Un fournisseur de services éducatifs souhaite qu'un modèle d'IA générative adapte le style et la complexité des explications en fonction de la tranche d'âge de l'interrogateur. L'application fournira la tranche d'âge de l'utilisateur. Quelle approche permet d'y parvenir avec le moins d'effort de développement ?

L'inclusion d'une description de rôle ou d'une instruction de persona dans l'invite (prompt engineering) est la méthode la plus simple et la moins coûteuse en termes de développement pour guider un modèle génératif. Le modèle ajustera son style et sa complexité en fonction de cette instruction contextuelle sans nécessiter de modifications architecturales ou d'entraînement intensif. L'affinement du modèle (fine-tuning) est plus complexe et demande des données étiquetées spécifiques à chaque tranche d'âge, ce qui représente un effort de développement considérable. Le raisonnement en chaîne de pensée (Chain-of-Thought) aide le modèle à mieux raisonner, mais ne garantit pas l'adaptation du style sans instruction explicite. Le post-traitement est inefficace car il modifie la sortie après sa génération, ce qui est moins précis et plus coûteux que de guider le modèle dès le départ.