Dans le développement logiciel et la science des données, il est impossible d'optimiser simultanément la vitesse, la mémoire et la précision. Ce principe fondamental s'applique directement à l'intégration des modèles de langage de grande échelle dans les systèmes de recommandation. Bien que ces modèles offrent une compréhension contextuelle remarquable, leur consommation de ressources et leur temps de réponse les rendent peu adaptés à un traitement en temps réel sur de vastes ensembles de données. Une approche hybride en deux étapes permet de résoudre ce dilemme technique. Le processus commence par un filtrage rapide et peu coûteux. Dans une application concrète de recommandation de restaurants, un algorithme classique sélectionne immédiatement les établissements les plus proches géographiquement d'un utilisateur. Cette première phase réduit une base de données de dix mille lignes à une cinquantaine de candidats pertinents par la localisation, tout en ignorant les critères qualitatifs de la requête. Elle élimine les choix irréaliste sans solliciter de modèle complexe, garantissant ainsi une exécution instantanée et économique. La seconde phase fait intervenir l'intelligence artificielle générative pour affiner cette liste restreinte. En soumettant uniquement les candidats présélectionnés au modèle de langage, le système conserve un coût maîtrisé tout en bénéficiant d'une analyse sémantique poussée. L'IA évalue chaque proposition selon les préférences explicites de l'utilisateur, attribue un score de conformité et fournit une brève justification. Cette étape transforme une simple sélection géographique en recommandations personnalisées et nuancées. Une implémentation en Python structurée démontre la faisabilité de cette architecture. Le premier module calcule les distances et extrait les candidats potentiels. Le second module interroge une API externe pour réorganiser ces choix en fonction du contexte textuel. Les résultats observés confirment une progression notable de la pertinence : les propositions correspondant aux critères demandés remportent les meilleurs scores, tandis que les ajustements partiels sont clairement signalés. Cette méthodologie à deux volets répond aux contraintes des environnements de production modernes. Elle associe la scalabilité des algorithmes traditionnels à l'intelligence contextuelle des grands modèles, évitant ainsi la saturations des infrastructures et la dérive des coûts. Les équipes techniques privilégient de plus en plus ce type de pipeline pour déployer des assistants de recommandation fiables à grande échelle. En réservant les modèles lourds aux décisions finales, il devient possible d'offrir une expérience utilisateur sophistiquée sans compromettre la performance système. Cette stratégie confirme que l'optimisation technique repose moins sur la puissance brute que sur l'orchestration intelligente des ressources disponibles.