’un modèle de base correctement guidé bat un ancien modèle fine-tuné. Le calcul ne tient plus.

OpenAI a d’ailleurs discrètement réorienté sa documentation : essayez d’abord le prompt et les embeddings, ne fine-tunez que pour des contraintes de style que le prompt ne règle pas. L’époque du fine-tuning pour « apprendre » vos contenus à un chatbot est terminée.

Ce qui marche en 2026

La pile moderne pour un chatbot WordPress qui connaît vos contenus tient en trois pièces.

1. Un bon modèle de base. Vous le choisissez dans AI Engine et vous en changez quand vous voulez, sans rien réentraîner.
2. Un prompt système clair. Quelques paragraphes : le rôle du bot, son ton, ce qu’il ne doit jamais dire, comment traiter ce qu’il ignore. C’est là qu’on imprime la personnalité, pas dans le fine-tuning.
3. Vos contenus comme contexte interrogeable. Un index d’embeddings de vos articles, produits, tutoriels. À chaque question, AI Engine récupère les passages pertinents et les glisse dans le prompt ; le modèle les lit et répond. C’est ce qu’on appelle le RAG, et AI Engine l’inclut d’origine.

Résultat : un bot qui connaît toujours vos derniers contenus (réindexer un article prend quelques secondes), peut citer ses sources, coûte une fraction d’un modèle fine-tuné en frais d’API, et profite de chaque amélioration des modèles de base sans que vous leviez le petit doigt.

Le seul cas où le fine-tuning garde son sens

Il existe exactement un scénario où c’est le bon outil, et il ne concerne pas les contenus.

Des contraintes de style fortes. Chaque réponse doit respecter un format très précis (un schéma JSON rigide, une voix de marque sans aucune latitude, une notation propre à un métier) que le prompt n’impose pas de façon fiable. Alors oui, fine-tunez.

C’est tout. Si votre objectif est « que le bot connaisse mes produits, mes extensions, mes tutoriels », vous n’avez pas besoin de fine-tuning. Vous avez besoin de RAG, et AI Engine vous le donne.

En bref

Un modèle de base récent. Un prompt système court et net. Vos contenus branchés en embeddings. Terminé. Vous dépenserez moins, mettrez à jour plus vite et obtiendrez de meilleures réponses que n’importe quel chatbot fine-tuné de 2023. L’ère du « j’entraîne mon propre ChatGPT sur mon blog » est finie, et c’est une bonne nouvelle.