Vous demandez à l'IA de rédiger un mail, ou encore de résumer un document, et quand la réponse arrive, vous la trouvez trop générique ou à côté de la plaque. Le problème ne vient certainement pas de l'outil (Chat GPT, Claude, Mistral, etc.), mais de l'instruction : le prompt.
Un prompt est l'instruction que vous donnez à l'intelligence artificielle dans le but d'obtenir un résultat. Il peut s'agir d'une question, d'un paragraphe complet avec des contraintes, d'une consigne, etc.
Pourquoi un prompt vague donne une réponse vague ?
Pour commencer, il faut savoir comment fonctionne un modèle de langage. En effet, il ne devine pas votre intention, il prédit la suite de texte la plus probable à partir de ce qu'il a reçu. Ce qui veut dire qu'un prompt flou laisse trop de suite plausibles. Même si le modèle en choisit une statistiquement crédible, il est fortement possible que vous soyez déçus. Chaque précision apportée réduit le champ des possibles.
Par exemple, prenons un besoin réel : répondre par mail (on ne peut pas faire plus classique) à un client mécontent du retard de livraison.
Premier essai (pour ma part je vais utiliser Mistral) :
Écris un mail à un client.
Réponse du chat
Surprise, pas de mail. Le Chat me pose cinq questions avant de commencer : l'objectif du mail, le ton, les informations, le nom du client et ma signature.
Ces cinq questions sont exactement les éléments qu'un bon prompt aurait contenus dès le départ.
Il y a quelques années, un prompt vague aurait produit une réponse générique quasiment inutilisable. Les modèles récents préfèrent poser des questions. Allons-y pour un deuxième essai :
Écris un mail d'excuse à un client professionnel, Patrick Martin, dont la livraison a 5 jours de retard à cause d'un problème logistique de notre côté. Contexte : c'est un client fidèle depuis 3 ans, c'est notre premier incident avec lui. Un geste commercial de 10 % lui est accordé. Ton : professionnel mais chaleureux, sans jargon juridique. Longueur : 120 mots maximum. Signature : Gabriel, service client.
Avec un prompt affiné
Avec un prompt précis pour le même modèle, nous avons un mail utilisable du premier coup ! La seule chose qui a changé : le prompt.
C'est quoi le prompt engineering ?
Le prompt engineering, c'est l'art de structurer ses instructions dans le but d'obtenir de meilleurs résultats d'un modèle d'IA. Vous retrouverez cette définition dans le guide d'Anthropic : la manière de formuler, le style et le contexte.
Je vous rassure, pour un usage quotidien, il n'y a rien d'engineering ! L'essentiel est déjà d'adopter quelques réflexes. Et n'hésitez pas à aller faire un tour sur les guides de Mistral, Anthropic et OpenAI.
Comment écrire un bon prompt ?
Nous arrivons dans la partie la plus importante du guide.
Soyez explicite et précis
Dites exactement ce que vous voulez voir. Même si les modèles modernes répondent très bien aux instructions, ils ne liront pas dans vos pensées. Un bon prompt précise :
-
La tâche avec un verbe d'action
-
Les contraintes (longueur, format, etc.)
-
La cible (à qui s'adresse le résultat)
Donnez le contexte et le pourquoi
Expliquer pourquoi une contrainte existe aide le modèle à prendre de meilleures décisions sur tout ce qui n'est pas précisé.
Par exemple :
Explique-moi ce qu'est un mot de passe fort. Pas de jargon technique.
Résultat avec la contrainte mais sans justification
On aura plutôt :
Explique-moi ce qu'est un mot de passe fort. Pas de jargon technique, car c'est pour ma grand-mère de 80 ans qui débute sur internet.
Avec la justification
Avec la justification, le modèle prend des décisions que l'on n'avait pas demandées, mais qui découlent directement du pourquoi. Mon passage préféré 😂 :
C'est comme une clé très solide pour verrouiller ta porte d'entrée.
Les deux niveaux d'une conversation : system prompt et user prompt
Quand vous discutez avec une IA, votre message n'est pas la seule instruction que le modèle reçoit :
-
Le system prompt, fourni dès le début de la conversation avec le contexte général, le comportement du modèle, les skills mises à disposition, etc.
-
Le user prompt, qui est tout simplement le message que vous envoyez
Cette distinction vous la voyez quand vous travaillez avec les APIs :
[ {"role": "system", "content": "Tu es un assistant support de la société Patrick S. Systèmes."}, {"role": "user", "content": "Comment réinitialiser mon mot de passe ?"} ]
L'importance des exemples
Sur le principe, certains formats sont plus faciles à montrer qu'à écrire. Imaginez que vous fassiez votre veille tech et que vous vouliez un format bien précis, rien de mieux que de donner un exemple à l'IA :
Voici le style de résumé que je veux pour ma veille : Annonce : sortie de Python 3.14 Résumé : Python 3.14 — évaluation différée des annotations, mode free-threaded officiellement supporté. Impact : fort pour les libs de typage. Maintenant, résume cette annonce dans le même style : [votre annonce]
D'ailleurs, Anthropic conseille d'utiliser les exemples si vous avez besoin de formats spécifiques.
On parle de one-shot (un exemple) ou de few-shot prompting (plusieurs).
Autoriser le « Je ne sais pas »
L'astuce anti-hallucination la plus basique : autoriser l'IA à ne pas savoir.
Analyse les notes de frais de Patrick sur les 6 derniers mois et identifie les anomalies. Si les données sont insuffisantes pour conclure, dis-le plutôt que de spéculer.
Encore une fois, Anthropic encourage cette pratique. Et pour aller plus loin, la vraie parade contre les hallucinations consiste à donner au modèle accès à des sources actualisées plutôt que de répondre de mémoire.
Demandez-lui de chercher sur le web. Un modèle possède des connaissances, mais elles s'arrêtent à une certaine date, donc toutes les nouveautés qui suivent, il ne les connaît pas, bien que les assistants modernes cherchent d'eux-mêmes sur internet. De plus, sur un sujet où il croit avoir la réponse alors qu'elle a changé depuis, il risque fortement de répondre de mémoire.
Branchez-le sur de la documentation à jour. En tant que développeur/concepteur d'applications, c'est mon réflexe sur chaque nouveau projet. Je demande à Claude Code d'interroger Context7, un serveur MCP qui fournit la documentation officielle des bibliothèques à jour. Context7 est vraiment un outil dont je ne peux pas me passer. D'ailleurs, j'explique le fonctionnement des serveurs MCP dans mon article dédié.
Itérez
Ne cherchez pas le prompt parfait, trouvez un bon point de départ et affinez. Pas besoin de tout réécrire depuis le début dans un nouveau message, le modèle garde le fil de la conversation. Envoyez un autre message avec la correction.
Et pour ma part, c'est en grande partie de cette manière que j'ai appris à prompter 😁.
Les techniques devenues inutiles
Vous pouvez parfois tomber sur des techniques de prompting qui ne sont aujourd'hui plus valables pour les modèles récents.
Raisonner étape par étape
Vous avez peut-être entendu parler de la technique du « Think step by step »,
popularisée en 2022, dérivée du Chain-of-Thought.
Cependant, une étude sortie en juin 2025 du Generative AI Labs de Wharton a testé cette technique :
-
Sur les modèles classiques, le gain moyen existe
-
Sur les modèles de raisonnement, le gain devient vraiment marginal
Vous l'avez remarqué, aujourd'hui les modèles raisonnent déjà par défaut sans qu'on leur demande. C'est pour cette raison que cette technique est devenue obsolète sur ces modèles.
Le role prompting
Le role prompting consiste à donner un rôle ou une expertise particulière à un modèle afin d'orienter ses réponses. Aujourd'hui, Anthropic considère qu'être explicite sur la perspective attendue est plus efficace.
Plutôt que « Tu es un expert-comptable », on écrira « Analyse ces notes de frais en te concentrant sur les anomalies et les justificatifs manquants ».
Empiler les règles
Chaque règle que vous ajoutez dans un prompt a un coût, deux règles qui se contredisent coûtent plus cher que pas de règle du tout. Récemment, Anthropic a révélé avoir supprimé plus de 80 % du prompt system de Claude Code.
Je cite l'article :
Globalement, nous avons constaté que nous sur-contraignions Claude Code, à la fois via notre system prompt et dans nos fichiers CLAUDE.md et nos skills.
Ce n'est pas propre à Anthropic, l'analogie utilisée par OpenAI est parlante : un modèle de raisonnement est comme un collègue senior à qui l'on donne un objectif en lui faisant confiance pour les détails, contrairement à un modèle classique qui a besoin d'instructions explicites.
Attention
Ces conseils valent pour les modèles récents. Par exemple, pour un petit modèle qui tourne en local avec Ollama, on gardera les anciennes techniques.
Bien prompter est nécessaire, mais ce n'est pas suffisant quand on construit des applications entières. Il faut organiser tout ce qui est autour du prompt, et c'est une discipline à part entière : le context engineering.
Si vous avez lu mon article sur Spec Kit, vous en avez déjà vu une application.
