Prompt engineer en 2026 : ce que fait ce métier, les compétences à acquérir et comment les prouver

Prompt engineer en 2026 : d’un intitulé de poste à une compétence

Ceux qui cherchent prompt engineer veulent savoir ce que fait cette personne et si l’on recrute encore. Wikipédia définit l’ingénierie de prompts comme le fait de structurer des entrées en langage naturel, appelées prompts, pour obtenir des résultats précis d’un modèle d’IA générative. Après la sortie de ChatGPT en novembre 2022, la pratique a vite été vue comme une compétence importante pour les entreprises, qui ont commencé à embaucher du personnel dédié.

L’intitulé a perdu de son éclat. Wikipédia note qu’il est devenu moins courant, les modèles produisant désormais de meilleurs prompts que les humains, et cite un article du Wall Street Journal de 2025 selon lequel ce métier, l’un des plus en vogue en 2023, est aujourd’hui obsolète. Le travail, lui, n’a pas disparu : quelqu’un décide toujours ce que fait un modèle dans un produit, vérifie sa fiabilité et l’empêche de déraper.

Les quatre volets du travail derrière l’intitulé

Le premier volet est la rédaction des instructions : le message système d’un chatbot de service client, le modèle d’un générateur de fiches produit. Le guide d’OpenAI sur l’ingénierie de prompts décrit cette tâche comme l’écriture d’instructions efficaces pour qu’un modèle produise de façon constante le contenu attendu, et la qualifie de mélange d’art et de science. Une bonne réponse isolée ne prouve rien.

Le deuxième volet est le test, car le même guide prévient que ce que génère un modèle n’est pas déterministe : une même demande peut produire des textes différents. Le travail comprend donc des jeux d’évaluation : des entrées typiques et délicates, avec une règle écrite pour noter les réponses. Le troisième volet, ce sont les garde-fous : règles et contrôles qui maintiennent le modèle dans sa tâche quand un utilisateur ou un document tente de l’en sortir.

Le quatrième volet consiste à relier le modèle à l’entreprise : son catalogue, ses documents, son système de réservation. Les prompts y croisent le code, les données et les droits d’accès, et la personne qui tient ce rôle travaille aux côtés des développeurs, pas à leur place.

Ce qu’OpenAI, Anthropic et Google écrivent sur le travail des prompts

Le guide d’OpenAI recommande d’ancrer les applications en production sur un instantané daté du modèle, pour un comportement stable, et de construire des tests et des suites d’évaluation qui mesurent le comportement du prompt quand celui-ci ou le modèle change. Il distingue aussi les messages du développeur, prioritaires, de ceux de l’utilisateur, qui passent après.

La présentation d’Anthropic suppose trois éléments avant tout travail sur un prompt : des critères de réussite clairs pour le cas d’usage, un moyen de les vérifier empiriquement et un premier jet à améliorer. À qui n’en a pas, elle indique un générateur de prompts du Claude Cookbook. Elle précise aussi que tout échec ne se règle pas par le prompt : la latence et le coût s’améliorent parfois plus facilement en choisissant un autre modèle.

La documentation Gemini de Google parle de conception de prompts, la création de requêtes qui obtiennent des réponses exactes et de grande qualité, et ajoute que l’ingénierie de prompts est itérative : ses conseils et modèles sont des points de départ, à affiner selon les réponses observées. Un prompt reste un brouillon jusqu’au test.

Les jeux d’évaluation, la partie invisible du métier

La page d’Anthropic sur les critères de réussite et les évaluations décrit ce travail précisément. De bons critères sont spécifiques, mesurables, atteignables et pertinents : pas une bonne performance en général, mais par exemple une classification de sentiment exacte sur des exemples étiquetés. Les dimensions courantes sont la fidélité à la tâche, la cohérence, le ton, la confidentialité, la latence et le prix ; la plupart des applications en exigent plusieurs.

Trois règles suivent. Les tests reflètent la tâche réelle et incluent des cas limites : entrée hors sujet ou inexistante, texte beaucoup trop long, demande nuisible, cas ambigus où même des humains divergeraient. La notation est automatisée autant que possible. Et le volume prime sur le fini : beaucoup de questions notées automatiquement apportent plus de signal que quelques-unes notées à la main. Quand un modèle note les réponses, Anthropic conseille d’en prendre un autre que leur auteur.

Le bot d’une boutique en ligne a besoin de cinquante vraies questions de clients, des mêmes questions reformulées avec des fautes, de quelques questions hors sujet et de quelques tentatives d’arracher une remise inexistante. Chaque réponse reçoit un oui ou un non selon une règle écrite, et l’ensemble est relancé après chaque modification. C’est ce tableau, plus que le prompt, qui montre si le travail est fait.

Garde-fous, documents et outils autour du modèle

Un modèle relié à rien ne peut que discuter. Le guide d’OpenAI sur l’appel de fonctions explique comment il accède à des systèmes externes et à des données absentes de son entraînement : l’application indique les outils autorisés, le modèle en demande un, l’application exécute son code et renvoie le résultat, puis le modèle répond ou demande un autre outil. Le guide sur les prompts ajoute que fournir un contexte pertinent avec la demande s’appelle parfois génération augmentée par récupération.

Chaque connexion est aussi une porte. La page d’Anthropic sur les jailbreaks et l’injection de prompts distingue deux menaces : un utilisateur qui cherche délibérément à contourner les règles, et un contenu tiers, page web, e-mail, document ou résultat d’outil, qui cache des instructions alors que l’utilisateur est de bonne foi. Parmi ses conseils : dire au modèle que ce contenu est une donnée et non un ordre, et ne lui donner que les accès nécessaires, pour qu’une attaque réussie fasse peu de dégâts.

La même page recommande de tester son propre agent avant la mise en service avec des documents et des e-mails contenant des tentatives d’injection, puis de le surveiller. Les garde-fous ne sont donc pas une phrase polie dans le prompt système, mais des formulations, des droits d’accès, des contrôles dans le code et des tests conçus pour tout casser.

Un métier à part ou une compétence au sein d’autres postes

Sur hh.ru, une recherche de l’expression russe qui signifie prompt engineer a donné 181 offres pour toute la Russie le 17 octobre 2026. Parmi les vingt premiers résultats, une seule portait ce titre. Les autres concernaient des ingénieurs et développeurs en IA, des testeurs, un analyste système, des ingénieurs en apprentissage automatique, un chef de projet, un concepteur narratif, un opérateur de réseaux de neurones et un stagiaire en IA.

La recherche est un instantané qui change chaque jour, mais la tendance rejoint ce que Wikipédia dit de l’intitulé. Dans ces résultats, le travail sur les prompts apparaît surtout au sein d’autres métiers : analyse, test, développement, gestion. Le poste dédié est l’exception. Pour la plupart, la voie réaliste est de renforcer leur emploi actuel.

Une personne du marketing qui écrit un prompt dans la voix de la marque, le teste sur quarante fiches produit et montre le taux de réussite est plus utile que celle qui connaît une liste d’astuces. Un analyste qui transforme une demande floue en critères de réussite et en jeu de tests fait déjà l’essentiel du travail. Les preuves comptent plus que l’intitulé.

Compétences de départ et portfolio de prompts testés

D’abord, écrire clairement. Les bonnes pratiques d’Anthropic proposent de traiter le modèle comme un employé brillant mais nouveau, à qui manque le contexte, avec une règle d’or : montrez le prompt à un collègue qui connaît peu la tâche, et s’il est perdu, le modèle le sera aussi. La page recommande trois à cinq exemples ; le guide de Google prévient qu’en trop grand nombre, le modèle risque de les recopier. Le reste est simple : connaître le domaine, tenir les cas de test dans un tableur, noter la version du modèle.

Un portfolio pour ce rôle n’est pas une galerie de prompts astucieux. Chaque pièce montre la tâche, les critères de réussite, le jeu de tests avec ses cas délicats, chaque version du prompt avec son score et ce qui échoue encore. Trois pièces tirées d’un vrai travail, comme un modèle de réponses pour le support ou un générateur de fiches produit, en disent plus que trente captures de chat. Retirez d’abord noms de clients et données personnelles.

Une semaine de pratique en solo, puis le cours d’IA de VITON13 SCHOOL

Cette semaine, prenez une tâche répétitive de votre travail et décrivez le bon résultat comme une règle qu’un inconnu pourrait vérifier. Réunissez vingt entrées réelles, ajoutez-en cinq délicates et écrivez la réponse que vous accepteriez pour chacune. Rédigez un prompt, lancez les vingt-cinq, notez chaque résultat réussi ou raté, changez une seule chose et recommencez. Vendredi, vous saurez si la tâche convient à un modèle et combien de vérification elle demande, ce qui est le cœur du travail d’un prompt engineer.

Seul, on s’arrête facilement au prompt sans passer aux tests. Un cours structuré apporte un ordre des sujets et des retours. Le cours d’IA de VITON13 SCHOOL apprend à écrire des prompts, à automatiser les tâches routinières avec l’IA et à créer des agents IA simples ; sa page présente le programme et les conditions en vigueur, et la bibliothèque gratuite de l’école permet de commencer avant de décider. Pour un site d’entreprise, voyez plutôt le guide qui compare créateurs de sites IA et studio web.