Prompt engineering : bien écrire ses prompts

Vous avez sûrement déjà posé une question à ChatGPT et reçu une réponse peu convaincante. Puis un collègue pose presque la même question, et obtient un résultat net, prêt à l'emploi. La différence n'est pas l'outil, c'est le prompt. C'est tout le sujet du prompt engineering.

Le prompt engineering, c'est l'art d'écrire de bonnes requêtes à une IA pour obtenir la bonne réponse. Rien de sorcier : une méthode simple, qui s'apprend en quelques minutes et change votre quotidien avec les IA génératives comme ChatGPT.

Ce n'est pas une mode. La demande pour cette compétence a bondi de plus de 135 % en 2025, plus vite que la plupart des métiers de la tech (SQ Magazine). Ce guide vous explique ce qu'est le prompt engineering, pourquoi le prompt change tout, comment écrire un prompt efficace, les techniques qui marchent, et la limite que personne ne vous dit. Avec des exemples de prompt engineering concrets.

Qu'est-ce que le prompt engineering ?

Le prompt engineering consiste à concevoir des requêtes claires pour guider les modèles d'IA vers la réponse voulue. Un prompt, c'est votre instruction écrite. Bien la construire, c'est piloter l'IA au lieu de la laisser deviner.

Derrière l'outil se cachent les grands modèles de langage, ou LLM. Ces modèles de langage, issus du machine learning, sont entraînés au traitement du langage naturel : ils prédisent la suite d'un texte en langage naturel. Un modèle d'IA ne lit pas vos pensées, il réagit à votre requête (Guardia School). Ces modèles d'IA génératifs peuvent générer du texte, du code ou un tableau.

C'est pour cela que la même IA générative semble géniale ou décevante selon la personne. Ces intelligences artificielles sont identiques pour tous les utilisateurs. Ce qui change, c'est la façon d'interagir avec ces IA. Cette ingénierie des requêtes n'a rien d'un langage de programmation : on écrit en français, pas en code. Nul besoin de savoir programmer pour maîtriser le prompt engineering.

Pourquoi le prompt change-t-il tout ?

Parce que l'IA répond exactement à la requête reçue, ni plus ni moins. Une demande vague donne une réponse générique. Un prompt bien construit, avec un contexte et un format, permet d'obtenir une réponse exploitable. Les réponses du modèle dépendent d'abord de votre prompt, pas de l'IA seule.

Prenons un exemple. Posée à une IA, la requête « parle-moi de la trésorerie » donne un cours théorique inutile. À l'inverse, « Tu es un DAF, explique en 5 points à un dirigeant comment surveiller sa trésorerie sur un mois » donne un résultat directement utile. Même modèle génératif, deux mondes.

Les bonnes pratiques officielles insistent toutes : soyez précis, donnez du contexte, dites le format (OpenAI). Vous pouvez aussi personnaliser le ton pour coller à votre besoin. Un prompt soigné fait gagner un temps réel et aide à obtenir le résultat souhaité du premier coup, ou presque.

Comment écrire un bon prompt ? La méthode

Un prompt efficace tient en quatre éléments : un rôle, une tâche, un contexte et un format. Cette structure, souvent résumée par le sigle RTCF, transforme une demande floue en instruction claire (GSDCouncil). Elle aide à structurer votre requête pour générer des réponses fiables.

Voici les quatre briques à poser à chaque fois :

• Rôle. Dites à l'IA qui elle incarne. « Tu es un expert-comptable », « Tu es un commercial B2B ». Cela oriente le vocabulaire de l'IA.
• Tâche. Donnez une consigne d'action nette. « Rédige », « Résume », « Compare », « Classe par priorité ».
• Contexte. Ajoutez les détails qui comptent : secteur, cible, contrainte. Sans contexte, l'IA génère au hasard.
• Format. Précisez la forme : un tableau, une liste de 5 points, un e-mail de 100 mots, un ton formel ou amical.

Un dernier réflexe change tout : l'itération. Considérez la première réponse comme un brouillon. Vous ajustez, vous relancez pour obtenir des réponses plus précises. Un prompt affiné en deux ou trois essais donne des résultats plus précis et pertinents. C'est ainsi que l'on apprend à écrire des requêtes qui permettent de générer des résultats vraiment utiles.

Zero-shot, few-shot, chain-of-thought : les techniques qui marchent

Trois techniques simples améliorent nettement les réponses, sans aucune compétence technique. Elles tiennent en une phrase ajoutée à votre prompt, et elles couvrent la plupart des cas d'utilisation spécifiques.

• Le zero-shot prompting. Vous posez la demande sans exemple. C'est le cas le plus courant, rapide mais parfois imprécis.
• Le few-shot prompting. Vous donnez un ou deux exemples du résultat attendu avant votre demande. L'IA calque alors le style (Meta Intelligence). Idéal pour homogénéiser des e-mails ou des fiches produit.
• La chaîne de pensée (chain-of-thought, ou CoT). Vous ajoutez « raisonne étape par étape avant de conclure ».

Cette dernière technique demande à l'IA de détailler son processus de pensée, ce qui réduit les erreurs sur un raisonnement complexe. Sur les tâches complexes, ce simple ajout fiabilise la réponse de l'IA. Ces méthodes, longtemps réservées aux initiés, rendent ces IA génératives vraiment utiles, de l'IA agentique aux assistants du quotidien, pour tous les utilisateurs.

Prompt engineering et données d'entreprise : la vraie limite

Voici ce que peu de guides disent : le meilleur prompt du monde ne rattrape pas des données fausses. Si vous demandez à une IA d'analyser vos chiffres et qu'ils sont erronés ou éparpillés, la réponse sera fausse, mais présentée avec assurance. C'est le principe « garbage in, garbage out ».

Nous le voyons sur le terrain auprès de nos clients. Aucune requête, aussi habile et bien construite soit-elle, ne peut produire une analyse juste et pertinente dès lors qu'elle repose sur des données non fiables. L'IA aurait seulement mieux emballé l'erreur.

C'est pourquoi tant d'entreprises peinent : 79 % des organisations rencontrent des difficultés à tirer de la valeur de l'IA, et moins d'un tiers en voient un vrai retour (WRITER). Le problème est rarement le prompt. Une IA de service client, par exemple, ne vaut que par la base de connaissances qui la nourrit ; le meilleur service à la clientèle repose sur une donnée fiable, pas sur une formule magique. Avant de brancher une IA générative dans le cloud sur votre activité, ou de rêver d'IA pour votre PME, il faut consolider vos données et fiabliser vos données avec un outil comme Clidd. Une fois ce socle propre, exploiter vos données avec l'IA devient enfin sûr.

Conclusion

Le prompt engineering n'est pas un métier de spécialiste réservé à ceux qui rêvent de devenir prompt engineer. Nul besoin d'être un prompt engineer, ni un expert de l'IA, pour en profiter. C'est une méthode simple, à la portée de tout dirigeant : un rôle, une tâche, un contexte, un format, puis on affine. Quelques minutes pour un gain quotidien.

Gardez toutefois la hiérarchie en tête. Le prompt engineering nécessite surtout du bon sens, et un prompt soigné améliore la forme de la réponse que l'IA vous donne. Seules des données fiables en garantissent le fond. Quel que soit l'avenir du prompt engineering, cette règle tiendra.

Apprenez à vraiment bien écrire vos requêtes. Mais ne demandez jamais à une belle instruction de sauver une donnée qui ne l'est pas.

‍