Zero-shot, one-shot, few-shot : le guide comparatif des 3 régimes de prompting

Quand vous écrivez un prompt à ChatGPT, Claude ou Gemini, vous faites du zero-shot, du one-shot ou du few-shot. Sans le savoir, vous avez probablement utilisé les trois cette semaine. Ces termes ne sont pas du jargon marketing : ils décrivent une distinction scientifique documentée depuis 2020 par l’équipe d’OpenAI qui a publié GPT-3. Ce guide hub compare les trois régimes, leur origine commune, et aiguille vers les ressources approfondies pour chacun.

Cet article est le hub comparatif du cluster prompt engineering. Pour le zero-shot en profondeur (7 patterns + zero-shot CoT), voir notre guide zero-shot prompting complet. Pour le few-shot en profondeur (choix des exemples, ordre, A/B test), voir notre guide few-shot prompting avancé.

En bref
Zero-shot : 0 exemple dans le prompt. C’est ce que vous faites par défaut.
One-shot : 1 exemple dans le prompt avant votre question.
Few-shot : 2 à 8 exemples dans le prompt (plage scientifiquement étudiée).
Origine : Brown et al. 2020 « Language Models are Few-Shot Learners », papier fondateur de GPT-3 (NeurIPS 2020), qui théorise l’In-Context Learning : la capacité des grands modèles à « apprendre » directement depuis des exemples dans le prompt sans mise à jour des poids.
Règle 2026 : commencez toujours en zero-shot. Basculez en one-shot si vous voulez fixer le format. Basculez en few-shot si la sortie n’est pas stable ou si la tâche est structurée (classification, extraction, transformation).
Pour structurer la maîtrise de ces régimes dans vos équipes, découvrez notre formation à la maîtrise du prompt engineering en entreprise.

L’origine scientifique : l’In-Context Learning de Brown 2020

En mai 2020, l’équipe de recherche d’OpenAI publie le papier qui donnera naissance à ChatGPT : « Language Models are Few-Shot Learners » (Brown et al., NeurIPS 2020). Cette publication introduit le concept d’In-Context Learning (ICL) : les grands modèles de langage peuvent apprendre à exécuter une tâche directement à partir d’exemples placés dans le prompt, sans aucune mise à jour des poids du modèle.

C’est une rupture conceptuelle. Avant 2020, adapter un modèle à une tâche nouvelle imposait un fine-tuning : entraîner le modèle sur des milliers d’exemples labellisés, avec des coûts de calcul lourds et une expertise machine learning nécessaire. Brown et al. démontrent qu’avec un modèle assez grand (175 milliards de paramètres pour GPT-3), donner quelques exemples dans le prompt suffit pour atteindre des performances comparables au fine-tuning sur de nombreuses tâches. Sur SuperGLUE, un modèle de 6,7 milliards de paramètres en few-shot dépasse même un modèle de 175 milliards en zero-shot, soit un facteur 26 de gain par rapport au scaling brut du modèle.

Les trois régimes définis par Brown et al. sont devenus le vocabulaire standard du prompt engineering depuis cinq ans.

Les trois régimes en un coup d’œil

Zero-shot : ce que vous faites par défaut

Le zero-shot est la modalité standard quand vous écrivez à une IA : vous formulez une instruction ou une question, sans fournir d’exemple, et l’IA répond à partir de son entraînement général. Cette modalité fonctionne très bien sur les tâches courantes vues massivement pendant l’entraînement : résumer, traduire, expliquer, reformuler, classer dans des catégories évidentes, générer du contenu créatif libre.

Le zero-shot peut être considérablement amélioré par sept patterns (rôle, contexte, contraintes, format, séparateurs, langue, validation) et par le zero-shot CoT (« Let’s think step by step »). Pour le détail complet, voir notre guide zero-shot prompting complet.

One-shot : un exemple peut tout changer

Le one-shot ajoute un seul exemple complet (entrée + sortie attendue) avant votre vraie question. Cette technique apporte un gain disproportionné par rapport à son coût : elle ajoute typiquement 50 à 200 mots à votre prompt, et améliore la qualité de la réponse pour les cas où le format de sortie ou le ton spécifique comptent.

Le one-shot peut être vu comme un cas particulier du few-shot avec k=1. Sa principale limite : avec un seul exemple, le modèle peut sur-apprendre des traits accidentels. Au-delà du format ou du ton, le few-shot avec 3 à 5 exemples est généralement préférable.

Few-shot : la technique avancée pour les tâches structurées

Le few-shot consiste à donner 2 à 8 exemples avant votre vraie question. C’est le régime le plus étudié scientifiquement et le plus efficace pour les tâches structurées (classification, extraction, transformation, formatage). Trois à cinq exemples bien choisis battent souvent des heures de retravail de prompt.

L’art du few-shot tient dans le choix des exemples (diversité, cas frontières, cohérence formelle) et dans leur ordre (le dernier pèse plus). Pour le détail complet, voir notre guide few-shot prompting avancé.

Grille de décision : quel régime pour quel besoin

Type de tâche	Régime recommandé	Pourquoi
Résumé, traduction, reformulation	Zero-shot	Tâches courantes, vues massivement en entraînement
Question factuelle ouverte	Zero-shot	Le modèle a la connaissance, pas besoin d’exemple
Génération créative libre	Zero-shot	Trop d’exemples bride la créativité du modèle
Format de sortie précis	One-shot	Un exemple fixe le format sans surcharger
Ton ou voix de marque	One-shot	Un exemple capture la voix attendue
Classification en N catégories	Few-shot (2 à 6 exemples)	Couvrir au moins une fois chaque catégorie
Extraction d’informations structurées	Few-shot (3 à 5 exemples)	Cas variés pour stabiliser
Transformation de format complexe	Few-shot (3 à 8 exemples)	Couvrir les cas particuliers
Raisonnement multi-étapes	Chain-of-Thought (voir C13-3)	Régime spécifique pour le raisonnement
Raisonnement complexe ou exploratoire	Techniques multi-chain (voir C13-4)	Self-Consistency, Self-Ask, Tree-of-Thoughts

Trois signaux qui indiquent qu’il faut basculer de zero-shot vers few-shot

Signal 1 : la sortie n’est pas stable. Vous exécutez 3 fois le même prompt zero-shot et vous obtenez 3 sorties avec des formats, des structures ou des niveaux de détail différents. Un seul exemple bien choisi (one-shot) suffit souvent à fixer la sortie. Si l’instabilité persiste, passez à 3-5 exemples (few-shot).

Signal 2 : le format de sortie est spécifique. Vous voulez un JSON précis, un tableau avec colonnes nommées, une fiche d’évaluation propre à votre organisation. Un exemple complet transmet plus efficacement le format que toute consigne textuelle, aussi détaillée soit-elle.

Signal 3 : la catégorisation demande un jugement contextualisé. Vous voulez classifier des cas dans des catégories dont la frontière dépend d’éléments implicites que vous avez en tête mais que vous n’arrivez pas à expliciter. Trois à cinq exemples couvrant les principales catégories et au moins un cas frontière débloquent immédiatement la tâche.

Aller plus loin : les guides approfondis du cluster

Pour creuser chaque régime, le cluster prompt engineering propose deux guides spécialisés et deux guides sur les techniques de raisonnement avancées.

Pour le zero-shot en profondeur : notre guide zero-shot prompting complet détaille les sept patterns (rôle, contexte, contraintes, format, séparateurs, langue, validation), le zero-shot CoT de Kojima 2022 et quatre cas d’usage métier.

Pour le few-shot en profondeur : notre guide few-shot prompting avancé détaille les cinq règles de choix des exemples, l’ordre optimal, la méthodologie d’A/B test des prompts, le few-shot CoT et quatre cas d’usage métier.

Pour le raisonnement étape par étape : notre guide Chain-of-Thought (CoT) explique la technique de Wei et al. 2022, ses gains documentés et ses cas d’usage.

Pour les techniques de raisonnement avancées : notre guide Tree-of-Thought, Self-Consistency, Self-Ask couvre les architectures multi-chain post-CoT publiées entre 2022 et 2023.

Ce que cela change pour vos équipes

La maîtrise des trois régimes d’in-context learning est le socle de toute compétence en prompt engineering. Sans cette base, les utilisateurs s’arrêtent à des prompts approximatifs qui produisent des sorties moyennes. Avec cette base, ils savent quand un zero-shot suffit (80 % des cas), quand un one-shot débloque la situation, et quand le few-shot est indispensable.

Chez Proactive Academy, nos parcours de formation IA commencent systématiquement par la maîtrise des trois régimes avant d’introduire le Chain-of-Thought et les techniques avancées. Cette progression respecte le rythme d’apprentissage réel des utilisateurs et installe les bons réflexes dès le départ. Pour structurer cette montée en compétence dans vos équipes, découvrez notre formation pratique au prompt engineering pour les équipes professionnelles.

FAQ : régimes zero-shot, one-shot et few-shot

Comment savoir quel régime utiliser ?

Règle de bouclage rapide : commencez toujours en zero-shot. Si la sortie est satisfaisante, restez en zero-shot. Si elle n’est pas stable sur 3 essais, basculez en one-shot. Si la tâche est structurée (classification, extraction, transformation), passez directement en few-shot avec 3 à 5 exemples.

Le few-shot fonctionne-t-il sur tous les modèles ?

Sur les grands modèles modernes (GPT-4 et au-delà, Claude 3 et au-delà, Gemini 1.5 et au-delà, Mistral Large), le few-shot fonctionne très bien. Sur les petits modèles open source en local (moins de 13 milliards de paramètres), les gains sont plus limités, et le fine-tuning peut être préférable.

Le one-shot est-il vraiment utile ou est-ce juste un cas dégénéré du few-shot ?

Le one-shot est utile dans deux cas précis : quand vous voulez fixer un format de sortie spécifique sans surcharger le prompt, et quand vous voulez transmettre une voix de marque ou un ton précis. Au-delà, le few-shot avec 3 à 5 exemples est généralement préférable pour stabiliser la sortie.

Le few-shot remplace-t-il le fine-tuning ?

Pour 95 % des usages courants en entreprise, oui. Le few-shot coûte zéro euro en entraînement et se met à jour en quelques minutes. Le fine-tuning reste utile pour les cas où la latence, le coût d’inférence en volume cumulé ou la régularité comportementale parfaite sont critiques.

Faut-il maîtriser le Chain-of-Thought avant ces trois régimes ?

Non, c’est l’inverse. Les trois régimes (zero-shot, one-shot, few-shot) sont le socle ; le Chain-of-Thought et les techniques multi-chain sont des spécialisations qui viennent après. Maîtrisez d’abord le socle.

Combien de temps faut-il pour maîtriser ces trois régimes ?

Avec une pratique guidée sur des cas réels, deux à trois jours suffisent pour acquérir une maîtrise opérationnelle. La consolidation par l’usage prend ensuite un à trois mois pour devenir naturelle.

Les trois régimes zero-shot, one-shot et few-shot sont les briques de base de tout usage avancé des IA génératives en 2026. Maîtriser quand basculer de l’un à l’autre change la qualité quotidienne de vos sorties. Pour creuser chaque régime, suivez les guides approfondis liés ci-dessus. Pour structurer la maîtrise du prompt engineering dans vos équipes, découvrez notre formation pratique au prompt engineering pour les équipes professionnelles.