Prompt engineering : définition, techniques et exemples concrets

Le prompt engineering est l’art de rédiger les instructions (les « prompts ») données à un modèle d’IA générative comme ChatGPT, Claude ou Gemini pour obtenir des réponses fiables, précises et au bon format. Il repose sur quelques principes simples : une tâche claire, du contexte, des exemples, un format de sortie défini, puis des tests pour vérifier que le prompt fonctionne. Même avec les modèles récents, un bon prompt fait encore une grande différence sur la qualité du résultat.

On reprend les bases (ce qu’est un LLM et pourquoi il réagit aux mots qu’on lui donne), puis la structure d’un prompt efficace avec un exemple commenté, les techniques documentées par OpenAI, Anthropic et Google, les usages en entreprise et les erreurs les plus fréquentes.

• Qu’est-ce que le prompt engineering ?
• IA, NLP, LLM : de quoi parle-t-on ?
• Le prompt engineering est-il encore utile avec les modèles récents ?
• Quelle est la structure d’un prompt efficace ?
• À quoi ressemble un bon prompt, concrètement ?
• Quelles techniques de prompt engineering connaître ?
• À quoi sert le prompt engineering en entreprise ?
• Quelles erreurs éviter ?
• Questions fréquentes
• Sources

Qu’est-ce que le prompt engineering ?

Un prompt est le texte que vous envoyez à un modèle de langage : une question, une consigne, des documents, des exemples. Le prompt engineering (on dit aussi ingénierie de prompt ou ingénierie des requêtes) consiste à concevoir, tester et améliorer ces textes pour que le modèle produise ce que vous attendez, de façon régulière.

Le terme recouvre deux pratiques. La première concerne tout utilisateur d’un assistant conversationnel qui veut de meilleures réponses au quotidien. La seconde concerne les équipes qui intègrent un modèle dans un produit (chatbot de service client, génération de fiches produits, tri automatique d’e-mails) : là, le prompt devient une pièce de logiciel, qu’on versionne et qu’on teste comme du code. OpenAI recommande d’ailleurs de conserver les prompts de production dans le code de l’application et d’ajouter des tests avant de les modifier.

IA, NLP, LLM : de quoi parle-t-on ?

Le traitement automatique du langage naturel (NLP, pour Natural Language Processing) est le domaine de l’intelligence artificielle qui permet aux machines de comprendre et de produire du texte. Les grands modèles de langage (LLM, pour Large Language Models) en sont l’aboutissement actuel : des réseaux de neurones de très grande taille, entraînés sur d’immenses quantités de textes, qui prédisent la suite la plus probable d’un texte donné.

C’est ce fonctionnement qui explique l’importance du prompt : le modèle ne « sait » pas ce que vous voulez, il complète au mieux le texte que vous lui donnez. Plus ce texte est précis et riche en contexte, plus la réponse probable est la bonne. Pour une vue d’ensemble du paysage actuel de l’IA, voir notre article sur l’intelligence artificielle.

Le prompt engineering est-il encore utile avec les modèles récents ?

Oui, mais il a changé de nature. Les premiers modèles demandaient des formulations très travaillées, parfois des « astuces ». Les modèles actuels comprennent beaucoup mieux une consigne écrite simplement. Ce qui compte désormais, c’est moins la formule magique que la clarté : dire exactement ce qu’on veut, fournir le bon contexte et vérifier le résultat.

Le guide d’OpenAI distingue ainsi les modèles de raisonnement, qu’il compare à un collègue expérimenté à qui l’on donne un objectif, des modèles GPT classiques, comparés à un collègue junior qui a besoin d’instructions explicites. Anthropic, de son côté, rappelle qu’avant de travailler un prompt il faut avoir défini des critères de réussite et un moyen de les tester : sans cela, on ne sait pas si une modification améliore ou dégrade le résultat. Et tout ne se règle pas par le prompt : un problème de coût ou de rapidité se résout parfois plus simplement en changeant de modèle.

Quelle est la structure d’un prompt efficace ?

Un prompt efficace contient en général les cinq éléments suivants. Tous ne sont pas nécessaires pour une question simple, mais ils deviennent indispensables dès que la tâche est répétée ou que le résultat compte.

1. Le rôle : qui le modèle doit incarner (« Tu es rédacteur pour le blog d’une agence web »). Anthropic note qu’une seule phrase de rôle, placée dans le prompt système, suffit à orienter le ton et le comportement.
2. La tâche : ce qu’il faut produire, avec un verbe d’action précis (rédiger, résumer, classer, corriger, extraire).
3. Le contexte : à qui s’adresse le résultat, dans quel but, avec quelles contraintes. Expliquer le pourquoi d’une consigne aide le modèle à mieux l’appliquer, selon la documentation d’Anthropic.
4. Des exemples : un ou plusieurs exemples de ce que vous attendez. Anthropic conseille 3 à 5 exemples variés, Google recommande d’en inclure systématiquement.
5. Le format de sortie : longueur, structure (liste, tableau, JSON), langue, niveau de langue, ce qu’il ne faut pas faire.

Le test le plus simple est celui proposé par Anthropic : montrez votre prompt à un collègue qui ne connaît pas le sujet. S’il ne comprend pas ce qu’on attend de lui, le modèle non plus.

À quoi ressemble un bon prompt, concrètement ?

Prenons une tâche fréquente pour un commerçant en ligne : rédiger des fiches produits. Voici d’abord le prompt tel qu’on l’écrit spontanément :

Écris une description pour notre théière en fonte.

Le modèle va produire un texte générique, de longueur aléatoire, avec des caractéristiques qu’il risque d’inventer. Voici la même demande structurée :

Tu es rédacteur e-commerce pour une boutique française d'arts de la table.

<tache>
Rédige la description de la fiche produit ci-dessous.
</tache>

<contexte>
Nos clients sont des amateurs de thé, souvent en recherche d'un cadeau.
La description sert aussi au référencement : le mot-clé principal est
"théière en fonte". Utilise uniquement les caractéristiques fournies,
n'invente aucune donnée (dimensions, origine, labels).
</contexte>

<produit>
Nom : Théière Kyoto
Matière : fonte émaillée à l'intérieur
Contenance : 0,8 L
Filtre : inox, amovible
Compatible induction : non
</produit>

<format>
- Un paragraphe d'accroche de 2 phrases.
- Une liste de 4 points clés.
- Une phrase sur l'entretien.
- 120 mots maximum, vouvoiement, ton chaleureux mais sobre.
</format>

On retrouve les cinq éléments : un rôle, une tâche, un contexte qui explique le but (cadeau, référencement), des données fournies avec l’interdiction d’en inventer, et un format précis. Les balises entre chevrons servent à séparer clairement les parties du prompt, une pratique recommandée par Anthropic et mentionnée par OpenAI. Pour produire cinquante fiches, il suffira ensuite de remplacer le bloc produit et d’ajouter deux ou trois fiches déjà validées en exemple.

Quelles techniques de prompt engineering connaître ?

Zero-shot et few-shot

Un prompt « zero-shot » demande une tâche sans exemple. Un prompt « few-shot » inclut quelques exemples d’entrée et de sortie attendue. L’article de recherche qui a présenté GPT-3 en 2020 s’intitulait justement « Language Models are Few-Shot Learners » : il montrait qu’un grand modèle peut accomplir une tâche nouvelle à partir de quelques démonstrations dans le texte, sans réentraînement. C’est toujours l’une des techniques les plus efficaces pour obtenir un format ou un ton précis.

Le raisonnement étape par étape (chain of thought)

Publiée en 2022 par des chercheurs de Google, la technique du « chain of thought » consiste à faire produire au modèle des étapes de raisonnement intermédiaires avant la réponse. Les auteurs ont montré qu’elle améliore nettement les résultats sur les problèmes de calcul et de logique. Aujourd’hui, beaucoup de modèles intègrent un mode de réflexion natif : la documentation d’Anthropic présente la demande explicite de raisonnement étape par étape comme une solution de repli quand ce mode est désactivé.

Structurer le prompt

Dès qu’un prompt mélange consignes, documents et exemples, séparez-les avec des titres Markdown ou des balises. OpenAI et Anthropic le recommandent tous deux. Pour les documents longs, Anthropic conseille de les placer en haut du prompt, avant la question et les consignes.

Découper les tâches complexes

Plutôt qu’un prompt géant qui fait tout, enchaînez plusieurs prompts simples : extraire les informations, puis les analyser, puis rédiger. Google décrit cette décomposition dans son guide Gemini, Anthropic parle de « prompt chaining ». Chaque étape devient plus fiable et plus facile à tester.

Fournir des données plutôt que compter sur la mémoire du modèle

Un modèle ne connaît ni vos tarifs, ni votre catalogue, ni vos procédures. Si la réponse en dépend, donnez-les dans le prompt. Quand le volume est important, on automatise cette étape : c’est le principe de la génération augmentée par récupération (RAG), qui va chercher les documents pertinents et les ajoute au prompt avant chaque réponse.

Itérer et évaluer

Un prompt se met au point par essais successifs. Google le rappelle : il faut parfois plusieurs itérations, en changeant la formulation ou l’ordre des éléments. Gardez une petite série de cas de test (dix à vingt entrées représentatives) et relancez-les après chaque modification pour vérifier que vous n’avez rien cassé.

À quoi sert le prompt engineering en entreprise ?

Les usages les plus courants pour une PME :

• Création de contenu : premiers jets d’articles, fiches produits, publications pour les réseaux sociaux, à relire et compléter par un humain.
• Service client : assistants qui répondent aux questions fréquentes à partir de votre documentation, avec transfert vers un humain quand la question sort du cadre. Nous détaillons ce sujet dans l’article sur l’intelligence conversationnelle.
• Traitement de documents : extraire des données de factures, de devis ou de formulaires, résumer des comptes rendus.
• Tri et classement : qualifier les demandes entrantes, étiqueter les e-mails, détecter l’urgence.
• Analyse : synthétiser des avis clients, repérer des thèmes récurrents dans des verbatims.
• Développement : générer, expliquer ou relire du code.

Dès qu’un de ces usages doit tourner tous les jours, le prompt n’est qu’une partie du travail : il faut le brancher sur vos outils (CRM, boutique, messagerie), contrôler les sorties et gérer les erreurs. C’est l’objet de notre prestation d’intégration, automatisation et IA. Et si votre enjeu est d’être cité par les assistants IA plutôt que de les utiliser, voir notre article sur le GEO.

Quelles erreurs éviter ?

• Rester vague : « fais un texte sur notre entreprise » donne un texte que n’importe quelle entreprise pourrait publier.
• Supposer que le modèle sait : sans données fournies, il complète avec des informations plausibles mais parfois fausses.
• Tout demander en une fois : un prompt qui mélange cinq tâches donne cinq résultats moyens.
• Ne donner que des interdits : dire ce qu’il faut faire est plus efficace que d’aligner ce qu’il ne faut pas faire.
• Ne pas relire : une réponse fluide n’est pas une réponse exacte. Vérifiez chiffres, noms et citations.
• Coller des données sensibles sans vérifier les conditions d’utilisation de l’outil (données clients, informations confidentielles).
• Modifier un prompt en production sans le tester sur des cas connus.

Questions fréquentes

Faut-il savoir coder pour faire du prompt engineering ?

Non pour un usage quotidien : c’est avant tout une question de rédaction claire. Oui dès qu’il s’agit d’intégrer un modèle dans une application, via une API, avec des tests automatisés.

Un bon prompt fonctionne-t-il avec tous les modèles ?

Les principes (clarté, contexte, exemples, format) valent partout. Les détails varient : chaque éditeur publie ses recommandations propres, et un prompt réglé pour un modèle doit être retesté quand on change de modèle ou de version.

Écrire en français ou en anglais ?

Les grands modèles actuels comprennent très bien le français. Écrivez le prompt dans la langue où vous êtes le plus précis, et indiquez explicitement la langue de la réponse attendue.

Quelle différence entre prompt engineering et fine-tuning ?

Le prompt engineering agit sur les instructions données au modèle, sans le modifier. Le fine-tuning réentraîne le modèle sur vos propres exemples. On commence presque toujours par le prompt, plus rapide et moins coûteux, et on n’envisage le fine-tuning que si le prompt atteint ses limites.

Un prompt peut-il empêcher totalement les erreurs ?

Non. Un bon prompt réduit fortement les erreurs, notamment en interdisant d’inventer et en fournissant les données, mais une vérification humaine ou automatique reste nécessaire pour tout contenu publié ou toute décision.

Sources

• OpenAI : guide du prompt engineering
• Anthropic : vue d’ensemble du prompt engineering
• Anthropic : bonnes pratiques de prompting
• Google : stratégies de conception de prompts (Gemini API)
• Brown et al., « Language Models are Few-Shot Learners », 2020
• Wei et al., « Chain-of-Thought Prompting Elicits Reasoning in Large Language Models », 2022