Prompt engineering : structure, expertise, itération

Qu'est-ce que le prompt engineering ?

Le prompt engineering consiste à concevoir l'instruction donnée à une IA générative pour obtenir une réponse précise, exploitable et alignée avec un objectif. Le terme vient de l'anglais et associe prompt, l'instruction textuelle, et engineering, l'idée d'une construction méthodique plutôt qu'un essai au hasard.

Cette compétence a pris de l'ampleur avec la diffusion des grands modèles de langage. Un modèle comme ceux qui alimentent ChatGPT ou Claude ne devine pas une intention non formulée. Il s'appuie exclusivement sur le texte fourni pour produire sa réponse. Un prompt vague donne une réponse générique. Un prompt structuré donne une réponse ciblée.

Le prompt engineering ne relève pas de la programmation. Il s'agit d'une compétence de formulation et de clarté, proche de celle qu'on mobilise pour rédiger un cahier des charges ou un brief. Elle se développe avec la pratique, et progresse d'autant plus vite qu'on connaît la structure qui la sous-tend.

La structure d'un bon prompt

Un prompt performant combine généralement quatre éléments. Les enchaîner dans cet ordre évite d'oublier une information essentielle.

1. Le contexte. Il situe la demande : qui vous êtes, dans quelle situation, pour quel usage final. Un contexte absent oblige l'IA à deviner, avec le risque de partir sur une hypothèse éloignée du besoin réel.
2. La tâche. Elle formule précisément ce qui est attendu, avec un verbe d'action clair : rédiger, résumer, comparer, corriger, traduire. Une tâche floue comme « aidez-moi sur ce sujet » produit une réponse tout aussi floue.
3. Le format. Il précise la forme du résultat : longueur, structure, ton, présence de titres ou de tableaux. Sans cette précision, l'IA choisit un format par défaut qui correspond rarement à l'usage prévu.
4. Les contraintes. Elles délimitent ce qu'il faut éviter ou respecter : un vocabulaire à ne pas employer, une limite de mots, une source à privilégier, un public à ne pas perdre en route.

Un prompt qui réunit ces quatre éléments réduit fortement le nombre d'allers-retours nécessaires pour obtenir un résultat utilisable.

Un exemple concret : deux prompts, deux résultats

Pour mesurer l'effet de cette structure, comparons deux prompts sur le même sujet.

Le prompt B produit un résultat nettement plus exploitable, pour cinq raisons précises. Un rôle défini garantit un ton crédible et adapté. Un public cible précis, les adultes de plus de 45 ans, oriente le registre et le contenu. Un objectif explicite, sensibiliser aux facteurs de risque, donne une direction claire. Une structure imposée, trois conseils pratiques en conclusion, ajoute une dimension actionnable. Des contraintes de forme, la longueur et le ton, évitent les mauvaises surprises. Le prompt A, à l'inverse, ne fixe aucun de ces repères : sans rôle, sans public et sans objectif, l'IA doit tout deviner, avec un risque élevé de contenu générique et peu engageant.

Donner de l'expertise à l'IA

Attribuer un rôle à l'IA, une pratique souvent appelée role-playing ou persona prompting, oriente le registre et le niveau de la réponse. Demander à l'IA de répondre « en tant qu'expert en droit du travail » ou « comme un formateur qui s'adresse à des débutants » change concrètement le vocabulaire employé, la profondeur des explications et les exemples choisis.

Cette technique fonctionne parce que le modèle a appris, lors de son entraînement, à associer certains registres de langage à certains rôles. Elle ne transforme pas l'IA en véritable expert du domaine, et ne dispense pas de vérifier les informations produites, en particulier sur des sujets réglementaires ou techniques. Elle sert avant tout à calibrer le ton et le niveau de détail.

Deux précisions renforcent l'efficacité de cette technique :

• Préciser le public visé, pas seulement le rôle de l'IA. « Expliquez ce concept à un collégien » et « expliquez ce concept à un collègue data analyst » demandent le même rôle d'enseignant, mais deux réponses complètement différentes.
• Éviter les rôles trop larges. « Soyez un expert » sans autre précision apporte peu. « Soyez un expert en fiscalité des indépendants en France » cadre réellement la réponse.

Les verbes d'action, la base de toute tâche

Le verbe employé dans un prompt oriente directement la nature de la réponse. Utiliser systématiquement le même verbe générique, comme « aidez-moi » ou « parlez-moi de », prive l'IA d'un signal important sur le résultat attendu. Le tableau suivant recense les verbes d'action les plus utiles et leur effet.

Choisir le verbe le plus proche du résultat attendu, plutôt qu'une formulation vague, réduit d'emblée l'ambiguïté de la demande.

Le format Markdown au service du prompt

Le Markdown est une syntaxe légère qui permet de structurer un texte avec de simples caractères : un dièse pour un titre, un tiret pour une liste, deux astérisques pour du gras. Les IA génératives comprennent nativement cette syntaxe, aussi bien en lecture qu'en écriture.

Utiliser le Markdown dans un prompt présente deux intérêts. D'abord, il aide à structurer une demande complexe en plusieurs blocs distincts, par exemple une liste de critères à respecter. Ensuite, il permet de demander explicitement une réponse déjà organisée, avec des titres, des sous-titres et des listes, directement exploitable sans reformatage.

Ce prompt fonctionne parce qu'il sépare clairement les quatre blocs vus plus haut, rôle, contexte, tâche et format, avec une syntaxe que l'IA restitue directement dans sa réponse : titres, tableau, checklist et citations d'avertissement apparaissent tels que demandés, sans reformatage à faire ensuite.

Itérer : la compétence qui fait progresser

Le prompt engineering ne se limite pas à la rédaction du premier message. La plupart des résultats de qualité proviennent d'un aller-retour progressif entre la demande et la réponse obtenue, plutôt que d'un prompt parfait dès le premier essai.

Trois leviers structurent cette itération : 

• Corriger un point précis plutôt que tout reformuler. Si le ton ne convient pas mais que le fond est bon, il vaut mieux demander « gardez le même contenu, mais adoptez un ton plus direct » que de repartir d'un nouveau prompt complet. L'IA conserve alors ce qui fonctionnait déjà.
• Donner un exemple de ce qui est attendu. Fournir un exemple de résultat, même partiel, oriente l'IA bien plus efficacement qu'une description abstraite du style recherché. Cette technique, appelée few-shot prompting, réduit nettement les écarts d'interprétation.
• Isoler les demandes complexes. Un prompt qui cumule cinq exigences différentes en une seule phrase augmente le risque que l'IA en néglige une. Découper la demande en plusieurs échanges successifs, en validant chaque étape, donne généralement un résultat plus fiable qu'une instruction unique surchargée.

Cette logique d'itération transforme l'usage d'une IA générative : on ne cherche plus la formule magique qui fonctionne du premier coup, mais un dialogue de travail qui converge vers le résultat recherché.

Un exemple d'optimisation. Le prompt initial « Rédigez un texte sur les phases de développement de l'enfant » reste correct mais générique : il fonctionne, sans réellement se distinguer. En ajoutant un rôle et un ton adapté au lecteur visé, « Vous êtes assistante maternelle. Rédigez un article destiné aux jeunes parents dans un style chaleureux, rassurant et bienveillant, avec des phrases courtes et des exemples concrets du quotidien pour illustrer chaque étape, et terminez par un message encourageant rappelant que chaque enfant évolue à son propre rythme », le contenu gagne en engagement et en pertinence sans changer de sujet. C'est ce type d'ajustement ciblé, ajouter un rôle, préciser un ton, illustrer par des exemples concrets, qui transforme un prompt correct en prompt réellement performant.

Le prompt engineering varie-t-il selon l'IA utilisée ?

La méthode décrite plus haut, contexte, tâche, format, contraintes, expertise, itération, s'applique à toutes les IA génératives. Elle constitue le socle commun du prompt engineering, quel que soit l'outil. Un comportement, en revanche, est commun à tous les modèles et mérite un réglage spécifique sur chacun : la tendance à toujours valider ce que vous avancez.

Pourquoi une IA a tendance à vous approuver. Par défaut, une IA conversationnelle n'est pas conçue pour vous contredire. Son objectif premier est d'être utile et agréable à utiliser : sans consigne particulière, elle adopte un ton coopératif, reformule vos propos et évite la confrontation. Ce comportement, parfois appelé sycophanie, découle directement de modèles entraînés à satisfaire l'utilisateur plutôt qu'à le challenger. Une question qui suggère déjà sa réponse, comme « les bulletins doivent être envoyés avant le 25, comme d'habitude, c'est bien ça ? », fournit à l'IA un signal statistique fort dans cette direction, et elle aura tendance à la confirmer même sans vérification réelle. Une question ouverte, comme « quelle est la date limite pour envoyer les bulletins ce mois-ci ? », laisse l'IA répondre sans terrain préparé à l'avance.

Cet accord automatique pose un vrai problème en contexte professionnel : il renforce les biais déjà présents dans une idée, il fragilise une décision qui n'a pas été réellement mise à l'épreuve, et il réduit l'IA à un miroir flatteur plutôt qu'à un partenaire de réflexion.

Là où la méthode reste universelle, le réglage diffère selon l'outil. Plutôt que de répéter « soyez critique » à chaque message, la solution durable consiste à déposer une instruction permanente dans les réglages de personnalisation, mais cet emplacement change selon le provider utilisé.

Une instruction type pour ce réglage : « Votre rôle est d'interagir comme une personne critique et honnête. Avant de valider une idée que je vous soumets, identifiez systématiquement ce qui pourrait être faux, fragile ou mal étayé. Structurez votre réponse ainsi : d'abord les objections, ensuite les cas où l'idée pourrait échouer, et seulement en dernier ce qui fonctionne. » Déposée une seule fois dans les réglages, elle s'applique ensuite à toutes les conversations futures, sans avoir à la répéter à chaque message.

Cette différence illustre bien le rapport entre méthode et outil : le principe, transformer l'IA en partenaire de réflexion plutôt qu'en miroir flatteur, reste identique partout. Seul le chemin technique pour l'activer varie d'un modèle à l'autre.

Les erreurs fréquentes qui appauvrissent un prompt

Certains réflexes reviennent souvent chez les utilisateurs débutants et limitent la qualité des réponses obtenues.

Rester trop général. Une demande comme « parle-moi de la gestion de projet » sans objectif ni contexte ne peut donner qu'une réponse générique.

Oublier de préciser la longueur attendue. Sans indication, l'IA choisit une longueur par défaut qui ne correspond pas toujours à l'usage prévu, un post court ou un rapport détaillé par exemple.

Accumuler les consignes contradictoires. Demander un contenu « à la fois très détaillé et très court » place l'IA devant un arbitrage qu'elle résout de façon imprévisible.

Ne jamais reformuler après un premier résultat insatisfaisant. Abandonner après un seul essai revient à se priver de la partie la plus utile du prompt engineering, celle qui se joue dans l'ajustement.

Tableau récapitulatif de la méthode