« Alexandre, le prompt engineering, c’est quoi et comment s’y mettre ? »

Mis à jour le 22 octobre 2026

Le terme fait parfois sourire : « ingénierie » pour désigner l’écriture d’une consigne ? Pourtant, la différence entre un prompt improvisé et un prompt travaillé se mesure. Sur une tâche répétée cent fois par mois (rédiger des fiches produits, classer des demandes clients, résumer des comptes rendus), un prompt bien conçu fait gagner des heures et évite des erreurs.

Cette page va plus loin que ma méthode pour écrire un prompt ChatGPT marketing, centrée sur les usages quotidiens. Ici, on s’intéresse aux techniques qui comptent quand un prompt doit fonctionner de façon fiable, dans un processus de travail ou un outil.

Par Alexandre Montenon, consultant SEO et GEO à Lyon

Avant d’écrire : définir ce qu’est une bonne réponse

C’est l’étape que presque tout le monde saute. La documentation d’Anthropic sur le prompt engineering la place pourtant en premier : avant de travailler un prompt, il faut une définition claire des critères de réussite, des moyens de tester les réponses par rapport à ces critères, et un premier jet à améliorer. Elle ajoute que tous les problèmes ne se règlent pas par le prompt : parfois, changer de modèle est plus efficace.

Concrètement, pour une tâche marketing, cela donne :

➭ des critères : « la fiche produit fait entre 150 et 200 mots, cite les trois caractéristiques techniques fournies, ne contient aucune information absente des données, respecte le vouvoiement » ;

➭ un jeu de test : une dizaine de cas représentatifs, dont des cas difficiles (produit avec peu d’informations, caractéristiques contradictoires) ;

➭ une évaluation : on relit les réponses à chaque version du prompt, et on compte combien respectent les critères.

Sans cette étape, on améliore un prompt « au feeling », sur un ou deux essais, et on découvre les problèmes en production.

Les techniques fondamentales

1. Être clair et direct

Un modèle d’IA ne devine pas ce que vous avez en tête. La règle d’or : écrire la consigne comme pour un collègue compétent qui ne connaît rien au dossier. Quel est l’objectif ? Pour qui ? Quelles contraintes ? Que faire en cas de doute ?

OpenAI recommande dans sa documentation de placer les instructions au début du prompt, de les séparer du contexte par des délimiteurs, et de remplacer les formulations vagues par des contraintes précises. « Assez court » ne veut rien dire pour un modèle ; « trois à cinq phrases » est exploitable.

2. Donner des exemples

Montrer vaut mieux que décrire. Fournir deux à cinq exemples de la réponse attendue (on parle de « few-shot ») aide le modèle à saisir le format, le ton et le niveau de détail. Les exemples doivent être variés, pour éviter que le modèle ne copie un seul modèle, et cohérents avec les critères de réussite.

3. Attribuer un rôle

Indiquer au modèle qui il est (« tu es un rédacteur technique spécialisé en équipements de cuisine professionnelle ») oriente le vocabulaire, le niveau d’expertise et les priorités de la réponse. Dans les outils professionnels, ce rôle se place souvent dans les instructions système, qui s’appliquent à toute la conversation.

4. Structurer le prompt

Quand un prompt contient à la fois des instructions, des données, des exemples et un format de sortie, il faut séparer clairement ces blocs. Des balises (par exemple <instructions>, <donnees>, <exemple>) ou des titres évitent que le modèle confonde une donnée avec une consigne. C’est aussi une protection : un texte collé dans les données ne doit pas pouvoir être interprété comme une instruction.

5. Faire raisonner avant de répondre

Pour les tâches qui demandent de l’analyse, demander au modèle de raisonner étape par étape avant de conclure améliore souvent la qualité. La technique a été popularisée par une étude de 2022 : des chercheurs ont montré qu’inclure quelques exemples de raisonnement détaillé dans le prompt améliorait nettement les performances des grands modèles sur des problèmes d’arithmétique, de bon sens et de logique. Les modèles récents intègrent souvent un mode de réflexion natif, mais le principe reste utile : demander l’analyse avant la conclusion.

6. Découper en étapes

Une tâche complexe gagne à être découpée en plusieurs prompts enchaînés : extraire les informations, puis les analyser, puis rédiger. Chaque étape est plus simple, plus facile à vérifier, et une erreur se repère à l’endroit où elle se produit.

Un exemple de prompt structuré

Voici un exemple fictif, pour une boutique en ligne d’articles de cuisine qui veut produire des fiches produits homogènes :

Ce prompt combine rôle, consigne claire, règles vérifiables, séparation des données et exemple. Les règles servent aussi de critères pour évaluer les réponses.

Les erreurs classiques

Les consignes contradictoires. « Sois concis mais détaillé », « ton formel mais décontracté » : le modèle fait un compromis imprévisible.

Les interdictions sans alternative. « N’utilise pas de jargon » fonctionne moins bien que « utilise des mots simples, et explique chaque terme technique en une phrase ».

Le prompt-roman. Plus de texte n’est pas toujours mieux. Des consignes accumulées au fil des corrections finissent par se contredire. Il faut régulièrement relire et simplifier.

Tester sur un seul cas. Un prompt qui marche sur un exemple peut échouer sur le suivant. Le jeu de test sert précisément à éviter ce piège.

Oublier les cas limites. Que doit faire le modèle si les données sont incomplètes, contradictoires ou hors sujet ? Si le prompt ne le dit pas, il improvise.

Croire que le prompt garantit la vérité. Même bien conçu, un prompt ne supprime pas le risque d’erreur factuelle. Les sorties destinées à être publiées doivent être relues.

Prompt engineering et marketing : les usages qui en valent la peine

Pour une demande ponctuelle, un prompt simple suffit. Le prompt engineering devient rentable quand une tâche se répète ou s’intègre à un outil :

Faire durer un bon prompt

Un prompt efficace a de la valeur : il mérite d’être conservé et partagé. Les assistants grand public proposent des fonctions pour cela : instructions personnalisées appliquées à toutes les conversations, espaces de travail par projet avec leurs propres consignes et documents, assistants personnalisés partagés avec une équipe.

Trois bonnes pratiques pour une petite équipe :

➭ centraliser les prompts validés dans un document partagé, avec leur usage et leurs limites ;

➭ nommer un responsable par prompt important, qui le met à jour quand les besoins changent ;

➭ retester les prompts après chaque mise à jour majeure du modèle utilisé, car un changement de version peut modifier les réponses.

Les limites du prompt engineering

Le prompt engineering améliore ce qu’un modèle sait faire ; il ne lui donne pas des connaissances qu’il n’a pas. Pour qu’un assistant réponde à partir de vos documents à jour, il faut les lui fournir, soit dans le prompt, soit via un système de recherche documentaire. Pour des besoins très spécifiques et répétés à grande échelle, d’autres approches existent, comme l’ajustement d’un modèle.

Il ne remplace pas non plus le jugement humain. Un prompt bien construit produit un bon premier jet, cohérent et rapide. La décision de publier, l’expertise métier et la responsabilité restent humaines.

Exemple fictif : d’un prompt improvisé à un prompt fiable

Pour illustrer, imaginons une agence immobilière fictive qui rédige chaque semaine une vingtaine d’annonces.

Première version : « Écris une annonce pour cet appartement : [notes de visite] ». Les résultats varient beaucoup : certaines annonces inventent un balcon, d’autres oublient le diagnostic énergétique, le ton change d’une annonce à l’autre.

Démarche : l’agence définit ses critères (mentions obligatoires présentes, aucune caractéristique absente des notes, 120 à 180 mots, ton sobre), constitue un jeu de dix notes de visite réelles et anonymisées, et compte les annonces conformes à chaque version.

Version finale : un rôle, des règles numérotées, une instruction explicite pour les informations manquantes (« si l’étage n’est pas précisé, ne le mentionne pas »), deux exemples d’annonces validées, et une demande de vérification finale (« avant de répondre, vérifie que chaque caractéristique citée figure dans les notes »).

Le taux d’annonces conformes progresse nettement d’une version à l’autre, et surtout, l’agence sait le mesurer. Les éléments de cet exemple sont inventés ; la démarche est celle que recommandent les éditeurs.

Questions fréquentes sur le prompt engineering