Prompt engineering : 12 techniques qui changent vraiment les réponses de l'IA

La plupart des gens qui trouvent ChatGPT « décevant » posent leurs questions comme à un moteur de recherche : trois mots, aucun contexte, aucune attente formulée. Le modèle répond alors de la façon la plus générique possible — et c'est logique, puisque rien ne lui indique ce qui est attendu. Le prompt engineering n'est pas une discipline ésotérique : c'est l'art de formuler une demande suffisamment précise pour qu'une seule réponse correcte soit possible.

Cet article rassemble douze techniques que nous utilisons quotidiennement en formation et sur des projets réels, avec des exemples avant/après. Elles fonctionnent sur ChatGPT, Claude, Gemini et sur la plupart des modèles open source.

L'anatomie d'un bon prompt

Avant les techniques avancées, il y a une structure de base qui règle à elle seule 70 % des mauvaises réponses. Un prompt efficace contient quatre blocs :

• Le rôle — qui doit répondre : « Tu es un ingénieur data qui relit du code Python destiné à la production. »
• Le contexte — ce que le modèle ne peut pas deviner : le public, le domaine, les contraintes, les données disponibles.
• La tâche — un verbe d'action unique et non ambigu : rédiger, corriger, comparer, classer, extraire.
• Le format de sortie — tableau, liste à puces, JSON, 200 mots maximum, ton neutre.

La seconde version ne demande pas plus d'effort — elle demande simplement d'écrire ce qu'on a déjà en tête au lieu de le garder implicite.

Les douze techniques qui font la différence

1. Donner des exemples plutôt que des consignes

C'est le levier le plus puissant, et de loin. Deux ou trois exemples de la sortie attendue valent mieux que dix lignes de description. On parle de few-shot prompting : le modèle infère le format, le ton et le niveau de détail par imitation.

Reformule chaque titre en question. Exemples :

Titre : Les erreurs des débutants en Python
Question : Quelles erreurs les débutants font-ils en Python ?

Titre : Le coût réel d'une formation en IA
Question : Combien coûte réellement une formation en IA ?

Titre : Choisir entre XGBoost et un réseau de neurones
Question :

2. Découper une tâche complexe en étapes

Un modèle qui doit analyser, décider et rédiger en une seule fois se trompe plus souvent. Demandez explicitement le raisonnement par étapes, ou faites-le vous-même en enchaînant plusieurs messages. Sur les tâches d'analyse, l'écart de fiabilité est considérable.

3. Fixer une contrainte de longueur

« Sois concis » ne veut rien dire. « Maximum 120 mots », « exactement 5 puces », « une phrase par idée » sont des instructions mesurables. Un modèle respecte bien mieux un nombre qu'un adjectif.

4. Interdire explicitement ce que vous ne voulez pas

Les modèles ont des réflexes : introductions creuses, conclusions qui résument, formules d'accroche. Dites-le : « Commence directement par le premier point. Pas d'introduction, pas de conclusion. »

5. Fournir les données plutôt que de les faire deviner

Un modèle ne consulte aucune base de données et n'a pas accès à vos documents. Si votre question porte sur un contenu précis, collez-le. C'est exactement le principe du RAG, appliqué manuellement.

6. Délimiter clairement les blocs

Quand un prompt contient à la fois des consignes et du contenu à traiter, séparez-les visuellement — par des balises, des triples guillemets ou des titres en majuscules. Cela évite que le modèle prenne une phrase du document pour une instruction.

CONSIGNE : résume le texte ci-dessous en 5 puces factuelles.

<texte>
... contenu à résumer ...
</texte>

7. Demander plusieurs options

« Propose 3 versions : une factuelle, une pédagogique, une plus directe. » Vous obtenez un éventail au lieu d'une réponse moyenne, et vous choisissez. C'est souvent plus rapide que de faire corriger une réponse unique.

8. Faire vérifier la réponse par le modèle lui-même

Ajoutez en fin de prompt : « Avant de répondre, vérifie que chaque affirmation chiffrée provient bien du texte fourni. Si une information manque, écris "non disponible". » Cette seule phrase élimine une grande partie des approximations.

9. Utiliser un format de sortie structuré

Si la réponse doit être traitée par un programme, demandez du JSON avec un schéma explicite. Vous supprimez l'étape de nettoyage et vous détectez immédiatement les réponses incomplètes.

10. Préciser le public

« Explique le surapprentissage » et « explique le surapprentissage à un étudiant de deuxième année qui connaît la régression linéaire mais pas la validation croisée » ne produisent pas le même texte. Le niveau du lecteur est l'information la plus rentable à donner.

11. Itérer sur le prompt, pas sur la réponse

Quand une réponse ne convient pas, la réaction naturelle est de demander une correction. C'est souvent moins efficace que de reprendre le prompt initial et d'y ajouter la contrainte manquante. Vous obtenez un prompt réutilisable au lieu d'une conversation jetable.

12. Garder une bibliothèque de prompts

Les prompts qui fonctionnent se réutilisent. Un simple fichier texte avec vos dix meilleurs modèles de prompt — relecture de code, résumé de réunion, reformulation d'e-mail — fait gagner plus de temps que n'importe quelle astuce isolée.

Les erreurs qui reviennent le plus souvent

Ce que le prompt engineering ne résout pas

Un bon prompt améliore la forme et la fiabilité d'une réponse. Il ne crée pas de connaissance que le modèle n'a pas. Trois limites restent structurelles :

• Les faits récents ou internes. Aucun prompt ne fera connaître à un modèle votre catalogue produit ou les résultats du dernier trimestre. Il faut lui fournir les documents.
• Le calcul exact. Les modèles se trompent sur l'arithmétique longue. Faites-leur écrire le code du calcul plutôt que le résultat.
• La responsabilité. Une réponse plausible n'est pas une réponse vérifiée. Sur un sujet à enjeu — juridique, médical, financier — la vérification humaine reste obligatoire.

Un modèle de langage prédit le mot suivant le plus probable. Un bon prompt réduit l'espace des suites probables jusqu'à ce que la bonne réponse devienne la plus probable. C'est tout le métier.

Pour comprendre pourquoi ces techniques fonctionnent — et pourquoi certaines ne fonctionnent pas —, notre article comment fonctionnent réellement les LLM détaille le mécanisme sous-jacent. Et si votre objectif est d'intégrer ces modèles dans une application plutôt que de les utiliser à la main, la roadmap ingénieur IA indique les compétences à acquérir dans l'ordre.

Par où commencer cette semaine

Prenez la tâche que vous confiez le plus souvent à une IA — rédaction d'e-mail, résumé, relecture de code — et réécrivez le prompt correspondant avec les quatre blocs : rôle, contexte, tâche, format. Testez-le trois fois. Ajustez la contrainte qui manque. Enregistrez-le.

Répétez l'opération une fois par semaine pendant deux mois : vous disposerez d'une bibliothèque d'une dizaine de prompts fiables, ce qui représente en pratique plusieurs heures gagnées chaque mois.