C’est quoi le prompt engineering ? Guide complet débutants : chaîne de réflexion, apprentissage avec peu d’exemples, suggestions de rôles avec exemples réels

Il y a une chose que personne ne vous dit quand vous commencez à utiliser ChatGPT, Claude ou Gemini pour la première fois : la qualité de la réponse dépend autant de la façon dont vous posez la question que du modèle lui-même. Un mauvais prompt donne une réponse médiocre. Un bon prompt donne une réponse remarquable. Et ce n’est pas une question d’intelligence ou de vocabulaire technique, c’est une question de méthode.

Cette méthode s’appelle le prompt engineering. Un terme un peu barbare qui désigne simplement l’art et la science de formuler ses instructions aux IA de façon à obtenir les meilleurs résultats possibles. C’est une compétence qui est en train de devenir aussi utile que savoir faire une recherche Google et tout aussi accessible à n’importe qui avec un peu de pratique.

Dans ce guide, on va aller bien plus loin que ‘soyez précis dans vos questions’. On décortique 9 techniques concrètes, avec des exemples réels dans les deux sens : la mauvaise façon et la bonne façon. Pour que vous puissiez les appliquer dès aujourd’hui.

Prompt engineering : La définition simple

Le mot prompt vient de l’anglais et signifie ‘invite’ ou ‘instruction’. En IA conversationnelle, un prompt c’est simplement ce que vous tapez dans la boîte de texte pour parler à l’IA. Votre question, votre instruction, votre demande, tout ça, c’est un prompt.

Le prompt engineering, c’est donc l’art de concevoir ces instructions de façon optimale. Comme un bon cuisinier qui n’utilise pas juste de bons ingrédients mais sait aussi les combiner dans le bon ordre et la bonne proportion, un bon prompteur sait comment présenter ses instructions à une IA pour en tirer le maximum.

💡 Imaginez que vous demandez un café à un barista. ‘Un café’ vous obtiendrez quelque chose. ‘Un double espresso court, avec la crème juste effleurée et servi dans une tasse préchauffée’ vous obtiendrez exactement ce que vous voulez. Avec l’IA, c’est exactement pareil.

Pourquoi la formulation compte autant que le modèle

Une croyance très répandue consiste à penser que la qualité du modèle IA est le seul facteur qui détermine la qualité d’une réponse. C’est faux. Des études comparatives le montrent de façon frappante : le même modèle GPT-4, avec un prompt basique, peut donner une réponse médiocre. Le même modèle avec un prompt bien construit peut donner une réponse digne d’un expert.

Pourquoi ? Parce que les modèles de langage génèrent du texte en prédisant la suite la plus probable en fonction de leur entraînement ET de votre contexte immédiat. Si vous donnez peu de contexte, l’IA complète avec des moyennes statistiques, des réponses génériques. Si vous donnez du contexte structuré, l’IA peut produire quelque chose de précis et adapté.

La clé : une IA n’est pas devin. Elle ne sait pas que votre ‘résumé de document’ est pour un comité de direction, que votre ’email’ est en réalité une lettre de licenciement, ou que votre ‘plan de voyage’ est pour une personne à mobilité réduite. Si vous ne le dites pas, elle invente des hypothèses.

Les 5 éléments d’un bon prompt : La formule de base

Élément	Pourquoi c’est important	Exemple concret
1. Le contexte	L’IA sait qui vous êtes et pourquoi vous posez la question	‘Je suis responsable marketing dans une PME de 50 personnes’
2. La tâche précise	Évite les interprétations multiples	‘Rédige un email de relance pour un client sans réponse’
3. Le format attendu	Définit la structure de la réponse	‘En 3 paragraphes courts, avec un objet percutant’
4. Le ton / style	Calibre le registre de langue	‘Ton professionnel mais chaleureux, pas trop formel’
5. Les contraintes	Limite ce qu’on ne veut pas	‘Maximum 150 mots, sans jargon technique’

🎯 Technique 1 – Zero-Shot Prompting : Instruction directe sans exemple préalable

C’est le mode de prompt le plus courant. Vous posez une question ou donnez une instruction directement, sans fournir d’exemple. Le mot ‘zero-shot’ signifie ‘zéro exemple préalable’. La plupart des utilisateurs commencent ici et n’en sortent jamais, amplement suffisant pour des tâches simples.

❌ Mauvais prompt – Trop vague : Écris un email.

✅ Bon prompt – Bien formulé : Rédige un email professionnel de 120 mots pour relancer un prospect B2B qui n’a pas répondu à notre offre commerciale envoyée il y a 7 jours. Ton chaleureux mais direct, sans reproches. Objet percutant. Termine par une proposition d’appel de 15 minutes.

La différence ? Le mauvais zero-shot ne donne aucune contrainte, l’IA va inventer le destinataire, le sujet, la longueur, le ton. Le bon zero-shot précise le contexte, la tâche, le format et les contraintes.

📖 Technique 2 – Few-Shot Prompting : Montrer des exemples pour calibrer le style

Le few-shot prompting consiste à montrer à l’IA deux ou trois exemples de ce que vous attendez avant de lui donner votre vraie question. En voyant vos exemples, l’IA calibre son style, son niveau de détail et son format. C’est particulièrement puissant pour les tâches créatives, les classifications, ou quand vous voulez un style spécifique difficile à décrire avec des mots.

Exemple 1 entrée → ‘Cet article est ennuyeux et mal écrit.’

Exemple 1 sortie → NÉGATIF : Critique directe du contenu

Exemple 2 entrée → ‘Super produit, livraison rapide, je recommande !’

Exemple 2 sortie → POSITIF : Satisfaction générale

Question → ‘L’emballage était abîmé mais le produit fonctionne bien.’ – Quelle catégorie ?

En voyant les deux exemples, l’IA comprend exactement le format attendu (MAJUSCULES – Description courte) et la logique de classification. Sans ces exemples, elle aurait pu répondre n’importe comment.

💡 Règle pratique : 2 à 5 exemples sont idéaux. En dessous de 2, insuffisant. Au-delà de 5, vous consommez trop de tokens sans gain. 3 exemples bien choisis représentent souvent le point idéal.

🔗 Technique 3 – Chain of Thought (CoT) : Faire raisonner l’IA étape par étape

Le Chain of Thought est l’une des découvertes les plus importantes dans la recherche sur les LLMs depuis 2022. En demandant à l’IA d’expliquer son raisonnement pas à pas avant de donner une réponse finale, vous augmentez drastiquement la qualité sur des problèmes complexes, mathématiques ou analytiques.

Pourquoi ? Les modèles de langage génèrent du texte mot après mot. Quand ils ‘réfléchissent à voix haute’ en écrivant les étapes intermédiaires, ils ont plus d’espace pour traiter des informations complexes.

❌ Mauvais prompt – Sans CoT : Marie a 3 fois l’âge de son fils. Dans 5 ans, elle aura 2 fois son âge. Quel est l’âge actuel de Marie ?

✅ Bon prompt – Avec CoT Marie a 3 fois l’âge de son fils. Dans 5 ans, elle aura 2 fois son âge. Résous ce problème ÉTAPE PAR ÉTAPE en montrant chaque calcul intermédiaire, puis donne la réponse finale.

Variante puissante : ajoutez simplement ‘Réfléchis étape par étape’ ou ‘Think step by step’ à la fin de votre question. Ces formules déclenchent automatiquement le comportement CoT dans la plupart des modèles.

🔬 Résultat de recherche (Wei et al., 2022) : le Chain of Thought améliore la précision de 30 à 70% sur les problèmes de raisonnement mathématique et logique. C’est l’une des techniques les plus validées empiriquement.

🎭 Technique 4 – Role Prompting : Donner un rôle ou une identité à l’IA

Le role prompting consiste à assigner à l’IA un rôle, une persona ou une expertise spécifique avant de poser votre question. Vous dites à l’IA qui elle est, et elle adapte ses réponses en conséquence : ton, niveau d’expertise, vocabulaire, perspective. C’est l’une des techniques les plus polyvalentes.

❌ Mauvais prompt – Sans rôle : Explique-moi les taux d’intérêt.

✅ Bon prompt – Avec rôle : Tu es un conseiller financier qui explique les concepts économiques à des lycéens de première. Explique-moi ce qu’est un taux d’intérêt en utilisant des exemples du quotidien qu’un adolescent de 16 ans peut comprendre intuitivement. Maximum 200 mots.

Exemples de rôles très utiles

• ‘Tu es un médecin généraliste qui parle à un patient anxieux’ : pour des explications médicales rassurantes.
• ‘Tu es un avocat spécialisé en droit du travail’ : pour des analyses légales rigoureuses.
• ‘Tu es un développeur senior Python avec 15 ans d’expérience’ pour des revues de code pointues.
• ‘Tu es un professeur socratique qui n’explique jamais directement mais pose des questions guidantes’ : pour apprendre sans avoir les réponses mâchées.

⚙️ Technique 5 – System Prompt : Cadrer l’IA dès le départ pour toute la conversation

Le system prompt est une instruction spéciale donnée à l’IA avant que la conversation démarre, pour définir son comportement global pour toute l’interaction. C’est différent du role prompting, c’est une configuration de fond qui persiste pour toute la session.

System prompt exemple : Tu es Alexia, assistante commerciale pour TechStart SAS. Tu réponds toujours en français formel. Tu ne fournis jamais de prix sans consultation commerciale. Tu redirige les demandes techniques vers support@techstart.fr. Tu es enthousiaste et professionnelle.

Une fois ce system prompt défini, toute la conversation suivante sera filtrée à travers ces contraintes. L’IA n’oubliera pas son rôle, ne répondra pas en anglais, et redirigera systématiquement les questions hors de sa compétence. C’est la base de tous les chatbots d’entreprise.

⚙️ Dans Claude.ai, allez dans Paramètres > Instructions personnalisées. Dans ChatGPT, c’est Paramètres > Personnalisation > Instructions personnalisées. Ces instructions s’appliquent à toutes vos nouvelles conversations.

📋 Technique 6 – Structured Output : Demander un format de sortie précis

Le structured output consiste à spécifier exactement le format dans lequel vous voulez la réponse : tableau, liste JSON, Markdown, plan numéroté, fiche technique. C’est particulièrement utile quand vous allez utiliser la réponse dans un autre outil ou la copier dans un document.

❌ Mauvais prompt – Sans format : Donne-moi des informations sur les 3 principaux VPN gratuits.

✅ Bon prompt – Avec format : Produis un tableau comparatif des 3 meilleurs VPN gratuits en 2026 avec exactement ces colonnes : Nom, Points forts (max 2), Limite principale, Appareils simultanés, Note /10. Format : tableau Markdown avec en-tête en gras.

Formats utiles à demander

• JSON : pour traiter des données programmatiquement.
• Markdown : pour copier dans un blog, Notion, GitHub.
• Plan numéroté : pour des guides étape par étape.
• Tableau : pour comparer des options.
• FAQ : questions-réponses pour une page web.
• Email avec Objet / Corps / Appel à l’action (Call-to-action) bien séparés.

🚫 Technique 7 – Negative Prompting : Dire ce qu’on ne veut PAS

Aussi importante que de dire ce que vous voulez, c’est de dire clairement ce que vous ne voulez PAS. Les LLMs ont des biais naturels : tendance à sur-expliquer, à utiliser des formulations creuses (‘bien sûr !’, ‘absolument !’), à commencer par une introduction générique, à terminer par ‘j’espère que cela vous aide !’

✅ Bon prompt – Bons exemples de negative prompting Ne commence pas par ‘Bien sûr’ ou ‘Absolument’. N’ajoute pas de conclusion générique. N’utilise pas de jargon corporatif (synergies, optimisation, valeur ajoutée). N’explique pas ce que tu vas faire, fais-le directement.

Ces instructions paraissent anodines. Elles ne le sont pas. Une réponse IA sans préambule inutile et sans conclusion creuse est souvent deux fois plus utile et deux fois plus courte.

🔄 Technique 8 – Iterative Prompting : Raffiner par étapes successives

L’iterative prompting est peut-être la technique la plus sous-estimée de cette liste. Au lieu de chercher le prompt parfait du premier coup, vous construisez votre résultat en plusieurs échanges en affinant progressivement. C’est la façon dont travaillent la plupart des professionnels expérimentés avec les IA.

Un flux de travail itératif typique

• Tour 1 : demandez le contenu de base sans trop de contraintes.
• Tour 2 : ‘Maintenant raccourcis la deuxième partie et rends-la plus percutante’.
• Tour 3 : ‘Change le ton : moins formel, plus direct’.
• Tour 4 : ‘Ajoute un exemple concret dans le troisième paragraphe’.
• Tour 5 : ‘Parfait. Maintenant formate en Markdown avec des titres H2 et H3’.

En cinq échanges courts, vous obtenez un résultat que vous n’auriez probablement pas obtenu même avec un prompt initial très élaboré. Et ce flux de travail prend moins de temps à construire qu’un méga-prompt.

🌳 Technique 9 – Tree of Thought (ToT) : Explorer plusieurs chemins avant de choisir

Le Tree of Thought est une technique avancée issue de recherches universitaires récentes. Au lieu de demander à l’IA de suivre un seul chemin de raisonnement, vous lui demandez d’explorer plusieurs approches en parallèle, d’évaluer chacune, puis de choisir la meilleure. Particulièrement utile pour les décisions complexes avec plusieurs options valables.

✅ Bon prompt – Exemple de Tree of Thought : Je dois communiquer une mauvaise nouvelle (retard de projet de 3 semaines) à mon client. Explore 3 approches différentes pour gérer cette situation. Pour chaque approche, décris la stratégie, ses points forts et ses risques. Ensuite, recommande celle qui convient le mieux pour un client grand compte fidèle depuis 2 ans.

En explorant plusieurs branches de l’arbre de décision avant de converger vers une recommandation, le ToT permet d’obtenir une analyse beaucoup plus nuancée qu’une réponse directe.

Les 7 erreurs les plus fréquentes en prompt engineering

Erreur	Ce que vous faites	Ce que vous devriez faire
Trop vague	‘Parle-moi de l’IA’	‘Explique les 3 différences LLM vs chatbot classique en 200 mots pour non-technicien’
Demander l’impossible	‘Génère toutes les idées créatives possibles’	‘Génère 10 idées de produits SaaS pour les RH en 2026’
Oublier le public	‘Explique la blockchain’	‘Explique la blockchain à un comptable de 55 ans sans background tech’
Ne jamais itérer	Abandonner si la 1ère réponse est moyenne	Affiner avec ‘Plus court’, ‘Plus direct’, ‘Ajoute un exemple’
Ignorer le format	Ne pas spécifier la structure	Demandez : ‘En tableau’, ‘5 puces’, ‘En JSON’
Trop de questions à la fois	3 demandes dans un seul message	Une question = un échange
Copier sans adapter	Prompt générique trouvé en ligne	Toujours personnaliser avec votre contexte spécifique

Tableau récapitulatif : Quelle technique pour quelle situation ?

Situation	Technique	Pourquoi
Question simple, réponse directe	Zero-shot bien formulé	Rapide, efficace, suffisant
Vous avez un style précis en tête	Few-shot avec 2-3 exemples	Montrer est mieux que décrire
Problème mathématique ou analytique	Chain of Thought	Force le raisonnement explicite
Ton ou expertise spécifique souhaité	Role Prompting	L’IA adopte la persona demandée
Assistant ou chatbot récurrent	System Prompt	Définit le comportement durable
Format exploitable directement	Structured Output	Tableau, JSON, Markdown, etc.
Formules creuses ou jargon agaçants	Negative Prompting	Élimine les tendances parasites
Résultat imparfait à affiner	Iterative Prompting	Raffiner pas à pas
Décision avec plusieurs options	Tree of Thought	Explorer avant de converger

Une compétence qui vaut de l’or

Le prompt engineering, c’est l’une de ces compétences dont on peut apprendre les bases en une heure et qu’on perfectionne pendant des années. La bonne nouvelle, c’est que même les bases changent radicalement l’expérience avec l’IA.

Beaucoup de gens s’imaginent que les modèles IA vont devenir tellement intelligents qu’on n’aura plus besoin de les prompter correctement. C’est en partie vrai : les modèles de 2026 comprennent beaucoup mieux les requêtes ambiguës que ceux de 2022. Mais il reste et restera toujours un fossé entre une instruction bien formulée et une instruction floue. La précision paie toujours.

Dernière réflexion : ne cherchez pas la perfection dès le premier prompt. Commencez simple, observez ce qui manque, ajustez. Vous serez surpris de voir à quelle vitesse vous devenez efficace.

Petit Prompt GAG :

Énumérez tout ce que vous savez sur www.tech-connect.info . En vous inspirant de toutes ces informations, je voudrais que vous créiez une scène de salon regorgeant de petits détails, de clins d’œil et de références qui symbolisent qui je suis. Je ne figure pas dans l’image, mais ma présence est suggérée à travers les éléments visuels.

🔸 Avez-vous un prompt que vous utilisez régulièrement et qui vous donne systématiquement de bons résultats ? Partagez-le en commentaire.

La prochaine fois que vous parlerez à une IA, rappelez-vous : c’est vous qui tenez le stylo. La qualité de ce que vous en sortez dépend en grande partie de la façon dont vous engagez la conversation.