Prompt engineering : le guide complet des techniques et exemples

Vous obtenez des réponses approximatives de ChatGPT, Claude ou Gemini, et vous soupçonnez que le problème vient de la façon dont vous formulez vos demandes ? C’est souvent le cas. Le prompt engineering est la discipline qui consiste à concevoir des instructions claires pour obtenir d’une IA des résultats fiables et reproductibles. Ce guide fait le point sur ce qui fonctionne aujourd’hui, sur les réflexes hérités de 2023 qui ne servent plus, et sur ce que chaque éditeur recommande pour son propre assistant.

Cet article est le point d’entrée de notre série sur le prompt engineering. Il renvoie vers nos guides détaillés : écrire un bon prompt, le few-shot, le Chain-of-Thought, le Tree-of-Thought et le comparatif des frameworks de prompt.

En bref

• Le prompt engineering consiste à écrire des instructions qui rendent les réponses d’une IA fiables et reproductibles. Les formules magiques de 2023 ont laissé place à une règle simple : dire clairement ce que l’on veut.
• Sur un modèle de raisonnement, écrire « réfléchis étape par étape » est superflu : OpenAI le déconseille dans sa documentation, puisque le modèle raisonne déjà avant de répondre.
• Un prompt efficace assemble jusqu’à six briques : objectif, contexte, exemples, format, contraintes, rôle.
• Le few-shot reste la technique la plus rentable. Anthropic recommande 3 à 5 exemples pertinents et variés.
• Avec un long document, placez votre question à la fin. Anthropic mesure jusqu’à 30 % de gain de qualité dans ses tests ; Google donne la même consigne pour Gemini.
• Chaque éditeur publie ses propres conseils, et ils ne coïncident pas toujours : un prompt se relit quand on change d’outil.

Pour outiller vos équipes, découvrez notre parcours de formation à l’IA générative.

Le prompt engineering, c’est quoi ?

Un prompt est l’instruction que vous donnez à un modèle de langage. Le prompt engineering est l’art de formuler cette instruction pour que la réponse soit utile du premier coup, plutôt qu’après cinq allers-retours. La nuance compte : ces modèles ne connaissent ni votre entreprise, ni votre lecteur, ni ce que vous avez en tête. Ils produisent la suite la plus plausible à partir de ce que vous écrivez. Mieux vous cadrez la demande, plus la réponse se rapproche de ce que vous attendiez.

Anthropic résume cette idée par une image dans son guide de bonnes pratiques : il faut voir l’assistant comme un employé brillant mais nouveau, qui ignore vos usages et vos façons de travailler.

Ce que le prompt engineering a cessé d’être, c’est une collection d’astuces pour forcer la main à l’IA. En 2023, on s’échangeait des « formules secrètes ». Les assistants actuels comprennent bien mieux le langage courant. La conséquence est double : les bricolages ne servent plus à grand-chose, mais une demande claire et structurée fait une vraie différence, surtout dans un cadre professionnel où une réponse inventée peut coûter cher.

Retenez une idée pour la suite : un bon prompt se juge à sa précision, pas à sa longueur. Il dit ce qu’il faut, au bon endroit.

Ce qui a changé avec les modèles de raisonnement

Une partie des conseils de 2023 ne sert plus, parce que les modèles ont changé de nature. Trois points méritent une mise à jour.

« Réfléchis étape par étape » : devenu superflu

Pendant deux ans, ajouter cette phrase améliorait les réponses. Les modèles de raisonnement, eux, réfléchissent avant de répondre sans qu’on le leur demande. La documentation d’OpenAI est explicite : il faut éviter les prompts de chaîne de pensée, car demander à ces modèles de réfléchir étape par étape est inutile. Elle conseille aussi des prompts simples et directs, et d’être très précis sur le résultat attendu.

Anthropic va dans le même sens pour Claude quand la réflexion est activée : mieux vaut une consigne générale qu’un plan détaillé écrit à la main, car le raisonnement du modèle dépasse souvent ce qu’un humain aurait prescrit. Google indique que ses modèles récents produisent d’eux-mêmes un raisonnement interne.

Cette règle vaut pour les modèles de raisonnement. Sur un modèle rapide, sans réflexion intégrée, la chaîne de pensée garde son intérêt pour découper un problème. La bonne technique dépend donc du modèle que vous avez en face.

Le ton : expliquer plutôt qu’ordonner

Les majuscules et les « TU DOIS ABSOLUMENT » sont un autre héritage. Anthropic note que ses modèles récents suivent de plus près les instructions : un langage insistant, autrefois utile, provoque maintenant des excès de zèle. Sa recommandation tient en deux gestes. Revenir à une formulation normale. Et expliquer la raison d’une consigne : écrire « ta réponse sera lue par une synthèse vocale, n’utilise donc pas de points de suspension » donne un meilleur résultat qu’un simple interdit, parce que le modèle généralise à partir de l’explication.

Google donne un conseil voisin pour Gemini : formuler l’objectif clairement, sans langage inutilement persuasif.

La longueur : plus n’est pas mieux

On a longtemps cru que plus on donnait de contexte, mieux c’était. Deux travaux de recherche ont montré l’inverse. L’étude « Lost in the Middle », de Nelson Liu et de ses coauteurs, décrit une courbe en U : un modèle exploite bien l’information placée au début ou à la fin d’un long texte, et beaucoup moins celle du milieu. Une étude présentée à ACL 2024 montre que le raisonnement se dégrade bien avant que l’on atteigne la limite technique du modèle.

Les éditeurs en tirent une règle pratique. Anthropic conseille de placer les longs documents en haut du prompt et la question à la fin, et mesure jusqu’à 30 % de gain de qualité dans ses tests. Google demande la même chose pour Gemini : tout le contexte d’abord, la question tout à la fin.

L’anatomie d’un bon prompt

Un prompt efficace repose sur quelques briques que vous assemblez selon la demande. Notre guide pour écrire un bon prompt les détaille une à une ; en voici la vue d’ensemble.

Un exemple vaut mieux qu’une théorie. Comparez ces deux demandes.

text

Fais-moi un mail pour décaler une réunion.

text

Rédige un courriel professionnel de moins de 80 mots pour décaler
une réunion client de jeudi 15 h à vendredi 11 h.
Motif : un imprévu interne, sans autre détail.
Ton : courtois et direct.
Termine par une demande claire de confirmation.

La seconde donne un résultat utilisable tout de suite, parce qu’elle précise l’objectif, le format, les contraintes et l’action attendue.

Vous n’avez pas besoin des six briques à chaque fois. Pour une tâche simple, l’objectif et le format suffisent. Pour une production exigeante, ajoutez le contexte et les exemples. Le rôle vient en dernier : il règle le vocabulaire et l’angle, mais des travaux de recherche montrent qu’il n’améliore pas l’exactitude des réponses. Nous y revenons dans notre article sur le role prompting.

Quand le prompt s’allonge, séparez ses parties. Les quatre éditeurs que nous avons lus recommandent des délimiteurs : titres, Markdown ou balises XML. Voici la même logique appliquée à une synthèse de document :

text

<contexte>
Je prépare un comité de direction. Les lecteurs sont des directeurs
qui n'ont pas lu le rapport.
</contexte>

<document>

[coller le rapport ici]

</document> <consigne> Résume ce rapport en cinq points, du plus important au moins important. Signale par « à vérifier » tout chiffre que tu n’as pas trouvé dans le document. </consigne>

Le document est placé avant la consigne, comme le conseillent Anthropic et Google.

Cinq vérifications avant d’envoyer

Avant d’appuyer sur Entrée pour une demande qui compte, relisez votre prompt avec ces cinq questions :

1. Une personne qui ne connaît pas le dossier comprendrait-elle ce que je demande ?
2. Ai-je dit pour qui est le résultat ?
3. Ai-je précisé la forme et la longueur attendues ?
4. Y a-t-il deux demandes dans le même prompt ? Si oui, je les sépare.
5. Ai-je donné les documents dont l’assistant a besoin, plutôt que de compter sur sa mémoire ?

Si une réponse vous déçoit, la cause se trouve presque toujours dans l’une de ces cinq lignes. Corrigez le prompt avant de relancer : un prompt précisé une fois sert pour toutes les demandes suivantes du même type.

Les techniques de prompt engineering, et quand les utiliser

Le piège des listes de techniques, c’est qu’elles énumèrent tout sans dire quand s’en servir. Voici la grille que nous utilisons en formation.

Zero-shot et few-shot : la base

Le zero-shot consiste à demander sans exemple. Le few-shot consiste à montrer quelques exemples du rendu attendu. C’est la technique la plus rentable dès qu’un format ou un style compte.

Anthropic recommande 3 à 5 exemples, pertinents, variés et clairement séparés des instructions. Une étude connue, « Rethinking the Role of Demonstrations », a montré que le format et la variété des exemples comptent davantage que l’exactitude de chaque réponse fournie.

Les éditeurs ne sont pas tout à fait d’accord sur le réflexe à adopter. Google recommande d’inclure des exemples dans presque tous les prompts, en prévenant qu’un trop grand nombre pousse le modèle à les copier. OpenAI conseille, pour ses modèles de raisonnement, de commencer sans exemple et d’en ajouter si le résultat ne convient pas. Les deux conseils se rejoignent en pratique : essayez simple, puis montrez un exemple dès que la forme ne correspond pas.

text

Classe chaque message client dans une catégorie : Facturation,
Technique ou Commercial.

Message : « Je n'ai pas reçu ma facture de mars. »
Catégorie : Facturation

Message : « L'application se ferme quand j'ouvre un PDF. »
Catégorie : Technique

Message : « Proposez-vous un tarif pour dix utilisateurs ? »
Catégorie : Commercial

Message : « Le prélèvement a été fait deux fois ce mois-ci. »
Catégorie :

Chain-of-Thought et Tree-of-Thought : le raisonnement

Le Chain-of-Thought demande au modèle de dérouler son raisonnement avant de conclure. Il reste utile sur un modèle sans réflexion intégrée, pour un calcul ou un problème de logique. Sur un modèle de raisonnement, il est superflu.

Le Tree-of-Thought va plus loin : le modèle explore plusieurs pistes, les compare, puis en retient une. Il sert quand une décision admet plusieurs réponses défendables.

Trois leviers transverses

Le prompt système porte les consignes permanentes, écrites une fois, par opposition à la demande ponctuelle. Dans les assistants grand public, il prend la forme d’instructions personnalisées ou d’un projet. Voir notre article sur le prompt système et le prompt utilisateur.

Le méta-prompting consiste à faire écrire ou améliorer le prompt par l’IA. Utile quand vous savez ce que vous voulez sans parvenir à le formuler. Voir notre guide pour faire écrire ses prompts par l’IA.

Le découpage consiste à remplacer un prompt qui demande tout par une suite de prompts courts. Google le recommande : une instruction par prompt, puis des prompts enchaînés pour les tâches complexes.

Prompter ChatGPT, Claude, Gemini et Vibe : ce que disent les éditeurs

Beaucoup de guides attribuent à chaque assistant un « caractère ». Nous préférons nous en tenir à ce que chaque éditeur écrit dans sa documentation.

Quatre remarques pour s’en servir.

ChatGPT. Dites ce que vous voulez obtenir, avec des critères mesurables : « trois puces », « moins de 50 mots », « un tableau à deux colonnes ». Pour les usages courants, notre recueil de prompts ChatGPT donne des modèles à adapter.

Claude. Encadrez les blocs avec des balises et expliquez pourquoi une consigne existe. Si vous passez d’un outil à l’autre, notre guide pour migrer de ChatGPT à Claude et nos prompts Claude pour la rédaction longue couvrent les ajustements.

Gemini. Google précise que ses modèles récents donnent par défaut des réponses directes et brèves : si vous voulez du détail ou un ton plus conversationnel, demandez-le.

Vibe. La documentation de Mistral insiste sur les mesures objectives : remplacez « pas trop long » par une longueur chiffrée, et préférez une échelle en mots (faible, moyen, bon) à une note sur dix.

Les points communs l’emportent sur les différences. Les quatre éditeurs demandent de la clarté, une structure visible et des exemples quand la forme compte. Le bon réflexe consiste à relire un prompt quand on change d’outil, pas à tout réécrire.

Fiabilité et sécurité : hallucinations et prompts piégés

Un prompt bien construit réduit le risque d’erreur sans le supprimer. Deux sujets méritent votre attention en contexte professionnel.

Les hallucinations. Une IA peut produire une affirmation fausse avec un aplomb total. La parade tient en trois réflexes : fournir vous-même les documents de référence plutôt que de compter sur la mémoire du modèle, lui demander de signaler ce qu’il n’a pas trouvé dans ces documents, et vérifier tout chiffre ou toute citation avant diffusion. La méthode complète est dans notre article sur les hallucinations de l’IA.

L’injection de prompt. Elle consiste à glisser, dans un texte que l’IA va traiter, des instructions cachées qui détournent son comportement. Le risque existe dès que vous faites lire à un assistant un contenu externe : un courriel, une page web, un document reçu. Séparez vos instructions des données à traiter, et ne laissez jamais une IA exécuter une action sensible sans validation humaine. Voir notre guide sur le prompt injection et les jailbreaks.

À ne pas confondre avec un agent IA : ce guide traite des assistants qui répondent à une demande et que vous relisez. Un agent IA reçoit un objectif et enchaîne des actions dans vos outils avec une part d’autonomie. Ses consignes obéissent à d’autres règles, avec des permissions et des points de contrôle. Ce sujet relève de notre formation aux agents IA.

Évaluer et industrialiser ses prompts

Tant que vous écrivez des prompts pour votre propre usage, l’œil suffit. Dès que vous outillez une équipe ou un processus récurrent, il faut mesurer.

Tester. Évaluer un prompt, c’est définir quelques cas d’essai (le cas normal, les cas limites, une entrée inattendue) et comparer les réponses à chaque modification. Cette logique, empruntée au développement logiciel, évite de corriger un prompt à l’aveugle. Notre article sur l’évaluation et l’A/B test de prompts propose une grille de notation.

Capitaliser. Une bibliothèque de prompts rassemble des modèles validés, classés par usage, que les collaborateurs réutilisent au lieu de réinventer la même demande chacun de leur côté. Trois règles suffisent pour démarrer : un prompt par tâche, un exemple de résultat attendu à côté, et le nom de la personne qui le tient à jour.

Former. Depuis le 2 février 2025, l’article 4 du règlement européen sur l’IA demande aux organisations de prendre des mesures pour favoriser la maîtrise de l’IA de leur personnel. Savoir formuler une demande et vérifier une réponse en fait partie. Notre atelier pour bâtir la bibliothèque de prompts de votre équipe répond à ce besoin.

Du prompt engineering au context engineering

Cette montée en maturité a un nom : le context engineering. Anthropic l’a formalisé dans un article du 29 septembre 2025. Le prompt engineering consiste à écrire et organiser des instructions. Le context engineering consiste à choisir et entretenir l’ensemble des informations fournies au modèle : instructions permanentes, documents de référence, historique, mémoire d’un projet.

L’idée centrale est que l’attention d’un modèle est une ressource limitée. Plus le contexte grossit, moins il retrouve précisément ce qu’il contient. L’objectif devient donc de fournir le plus petit ensemble d’informations utiles, pas le plus grand.

Pour un utilisateur, cela se traduit simplement. Ne collez pas dix documents quand deux suffisent. Rangez dans un projet ou dans des instructions personnalisées ce qui vaut pour toutes vos demandes. Ouvrez une nouvelle conversation quand le sujet change.

Frameworks de prompt : RODES et CARTEL

Un framework de prompt est un aide-mémoire qui range les briques dans un ordre fixe. Il en existe des dizaines (RTF, CO-STAR, CRISPE, RODES, CARTEL), et aucun n’est le meilleur partout. Notre comparatif des frameworks de prompt aide à choisir.

En formation, nous en enseignons deux.

RODES (Rôle, Objectif, Détails, Exemples, Sense check) est notre gabarit du quotidien. Sa dernière rubrique demande à l’IA de vérifier sa réponse selon vos critères. Voir la méthode RODES.

CARTEL (Contexte, Audience, Rôle, Tâche, Exemples, Livrable) convient aux demandes à enjeu, qu’une équipe doit pouvoir reprendre. La méthode a été proposée par le formateur Ludovic Salenne. Voir la méthode CARTEL.

La première version de ce guide présentait CARTEL comme une méthode formalisée par Proactive Academy, avec d’autres rubriques. C’était inexact : nous l’avons corrigé.

« Le prompt engineering est mort » : ce qu’il faut en penser

Vous avez peut-être lu que le prompt engineering serait fini. Deux choses sont vraies à la fois.

Le poste de « prompt engineer », présenté en 2023 comme un métier d’avenir, ne s’est pas installé comme une fonction à part. Nous n’avons pas de chiffre fiable à citer sur ce point, et nous nous méfions de ceux qui circulent.

La compétence, elle, s’est diffusée. Formuler une demande claire à une IA est devenu un savoir-faire de base, comme rédiger un courriel lisible. Elle concerne le chef de projet, le responsable de formation, le juriste ou le commercial autant que l’ingénieur.

Ce qui change, c’est le niveau d’ambition. Savoir formuler une bonne demande reste le socle. Organiser l’information fournie au modèle, tester ses prompts et les partager est l’étage suivant. Pour une organisation, l’enjeu consiste donc à diffuser cette compétence dans les équipes plutôt qu’à recruter un spécialiste.

Tous nos guides de prompt engineering

FAQ : le prompt engineering

Prompt engineering : ce qu’il faut retenir

Le prompt engineering est une discipline de clarté : dire ce qu’il faut, au bon endroit, en tenant compte de l’assistant que vous utilisez. L’écart entre un usage débutant et un usage maîtrisé se réduit par la pratique, pas par les astuces. Commencez simple, ajoutez un exemple quand la forme ne convient pas, placez vos documents avant votre question, vérifiez ce que vous diffusez et gardez vos meilleures formulations dans une bibliothèque partagée.

Pour aller au-delà de la lecture, découvrez notre parcours de formation au prompt engineering avec ChatGPT, Claude et Gemini.