Chaque jour, des millions de personnes saisissent quelque chose dans une fenêtre de chat avec une IA, appuient sur Envoyer et obtiennent une réponse soit brillante, soit déroutante. La différence tient presque toujours à une seule chose : la manière dont vous avez rédigé le prompt.
La plupart des personnes qui utilisent des outils d’IA continuent de les traiter comme un moteur de recherche. Elles saisissent quelques mots, espèrent le meilleur, puis se plaignent quand le résultat n’est pas à la hauteur. Ce n’est pas un problème de modèle. C’est un problème de prompt.
Le prompt engineering est une discipline, à mi-chemin entre science et savoir-faire, qui consiste à rédiger des instructions pour les modèles d’IA afin d’obtenir de manière fiable le résultat souhaité. Alors que des modèles comme GPT, Claude et Gemini s’intègrent à tout, des logiciels juridiques aux programmes scolaires, cette compétence est devenue l’une des plus précieuses qu’une personne puisse acquérir.
Cette fiche mémo rassemble les frameworks, techniques et pièges essentiels recensés par des chercheurs et praticiens de référence, le tout condensé en une seule ressource pratique.
- Qu’est-ce que le prompt engineering ?
- Anatomie d’un prompt bien construit
- Les 7 grands types de prompts
- Techniques avancées : aller au-delà des fondamentaux
- 6 stratégies pour rédiger de meilleurs prompts
- Guide de référence des cas d’usage
- Le volet sécurité : les prompts adverses
- Qu’est-ce qu’une attaque par injection de prompt ?
- Conseils express pour utilisateurs avancés
- La suite : l’avenir du prompting
Qu’est-ce que le prompt engineering ?
Un prompt est tout simplement ce que vous saisissez dans un système d’IA. Le prompt engineering consiste à concevoir délibérément ces instructions, en choisissant les mots, la structure, le contexte et le format pour orienter le modèle vers la réponse la plus utile possible.
Voyez les choses ainsi : un modèle d’IA ressemble moins à un moteur de recherche qu’à un collègue extrêmement cultivé qui a besoin d’un brief digne de ce nom. Si vous allez voir ce collègue et lui dites : « Écris quelque chose sur le marketing », vous obtiendrez un résultat générique. Si vous lui dites : « rédige une description de produit de 200 mots pour une gourde durable destinée à des consommateurs millennials sensibles aux enjeux environnementaux, avec un ton énergique mais pas insistant », vous êtes sur la bonne voie.
Le prompt engineering s’effectue entièrement en langage naturel. Aucun code n’est nécessaire, pas plus que des fichiers de configuration ou un réentraînement. Cette accessibilité en fait le levier le plus rapide dont disposent la plupart des gens pour améliorer la qualité des résultats de l’IA, et aussi l’un des plus sous-estimés.
Anatomie d’un prompt bien construit
| Message système | Définit le rôle général et le cadre comportemental « Vous êtes un assistant juridique concis qui évite le jargon. » |
| Instruction | La tâche précise à effectuer « Résumez la clause contractuelle suivante en français clair. » |
| Contexte | Les éléments de contexte qui orientent le modèle « Ce texte est destiné à une personne qui n’est pas juriste et qui examine un contrat de prestation indépendant. » |
| Exemples | Des exemples du style de résultat souhaité « Entrée : [clause] > Sortie : [résumé en langage clair en 2 phrases] » |
| Données d’entrée | Le contenu à traiter proprement dit La clause contractuelle, l’article, l’extrait de code, etc. |
| Format de sortie | Indique au modèle comment structurer sa réponse « Répondez en 3 points, de moins de 20 mots chacun. » |
Tous les prompts n’ont pas besoin de tous ces composants. Une question simple peut ne nécessiter qu’une instruction. Une tâche de production complexe peut avoir besoin de tous les éléments. Tout l’art consiste à savoir quoi inclure et quoi laisser de côté.
Les 7 grands types de prompts
Tous les prompts ne se construisent pas de la même manière. Savoir quel type utiliser et à quel moment constitue le fondement d’un prompt engineering efficace.
| Type | Fonction | Idéal pour | Points de vigilance |
|---|---|---|---|
| Zero-shot | Instruction directe, sans exemples | Les tâches générales pour lesquelles le modèle possède des connaissances fiables | Des résultats vagues pour les tâches complexes ou pointues |
| One-shot | Un exemple pour définir le modèle à suivre | Lorsque le format ou le ton est important | Ne brouillez pas la distinction entre l’exemple et la tâche |
| Few-shot | 2–5 exemples ou plus avant la demande proprement dite | L’apprentissage du raisonnement, de la classification ou d’une structure exacte | L’utilisation d’exemples incohérents ou trop complexes |
| Chain-of-thought | Demande au modèle de raisonner étape par étape | Les mathématiques, la logique, le dépannage et les décisions en plusieurs étapes | Sauter l’échafaudage et passer directement à une réponse |
| Zero-shot CoT | Ajoute « Réfléchissons étape par étape » à n’importe quel prompt | Lorsque vous n’avez pas d’exemples mais avez besoin d’un raisonnement structuré | Suppose que le modèle dispose des connaissances du domaine nécessaires au raisonnement |
| Fondé sur un rôle | Attribue une persona ou un cadre d’expertise | Le contrôle du ton et la simulation d’une expertise métier | Ne pas préciser comment le rôle doit façonner la réponse |
| Enrichi en contexte | Charge des documents, des transcriptions ou des données à analyser | La synthèse et les questions-réponses sur des contenus longs | Fournir du contexte sans le structurer clairement |
Ces types ne s’excluent pas mutuellement. Les prompts les plus puissants sont souvent hybrides : un cadrage fondé sur un rôle associé à des exemples few-shot et à un échafaudage chain-of-thought.
Techniques avancées : aller au-delà des fondamentaux
Une fois les types de prompts maîtrisés, l’étape suivante consiste à comprendre les techniques structurelles qui améliorent la fiabilité, gèrent la complexité et poussent les modèles vers leurs limites.
- Chain-of-Thought (idéal pour le raisonnement, les mathématiques et l’analyse) : Forcez le modèle à montrer son raisonnement avant de parvenir à une conclusion. Cela élimine les étapes de raisonnement omises qui provoquent des erreurs dans les tâches complexes.
- Self-consistency (idéal pour l’arithmétique et les questions-réponses à forts enjeux) : Exécutez plusieurs fois le même prompt CoT et retenez la réponse qui revient le plus souvent. Cela réduit l’aléatoire et améliore la précision.
- Tree of Thoughts (ToT — idéal pour la résolution de problèmes complexes) : Le modèle explore simultanément plusieurs branches de raisonnement, comme un joueur d’échecs qui anticipe plusieurs coups, puis revient sur ses pas depuis les impasses.
- Retrieval-Augmented Generation (RAG — idéal pour les questions-réponses factuelles et les tâches de connaissance) : Plutôt que de s’appuyer uniquement sur ses données d’entraînement, le RAG récupère des documents nouveaux et pertinents avant de générer une réponse. Cela réduit les hallucinations.
- Prompt chaining (idéal pour les workflows en plusieurs étapes) : Divisez une tâche complexe en prompts plus petits, chaque résultat alimentant l’entrée suivante. Voyez cela comme une chaîne de production pour les résultats d’un modèle de langage.
- Reflexion (idéal pour les tâches itératives et les agents) : Le modèle évalue son propre résultat, repère les erreurs, réfléchit en langage naturel et recommence : une forme d’apprentissage par renforcement verbal.
- Meta prompting (idéal pour les tâches de raisonnement abstrait) : Au lieu de montrer des exemples précis, vous donnez au modèle un modèle structurel de la manière d’aborder une catégorie de problèmes, en privilégiant la forme au contenu.
- Auto-CoT (idéal pour l’automatisation à grande échelle) : Le modèle génère automatiquement ses propres exemples de chaînes de raisonnement à l’aide de « Réfléchissons étape par étape », ce qui élimine le travail manuel de rédaction des démonstrations.
6 stratégies pour rédiger de meilleurs prompts
Connaître les types et les techniques relève de la théorie. Voici comment passer à la pratique : les stratégies rédactionnelles qui distinguent les résultats moyens des résultats véritablement utiles.
- Dites ce que vous voulez, pas ce que vous ne voulez pas. Dire à un modèle « ne soyez pas trop technique » est moins efficace que « expliquez cela à un public non spécialiste ». Les instructions positives sont systématiquement plus performantes que les instructions négatives.
- Faible : « Ne faites pas trop long et n’utilisez pas de jargon. »
- Efficace : « Rédigez 3 phrases concises en français clair pour un public général. »
- Soyez précis pour chaque variable.Longueur, format, ton, public, périmètre. Si vous ne précisez rien, le modèle devine. Et les devinettes sont incohérentes.
- Faible : « Rédigez un résumé du rapport sur le climat. »
- Efficace : « Résumez le rapport sur le climat joint en 4 points à puces pour un public de responsables des politiques publiques. Concentrez-vous sur l’impact économique. »
- Commencez vos instructions par des verbes d’action. Des verbes comme Résumer, Classer, Traduire, Expliquer, Réécrire, Générer et Comparer donnent au modèle un repère comportemental immédiat. Les débuts vagues comme « Parlez-moi de… » l’incitent à s’égarer.
- Découpez les tâches importantes en étapes. Si une tâche comporte 5 sous-tâches, ne les donnez pas toutes en même temps. Créez une chaîne de prompts. Le modèle reste davantage concentré et vous repérez plus tôt les erreurs dans le processus.
- Itérez sans relâche. Aucun prompt n’est parfait du premier coup. Traitez la rédaction de prompts comme l’édition d’un texte : rédigez, évaluez, réécrivez. Une légère modification de formulation peut influencer considérablement la qualité du résultat.
- Utilisez des séparateurs et une structure. Lorsque votre prompt comporte plusieurs sections, comme le contexte, l’instruction et les données, utilisez des libellés ou des séparateurs clairs comme ### Instruction ###, des séparateurs Markdown (comme — ou des triples guillemets “””). Cela évite que le modèle confonde le contexte avec la tâche.
Modèle de prompt structuré
### Rôle ###
Vous êtes un stratège produit spécialisé dans la croissance des SaaS.
### Tâche ###
Analysez les commentaires utilisateurs suivants et identifiez les 3 principales demandes de fonctionnalités.
### Contexte ###
Ces commentaires proviennent de clients grands comptes du secteur des ressources humaines.
### Format de sortie ###
Répondez sous forme de liste numérotée. Pour chaque élément : Nom de la fonctionnalité | Fréquence | Impact commercial.
### Entrée ###
[collez les commentaires de l’utilisateur ici]
Guide de référence des cas d’usage
Des tâches différentes nécessitent des architectures de prompt différentes. Voici une matrice de référence rapide pour les cas d’usage les plus courants.
| Cas d’usage | Type recommandé | Caractéristiques clés | Début de prompt type |
|---|---|---|---|
| Écriture créative | Zero-shot ou few-shot | Genre, ton, personnage, longueur | « Écris une nouvelle de 300 mots se déroulant dans un Tokyo du futur proche, dans le genre du thriller, avec une narration à la première personne. » |
| Résumé de texte | Zero-shot avec contraintes de format | Public cible, liste à puces ou prose, limite de mots | « Résume l’article suivant en 5 points à puces pour un cadre très occupé. » |
| Génération de code | Few-shot ou CoT zero-shot | Langage, signature de fonction, cas limites | « Écris une fonction Python qui prend une liste d’entiers et renvoie les deux dont la somme correspond à une valeur cible. Gère également les cas limites. » |
| Débogage de code | Chain-of-thought | Message d’erreur, comportement attendu et comportement observé | « Débogue ce code étape par étape. Explique la cause de la NullPointerException avant de proposer une correction. » |
| Classification de données | Few-shot | Libellés de catégories, exemples cohérents | « Classe chaque message client dans l’une des catégories suivantes : Réclamation, Éloge ou Question. [3 exemples fournis] » |
| Questions-réponses sur des documents | RAG + enchaînement de prompts | Citations pertinentes d’abord, puis synthèse | « Extrais les citations pertinentes pour X, puis utilise-les pour répondre à la question. » |
| Traduction | Zero-shot | Langue source, langue cible, registre (formel/informel) | « Traduis de l’anglais vers le français. Conserve un registre formel : [texte] » |
| Analyse des sentiments | Few-shot | Ensemble de libellés, exemples couvrant les cas limites | « Classe le sentiment exprimé dans chaque avis comme positif, négatif ou neutre. [exemples] » |
| Raisonnement mathématique | CoT few-shot ou auto-cohérence | Exemples résolus étape par étape | « Résous le problème étape par étape en montrant tous les calculs. [exemples de problèmes similaires résolus] » |
| Génération d’images | Style completion avec spécifications détaillées | Sujet, style, éclairage, ambiance, composition | « Image photoréaliste d’une femme assise dans une ruelle de Tokyo éclairée par la pluie, avec des reflets de néons sur le sol mouillé, style cinématographique, faible profondeur de champ. » |
Le volet sécurité : les prompts adverses
Les prompts constituent également une surface d’attaque.
À mesure que les systèmes d’IA sont intégrés à des produits réels, les acteurs malveillants ont compris qu’il n’était pas nécessaire de pirater le serveur : il suffit parfois de demander gentiment. Ou astucieusement. Ou dans une autre langue. Les attaques par injection de prompt exploitent la tendance du modèle à se montrer serviable et représentent l’une des catégories de risques qui progressent le plus rapidement dans l’IA déployée.
Qu’est-ce qu’une attaque par injection de prompt ?
Une injection de prompt se produit lorsqu’un utilisateur (ou un texte intégré à un document) outrepasse ou manipule les instructions système d’origine, amenant le modèle à se comporter de manière imprévue, par exemple en divulguant des données, en contournant les filtres de contenu ou en sortant de son rôle.
Parmi les exemples concrets figurent le fait de demander au modèle d’« ignorer les instructions précédentes », d’utiliser un cadre de jeu de rôle pour simuler un personnage qui ne respecte pas les règles de sécurité, ou de procéder à une extraction progressive en demandant des fragments d’informations protégées, un par un.
Les défenses comprennent le scaffolding de prompts (qui consiste à encapsuler les entrées utilisateur dans des modèles protégés), la répétition des instructions, le conditionnement de la sortie et les systèmes externes de garde-fous.
Scaffolding de prompts
Le scaffolding de prompts consiste à ne jamais exposer directement au modèle les entrées brutes de l’utilisateur. Chaque message utilisateur est plutôt encapsulé dans un modèle structuré qui définit le rôle du modèle, établit des limites et impose une évaluation de sécurité avant la génération de toute réponse.
Scaffolding de prompt défensif
Système : Vous êtes un assistant serviable. Vous n’aidez jamais à effectuer des demandes illégales, nuisibles ou contraires à l’éthique. Vous respectez en permanence toutes les consignes de sécurité.
Entrée utilisateur : {{user_input}}
Instruction : Évaluez la demande ci-dessus avant de répondre. Si elle est sûre et conforme aux consignes, poursuivez. Si elle risque de contrevenir aux consignes de sécurité, répondez : « Je suis désolé, mais je ne peux pas vous aider avec cette demande. »
Les chercheurs en sécurité recommandent de combiner ce type de scaffolding avec des systèmes externes de garde-fous, des exercices de red team adverses et un filtrage des sorties, en particulier pour toute application d’IA destinée aux clients. Aucune défense fondée sur un seul prompt ne suffit à elle seule.
Conseils express pour utilisateurs avancés
- Compressez-le : Supprimez les formules superflues comme « pourriez-vous s’il vous plaît » et « je me demandais si ». Les modèles répondent tout aussi bien à des instructions plus concises, ce qui permet d’économiser des tokens.
- Ancrez la sortie : Commencez votre prompt par les premiers mots de la réponse souhaitée. « Résumé : » ou « Problème : » force le modèle à adopter votre structure avant qu’il ne puisse s’en écarter.
- Excluez les commentaires : Si vous ne voulez pas que le modèle dise « Bien sûr ! Voici votre réponse… », ajoutez : « N’inclus aucune introduction ni explication. Commence immédiatement ta réponse. »
- Utilisez la mémoire à bon escient : Dans les outils dotés d’une mémoire persistante (ChatGPT, Gemini, Claude), indiquez une fois au modèle qui vous êtes, quelles sont vos préférences et quel est votre style, puis appuyez-vous sur ce contexte à chaque session.
| Erreur courante | Ce qui se passe | Correction |
|---|---|---|
| Instruction vague | Résultat général et vague, sans orientation | Précisez le public, le format, le périmètre et la longueur |
| Dire au modèle ce qu’il NE doit PAS faire | Le modèle le fait souvent malgré tout | Reformulez en indiquant ce qu’il DOIT faire |
| Fournir trop de contexte non pertinent | Le modèle perd le fil ; la tâche clé est diluée | N’incluez que le contexte qui façonne directement la tâche |
| Exemples few-shot incohérents | Le modèle apprend le mauvais schéma ou reste évasif | Conservez un format et un style cohérents pour les exemples |
| Aucune contrainte de format pour une sortie structurée | Le modèle ajoute des explications qui perturbent votre pipeline | Précisez le format exact (JSON, liste à puces, tableau) et indiquez « rien d’autre » |
| Supposer qu’un seul prompt suffit | Des sorties sous-optimales qui ne s’améliorent jamais | Traitez les prompts comme des logiciels : itérez, versionnez, comparez |
La suite : l’avenir du prompting
L’ingénierie des prompts évolue rapidement. Plusieurs transformations déjà à l’œuvre changent la manière dont cette discipline fonctionne en pratique.
- Auto-prompting : Les systèmes d’IA commencent à générer et à affiner leurs propres prompts à partir des objectifs déduits de l’utilisateur. À mesure que cette pratique gagnera en maturité, l’écart entre l’« utilisateur occasionnel » et l’« expert en prompts » pourrait se réduire.
- Prompts multimodaux : À mesure que les modèles traitent simultanément du texte, des images, de l’audio et du code, l’ingénierie des prompts s’étend à l’orchestration de différents types de données : il s’agit notamment de décrire ce qu’il faut extraire d’une image en parallèle de ce qu’il faut rédiger.
- LLM utilisant des outils : Les modèles appellent de plus en plus des API, exécutent du code et consultent le Web au cours d’une conversation. Le rôle de l’ingénieur des prompts consiste désormais aussi à définir quand et comment le modèle doit invoquer ces outils.
- Bibliothèques de prompts et PromptOps : Les équipes des entreprises créent des bibliothèques de prompts gérées par contrôle de version, traitant les prompts comme du code. À l’horizon 2027, le rôle d’« ingénieur des prompts » évolue vers celui de spécialiste PromptOps. Il consiste à gérer des bibliothèques entières de prompts, à les versionner comme du code logiciel et à les tester en A/B sur différents modèles.
Selon Grand View Research, le marché mondial de l’ingénierie des prompts devrait progresser de près de 33 % par an en croissance composée jusqu’en 2030. Des plateformes comme Google Vertex AI, l’API Claude d’Anthropic et l’écosystème d’API d’OpenAI développent toutes des outils dédiés à la gestion professionnelle des prompts, signe qu’il ne s’agit plus d’une curiosité de niche, mais d’un enjeu central d’infrastructure.
Le salaire médian des ingénieurs en prompts aux États-Unis s’élève actuellement à environ 126 000 dollars US, les professionnels expérimentés gagnant 175 000 dollars US ou plus. Plus révélateur encore, cette compétence apparaît comme une qualification requise ou appréciée dans des offres d’emploi bien au-delà des fonctions traditionnellement liées à l’IA, notamment dans le droit, la médecine, le marketing et l’éducation.
Le message qui ressort de toutes parts est le même : comprendre comment communiquer avec les systèmes d’IA devient aussi important que comprendre comment utiliser les outils logiciels dans lesquels ces systèmes sont intégrés. Les personnes qui l’apprennent tôt disposeront d’un avantage durable.
Et il s’avère que la barrière à l’entrée est moins élevée que la plupart des gens ne le pensent ; il suffit d’avoir l’esprit clair, d’être prêt à expérimenter et de savoir quelles questions poser.
À lire également : nos modèles de prompts IA pour les professionnels proposent des points de départ réutilisables pour l’écriture, la planification, le débogage et l’analyse de données.