Prompt engineering : 7 techniques qui changent vraiment les résultats d'une IA

Introduction

La même IA peut produire un résultat médiocre ou un résultat brillant selon la manière dont on lui parle. La différence n'est pas magique : elle suit des règles précises, identifiées et documentées par les chercheurs depuis 2022. Ces règles, regroupées sous le terme de "prompt engineering", sont accessibles à n'importe qui sans formation technique.

Cet article présente les 7 techniques qui ont le plus d'impact mesurable en entreprise. Pas de fioritures, pas de mots magiques inventés sur LinkedIn. Des méthodes vérifiées, illustrées d'exemples PME concrets.

1. Le prompt système clair et précis

Avant la question de l'utilisateur, on peut donner au modèle un cadre persistant : son rôle, son ton, ses contraintes, ses interdictions. C'est le prompt système.

Exemple banal : "Tu es un assistant IA.". Exemple efficace : "Tu es un assistant qui aide les commerciaux d'une PME industrielle à rédiger des relances client. Ton ton est professionnel mais chaleureux. Tu vouvoies systématiquement. Tu termines toujours par une question ouverte. Tu n'inventes jamais d'informations sur les clients : si tu ne sais pas quelque chose, tu demandes."

La différence est immédiate. Le modèle adapte automatiquement son style, ses tournures et sa réticence à inventer. Pour beaucoup de cas d'usage en PME, un bon prompt système réduit de 70 % le besoin de retoucher manuellement les réponses.

2. Le few-shot learning : montrer plutôt que dire

Au lieu d'expliquer ce qu'on attend, on montre 2 ou 3 exemples directement dans le prompt. Le modèle déduit le format, le style et le niveau de détail attendus. C'est ce qu'on appelle le few-shot prompting.

Exemple typique pour de l'extraction d'information : on fournit 3 emails clients accompagnés de l'extraction JSON attendue, puis on demande au modèle de traiter un quatrième email selon le même format.

Le few-shot learning est l'une des techniques les plus puissantes pour obtenir des sorties structurées sans fine-tuning. C'est aussi la plus rapide à itérer : 5 minutes pour ajuster les exemples et le résultat change radicalement.

3. La décomposition explicite (chain-of-thought)

Pour des tâches complexes ou de raisonnement, demander au modèle de réfléchir étape par étape avant de conclure améliore drastiquement la qualité. C'est la technique du chain-of-thought.

Mauvais prompt : "Cette commande est-elle rentable ?"

Bon prompt : "Cette commande est-elle rentable ? Réfléchis étape par étape : 1) calcule le coût total des matières premières, 2) ajoute les frais de production estimés, 3) compare au prix de vente, 4) conclus oui ou non avec la marge en pourcentage."

Sur des problèmes de raisonnement, la chain-of-thought améliore typiquement la précision de 15 à 40 %. Et ça aide aussi à détecter les erreurs : quand le raisonnement est explicite, vous pouvez vérifier où le modèle s'est trompé.

4. Le rôle joué (role prompting)

Donner au modèle une persona précise active des connaissances et un style spécifiques. "Tu es un consultant senior en stratégie qui s'adresse à un comex" produira un ton et un niveau d'analyse très différents de "Tu es un assistant qui aide un manager à préparer une réunion". C'est ce qu'on appelle le role prompting.

Le role prompting marche particulièrement bien pour les tâches subjectives (rédaction, conseil, brainstorming). Pour les tâches factuelles, il a moins d'effet et peut même introduire des biais. À utiliser à bon escient.

5. Le format de sortie explicite

Si vous voulez une réponse en JSON, en tableau Markdown, ou en liste numérotée, dites-le clairement et donnez un exemple. Les LLM modernes savent produire à peu près tous les formats, mais il faut leur préciser.

Cette discipline fait gagner énormément de temps en intégration. Au lieu de parser une réponse en texte libre (toujours fragile), vous récupérez directement une structure exploitable par votre code.

6. La technique du step-back

Avant de répondre à une question complexe, on demande au modèle de prendre du recul et d'identifier les principes ou cadres pertinents. Puis seulement on lui pose la vraie question. C'est le step-back prompting.

Exemple : Étape 1 : "Quels sont les 3 grands principes de calcul de la TVA en France ?" Étape 2 (en gardant la réponse en contexte) : "Mon entreprise vend un service à un client allemand. Comment dois-je facturer la TVA ?"

Le step-back améliore les réponses sur les sujets normés (juridique, comptable, technique) parce qu'il force le modèle à activer le bon cadre conceptuel avant d'appliquer.

7. L'auto-vérification (self-consistency)

Pour les questions critiques, on peut demander au modèle de vérifier sa propre réponse avant de la donner via la self-consistency. "Réponds à la question, puis vérifie ta réponse en repassant par les éléments du document. Si tu trouves une incohérence, corrige et explique pourquoi."

Cette technique double le coût en tokens mais réduit significativement les erreurs. Elle est particulièrement utile pour les analyses chiffrées ou les extractions à fort enjeu.

Combiner les techniques pour des cas d'usage avancés

Ces 7 techniques ne sont pas exclusives, elles se combinent. Un assistant performant en PME utilise typiquement un prompt système clair (technique 1), avec 2-3 exemples few-shot pour le format (technique 2), une instruction de raisonnement étape par étape (technique 3) et un format de sortie explicite (technique 5).

Plus une étape de RAG en amont quand c'est pertinent. C'est ce stack standard qui produit les meilleurs résultats sur 80 % des cas d'usage métier.

Les pièges classiques en prompt engineering

Trop de consignes contradictoires. Un prompt système qui demande à la fois "sois bref" et "détaille tes raisonnements" met le modèle en tension et produit du flou.

Des exemples mal choisis. En few-shot, vos exemples enseignent le modèle. Si vos 3 exemples ont un défaut subtil, le modèle reproduira ce défaut sur tous les cas suivants. Choisissez des exemples impeccables.

L'oubli des cas limites. Que doit faire le modèle si l'information n'existe pas ? Si la question est ambiguë ? Si le format demandé n'est pas applicable ? Précisez-le.

La sur-ingénierie. Beaucoup de prompts faits par des consultants débutent par 500 mots de "Tu es un expert mondial reconnu...". C'est inutile et ça consomme du contexte. Le mieux est l'ennemi du bien.

Ce qu'il faut retenir

Le prompt engineering n'est pas un art mystique. C'est un ensemble de techniques précises, mesurables, qui font la différence entre un prototype IA décevant et un assistant professionnel. Les 7 techniques présentées ici couvrent 90 % des cas d'usage en PME.

La vraie clé, c'est l'itération. Un bon prompt n'arrive jamais du premier coup : il se construit en testant, en mesurant, en ajustant. C'est précisément l'objet de nos formations hIAppy Learn. Voir aussi : l'art du prompt.