Optimiser l'utilisation des grands modèles de langage dans les systèmes de génération augmentée par récupération nécessite de concilier réduction des coûts et fiabilité des résultats. Une approche technique récente, qualifiée de cascade de modèles, propose de remplacer l'envoi systématique de chaque requête vers des API cloud haut de gamme par une sélection intelligente basée sur la complexité réelle de la tâche. L'analyse montre qu'envoyer chaque champ à extraire vers un modèle flagship est financièrement désastreux, car la majorité des données ne nécessitent qu'une recherche simple. À l'inverse, se fier exclusivement à des modèles locaux économiques expose à des erreurs de formatage ou à des pertes de données. La solution retenue combine un modèle local léger en première intention, une vérification rigoureuse de sa sortie, et une escalation vers un modèle plus puissant uniquement si la validation échoue. Des benchmarks réalisés sur l'extraction de champs structurés depuis des documents variés ont mis en évidence plusieurs constats essentiels. La taille du modèle ne garantit pas la précision : des architectures de 4 à 7 milliards de paramètres surpassent souvent des versions plus lourdes, tandis que les modèles de moins de 2 milliards de paramètres chutent sous les 12 pour cent de réussite. Un petit modèle local, laissé à lui-même, ne maîtrise qu'environ un tiers des extractions complexes. Le levier le plus puissant pour améliorer les performances reste l'enrichissement de la consigne avec un glossaire métier précis. Cet ajout fait passer la précision de 38 à 62 pour cent pour un modèle léger et de 62 à 100 pour cent pour un modèle flagship. Le mécanisme de cascade repose sur trois critères de sélection initiale : la confidentialité des documents, la fiabilité attendue du format structuré et la complexité des transformations nécessaires. Si un document est sensible, le traitement doit rester local. Le système vérifie ensuite chaque réponse générée contre la source. Si la validation échoue, la requête est renvoyée vers un modèle plus robuste, dans une boucle bornée pour éviter les boucles infinies. Pour les erreurs liées à des conversions numériques complexes, une alternative consiste à fractionner la tâche : le modèle identifie la source et un code déterministe effectue le calcul, préservant ainsi la confidentialité tout en optimisant le coût. Cette architecture s'intègre directement dans les pipelines d'intelligence documentaire d'entreprise. En traitant d'abord les requêtes simples avec des ressources minimales et en ne mobilisant la puissance des grands modèles que sur les cas difficiles, les organisations réduisent drastiquement leur facture API tout en garantissant l'intégrité des données. La cascade de modèles confirme que l'ingénierie des consignes et la validation automatique restent les piliers d'un déploiement technique à la fois économique et fiable.