Le « prompt engineering », c’est-à-dire l’art de formuler des instructions efficaces aux modèles de langage, est la compétence qui distingue le plus les équipes qui tirent pleinement parti de l’IA de celles qui obtiennent des résultats médiocres avec les mêmes outils.
Ce n’est pas une compétence technique au sens classique. C’est une compétence de communication : savoir exprimer précisément ce que l’on veut obtenir, sous quelle forme et avec quelles contraintes. Elle repose sur des techniques concrètes, qui s’apprennent et s’appliquent immédiatement.
Pourquoi les résultats varient autant avec le même outil
Deux personnes qui utilisent le même modèle de langage (ChatGPT, Claude, Gemini) pour la même tâche peuvent obtenir des résultats très différents. La différence ne tient pas à l’outil, mais à la façon de lui donner des instructions.
Une instruction vague produit des résultats génériques. Une instruction précise produit des résultats utiles. L’écart se creuse dans un usage professionnel : analyse de documents, rédaction de communications, extraction d’informations ou aide à la décision.
Les techniques fondamentales
1. Un rôle et un contexte dès le départ. Indiquer au modèle qui il est et dans quel contexte il travaille améliore nettement la qualité des réponses. « Résume ce contrat » n’a pas le même effet que « Tu es avocat en droit des affaires. Résume ce contrat de distribution en mettant en évidence les clauses qui créent des obligations pour notre entreprise, les délais de préavis de résiliation et les pénalités applicables. »
Le contexte fonctionne parce que, face à une instruction vague, le modèle doit deviner ce que l’on attend de lui. Plus on lui donne de contexte, moins il fait de suppositions erronées.
2. Un format de sortie explicite. Préciser la forme attendue évite d’avoir à remettre le résultat en forme ensuite. « Présente le résultat dans un tableau à trois colonnes : clause, obligation pour notre entreprise, délai » donne directement un résultat exploitable.
Autres formats utiles selon les cas : listes numérotées avec un nombre maximal de points, synthèse en un paragraphe suivie du détail, réponse structurée en sections définies.
3. Des exemples de ce que l’on attend. Les modèles de langage réagissent très bien aux exemples. Pour faire classer des e-mails dans des catégories précises, montrer deux ou trois exemples de classement donne des résultats bien plus réguliers que la simple description des catégories.
Cette technique, appelée « few-shot prompting », est particulièrement utile pour la classification, l’extraction de données dans un format donné et la production de contenus dans un style déterminé.
4. Des contraintes explicites. Dire au modèle ce qu’il ne doit pas faire est aussi utile que lui dire ce qu’il doit faire. « N’inclus aucune information qui ne figure pas dans le document. Si tu n’as pas assez d’éléments pour répondre, dis-le explicitement au lieu de supposer. » Cette consigne réduit sensiblement les hallucinations, ces réponses inventées et formulées avec assurance qui constituent le principal risque des modèles de langage.
5. Demander au modèle d’exposer son raisonnement. Pour des tâches d’analyse complexes, demander au modèle d’expliquer son raisonnement (« Explique étape par étape comment tu es arrivé à cette conclusion ») a deux effets utiles : l’utilisateur peut vérifier si le raisonnement est juste, et la qualité de la réponse s’améliore souvent, car le modèle « réfléchit » plus soigneusement lorsqu’il doit se justifier.
Les prompts réutilisables : l’investissement le plus rentable
Pour une équipe en entreprise, le principal bénéfice du prompt engineering ne vient pas de l’optimisation de prompts isolés. Il vient de la constitution d’une bibliothèque de prompts réutilisables pour les tâches les plus fréquentes.
Un prompt bien conçu pour « résumer les comptes rendus de réunion au format de notre entreprise » peut servir des dizaines de fois. Le temps passé à bien le concevoir, parfois un après-midi, est vite compensé par des journées de travail économisées.
Les entreprises qui progressent le plus en productivité grâce à l’IA sont celles qui ont constitué ces bibliothèques de prompts internes et les ont partagées avec leurs équipes : dans un document partagé, sur l’intranet ou dans un référentiel interne.
Ce que le prompt engineering ne peut pas résoudre
Le prompt engineering a des limites claires, qu’il vaut mieux connaître :
Il ne corrige pas les informations erronées du modèle. Si le modèle dispose d’informations obsolètes ou inexactes sur un sujet, améliorer le prompt n’y change rien. La solution consiste à fournir les bonnes informations dans le prompt lui-même (contexte explicite) ou à utiliser des systèmes ayant accès à des documents à jour (RAG).
Il réduit les hallucinations sans les supprimer. Les modèles de langage peuvent inventer des informations en toute assurance. Un prompt assorti de contraintes explicites en réduit la fréquence, mais ne les élimine pas. Pour les informations critiques, la vérification humaine reste nécessaire.
Il ne remplace pas la qualité du modèle. Pour des tâches très complexes, l’écart entre des modèles de capacités différentes compte davantage que la conception du prompt. Un excellent prompt adressé à un modèle moins performant peut ne pas atteindre le résultat d’un prompt basique adressé au modèle le plus performant.
Questions fréquentes
Rédige-t-on les prompts différemment pour ChatGPT, Claude ou d’autres modèles ? Les principes sont les mêmes, mais chaque modèle réagit un peu différemment. Claude a tendance à suivre très fidèlement des instructions structurées. ChatGPT est plus variable mais peut se montrer plus créatif. Connaître les caractéristiques du modèle utilisé aide à ajuster la formulation des instructions.
Combien de temps faut-il pour apprendre le prompt engineering ? Les bases s’acquièrent en une séance pratique de deux à trois heures. La maîtrise vient avec la pratique sur des cas d’usage réels. La meilleure façon d’apprendre est expérimentale : tester des variantes d’un même prompt et observer l’évolution du résultat.
Existe-t-il des outils pour gérer la bibliothèque de prompts d’une équipe ? Il existe des outils spécialisés dans la gestion des prompts en équipe, mais pour commencer, un document partagé bien organisé suffit. L’essentiel est que les prompts soient documentés, accessibles à l’équipe et qu’un processus permette de les mettre à jour lorsqu’on trouve des améliorations.