Les principes du prompting, avec des exemples

Un modèle de langage ne lit pas votre intention. Il lit votre consigne, et quand elle est floue, il comble le silence. Écrire un bon prompt, c'est donc réduire ce silence : dire qui vous êtes, ce que vous voulez obtenir, sous quelle forme, et montrer un exemple. Voici les principes que j'enseigne en formation, avec des exemples que vous pouvez copier.

Ce que le modèle fait de votre consigne

Un modèle de langage prédit la suite la plus probable d'un texte, morceau par morceau. Deux conséquences pour qui écrit le prompt. D'abord, plausible n'est pas vrai : le modèle produit ce qui ressemble à une bonne réponse. Ensuite, tout ce que vous ne précisez pas, il le choisit à votre place, à partir de ce qui est le plus courant dans ses données.

D'où la règle qui structure tout le reste : une information absente du prompt sera inventée ou généralisée. Le travail consiste à fournir ce que le modèle ne peut pas deviner.

La méthode COFRE : cinq ingrédients

J'utilise en formation une grille en cinq lettres. Elle n'a rien d'original, et c'est sa force : elle rassemble ce que recommandent les éditeurs eux-mêmes.

Ingrédient	La question à se poser	Exemple
Contexte	Qui suis-je, quelle est la situation, quelles données ?	« Je suis responsable du service client d'une entreprise de maintenance. Voici le mail du client. »
Objectif	Quel résultat, et à quoi servira-t-il ?	« Une réponse qui reconnaît l'erreur et propose une intervention avant jeudi. »
Format	Quelle longueur, quelle structure, quel ton ?	« 120 mots, vouvoiement, avec un objet. »
Rôle	Quelle expertise l'IA doit-elle endosser ?	« Agis comme un responsable relation client expérimenté. »
Exemples	À quoi ressemble un bon résultat ?	« Voici une réponse à un autre client que j'ai trouvée juste. »

Les autres frameworks, et pourquoi ils se ressemblent

D'autres grilles circulent, avec d'autres sigles. Posées côte à côte, elles demandent toutes les mêmes ingrédients sous des noms différents. Chacune insiste sur un point que les autres laissent en retrait : c'est ce point qui mérite d'être retenu, pas le sigle.

Framework	Origine	Ce qu'il demande	Ce qu'il met en avant
PTCF	Google, guide de prompting pour Gemini	Persona, tâche, contexte, format	La grille la plus courte : COFRE sans les exemples
Objectif, contexte, source, attentes	Microsoft, guides Copilot	Le but, la situation, les documents à utiliser, le résultat attendu	La source : dire sur quels documents l'IA doit s'appuyer
Tâche, contexte, références, évaluer, itérer	Google, cours Prompting Essentials	La tâche, la situation, des exemples, puis une boucle de vérification	Les deux dernières étapes : relire la réponse et relancer
CO-STAR	Équipe IA de GovTech Singapour, rendu célèbre par un concours de prompting en 2023	Contexte, objectif, style, ton, audience, réponse	Le lecteur final : à qui s'adresse le texte produit
RISEN	Auteur de la lettre Prompt Entrepreneur	Rôle, instructions, étapes, but final, restrictions	Les contraintes : ce que la réponse ne doit pas faire

Deux précautions. Aucune de ces grilles n'a été validée par une étude : ce sont des aide-mémoire, utiles parce qu'ils évitent d'oublier un ingrédient. Et les étapes imposées, comme dans RISEN, servent moins avec les modèles de raisonnement, qui organisent eux-mêmes leur démarche. D'autres sigles circulent, comme CRISPE ou RTF, sans origine que j'aie pu retrouver : je ne les enseigne pas.

Les guides d'Anthropic et d'OpenAI, eux, ne proposent pas de sigle : ils insistent sur la clarté, les exemples et le format de sortie. Choisissez une grille, une seule, et tenez-vous-y.

Avant, après : le même outil, le même jour

J'ai soumis deux consignes à ChatGPT le 12 novembre 2026, sur un cas fictif : un client dont l'imprimante est en panne, et que le technicien n'est pas venu dépanner.

Avant. « Fais un mail pour le client pas content. » La réponse est polie et générique : aucun fait du dossier, des excuses passe-partout, une proposition d'échange sans date. L'outil a même signé de mon prénom, qu'il avait pioché dans la mémoire du compte.

Après. Le même besoin avec les cinq ingrédients, le mail du client collé, et une consigne de plus : « N'invente aucune information absente : laisse des crochets là où une information manque. » La réponse reprend les faits (le rendez-vous manqué, l'échéance du vendredi), propose une intervention avant jeudi midi et laisse « [date et créneau horaire à confirmer] » là où il fallait une décision humaine.

Le second se relit, se complète et part. Le premier se réécrit.

Trois méthodes, du plus simple au plus fin

• Zero-shot : on demande sans exemple. Suffisant pour les tâches simples et courantes : « Résume ce compte rendu en cinq points. »
• Few-shot : on montre deux ou trois exemples du résultat attendu. Indispensable pour imposer un style, un format ou une classification.
• Itératif : on améliore par retours précis. C'est la méthode qui sert toujours, en complément des deux autres.

Pour itérer, six relances couvrent la plupart des cas : « Compare ces deux versions », « Développe le point 2 avec un exemple de mon secteur », « Qu'est-ce qui manque pour qu'un client l'accepte ? », « Liste ce qui n'est pas dans mes données », « Explique-le à un nouveau collègue », « Réponds comme le client qui va lire ce mail ».

Ce que la recherche dit, et ce qu'elle dément

Beaucoup de conseils circulent sur le prompting. Quelques études permettent de trier.

• La longueur compte. Selon Google, les prompts qui réussissent le mieux font en moyenne 21 mots, quand les premiers essais spontanés en font moins de neuf.
• Le format compte. Retirer les consignes de format dégrade les résultats, selon le premier rapport des Wharton Generative AI Labs (mars 2025).
• La politesse ne change rien en moyenne, mais elle peut faire varier le résultat d'une même question de 60 points dans un sens comme dans l'autre. Ce n'est pas une recette.
• Promettre un pourboire ou menacer le modèle n'a pas d'effet significatif sur la qualité (troisième rapport, août 2025).
• « Réfléchis étape par étape » aide les modèles classiques, mais apporte peu aux modèles de raisonnement, pour un temps de réponse nettement plus long (deuxième rapport, juin 2025).
• Un seul essai ne prouve rien. La même question posée cent fois donne des résultats très inégaux. Un prompt se juge sur plusieurs essais.

Prompter un modèle de raisonnement

Les modèles de raisonnement organisent eux-mêmes leurs étapes. Leur dicter la méthode devient superflu, parfois contre-productif. Ce qui fonctionne : décrire le but, donner les critères d'une bonne réponse, fournir les documents et demander à la fin les hypothèses retenues.

Exemple : « Objectif : choisir entre deux devis de maintenance pour 40 postes. Critères : coût sur trois ans, délai d'intervention, pénalités. Donne ta recommandation, les hypothèses retenues et ce que je dois vérifier. »

Donner du contexte plutôt que de le réécrire

Les éditeurs parlent désormais d'ingénierie du contexte : donner au modèle le plus petit ensemble d'informations vraiment utiles, comme le formule Anthropic. Concrètement, trois leviers.

• Joindre la source. « Réponds uniquement à partir du document joint. Cite la page pour chaque affirmation. Si l'information n'y est pas, écris : absent du document. »
• Ranger le contexte stable dans des instructions permanentes, un projet (ChatGPT, Claude) ou un Gem (Gemini) : qui vous êtes, votre entreprise, vos règles de ton. Chaque prompt ne porte plus que l'objectif, le format et les exemples propres à la tâche.
• Protéger les données. Un document joint suit les mêmes règles qu'un prompt : outil validé par l'entreprise, données anonymisées.

Vérifier avant d'utiliser

Un prompt ne se juge pas à l'impression que donne la réponse, mais au temps qu'il fait gagner une fois la réponse vérifiée. Sept questions suffisent : la réponse respecte-t-elle la demande ? Chaque fait se vérifie-t-il ? Rien d'important n'est-il oublié ? Le format et le ton conviennent-ils ? Est-elle utilisable sans retouche lourde ? Les sources existent-elles et disent-elles bien cela ? Relancé, le prompt donne-t-il la même qualité ?

Les signaux d'alerte sont connus : un chiffre trop précis sans source, une référence introuvable, la même assurance sur le vrai et sur le faux. Et un risque plus récent : une page ou un document peut cacher des instructions destinées à l'IA, ce que l'ANSSI appelle l'injection de prompt.

Les erreurs les plus fréquentes

Erreur	Correction
Une demande en trois mots, sans contexte	Donner la situation et les données utiles
Plusieurs demandes dans un même prompt	Une tâche par prompt, ou une chaîne d'étapes
« Pas trop long »	« 120 mots maximum, en trois paragraphes »
Accepter la première réponse	Itérer avec un retour précis
Demander un fait sans source	Fournir le document, ou exiger les sources et les ouvrir

Pour aller plus loin

• Formation IA en entreprise : une journée pour installer ces réflexes sur les tâches de votre équipe.
• Former ses équipes au prompt engineering : ce qui se transmet en une journée, et le dispositif qui tient à trente jours.
• Générateur de charte IA : poser les règles d'usage de votre équipe en quelques minutes.
• L'ipromptisme : le risque de déléguer sa pensée à l'IA sans savoir la questionner.