Comment écrire de meilleurs prompts IA

Un bon prompt supprime l'ambiguïté. Le modèle ne connaît ni votre contexte, ni votre audience, ni vos exigences, sauf si vous les précisez. Des entrées vagues comme « écris-moi un email » forcent le modèle à deviner. Et il va se tromper.

Les prompts efficaces partagent trois traits : ils sont précis sur le résultat attendu, ils fournissent le contexte nécessaire, et ils posent des contraintes de format ou de longueur. Le guide de prompt engineering d'OpenAI appelle ça « écrire des instructions claires », et c'est la technique qu'ils recommandent en priorité.

Comparez ces deux prompts. Mauvais : « Résume cet article. » Meilleur : « Résume cet article en trois points pour un chef de produit qui ne l'a pas lu. Chaque point doit faire moins de 20 mots. » La deuxième version précise quoi produire, pour qui, et dans quel format. C'est cette précision qui sépare un résultat utile d'un remplissage générique.

Si vous ne retenez qu'une chose de ce guide : chaque information que vous omettez est une décision que vous laissez au modèle. Parfois c'est acceptable. La plupart du temps, non.

La structure la plus simple qui produit des résultats fiables comporte trois parties : Rôle, Tâche et Format. Donnez un rôle à l'IA (« Tu es un rédacteur publicitaire senior »), décrivez la tâche (« Écris un titre de landing page pour une appli de budget destinée aux étudiants »), et précisez le format (« Donne-moi cinq options de moins de 10 mots chacune »).

Ce framework fonctionne parce qu'il reproduit la façon dont vous brieferiez un collègue humain. Vous ne confieriez pas un projet sans expliquer le rôle attendu, le livrable et le format de sortie. Le guide de prompt engineering d'Anthropic recommande d'assigner un rôle comme premier réflexe, car cela ancre le ton et le niveau d'expertise du modèle.

Voici un template que vous pouvez copier :

Rôle : Tu es un [métier] expert en [domaine].
Tâche : [Verbe d'action] + [quoi] + [pour qui / pourquoi].
Format : Produis le résultat sous forme de [liste / tableau / JSON / paragraphe]. Maximum [longueur].

Vous n'avez pas besoin des trois parties à chaque fois, mais commencer par là vous donne une base solide. Une fois le résultat proche de vos attentes, affinez les éléments un par un.

Empiler plusieurs tâches dans un seul prompt est le moyen le plus rapide d'obtenir un résultat moyen sur chacune. Quand vous demandez « fais une veille concurrentielle, puis rédige un positionnement, puis propose trois accroches publicitaires », chaque sous-tâche reçoit moins d'attention qu'elle ne le mérite.

Découpez plutôt le travail en une chaîne de prompts ciblés. D'abord, demandez la veille. Relisez-la. Injectez ensuite les éléments pertinents dans un second prompt pour le positionnement. Utilisez ce positionnement dans un troisième prompt pour les accroches. Chaque étape s'appuie sur un résultat vérifié.

Cette approche a un avantage pratique au-delà de la qualité : c'est plus facile à déboguer. Si vos accroches sont à côté de la plaque, vous pouvez remonter au positionnement ou à la veille sans tout relancer. Le guide de prompting Gemini recommande aussi de séparer les tâches complexes, car des prompts simples produisent des résultats plus prévisibles.

Une règle utile : si votre prompt contient les mots « puis » ou « ensuite » plus d'une fois, il en fait probablement trop. Découpez-le.

Dire au modèle ce qu'il ne doit pas faire est aussi important que de lui dire quoi faire. Sans contraintes, vous obtiendrez le comportement par défaut : paragraphes longs, formulations génériques, qualificatifs inutiles.

Les contraintes peuvent porter sur la longueur (« moins de 200 mots »), le ton (« pas de jargon, niveau de lecture collège »), la structure (« utilise des étapes numérotées, pas des paragraphes ») ou le contenu (« ne mentionne pas de noms de concurrents »). Les listes d'exclusion fonctionnent bien pour les problèmes récurrents. Si le modèle ajoute des avertissements dont vous ne voulez pas, ajoutez « N'inclus aucun avertissement ni mise en garde » à votre prompt.

Le guide d'Anthropic recommande les contraintes explicites pour réduire les hallucinations, surtout quand vous demandez au modèle de citer des sources ou de s'en tenir à des données fournies. Une contrainte comme « Utilise uniquement les informations du document ci-dessus. Si la réponse n'y figure pas, dis-le. » améliore considérablement la précision factuelle.

Constituez-vous une bibliothèque de contraintes qui résolvent vos frustrations récurrentes. Avec le temps, vous disposerez d'une boîte à outils de fragments réutilisables qui vous feront gagner du temps d'édition à chaque génération.

Montrer au modèle ce que vous voulez est souvent plus efficace que de le décrire. Cette technique s'appelle le « few-shot prompting » : vous incluez un ou plusieurs exemples d'entrée-sortie directement dans votre prompt.

Imaginons que vous ayez besoin d'extraire des données structurées d'un texte libre. Au lieu de décrire longuement le schéma de sortie, collez un exemple : « Entrée : "Jean Dupont, PDG, arrivé en mars 2019." Sortie : { nom: "Jean Dupont", titre: "PDG", date_debut: "2019-03" }. » Le modèle capte le pattern et l'applique aux nouvelles entrées avec une bonne régularité.

Le guide d'OpenAI recommande les exemples few-shot comme l'un des moyens les plus fiables de contrôler le format et le style de sortie. Même un seul exemple (one-shot) améliore nettement la cohérence par rapport à un prompt sans exemple (zero-shot).

Quand vous choisissez vos exemples, prenez ceux qui couvrent les cas limites, pas seulement le cas facile. Si vos données contiennent parfois des champs manquants, montrez un exemple avec un champ absent pour que le modèle sache comment le gérer. Deux ou trois exemples bien choisis valent mieux que dix exemples génériques.

Votre premier prompt est un brouillon, pas un produit fini. Traitez l'écriture de prompts comme du code : écrivez, testez sur quelques entrées, analysez la sortie et corrigez. La plupart des gens s'arrêtent au premier essai et accusent le modèle quand le résultat n'est pas à la hauteur.

Une boucle d'itération simple : (1) Lancez le prompt. (2) Identifiez le plus gros écart entre ce que vous avez obtenu et ce que vous vouliez. (3) Ajoutez une contrainte, un exemple ou une précision qui comble cet écart spécifique. (4) Relancez. Deux ou trois cycles suffisent généralement pour atteindre un résultat de qualité production.

Tenez un journal de prompts. Quand un prompt fonctionne de manière fiable, sauvegardez-le quelque part d'accessible. Notez la tâche, le modèle testé et les détails qui font que ça marche. Cela vous évitera de réinventer des prompts déjà résolus.

Le guide de prompting Gemini recommande de tester le même prompt avec des formulations légèrement différentes pour vérifier sa stabilité. Si de petits changements de formulation produisent des résultats radicalement différents, votre prompt est trop fragile et a besoin de plus de structure. La cohérence entre les exécutions est le vrai test d'un prompt bien écrit.