Réponse en bref
Un prompt donne un résultat utilisable quand il énonce la tâche, fournit le contexte qui manque au modèle, fixe les limites, précise la forme de la réponse et dit comment le résultat sera jugé. Ajoutez un ou deux exemples, découpez un long travail en étapes, autorisez le modèle à dire qu’il ne sait pas et vérifiez les faits vous-même. C’est le conseil commun des guides d’OpenAI, d’Anthropic et de Google.
Un prompt, c’est toute la demande, pas une formule magique
Qui cherche comment écrire un prompt espère souvent une liste de formules. Les guides des entreprises qui conçoivent les modèles n’en contiennent pas. Wikipédia définit le prompt comme un texte en langage naturel qui décrit et prescrit la tâche d’une IA. OpenAI ajoute le mot qui compte : des instructions rédigées pour que le modèle produise de manière constante un contenu conforme à vos exigences. Le savoir-faire tient à la demande entière et n’a rien de secret.
Pourquoi la même question donne-t-elle une bonne réponse le lundi et une faible le mardi ? OpenAI écrit que ce que génère un modèle n’est pas déterministe. Le guide de Google pour Gemini nomme le mécanisme : un réglage, la température, contrôle le degré d’aléa dans le choix de chaque fragment de texte. Côté auteur, Wikipédia rapporte que les modèles sont très sensibles à de légères variations de forme et de structure du prompt : chaque vide de la demande est comblé autrement à chaque fois.
Cinq parties d’une demande : tâche, contexte, limites, forme, critère de réussite
Anthropic propose l’image la plus utile : un employé brillant mais nouveau qui ignore vos règles et vos habitudes. Sa règle d’or : montrez votre prompt à un collègue qui connaît peu la tâche, et s’il est perdu, le modèle le sera aussi. Les deux premières parties sont la tâche et le contexte, soit le destinataire et ce qui a précédé. Google le montre sur un routeur en panne : une fois son guide de dépannage collé dans la demande, la réponse cesse d’être générale et parle de cet appareil.
La troisième partie, ce sont les limites, la quatrième la forme de la réponse. Google dit qu’on peut indiquer au modèle quoi faire et ne pas faire, et son exemple tient en une ligne : résume ce texte en une phrase. On peut aussi demander un tableau, une liste ou un paragraphe. Anthropic ajoute deux nuances : dites ce que vous voulez plutôt que ce que vous ne voulez pas, et donnez la raison. Interdire les points de suspension marche mieux quand le modèle sait qu’une synthèse vocale lira la réponse.
La cinquième partie est celle que les débutants oublient : comment le résultat sera jugé. La présentation d’Anthropic suppose qu’avant tout réglage vous avez une définition claire du succès et un moyen de la tester. Le conseil d’OpenAI pour ses modèles de raisonnement va dans le même sens : soyez très précis sur votre objectif final. Inscrivez le critère dans la demande : longueur, lecteur, faits obligatoires.
Un exemple dans la demande vaut mieux que sa description
Décrire un ton est difficile ; le montrer demande un seul collage. Anthropic présente les exemples comme l’un des moyens les plus fiables d’orienter le format, le ton et la structure, et en recommande trois à cinq. Ils doivent être proches du cas réel, variés et séparés des instructions. Google va plus loin, recommande d’en inclure toujours et prévient que les prompts sans exemples seront probablement moins efficaces. Une boutique peut coller deux fiches produit qui vendent déjà et en demander une troisième du même style.
Google prévient aussi qu’avec trop d’exemples le modèle peut se mettre à surajuster sa réponse sur eux. OpenAI demande une gamme variée d’entrées et, pour ses modèles de raisonnement, suggère d’essayer d’abord sans exemples. Wikipédia ajoute que ce qu’un modèle apprend des exemples d’un prompt est temporaire, à la différence de l’entraînement. Dans une nouvelle conversation la leçon a disparu : gardez vos exemples dans un fichier.
Une demande, un travail : la longue tâche en chaîne d’étapes
Une demande qui réclame à la fois recherche, plan, texte et traduction renvoie en général quatre choses médiocres. Google donne le remède en une phrase : au lieu de nombreuses instructions dans un prompt, créez un prompt par instruction. Pour un travail séquentiel, son guide décrit une chaîne, la sortie d’un prompt devenant l’entrée du suivant. Une offre commerciale devient quatre étapes : la situation du client, la structure, le brouillon et la comparaison avec le brief.
Anthropic ajoute une réserve : ses modèles actuels mènent en interne l’essentiel du raisonnement en plusieurs étapes, et la chaîne n’est plus nécessaire pour faire réfléchir le modèle. Elle reste utile pour examiner les résultats intermédiaires ou imposer un ordre fixe. Le schéma le plus courant y est l’autocorrection : un brouillon, une relecture selon vos critères, une version améliorée. Une erreur repérée à l’étape deux ne passe pas aux étapes trois et quatre.
Raisonnement, questions en retour et permission de dire « je ne sais pas »
La plus vieille astuce est de demander au modèle de réfléchir étape par étape. Wikipédia décrit cette chaîne de pensée, où le modèle résout un problème par une série d’étapes intermédiaires avant la réponse finale. Les conseils d’OpenAI pour les modèles de raisonnement jugent ces demandes inutiles, et Google note que ses modèles Gemini récents raisonnent en interne. Anthropic observe qu’une consigne générale de réfléchir à fond donne souvent un meilleur raisonnement qu’une liste d’étapes écrite à la main.
La vérification finale mérite encore une ligne. Anthropic suggère d’ajouter la consigne de vérifier la réponse selon vos critères, et affirme que cela repère les erreurs avec fiabilité, surtout en code et en mathématiques. L’entreprise note aussi qu’un de ses modèles récents le fait de lui-même, signe que ces conseils vieillissent vite. Sa page sur les réponses inventées commence par plus simple : autoriser explicitement le modèle à admettre son incertitude. Une ligne comme « si le rapport ne contient pas l’information, dis-le » change ce qui revient.
Restent les questions en retour. Un nouvel employé demanderait avant de commencer, et OpenAI décrit ses modèles de raisonnement comme posant souvent des questions de clarification avant de hasarder des suppositions. À tout autre modèle, une ligne suffit : avant d’écrire, demande-moi ce qu’il te faut savoir. Ensuite, demandez ce dont le modèle n’était pas sûr et ce qu’il a supposé. La réponse n’en devient pas vraie, mais vous savez par où commencer la vérification.
Corriger le brouillon plutôt que recommencer la conversation
Google en fait un principe : l’ingénierie de prompt est itérative. La première réponse est un brouillon. Quand elle manque la cible, n’effacez pas la conversation, mais dites ce qui ne va pas, ce qui doit rester et ce que la version suivante doit contenir. À défaut, Google propose trois gestes : employer d’autres mots, passer à une tâche analogue, comme transformer une classification ouverte en question à choix multiples, ou changer l’ordre du contenu dans le prompt.
Une demande qui fonctionne enfin vaut plus que la réponse qu’elle a produite. Enregistrez-la avec son exemple et son critère. OpenAI conseille aux équipes de construire des tests qui mesurent le comportement d’un prompt, pour suivre les performances au fil des itérations ou quand la version du modèle change. Pour une personne seule, c’est une note à côté de chaque prompt enregistré : la date, le modèle, une entrée et le résultat accepté.
Ce qu’un prompt ne répare pas : faits manquants, mauvais outil, réponse non vérifiée
La documentation d’Anthropic est directe : même les modèles de langage les plus avancés peuvent parfois produire un texte factuellement faux ou incohérent avec le matériau fourni. Ses techniques réduisent ces erreurs sans les éliminer, et la note finale est nette : validez toujours les informations critiques, surtout pour les décisions à fort enjeu. La formulation ne fournit pas un fait que le modèle n’a pas. OpenAI décrit le remède comme l’ajout de contexte : vos propres documents et données, extérieurs à l’entraînement du modèle.
Certaines tâches demandent un autre outil, pas une meilleure phrase. Selon le guide de Google, la recherche doit être activée dès que le modèle peut avoir besoin de faits obscurs ou récents, et l’exécution de code quand il doit calculer ou compter. Le taux de change de la semaine ou une colonne de sommes ne relèvent pas d’un simple chat. Anthropic ajoute que tout résultat décevant ne se règle pas au mieux par le prompt. En droit, en fiscalité ou en santé, la réponse est un matériau pour un spécialiste, jamais la décision.
Votre bibliothèque de prompts et ce qu’apporte un cours structuré
Voilà de quoi s’exercer seul une semaine. Choisissez une tâche que vous répétez : réponses aux avis, fiche produit ou rapport hebdomadaire. Rédigez la demande en cinq parties, ajoutez deux exemples d’un résultat acceptable et testez-la sur trois cas réels. Corrigez-la, puis enregistrez la version qui a tenu. Une douzaine d’entrées forme déjà une bibliothèque avec votre ton, vos produits et vos critères. Qui se demande encore comment écrire un prompt après cette semaine se demande en réalité où les faire travailler.
Un cours répond à cette question. Le cours Intelligence artificielle de VITON13 SCHOOL apprend un usage réfléchi de l’IA, du cadrage de la tâche au prompting et à la vérification, puis à l’automatisation de vos processus et à la création d’agents. Ses modules sont Travailler avec l’IA de façon délibérée, Le prompting comme ingénierie, Recherche et vérification, Automatiser les processus, Agents IA, Vos propres systèmes, Sécurité et responsabilité. C’est un cours en ligne, avec pratique sur la tâche de chaque apprenant. L’autoformation donne une bibliothèque ; un programme met les sujets en ordre. La page du cours indique les conditions en vigueur.
Checklist pratique
- Écrivez la tâche en une phrase : ce qu’il faut faire et à qui le résultat est destiné.
- Collez ce que le modèle n’a pas : le document, les faits sur le produit, la version précédente.
- Ajoutez deux ou trois exemples d’un résultat acceptable et séparez-les des instructions.
- Inscrivez le critère de réussite dans la demande : longueur, lecteur, faits obligatoires, forme de la réponse.
- Enregistrez chaque prompt qui a fonctionné avec la date, le modèle et un résultat accepté, puis retestez-le après les mises à jour.
Questions et réponses
Un prompt plus long donne-t-il une meilleure réponse du modèle ?
Pas à lui seul. Ce qui aide, c’est l’information qui manquait : la tâche, le contexte, les limites, la forme et le critère. OpenAI note que ses modèles de raisonnement répondent bien à des instructions brèves et claires. N’allongez la demande qu’avec ce que le modèle ne pouvait pas savoir.
Faut-il donner au modèle un rôle, comme expert ou relecteur ?
Cela peut aider. Le guide d’Anthropic indique que fixer un rôle oriente le comportement et le ton du modèle, et qu’une seule phrase fait déjà une différence. Le rôle ne remplace ni la tâche ni le contexte : un expert sans brief doit toujours deviner.
Combien d’exemples faut-il mettre dans un seul prompt ?
Anthropic recommande trois à cinq exemples bien choisis ; Google recommande d’en inclure toujours et prévient qu’en trop grand nombre le modèle les suit de trop près. Commencez par deux exemples différents l’un de l’autre, regardez le résultat et n’en ajoutez un autre que si la forme dérive encore.
Pourquoi le même prompt donne-t-il une réponse différente à chaque fois ?
Parce que la génération comporte une part de hasard. OpenAI décrit la sortie d’un modèle comme non déterministe, et le guide de Google explique qu’un réglage de température contrôle l’aléa du choix. Une demande complète resserre l’écart : moins le modèle a de vides à combler, plus deux réponses se ressemblent.
Un bon prompt peut-il empêcher le modèle d’inventer des faits ?
Il réduit le risque sans le supprimer. Anthropic cite comme moyens la permission de dire « je ne sais pas », la demande de citations exactes du texte source avant la tâche et l’appui de chaque affirmation sur une citation. Les faits critiques doivent toujours être confrontés à la source d’origine.