Les plans de transport peuvent faciliter l'échantillonnage de distributions à géométrie non-triviale en les transformant en distributions plus faciles à manipuler. Le potentiel de cette approche s'est accru avec le développement des Normalizing Flows (NF), qui sont des plans de transport paramétrés avec des réseaux neuronaux profonds entraînés à transformer une distribution de référence vers une cible. Les échantillonneurs améliorés par les NFs ont permis le développement de méthodes de Monte Carlo mixtes avec (i) des tirages de propositions à partir du flow ou (ii) une reparamétrisation basée sur le flow. Dans les deux cas, la qualité du transport appris conditionne les performances. Le présent travail clarifie pour la première fois les forces et les faiblesses relatives de ces deux approches. Notre étude conclut que les cibles multimodales peuvent être traitées de manière fiable avec des propositions basées sur le flow jusqu'à des dimensions modérément élevées. En revanche, les méthodes reposant sur la reparamétrisation ont du mal à gérer la multimodalité, mais sont plus robustes dans les contextes à haute dimension et en cas d'entraînement médiocre. Pour illustrer davantage l'influence de l'adéquation des propositions de cibles, nous dérivons également une nouvelle limite quantitative pour le temps de mélange de l'échantillonneur indépendant de Metropolis-Hastings.