Le même outil d'IA peut vous donner une réponse médiocre ou un résultat directement exploitable : tout dépend de la façon dont vous formulez votre demande. Le prompt engineering, c'est l'art d'écrire des consignes claires pour obtenir de meilleurs résultats. Voici 7 techniques concrètes que nous enseignons à nos clients pour tirer réellement parti de ChatGPT, Claude ou Gemini.

1. Donner du contexte

Un modèle de langage n'invente pas ce qu'il ignore. Plus vous précisez la situation, meilleure est la réponse. Indiquez le sujet, l'objectif, le public visé et les contraintes.

Comparez « Écris un email de relance » à « Écris un email de relance à un client B2B qui n'a pas payé une facture de 3 200 € échue depuis 15 jours ; ton ferme mais courtois, en français, 120 mots ». La seconde formulation supprime la plupart des allers-retours inutiles.

2. Attribuer un rôle

Demander au modèle d'adopter un rôle oriente son vocabulaire et son niveau d'expertise. « Tu es un juriste spécialisé en droit du travail français » ou « Agis comme un directeur marketing » cadre immédiatement la réponse.

Ce n'est pas un gadget : le rôle active un registre plus précis et évite les réponses trop généralistes. Associez-le toujours à un contexte pour un effet maximal.

3. Montrer des exemples (few-shot)

Plutôt que de décrire longuement ce que vous attendez, montrez-le. En fournissant deux ou trois exemples du résultat souhaité, vous guidez le modèle bien plus efficacement qu'avec des consignes abstraites. C'est ce qu'on appelle le « few-shot prompting ».

Par exemple, pour classer des avis clients, donnez trois avis déjà étiquetés (positif, négatif, neutre) avant de soumettre les nouveaux. Le modèle imite le format et la logique de vos exemples.

4. Imposer le format de sortie

Si vous ne précisez rien, l'IA choisit sa propre présentation. Dites-lui exactement ce que vous voulez : tableau, liste à puces, JSON, nombre de mots, langue, ton.

  • « Réponds uniquement avec un tableau à trois colonnes : nom, priorité, action. »
  • « Retourne un objet JSON valide avec les clés titre et resume. »
  • « Maximum 3 phrases, sans introduction. »

Un format explicite rend les réponses réutilisables directement dans vos outils, surtout quand vous automatisez un traitement.

5. Décomposer en étapes

Pour les tâches complexes, demandez au modèle de raisonner étape par étape plutôt que de répondre d'un bloc. « Procède ainsi : 1) résume le texte, 2) identifie les risques, 3) propose des actions. » Cette décomposition améliore nettement la qualité sur les problèmes qui demandent de la logique ou de l'analyse.

Vous pouvez aussi séparer une grande tâche en plusieurs prompts enchaînés : chaque sortie devient l'entrée du prompt suivant, ce qui vous laisse le contrôle à chaque étape.

6. Itérer, ne pas viser le prompt parfait du premier coup

Le prompt engineering est un processus, pas un coup de génie initial. Lancez une première version, observez ce qui ne va pas, puis affinez : ajoutez une contrainte, retirez une ambiguïté, reformulez un exemple.

Une bonne pratique consiste à demander au modèle lui-même : « Quelles informations te manquent pour mieux répondre ? » Ses questions révèlent souvent les trous de votre consigne. Gardez vos meilleurs prompts dans une bibliothèque réutilisable pour ne pas repartir de zéro à chaque fois.

7. Vérifier systématiquement

Un modèle de langage peut produire des affirmations fausses avec assurance. La dernière technique, la plus importante en contexte professionnel, est de ne jamais utiliser une sortie sans contrôle.

  • Demandez au modèle de citer ses sources ou d'indiquer son degré de certitude.
  • Faites-lui vérifier son propre travail : « Relis ta réponse et signale les erreurs éventuelles. »
  • Gardez un humain dans la boucle pour les décisions à enjeu (juridique, financier, médical).

La vérification n'annule pas le gain de temps : elle le sécurise. Le choix de l'outil influence aussi la fiabilité ; pour comparer les forces de chacun, lisez notre article ChatGPT, Claude ou Gemini : quel outil choisir.

En résumé

Contexte, rôle, exemples, format, étapes, itération et vérification : ces 7 techniques de prompt engineering transforment un outil d'IA générique en assistant fiable et productif. Elles ne demandent aucune compétence technique, seulement de la rigueur dans la formulation. La différence entre une équipe qui « teste l'IA » et une équipe qui en tire de la valeur tient souvent à ces réflexes.

Vous voulez que vos équipes maîtrisent ces méthodes en profondeur ? Découvrez notre offre de formation à l'IA, conçue pour des cas concrets de votre métier, ou contactez-nous pour construire un programme sur mesure.