Fine-tuning vs RAG vs prompting 2026: kako prilagoditi AI vašem poslu

Opći model odmah iz kutije zna mnogo o svijetu, a gotovo ništa o vašem svijetu — vašim proizvodima, pravilnicima, kupcima, tonu. Zatvaranje tog jaza cijela je igra primijenjenog AI-ja, a u 2026. za to postoje tri načina: napisati bolji prompt, dati modelu dohvat (retrieval) da može provjeriti činjenice, ili fine-tuning kojim se ponašanje ugrađuje u težine modela. Timovi redovito prvo posežu za najskupljom opcijom i na njoj potroše mjesece. Disciplina koja štedi najviše novca je dosadna: počnite s najjeftinijom metodom i penjite se ljestvicom tek kad dokažete da nije dovoljna.

Tri poluge, a ne jedan izbor

Pomaže prestati razmišljati o njima kao o konkurentskim proizvodima i početi ih gledati kao tri različita problema koja rješavaju. Prompting mijenja što pitate i kako uokvirujete zadatak. Retrieval-augmented generation (RAG) mijenja ono što model zna u trenutku upita tako što dohvaća relevantne dokumente i stavlja ih u kontekst. Fine-tuning mijenja ono što model jest, prilagođavajući mu težine na vašim primjerima. Odgovaraju na različita pitanja — a većina produkcijskih sustava u 2026. koristi dva ili tri zajedno, ne jedan izolirano.

Počnite ovdje: prompting

Prompting je prva postaja s razlogom: trenutačan je, besplatan za iteriranje, a u snažnim baznim modelima 2026. rješava više nego što ljudi očekuju. Jasna uputa, nekoliko razrađenih primjera, format izlaza i prava količina budžeta za razmišljanje ponijet će iznenađujuće širok raspon zadataka — klasifikaciju, ekstrakciju, izradu nacrta, sažimanje, usmjeravanje. Ako niste iscrpili dobar prompt engineering, nemate posla s fine-tuningom bilo čega.

Dodajte dohvat kada model treba nešto znati

Najčešće stvarno ograničenje nije da model loše rezonira — nego da ne poznaje vaše činjenice. Nikad nije vidio vaš katalog proizvoda, sinoćnje tikete, pravilnik ovog kvartala ili ugovor potpisan prije sat vremena. Fine-tuning je grozan način učenja činjenica: zastarijevaju, teško je navesti izvor, a ponovno treniranje svaki put kad se dokument promijeni je apsurdno. Retrieval-augmented generation upravo to rješava — dohvati relevantne dokumente u trenutku upita, stavi ih u kontekst i pusti model da odgovori iz njih, uz citat.

RAG je način da dobijete asistenta koji je ažuran, utemeljen i provjerljiv. Ažurirajte dokument i odgovor se odmah mijenja; nema ništa za ponovno treniranje. To je ujedno i najučinkovitija obrana od samouvjerenog izmišljanja, jer model odgovara iz teksta koji ste vi dali, a ne iz pamćenja. Za veliku većinu projekata tipa „AI koji poznaje naš posao", prompt plus dohvat cijelo je rješenje.

Fine-tuning tek kad prva dva nisu dovoljna

Fine-tuning opravdava svoj trošak u užem pojasu nego što proizvođači sugeriraju. Blista kada trebate dosljedno ponašanje, stil ili format koji je teško opisati riječima, a lako pokazati na stotinama primjera — vrlo specifičan ton, kruti strukturirani izlaz, niša klasifikacijska shema ili domenski idiom koji bazni model stalno suptilno pogrešno pogađa. Može i omogućiti manjem, jeftinijem modelu da na uskom zadatku dosegne veći, što se isplati pri velikom obujmu. Ono što ne radi dobro jest ubacivanje znanja — to je posao dohvata.

Skriveni trošak fine-tuninga nije sam trening — nego sve oko njega: kuriranje i čišćenje skupa podataka, izdvajanje eval skupa, verzioniranje modela i ponovno pokretanje cijelog ciklusa kad god zadatak zaluta. Bez evaluacije i observabilnosti koja vam govori je li fine-tunani model doista bolji, fine-tuning je samo skupo nagađanje.

Odluka, redom

Praktično pravilo je ljestvica. Prvo posložite prompt. Ako je jaz u znanju koje nedostaje, dodajte dohvat. Ako je jaz ponašanje koje doista ne možete uklopiti promptom, a imate primjere da ga naučite — fine-tunajte, i zadržite sloj dohvata, jer fine-tunanom modelu i dalje trebaju svježe činjenice. Preskočiti ravno na fine-tuning najčešća je i najskuplja pogreška u primijenjenom AI-ju.

Kombiniraju se — a najbolji sustavi koriste sva tri

Ovo nije turnir s jednim pobjednikom. Zreo sustav 2026. obično slaže sva tri sloja: pomno izrađen prompt postavlja zadatak i zaštite, dohvat utemeljuje svaki odgovor u aktualnim podacima tvrtke, a — gdje obujam i ponašanje to opravdavaju — fine-tunani model jeftinije obavlja specifičan visoko-frekventan korak nego što bi to učinio velik opći model. Unutar agentskog tijeka rada različiti koraci mogu koristiti različite mješavine: promptani frontier model za planiranje, dohvat za prikupljanje činjenica, mali fine-tunani model za klasifikaciju ili formatiranje u velikom obujmu.

Zaključak

Prilagodba AI-ja nije o odabiru tehnike koja zvuči najmoćnije — nego o tome da potrošite najmanje za zatvaranje konkretnog jaza pred vama. Prompting mijenja kako pitate, dohvat mijenja što model zna, fine-tuning mijenja što model jest, i rješavaju doista različite probleme. Penjite se ljestvicom redom, dokažite da je svaka prečka iscrpljena prije nego što potrošite na sljedeću, i mjerite sve. Timovi koji preplaćuju u 2026. oni su koji su fine-tunali problem znanja; timovi koji pobjeđuju posegnuli su za najjeftinijom metodom koja je stvarno radila — i kombinirali sva tri samo ondje gdje se svaki isplati.