Prompt Engineering : le guide pratique pour écrire des prompts efficaces

Ce qu'est le prompt engineering et pourquoi il compte

Un grand modèle de langage prédit le mot suivant le plus probable à partir de votre saisie. Le prompt est donc le pilotage central : il détermine quelle part du savoir appris le modèle active et sous quelle forme il répond. Le prompt engineering est la pratique systématique de façonner ces entrées pour que la sortie soit utile, cohérente et vérifiable.

Le bénéfice est concret : selon la formulation, la même question peut donner une réponse générale vague ou un livrable directement exploitable. Bien rédiger un prompt n'est donc pas un savoir de spécialiste mais une compétence de base pour quiconque utilise des outils comme ChatGPT, Claude ou Gemini.

L'anatomie d'un prompt efficace

La plupart des bons prompts se décomposent en six briques. Elles ne sont pas toutes nécessaires à chaque fois, mais plus la tâche est exigeante, plus elles sont utiles.

• Rôle : attribuez une perspective au modèle, ex. « Tu es une conseillère fiscale expérimentée en Suisse. » Cela affine le vocabulaire et le niveau de détail.
• Contexte : fournissez l'arrière-plan, le public et l'objectif. « Pour de nouveaux clients d'une PME n'ayant jamais utilisé l'IA. »
• Tâche : exprimez le but par un verbe clair. « Résume », « compare », « rédige » plutôt qu'une question vague.
• Exemples : montrez un ou deux échantillons de la sortie voulue (few-shot). Les exemples sont souvent plus efficaces que les explications.
• Contraintes : posez des limites de longueur, ton, langue ou interdits. « 150 mots maximum, ton neutre, sans jargon. »
• Format de sortie : demandez une structure concrète, ex. tableau, liste, JSON ou plan de sections fixe. Les réponses deviennent réutilisables.

Des patterns éprouvés pour des prompts plus solides

Au-delà des briques, quelques patterns se sont imposés et aident nettement selon la tâche.

• Zero-shot vs few-shot : sans exemple (zero-shot) suffit souvent pour les tâches simples ; deux ou trois exemples (few-shot) améliorent nettement la cohérence des formats et classifications.
• Raisonnement pas à pas (chain-of-thought) : demandez au modèle de structurer son raisonnement avant de répondre. Utile pour la logique, le calcul et les tâches en plusieurs étapes.
• System et role prompt : beaucoup d'outils permettent un system prompt persistant qui fixe le ton et les règles pour toute la session, évitant les répétitions.
• Décomposer la tâche : au lieu d'un prompt géant, enchaînez plusieurs étapes plus petites. Les résultats intermédiaires se vérifient et se corrigent.
• Fournir un texte de référence : pour des réponses factuelles, collez la source dans le prompt et demandez de répondre uniquement à partir d'elle. C'est aussi le principe de la retrieval-augmented generation (RAG).

Erreurs fréquentes et comment les éviter

• Trop vague : « Écris quelque chose sur le marketing » donne n'importe quoi. Précisez public, objectif, ampleur et format.
• Plusieurs buts en une phrase : des tâches mêlées donnent des réponses floues. Séparez ou numérotez les sous-tâches.
• Aucun format de sortie : sans consigne, vous obtenez tantôt du texte, tantôt une liste. Demandez explicitement la structure.
• Prendre les hallucinations pour des faits : les modèles peuvent inventer des faussetés convaincantes. Demandez des sources et vérifiez les faits clés.
• Surestimer les négations : « N'écris pas trop long » est plus faible que « 120 mots maximum ». Formulez des limites positives et mesurables.
• Coller des données sensibles : données personnelles ou secrets d'affaires n'ont leur place dans un prompt que si la base légale et les conditions du fournisseur le permettent.

Méthode pratique : itérer vers un bon prompt

Traitez le prompting comme une boucle, pas un essai unique. Une routine fiable ressemble à ceci :

• 1. Rédigez un prompt de base avec rôle, tâche et format. 2. Évaluez la sortie de façon critique : que manque-t-il ou est faux ? 3. Changez une seule chose par tour pour en voir l'effet. 4. Sauvegardez les bonnes versions comme modèles et réutilisez-les.
• Utilisez le modèle comme partenaire : faites-lui critiquer votre prompt ou poser des questions avant de répondre (« Demande si quelque chose n'est pas clair »).

Protection des données et contexte suisse

Les prompts sont des entrées vers un service externe. En Suisse s'applique la loi révisée sur la protection des données (nLPD/revDSG), sous la surveillance du PFPDT (EDÖB). Quiconque saisit des données personnelles dans un outil d'IA a besoin d'une base légale, doit connaître la finalité du traitement et vérifier si les entrées servent à l'entraînement ou sont transférées à l'étranger.

Règle pratique : anonymisez ou pseudonymisez les données avant saisie, privilégiez si possible des comptes professionnels avec exclusion contractuelle de l'entraînement, et documentez des lignes directrices internes. Le prompt engineering reste ainsi productif et conforme.