Qu'est-ce qu'un prompt — la « manière de dire » change le résultat
Quand vous demandez un service à un ami, dire « fais un truc sympa » ou dire « j'aimerais un dossier de projet de 2 pages A4 pour vendredi prochain, avec un budget inférieur à 5 000 € » ne donne pas du tout le même résultat, n'est-ce pas ?
C'est pareil pour les consignes données à l'IA. Un prompt, c'est le texte de consigne qu'on envoie à l'IA. Et selon la façon de l'écrire, la réponse de l'IA change radicalement.
Ce n'est pas une impression : une étude qui a méta-analysé plus de 1 500 articles de recherche sur les prompts montre qu'en ajoutant simplement des conditions concrètes au prompt, la précision de la réponse s'améliore d'environ 30 % et les informations superflues diminuent de 42 %[1].
Vous avez peut-être entendu le terme « ingénierie de prompt ». En 2025, une donnée indique que 68 % des entreprises ont intégré les compétences de prompt à leur formation standard destinée à l'ensemble du personnel[2]. Ce n'est plus une compétence spéciale d'ingénieur, mais une compétence de base nécessaire à tous ceux qui utilisent l'IA.
Dans ce chapitre, nous expliquons, exemples à l'appui, une façon d'écrire des prompts que chacun peut mettre en pratique dès aujourd'hui. Pour un recueil de modèles plus poussé, référez-vous aussi au Guide pratique de l'ingénierie de prompt.
Selon le prompt, la réponse de l'IA change du tout au tout
Les 5 éléments d'un bon prompt
Un prompt efficace comporte cinq éléments. Si l'on prend l'image d'une recette de cuisine, c'est un peu comme « qui cuisine (rôle) », « quoi préparer (tâche) », « pour qui (contexte) », « comment dresser l'assiette (format) » et « gérer les allergies (contraintes) ».
Rien qu'en précisant « tu es un expert de tel domaine », le ton et le niveau de connaissance de la réponse changent.
Exemple : « Tu es un spécialiste du marketing web avec 10 ans d'expérience. Explique-moi comment augmenter les vues d'un blog personnel. »
Plutôt que « explique » ou « réfléchis », utilisez des verbes concrets. « Résume », « compare », « propose-en 5 » — plus l'action est claire, plus l'IA agit avec justesse.
Communiquer votre situation à l'IA améliore nettement l'orientation de la réponse. Écrire « je suis un étudiant sans expérience en programmation » suffit à ajuster automatiquement le niveau de difficulté.
« En liste à puces », « sous forme de tableau », « en moins de 300 caractères », « avec des intertitres » — sans indication de format, l'IA a tendance à répondre par de longs paragraphes. Précisez selon l'usage.
« N'utilise pas de jargon », « limite-toi au marché français », « inclus impérativement les inconvénients » — communiquer les interdits et les conditions en même temps réduit les allers-retours.
💡 Pas besoin d'inclure les 5 à chaque fois. Au début, penser seulement à ② la tâche + ③ le contexte suffit à changer largement la qualité de la réponse. Une fois à l'aise, ajoutez les autres éléments.
Recueil de techniques pratiques — 7 modèles utilisables dès aujourd'hui
La vaste étude « The Prompt Report », publiée en 2024, classe systématiquement pas moins de 58 techniques de prompt[3]. Mais nul besoin d'en mémoriser 58. Pour l'usage quotidien de l'IA, seule une petite dizaine est vraiment utile. Nous les avons rangées ici par niveau.
Ajouter chiffres, cible, conditions. Le plus simple, à l'effet maximal.
Liste, tableau, nombre de caractères. Recevoir sous une forme exploitable.
« Tu es un(e) X avec N ans d'expérience » change la profondeur de la réponse.
2-3 exemples d'entrée/sortie : efficace pour classer, convertir, standardiser.
Calcul, logique, analyse complexe : la précision du raisonnement augmente.
Faire réexaminer la réponse d'un œil critique pour en accroître la précision.
Faire écrire le prompt lui-même par l'IA, puis l'ajuster à votre besoin.
[Débutant] ① Donner des consignes concrètes
La technique la plus simple et à l'effet le plus fort. Il suffit d'ajouter chiffres, cible, conditions à une question vague.
❌ Vague : « Explique-moi comment augmenter les ventes »
✅ Concret : « Propose 5 actions, de la moins coûteuse à la plus coûteuse, pour augmenter de 20 % le chiffre d'affaires mensuel d'un restaurant de ramen de 10 employés. Le panier moyen actuel est de 900 yens, la fréquentation mensuelle d'environ 3 000 clients. »
[Débutant] ② Préciser le format de sortie
Selon des recherches, la présence ou l'absence de format modifie la précision de jusqu'à 76 points dans certains cas[1]. Un simple « en liste à puces », « sous forme de tableau comparatif », « en moins de N caractères » rend la réponse exploitable.
[Débutant] ③ Attribuer un rôle (jeu de rôle)
Rien qu'en indiquant « tu es un(e) X », vous obtenez une réponse spécialisée dans ce domaine.
« Tu es un directeur commercial avec 10 ans d'expérience. Indique-moi, par ordre de priorité, les compétences qu'un commercial débutant doit acquérir dans ses trois premiers mois. »
L'astuce est d'indiquer les années d'expérience et un poste précis. « Tu es un(e) X avec N ans d'expérience » change davantage la profondeur de la réponse que le seul « tu es un expert ».
[Intermédiaire] ④ Montrer des exemples (Few-shot)
Méthode qui consiste à montrer à l'IA 2-3 exemples d'entrée/sortie avant de lui confier la tâche réelle. Particulièrement puissante pour classer, convertir, standardiser.
Classe le sentiment des avis produits selon le format suivant.
Avis : « Ce produit est génial ! » → Sentiment : positif
Avis : « J'ai été déçu(e) » → Sentiment : négatif
Avis : « Ça fait le job, sans plus » → Sentiment : neutreAvis : « Livraison rapide, mais il y avait une rayure » → Sentiment :
Un résultat de recherche intéressant : l'effet du Few-shot dépend moins de la « justesse » des exemples que de leur « diversité ». Autrement dit, montrer l'éventail des cas de figure importe plus que préparer des exemples parfaits[4].
[Intermédiaire] ⑤ Faire réfléchir par étapes (Chain-of-Thought)
Une recherche montre qu'un simple « réfléchis étape par étape » améliore d'environ 35 % la précision des tâches de raisonnement[1]. Particulièrement efficace pour les problèmes de calcul, de logique et les analyses complexes.
« Une pomme coûte 150 yens, une mandarine 80 yens. J'achète 3 pommes et 5 mandarines et je paie avec un billet de 1 000 yens : combien me rend-on ? Réponds en détaillant le calcul étape par étape. »
⚠️ Point de vigilance 2025 : avec les tout derniers « modèles de raisonnement » comme la série o de ChatGPT ou l'Extended Thinking de Claude, ne donnez pas la consigne « étape par étape ». Ces modèles réfléchissent déjà par étapes en interne, de façon automatique ; une consigne explicite peut même dégrader leurs performances[5]. Réservez « étape par étape » aux modèles conversationnels standards, dépourvus de mode raisonnement.
[Avancé] ⑥ Faire s'auto-relire
Technique qui consiste à faire vérifier à l'IA sa propre réponse d'un œil critique. Efficace quand l'exactitude est requise.
(Après avoir reçu la réponse de l'IA)
« Vérifie d'un œil critique s'il y a des problèmes ou des oublis dans cette réponse. Corrige les éventuelles erreurs. »
Attention toutefois : l'IA ne repère pas ses propres erreurs à 100 %. Les chercheurs pointent le « piège de la plausibilité » (plausibility trap) : plus la sortie de l'IA paraît crédible, plus il est difficile de la vérifier[5]. Pour les décisions importantes, ajoutez toujours une vérification humaine.
[Avancé] ⑦ Le méta-prompt — faire écrire le prompt par l'IA
Une fois à l'aise avec l'écriture des prompts, il existe une méthode qui consiste à faire écrire le prompt lui-même par l'IA.
« Je suis un designer web freelance et je veux créer efficacement mes propositions clients. Rédige-moi le prompt optimal pour atteindre cet objectif. »
L'astuce est de ne pas utiliser tel quel le prompt produit par l'IA, mais de l'ajuster à votre situation.
Avant / Après — la même question, un résultat radicalement différent
Les seules explications de technique restent abstraites : regardons des Avant/Après concrets. À gauche, une consigne vague ; à droite, une consigne enrichie de conditions.
Exemple 1 : rédiger un e-mail professionnel
| Avant | Après |
|---|---|
| « Écris un e-mail d'excuses » → un e-mail générique, inexploitable |
« Écris un e-mail d'excuses à M. Tanaka, chef de service chez le client, pour un retard de livraison de 3 jours. La cause est un problème logistique, et la livraison est prévue lundi prochain » → un e-mail prêt à être envoyé tel quel |
Exemple 2 : trouver des idées de projet
| Avant | Après |
|---|---|
| « Trouve des idées de nouveau produit » → des propositions vagues, sans secteur ni type de produit précis |
« Propose 5 produits d'alimentation santé pour les femmes de 20-30 ans, sous forme d'abonnement à moins de 3 000 yens/mois. Ajoute les points de différenciation face aux concurrents A et B » → des idées directement exploitables dans un dossier de projet |
Exemple 3 : apprendre, se renseigner
| Avant | Après |
|---|---|
| « Explique-moi l'apprentissage automatique » → une explication rigide et ardue |
« Explique le fonctionnement de l'apprentissage automatique de façon compréhensible par un collégien, en le comparant à une recette de cuisine. Sans jargon, avec 2 exemples concrets » → une explication accessible et immédiatement compréhensible |
Le point commun : avoir clarifié « à qui, quoi, comment, sous quelle forme ». Plus vous ajoutez de conditions, plus l'IA répond avec justesse.
Les erreurs courantes et comment les éviter
Voici les 5 pièges dans lesquels tombent souvent ceux qui débutent avec l'IA, et comment en sortir.
❌ Erreur 1 : une consigne trop vague
« Écris un truc sympa », « améliore » : ce sont des consignes qui embarrassent aussi l'IA. Communiquez concrètement ce qui est « bien » et en quoi. Expliciter le critère est l'astuce : « sur un ton décontracté », « avec 3 chiffres », « en moins de 300 caractères ».
❌ Erreur 2 : tout demander d'un coup
« Explique-moi comment bâtir une stratégie marketing, les outils recommandés et comment monter le budget » — ainsi, l'IA tente de tout couvrir superficiellement et rien n'est abouti. Une question = un seul thème. Poser la question suivante en s'appuyant sur la réponse précédente donne des réponses plus profondes.
❌ Erreur 3 : croire la sortie de l'IA sur parole
L'IA peut se tromper avec un aplomb total (hallucination). À surveiller particulièrement :
- Chiffres et statistiques précis — demandez la source et vérifiez
- Noms propres — noms de personnes, de sociétés, de lois : vérifiez impérativement
- Information récente — les connaissances du modèle ont une date limite
- Droit et fiscalité — vérifiez impérativement auprès d'informations officielles
La parade est simple. Prenez l'habitude de demander « indique-moi la source de cette information ». Une information dont l'IA ne peut donner la source est un signal : à vérifier.
❌ Erreur 4 : s'arrêter au premier échange
« J'ai demandé à l'IA mais la réponse était moyenne » → « décidément, l'IA ne sert à rien ». C'est un schéma vraiment dommage. Nous le détaillons dans la section suivante, mais le dialogue avec l'IA suppose 2 ou 3 allers-retours.
❌ Erreur 5 : tout déléguer à l'IA
Les forces de l'IA : rédiger un brouillon, organiser l'information, faire jaillir des idées. Les forces de l'humain : la décision finale, la lecture du contexte, la prise en compte de l'éthique. Combiner les deux est l'usage le plus efficace. « Faire produire le brouillon par l'IA et le finaliser par l'humain » — cette répartition est celle qui marche le mieux.
L'art du dialogue avec l'IA — ne pas s'arrêter au premier échange
Plus important encore que les techniques de prompt : l'idée d'« enchaîner les échanges ».
Selon la recherche sur les prompts, un retour itératif (itération) améliore de 35 % la qualité de sortie[1]. Plutôt que de viser la perfection du premier coup, regardez la réponse de l'IA, corrigez le cap, et redemandez. C'est ce cycle qui élève la qualité.
Envoyer le premier prompt en pensant aux 5 éléments.
Juger de l'œil humain les points forts et ce qui manque.
Faire corriger en indiquant réorientation, approfondissement, etc.
Atteindre la qualité visée en 2 ou 3 allers-retours.
Les 6 types de retour
Pour ceux qui « ne savent pas quoi donner comme retour », voici 6 types faciles à utiliser.
| Type | Exemple d'usage |
|---|---|
| Réorientation | « Adopte un style plus décontracté », « C'est trop technique, rends-le accessible aux débutants » |
| Approfondissement | « Explique plus en détail la 3e proposition », « Ajoute les étapes concrètes » |
| Condition supplémentaire | « Limite-toi aux propositions sous 1 million de yens de budget », « Restreins au marché français » |
| Changement de point de vue | « Reprends du point de vue du client », « Donne aussi l'avis contraire » |
| Contrôle qualité | « Vérifie s'il y a des erreurs ou des contradictions dans ce contenu » |
| Changement de format | « Transforme ce contenu en corps d'e-mail », « Remets-le en tableau » |
En 2 ou 3 retours, la qualité de la réponse s'améliore fortement. L'astuce : ne pas viser la perfection dès le départ.
Du prompt à « l'ingénierie de contexte »
Terminons par un mot sur la toute dernière tendance des techniques de prompt.
Le chercheur en IA Andrej Karpathy a déclaré en juin 2025 que « les courts prompts du quotidien ne sont qu'une infime partie de l'usage de l'IA à l'échelle industrielle », et a proposé le concept d'ingénierie de contexte (context engineering)[6].
Il s'agit de concevoir correctement, au-delà du seul prompt (la consigne), l'ensemble des informations transmises à l'IA — documents de référence, échanges passés, résultats d'outils, etc. Par exemple, faire ingérer à l'IA des documents internes avant de poser la question, ou joindre des comptes rendus de réunions passées avant de demander un résumé, relève de cette approche. C'est expliqué en détail dans Qu'est-ce que l'ingénierie de contexte. Cette idée devient aussi importante dans le vibe coding, qui confie l'implémentation à l'IA, et dans le développement piloté par les spécifications.
Cela dit, l'essentiel ne change pas. Commencez par mettre en pratique les 5 éléments et les 7 techniques appris dans ce chapitre. Rien que cela devrait transformer la qualité des réponses de l'IA.
- La façon d'écrire le prompt change radicalement la réponse. Ajouter des conditions suffit à gagner en précision.
- Un bon prompt repose sur 5 éléments : rôle, tâche, contexte, format, contraintes. Commencez par ② la tâche + ③ le contexte.
- Les techniques pratiques : 7, par niveau. De la concrétisation, du format et du rôle vers le Few-shot, la pensée par étapes et l'auto-relecture.
- Pour les tout derniers modèles de raisonnement, « étape par étape » est inutile. Réservez-le aux modèles standards.
- Ne vous arrêtez pas au premier coup : peaufinez par 2 ou 3 allers-retours. Au-delà se trouve l'ingénierie de contexte.
Références
- Gupta, Aakash. "I Spent a Month Reading 1,500+ Research Papers on Prompt Engineering." Medium, 2025.
- "Is Prompt Engineering Dead?" Fast Company, May 2025.
- Schulhoff, Sander et al. "The Prompt Report: A Systematic Survey of Prompting Techniques." arXiv:2406.06608, 2024.
- Min, Sewon et al. "Rethinking the Role of Demonstrations: What Makes In-Context Learning Work?" arXiv:2202.12837, 2022.
- Lakera. "Prompt Engineering Guide 2026." lakera.ai, 2026.
- Karpathy, Andrej. "Context Engineering." X (Twitter), June 2025.
Liens connexes :
- Prompt Engineering Guide — guide complet des techniques de prompt (en anglais)
- Anthropic Prompt Engineering Docs — guide de conception de prompts pour Claude
Au chapitre suivant, nous verrons comment exploiter concrètement, dans des situations réelles, les techniques de prompt apprises ici — les usages concrets au travail, dans l'apprentissage et la création.