Prompt engineering : le guide pour obtenir des résultats précis avec l’IA

Vous utilisez ChatGPT ou Claude depuis des mois, et pourtant les réponses restent vagues et hors sujet. Le problème ne vient pas du modèle. Il vient de ce que vous lui demandez.

Le prompt engineering est la discipline qui consiste à formuler des instructions claires pour qu’un modèle de langage (LLM) produise exactement le résultat attendu. Pas une formule magique. Un ensemble de techniques reproductibles et testées qui transforment un outil moyen en assistant de travail redoutable.

Selon le whitepaper de Google sur le sujet, publié sur Kaggle fin 2025, un simple ajout d’étapes de réflexion dans un prompt peut faire passer la précision d’un modèle de 17,7 % à 58,1 % sur des tâches de raisonnement mathématique. Même modèle, même question, résultat trois fois meilleur. Ça donne une idée du levier.

Ce guide couvre les techniques de prompting de A à Z – des bases jusqu’aux méthodes avancées comme le chain-of-thought ou le ReAct – avec des exemples concrets par métier que vous pouvez copier et adapter tout de suite.

Qu’est-ce que le prompt engineering et à quoi ça sert concrètement

Un prompt, c’est l’instruction que vous envoyez à un LLM. Le prompt engineering, c’est l’art de construire cette instruction pour que la réponse soit pertinente, structurée et utilisable sans retouche.

En 2026, les modèles les plus performants (Claude Opus 4.5, GPT-5, Gemini 3 Pro) sont capables de rédiger du code, analyser des documents juridiques ou créer des campagnes marketing complètes. Mais leur qualité de sortie dépend directement de la qualité de l’entrée. Un prompt flou donne une réponse floue. Un prompt structuré donne un résultat exploitable.

L’enjeu est simple : les entreprises qui maîtrisent le prompt engineering gagnent entre 40 et 60 % de productivité sur leurs tâches assistées par IA, comparé à celles qui tapent des questions en vrac. Ce n’est pas un chiffre théorique – c’est ce que montrent les benchmarks internes chez les early adopters.

Trois cas où le prompt engineering fait toute la différence :

• Rédaction : au lieu de « écris un article sur le SEO », un prompt bien construit précise le ton, la cible, la longueur, les points à couvrir et le format de sortie
• Analyse de données : un prompt structuré avec le contexte, les contraintes et le format attendu évite les hallucinations et les réponses hors sujet
• Code : spécifier le langage, le framework, les conventions de nommage et les cas limites réduit le temps de debug de moitié

Anatomie d’un prompt efficace : les 5 composants

Tout prompt solide repose sur cinq éléments. Pas besoin de tous les inclure à chaque fois, mais les connaître permet de diagnostiquer pourquoi un prompt ne fonctionne pas.

Un bon prompt commence par le contexte, enchaîne avec l’instruction, fournit les données, puis précise le format et les contraintes. L’ordre compte : les LLM accordent plus d’attention au début et à la fin d’un prompt qu’au milieu (un biais documenté par la recherche sur l’attention des transformers).

Voici un exemple concret de la différence entre un prompt basique et un prompt structuré :

Prompt basique : « Écris un e-mail de relance commerciale. »

Prompt structuré : « Tu es un commercial B2B dans le secteur SaaS. Rédige un e-mail de relance pour un prospect qui a assisté à une démo il y a 10 jours mais n’a pas donné suite. Ton : professionnel mais chaleureux. Longueur : 150 mots max. Inclus un rappel de la valeur ajoutée spécifique discutée en démo et une proposition de créneau pour un appel de 15 minutes. »

Le second prompt produit un e-mail utilisable tel quel. Le premier donne un texte générique bon à jeter.

Le rôle système : cadrer l’IA avant même de poser votre question

Le system prompt (ou rôle système) est l’instruction qui définit le comportement global du modèle avant toute interaction. Sur ChatGPT, on le configure dans les « Custom Instructions ». Sur Claude, c’est le champ « System » de l’API. Sur Gemini, c’est le « System Instruction ».

Cette technique est la plus sous-exploitée. Et la plus efficace pour des résultats constants.

Le principe : au lieu de répéter le contexte à chaque message, vous le définissez une fois dans le rôle système. Le modèle s’y réfère pour chaque réponse de la conversation.

Exemple de system prompt pour un usage marketing :

` Tu es un directeur marketing senior avec 15 ans d’expérience en B2B SaaS. Tu rédiges dans un style direct, orienté résultats, sans jargon inutile. Quand on te demande un plan, tu commences toujours par l’objectif business. Tu cites des métriques concrètes quand c’est possible. Format par défaut : bullet points avec titres en gras. `

Quelques règles pour des system prompts qui marchent :

• Définir un rôle précis (pas « expert en tout », mais « spécialiste SEO technique avec expérience e-commerce »)
• Préciser le style de communication attendu
• Indiquer les formats de sortie par défaut
• Ajouter des garde-fous (« si tu ne connais pas la réponse, dis-le au lieu d’inventer »)

Les modèles Claude sont particulièrement réceptifs aux rôles système détaillés. GPT-5 aussi, mais avec une tendance à « oublier » les consignes sur les conversations très longues. Gemini gère bien les instructions courtes et préfère les consignes directes.

Few-shot prompting : montrer l’exemple pour guider la réponse

Le few-shot prompting consiste à inclure quelques exemples dans votre prompt pour montrer au modèle exactement ce que vous attendez. Au lieu d’expliquer le format, vous le montrez.

Cette technique est redoutable pour les tâches répétitives : classification de tickets support, extraction de données, reformulation selon un ton précis, génération de descriptions produit…

Exemple – Classification de feedbacks clients :

` Classe chaque feedback client dans une catégorie et attribue un sentiment.

Feedback : « La livraison a pris 3 semaines, c’est beaucoup trop long. » Catégorie : Logistique Sentiment : Négatif

Feedback : « L’interface est intuitive, j’ai trouvé ce que je cherchais en 2 clics. » Catégorie : UX/Produit Sentiment : Positif

Feedback : « Le prix est correct mais j’aurais aimé plus d’options de personnalisation. » Catégorie : Produit/Pricing Sentiment : Mixte

Feedback : « Votre chatbot m’a redirigé 4 fois sans résoudre mon problème. » `

Avec ces trois exemples, le modèle comprend le format (catégorie + sentiment), le niveau de granularité attendu et le style de réponse. Il classera le quatrième feedback correctement dans 95 % des cas.

Trois à cinq exemples suffisent pour la plupart des tâches. Au-delà de huit, vous consommez du contexte inutilement sans améliorer la qualité. Et si un seul exemple suffit (one-shot), c’est encore mieux – les modèles de 2026 comprennent vite.

Attention au piège courant : si vos exemples contiennent tous le même pattern, le modèle va le reproduire mécaniquement. Variez vos exemples (un positif, un négatif, un ambigu) pour que le modèle généralise correctement.

Chain-of-thought : forcer le raisonnement étape par étape

Le chain-of-thought (CoT) est probablement la technique qui a eu le plus d’impact sur les performances des LLM depuis leur création. Le principe est simple : demander au modèle de raisonner à voix haute avant de donner sa réponse finale.

Sans CoT, le modèle saute directement à la conclusion. Avec CoT, il décompose le problème en étapes, ce qui réduit les erreurs de raisonnement et les hallucinations.

Deux façons de l’activer :

1. CoT explicite : ajouter « Réfléchis étape par étape avant de répondre » ou « Explique ton raisonnement »
2. CoT par l’exemple : montrer un raisonnement détaillé dans le few-shot, et le modèle reproduit le pattern

Exemple sans CoT : ` Un magasin vend un produit 120 € avec une remise de 15 %, puis applique une TVA de 20 %. Quel est le prix final ? → Réponse directe : 122,40 € (correct ici, mais souvent faux sur des problèmes plus complexes) `

Exemple avec CoT : ` Un magasin vend un produit 120 € avec une remise de 15 %, puis applique une TVA de 20 %. Calcule le prix final en détaillant chaque étape.

→ Étape 1 : Prix de base = 120 € → Étape 2 : Remise de 15 % = 120 × 0,15 = 18 € → Étape 3 : Prix après remise = 120 – 18 = 102 € → Étape 4 : TVA de 20 % = 102 × 0,20 = 20,40 € → Étape 5 : Prix final TTC = 102 + 20,40 = 122,40 € `

La recherche de Google montre que le CoT améliore les performances de 20 à 40 points de pourcentage sur les tâches de raisonnement complexes. L’effet est encore plus marqué sur les problèmes multi-étapes, l’analyse juridique et la résolution de bugs en programmation.

Le self-consistency, une variante du CoT, va plus loin : on demande au modèle de générer plusieurs raisonnements différents et on retient la réponse majoritaire. Plus coûteux en tokens, mais quasi infaillible sur les tâches critiques.

Techniques avancées : Tree of Thoughts, ReAct et prompt chaining

Au-delà du CoT, trois techniques méritent votre attention si vous travaillez sur des tâches complexes ou que vous construisez des workflows IA.

Tree of Thoughts (ToT)

Le ToT pousse le CoT un cran plus loin. Au lieu d’un seul chemin de raisonnement linéaire, le modèle explore plusieurs branches en parallèle, évalue chaque piste, et retient la meilleure. Ça ressemble à la façon dont un joueur d’échecs analyse plusieurs coups avant de jouer.

En pratique, vous demandez au modèle de proposer 3 approches différentes pour résoudre un problème, d’évaluer les forces et faiblesses de chacune, puis de choisir la plus pertinente. Particulièrement utile pour la stratégie, la résolution de problèmes ouverts et la planification.

ReAct (Reasoning + Acting)

ReAct combine le raisonnement avec des actions concrètes. Le modèle alterne entre réfléchir et agir : il pense à ce qu’il doit faire, exécute une action (recherche web, calcul, appel d’API), observe le résultat, puis ajuste son raisonnement.

C’est la base des agents IA comme Claude Code, qui peuvent naviguer dans un codebase, lancer des commandes et corriger des bugs de façon autonome. En 2026, la plupart des workflows IA productifs utilisent ReAct sous une forme ou une autre.

Prompt chaining (chaînage de prompts)

Plutôt que de tout demander en une seule instruction, le prompt chaining décompose une tâche complexe en étapes successives. La sortie du prompt 1 alimente le prompt 2, et ainsi de suite.

Exemple pour une étude de marché :

1. Prompt 1 : « Liste les 10 concurrents principaux dans le secteur X avec leur positionnement »
2. Prompt 2 : « À partir de cette liste, identifie les 3 segments de marché les moins couverts »
3. Prompt 3 : « Pour le segment le plus prometteur, propose une stratégie de positionnement en 5 points »

Chaque étape produit un résultat plus ciblé. Le résultat final est plus précis que si vous aviez demandé « Fais-moi une étude de marché complète » en un seul prompt.

Exemples pratiques de prompts par métier

La théorie c’est bien. Mais le prompt engineering se juge sur le terrain. Voici des templates testés et affinés pour différents métiers, prêts à copier.

Marketing et communication

` Rôle : Tu es un growth marketer spécialisé en acquisition B2B.

Contexte : Notre SaaS de gestion de projet cible les PME de 20-100 employés. Notre MRR actuel est de 45K€. Notre taux de churn est de 4,2 %/mois.

Tâche : Propose 5 idées de campagnes d’acquisition pour Q3, classées par rapport effort/impact estimé. Pour chaque idée : canal, budget estimé, KPI principal, timeline.

Format : Tableau avec colonnes Idée | Canal | Budget | KPI | Timeline | Score effort/impact `

Développement logiciel

` Tu es un développeur senior Python/Django avec 10 ans d’expérience.

Contexte : Application e-commerce, Django 5.1, PostgreSQL 16, Redis pour le cache. Le endpoint /api/products/ met 3,2 secondes à répondre sur un catalogue de 50 000 produits.

Tâche : Analyse les causes probables de lenteur et propose un plan d’optimisation. Pour chaque optimisation : impact estimé, complexité, code exemple.

Contraintes : pas de changement d’architecture (on reste sur Django), budget serveur identique. `

Ressources humaines

` Tu es une DRH expérimentée dans le secteur tech en France.

Contexte : Startup de 80 personnes, levée série B récente, objectif recrutement de 25 profils tech en 6 mois. Budget RH limité (pas de chasseurs de têtes).

Tâche : Crée un plan de recrutement réaliste avec :

1. Les canaux de sourcing prioritaires (avec coût estimé par canal)
2. Un template de scorecard d’entretien technique
3. Les red flags à surveiller en entretien

Ton : pragmatique, orienté action. `

Juridique

` Tu es un juriste spécialisé en droit du numérique français (RGPD, DSA, IA Act).

Contexte : Une startup SaaS B2B veut intégrer un module d’IA générative qui analyse les emails entrants des clients pour en extraire des données commerciales.

Tâche : Identifie les risques juridiques de cette fonctionnalité. Pour chaque risque : article de loi concerné, niveau de gravité (1-5), mesure de conformité recommandée.

Format : Liste numérotée, un risque par point, avec sous-points pour chaque élément. `

Finance et comptabilité

` Tu es un DAF avec une expérience en modélisation financière.

Données : [coller ici un P&L ou des métriques]

Tâche : Analyse ces chiffres et produis :

1. Les 3 indicateurs les plus préoccupants avec explication
2. Des projections à 6 mois (scénario optimiste et pessimiste)
3. 2 leviers d’action immédiats pour améliorer la marge brute

Format : Synthèse exécutive de 300 mots max, suivie d’un tableau de projections. `

Ces templates fonctionnent parce qu’ils combinent rôle + contexte + tâche précise + format. Adaptez les données, gardez la structure.

Les erreurs de prompt les plus fréquentes (et comment les corriger)

Après des milliers de prompts testés, les mêmes erreurs reviennent. Cinq sont particulièrement courantes.

1. Le prompt trop vague

« Parle-moi du marketing digital » → le modèle produit 800 mots de généralités. Ajoutez un angle, une cible et un format : « Quelles sont les 3 stratégies de marketing digital les plus rentables pour une boutique e-commerce avec moins de 1 000 visiteurs/mois ? Avec chiffres et exemples. »

2. Trop de consignes contradictoires

« Sois concis mais exhaustif, technique mais accessible, formel mais décontracté. » Le modèle ne sait plus quel compromis faire. Priorisez : une consigne principale, une ou deux secondaires max.

3. Oublier le format de sortie

Sans indication de format, le modèle choisit pour vous. Et il choisit souvent mal. Précisez toujours : « en 5 bullet points », « dans un tableau », « en 200 mots max », « au format JSON ».

4. Ne pas itérer

Le premier prompt est rarement le bon. Les meilleurs prompt engineers travaillent en 2 à 4 itérations. Première version, analyse du résultat, ajustement des consignes, nouveau test. C’est ce processus d’itération qui fait la différence, pas un prompt parfait du premier coup.

5. Ignorer la fenêtre de contexte

Les LLM ont une capacité de mémoire limitée (128K tokens pour Claude, 200K pour Gemini). Si vous envoyez un document de 80 pages en demandant « résume-moi ça », les informations au milieu seront moins bien traitées que le début et la fin. Découpez vos documents en sections et traitez-les séparément.

Quel modèle pour quel usage en 2026

Tous les LLM ne se valent pas pour toutes les tâches. Le choix du modèle fait partie du prompt engineering.

Quelques constats pratiques après des mois d’utilisation quotidienne :

• Pour le code, Claude Sonnet 4 est difficile à battre en 2026. Il comprend le contexte d’un projet entier et produit du code fonctionnel du premier coup dans 80 % des cas.
• Pour l’analyse de documents longs (contrats, rapports), Gemini 3 Pro et sa fenêtre de 2 millions de tokens permettent de traiter un dossier complet sans découpage.
• Pour le brainstorming et la créativité, GPT-5 génère des idées plus variées et surprenantes, là où Claude reste plus structuré.

Le meilleur prompt engineer n’est pas celui qui maîtrise un seul modèle. C’est celui qui sait quel modèle utiliser pour quelle tâche.

Multimodal et prompts visuels : la nouvelle frontière

Depuis 2025, le prompt engineering ne se limite plus au texte. Les modèles multimodaux acceptent des images, des captures d’écran, des schémas et même de l’audio comme entrée.

Quelques cas d’usage concrets :

• Envoyer une capture d’écran d’un bug à Claude ou GPT-5 et demander « Qu’est-ce qui ne va pas dans cette interface ? » – le modèle identifie les problèmes d’UX, de contraste, d’alignement
• Photographier un document papier et demander une extraction structurée des données en JSON
• Partager un schéma d’architecture et demander une revue technique avec suggestions d’amélioration

Les principes du prompt engineering s’appliquent à l’identique : contexte, instruction précise, format de sortie. La seule différence, c’est que l’entrée inclut un élément visuel en plus du texte.

Un conseil pratique : quand vous envoyez une image, ajoutez toujours un texte qui décrit ce que vous voulez que le modèle regarde. « Analyse cette capture d’écran » est trop vague. « Dans cette capture d’écran du dashboard analytics, identifie les 3 métriques les plus préoccupantes et explique pourquoi » donne un résultat exploitable.

Sécurité des prompts : injections et garde-fous

Un aspect souvent négligé : la sécurité. Si vous construisez des applications qui intègrent des LLM, le prompt injection est un risque réel.

Le prompt injection, c’est quand un utilisateur malveillant insère des instructions dans ses données d’entrée pour détourner le comportement du modèle. Par exemple, un chatbot de support technique pourrait être manipulé pour révéler ses instructions internes ou ignorer ses contraintes.

Trois mesures de protection efficaces :

• Séparer les instructions des données : utiliser des balises XML ou des délimiteurs clairs (`données utilisateur`) pour que le modèle distingue vos consignes des entrées utilisateur
• Valider les sorties : ne jamais faire confiance aveuglément à la sortie d’un LLM. Vérifier que le format est respecté, que les données citées existent
• Limiter les permissions : un agent IA qui peut exécuter du code ne devrait pas avoir accès à la base de données de production. Le principe du moindre privilège s’applique aussi à l’IA

L’IA Act européen, entré en application en 2025, impose par ailleurs des obligations de transparence pour les systèmes d’IA générative. Si vous déployez un chatbot en production, documenter vos system prompts et vos garde-fous est une obligation légale, pas un bonus.

Comment débuter en prompt engineering ?

La meilleure façon de progresser, c’est de pratiquer. Ouvrez ChatGPT ou Claude (les deux ont une version gratuite), choisissez une tâche concrète de votre quotidien et testez. Reformulez, comparez les résultats, ajustez. En une semaine de pratique quotidienne, vous verrez la différence. Le whitepaper gratuit de Google (68 pages, disponible sur Kaggle) et le cours interactif d’Anthropic sur GitHub sont deux ressources de qualité pour structurer votre apprentissage.

Le prompt engineering va-t-il disparaître avec les modèles plus intelligents ?

Non, mais il évolue. Les modèles de 2026 comprennent mieux les instructions vagues qu’en 2023. Pourtant, la différence entre un prompt moyen et un prompt optimisé reste massive. Ce qui change, c’est la nature des prompts : on passe de « comment formuler une phrase » à « comment structurer un workflow multi-étapes ». Les agents IA (Claude Code, GPT Operator) ont besoin de prompts encore plus précis que les chatbots classiques.

Quelle est la différence entre zero-shot, one-shot et few-shot en prompt engineering ?

Le zero-shot demande au modèle de répondre sans aucun exemple. Le one-shot fournit un seul exemple. Le few-shot en fournit trois à cinq. Plus la tâche est spécifique ou ambiguë, plus les exemples aident. Pour une tâche simple comme « traduis ce texte », le zero-shot suffit. Pour « classe ces tickets selon notre taxonomie interne », le few-shot avec 3-5 exemples représentatifs est la bonne approche.

Le prompt engineering fonctionne-t-il de la même façon sur ChatGPT et Claude ?

Les principes de base (contexte, instruction, format) fonctionnent partout. Les différences sont dans les détails : Claude répond très bien aux prompts longs et structurés avec des balises XML. ChatGPT préfère des instructions plus courtes et directes. Gemini excelle quand on lui fournit des données multimodales. Le conseil : testez le même prompt sur deux modèles et comparez. Vous identifierez vite les forces de chacun.

Combien de temps faut-il pour maîtriser le prompt engineering ?

Les bases (rôle système, format de sortie, itération) s’acquièrent en quelques heures de pratique. Les techniques intermédiaires (few-shot, CoT) demandent une à deux semaines. Les techniques avancées (prompt chaining, agents, sécurité) nécessitent plusieurs mois d’expérimentation en conditions réelles. La bonne nouvelle : chaque niveau apporte un gain mesurable et immédiat sur votre productivité.

Peut-on utiliser le prompt engineering sans savoir coder ?

Oui, totalement. La majorité des techniques de ce guide ne demandent aucune compétence technique. Le prompt engineering est d’abord une compétence de communication : savoir exprimer clairement ce que l’on veut. Les développeurs ont un avantage pour le prompt chaining et les agents automatisés, mais un marketeur, un juriste ou un RH qui maîtrise le few-shot et le CoT tire déjà 80 % de la valeur disponible.