Qu'est-ce que le prompting ? Définition, prompt engineering et techniques

En peu de temps, le prompting est devenu un mot courant. Qui le cherche trouve des dictionnaires qui l’expliquent et des formations qui donnent tout de suite des astuces. Ici, vous découvrez d’abord le sens du prompting, puis le pas vers le prompt engineering : concevoir des instructions qui fonctionnent à chaque fois, aussi sur des tâches difficiles et entre les mains d’un collègue. Nous passons en revue les techniques qui ont une vraie base de recherche, du few-shot à l’autocontrôle, avec les papers à l’appui. Et nous mettons côte à côte ce qu’OpenAI, Anthropic et Google en écrivent eux-mêmes aujourd’hui, car avec les modèles de raisonnement, une partie de ces techniques fonctionne autrement qu’avec les modèles qui existaient avant.

Que signifie le prompting (ou prompter) ?

Le prompting, ou le fait de prompter, consiste à donner des instructions à un modèle IA en langage courant : la question, le contexte, d’éventuels exemples et la forme souhaitée de la réponse. Le prompting IA est la même compétence, appliquée aux modèles de langage comme ChatGPT, Claude ou Gemini. Qui aborde le prompting de façon systématique, avec des tests et des canevas réutilisables, fait du prompt engineering.

Google décrit la conception de prompts comme la création de requêtes en langage naturel qui amènent un modèle de langage à donner des réponses précises et de haute qualité. Ce qu’est un prompt et comment en rédiger un bon, nous l’expliquons dans qu’est-ce qu’un prompt ?. Ici, il s’agit du verbe, et de la façon dont on fait de ces instructions un métier.

En dehors de l’IA, le mot a un sens plus ancien. En psychothérapie, selon l’APA Dictionary of Psychology, le prompting désigne le fait, pour le thérapeute, de suggérer des sujets afin d’encourager le client à aborder certains thèmes, par exemple en lui rappelant des éléments déjà discutés ou en terminant une phrase à sa place. En logopédie existe en outre la méthode PROMPT, dans laquelle, selon le PROMPT Institute, le logopède guide avec les mains la mâchoire, les lèvres et la langue pour former des mots. Pour la suite, cet article ne parle que d’IA.

En Flandre, le prompting n’est plus une niche. Selon l’imec.digimeter 2025, 43 % des Flamands de 18 ans et plus utilisent activement l’IA générative, et 51 % des travailleurs le font au moins une fois par mois pour leur travail. La qualité de leurs instructions détermine ce qu’ils tirent des mêmes outils. ClickForest enseigne le prompting et le prompt engineering aux équipes de PME en Flandre dans ses formations IA, sur les tâches qu’elles font chaque jour.

Qu’est-ce que le prompt engineering ?

Le prompt engineering est la conception, le test et l’affinage systématiques de prompts pour qu’un modèle IA livre de façon fiable l’output souhaité. La différence avec le simple prompting tient dans ce mot systématique : vous construisez une instruction réutilisable, vous la testez sur plusieurs cas, vous regardez où elle échoue et vous l’affinez jusqu’à ce que la qualité soit constante.

Voici comment OpenAI le décrit lui-même :

“Prompt engineering is the process of writing effective instructions for a model, such that it consistently generates content that meets your requirements.”

— OpenAI, guide de prompt engineering dans la documentation de l’API (consulté en septembre 2026)

La façon dont vous formulez une instruction détermine en grande partie ce que produit un modèle de langage ; c’est pourquoi OpenAI, Anthropic et Google publient chacun leur propre guide de prompting. Pour les bases quotidiennes (la formule Rôle + Objectif + Contexte + Output et des exemples de prompts prêts à l’emploi), nous renvoyons à notre guide pour débutants rédiger un prompt ; cet article commence là où ce guide s’arrête. Une définition concise figure aussi dans notre glossaire.

Quelle est la différence entre prompting et prompt engineering ?

Prompter, c’est poser une question ; faire du prompt engineering, c’est écrire une recette. Qui prompte veut une bonne réponse maintenant. Qui fait du prompt engineering veut une instruction qui, la semaine prochaine, utilisée par un collègue, sur un autre cas, atteint encore le même niveau de qualité. Cela demande une autre méthode : concevoir, tester sur plusieurs exemples et mesurer.

En pratique, vous voyez la différence à ce qui arrive à un prompt une fois qu’il a fonctionné. Un prompt travaillé devient un canevas avec des champs à remplir, que vous réutilisez à chaque fois. Avant de le partager, vous le confrontez à cinq à dix cas réels et vous jugez l’output systématiquement, car un seul essai réussi ne dit pas grand-chose. Ce qui fonctionne, vous le notez, pour qu’un collègue puisse s’en servir plus tard. C’est ainsi que le prompt engineering devient le pont entre un usage ponctuel de l’IA et la méthode de travail marketing IA structurée sur laquelle une équipe peut construire. Qui aime un canevas fixe pour le prompting quotidien le trouve dans le modèle RACE pour les prompts ChatGPT ; les techniques ci-dessous commencent là où ces canevas à remplir s’arrêtent.

Quelles techniques de prompt engineering faut-il connaître ?

Quatre techniques couvrent presque toute la pratique : donner des exemples (few-shot), faire raisonner étape par étape (chain-of-thought), enchaîner des prompts (chaining) et faire contrôler au modèle son propre travail. Toutes quatre ont été étudiées dans des papers scientifiques. Leur usage varie toutefois selon le modèle : les modèles de raisonnement les plus récents réfléchissent d’eux-mêmes et n’ont plus besoin d’une partie de ces instructions.

Technique	Ce que vous faites	Quand l’utiliser
Few-shot (donner des exemples)	Vous montrez 3 à 5 exemples d’input plus l’output souhaité avant la vraie question	Style, format ou évaluation difficile à décrire mais facile à montrer
Chain-of-thought (étape par étape)	Vous demandez au modèle de raisonner d’abord et de répondre ensuite	Avec les modèles sans réflexion intégrée ; les modèles de raisonnement le font eux-mêmes
Prompt chaining (enchaîner)	Vous découpez une grande tâche en étapes avec chacune son propre prompt	Longs workflows où vous voulez contrôler les résultats intermédiaires, comme recherche, plan, texte et contrôle
Autocontrôle	Vous faites vérifier l’output par le modèle au regard d’une checklist ou de critères	Contrôle qualité en production récurrente, avant le contrôle final humain

Le chaining et l’autocontrôle vont souvent de pair. Selon Anthropic, le schéma d’enchaînement le plus courant est l’autocorrection : faire produire une première version, la faire évaluer au regard de critères, puis la faire améliorer. Cela peut aussi se faire dans un seul prompt. Anthropic recommande de demander au modèle de vérifier sa réponse par rapport à vos critères de test avant de terminer, ce qui, selon la documentation, détecte les erreurs de manière fiable, surtout pour le code et les calculs.

Les racines scientifiques valent la peine d’être connues. Le few-shot learning a été mis sur la carte par le paper GPT-3 de Brown et ses collègues (2020, « Language Models are Few-Shot Learners »), le chain-of-thought par Wei et ses collègues (2022), qui ont montré que susciter des étapes de raisonnement améliore les performances sur des tâches de calcul, de sens commun et de raisonnement symbolique. Wu et ses collègues ont décrit l’enchaînement de prompts en 2021 (« AI Chains ») : l’output d’une étape devient l’input de la suivante. Madaan et ses collègues ont étudié en 2023 le fait de laisser le modèle évaluer et améliorer son propre output (« Self-Refine »). Les papers expliquent pourquoi les techniques fonctionnent : vous orientez la manière dont le modèle arrive à sa réponse. Pour les utiliser, vous n’avez pas besoin de les avoir lus.

“Experiments on three large language models show that chain of thought prompting improves performance on a range of arithmetic, commonsense, and symbolic reasoning tasks.”

— Jason Wei et ses collègues, abstract du paper chain-of-thought (janvier 2022)

Quelle est la différence entre le prompting zero-shot, one-shot et few-shot ?

La différence tient au nombre d’exemples que vous joignez au prompt. En zero-shot, vous donnez seulement une instruction, sans exemple. En one-shot, vous ajoutez exactement un exemple, en few-shot une poignée. Le paper GPT-3 de 2020 les décrivait comme trois configurations distinctes. Plus d’exemples orientent davantage la forme et le ton, et allongent aussi votre prompt.

Configuration	Ce que vous joignez	Quand c’est utile
Zero-shot	Seulement une instruction en langage courant, sans exemple	Tâches simples, et le premier essai avec un modèle de raisonnement
One-shot	L’instruction plus un exemple d’input et d’output souhaité	Quand un bon exemple suffit déjà à rendre claire la forme souhaitée
Few-shot	L’instruction plus une poignée d’exemples ; Anthropic en recommande 3 à 5	Style, ton ou évaluation plus faciles à montrer qu’à décrire

Le paper GPT-3 décrit le one-shot comme la même configuration que le few-shot, avec une seule démonstration à côté de la description de la tâche, et le zero-shot comme une configuration dans laquelle le modèle reçoit seulement une instruction en langage naturel. Google applique la même répartition dans sa documentation Gemini : les prompts avec quelques exemples s’appellent few-shot, les prompts sans exemples zero-shot. Sur l’utilité des exemples, Anthropic, l’entreprise derrière Claude, est catégorique :

“Examples are one of the most reliable ways to steer Claude’s output format, tone, and structure. A few well-crafted examples (known as few-shot or multishot prompting) improve accuracy and consistency.”

— Anthropic, Prompting best practices dans la documentation de Claude (consulté en septembre 2026)

Anthropic demande aussi que ces exemples soient proches de la vraie tâche, couvrent les cas limites et varient suffisamment pour que le modèle ne reprenne pas de schémas involontaires, et qu’ils soient clairement séparés des instructions. La configuration qui fonctionne le mieux dépend du modèle. C’est l’objet de la question suivante.

Comment prompter un modèle de raisonnement ?

Donnez à un modèle de raisonnement un objectif clair et le contexte nécessaire, et laissez-lui la réflexion. Ces modèles élaborent d’abord un raisonnement en interne avant de répondre. OpenAI déconseille donc de leur demander encore de réfléchir étape par étape, et conseille d’essayer d’abord sans exemples. Si des exemples apportent encore quelque chose avec votre modèle, c’est à vous de le tester.

OpenAI appelle ces modèles des modèles de raisonnement, Anthropic et Google parlent de thinking (réflexion). Cela change une partie des techniques ci-dessus. Sur le fait de faire réfléchir étape par étape, les trois fournisseurs sont proches ; sur les exemples, ils divergent :

Fournisseur	Faire réfléchir étape par étape	Donner des exemples
OpenAI (guide des modèles de raisonnement)	Déconseillé : « Avoid chain-of-thought prompts », parce que ces modèles raisonnent déjà en interne	D’abord sans : « Try zero shot first, then few shot if needed »
Anthropic	Plutôt une instruction générale qu’un plan étape par étape rédigé ; un raisonnement rédigé soi-même est une solution de repli quand la réflexion est désactivée	3 à 5 exemples, qui fonctionnent avec la réflexion
Google (Gemini)	Le plus souvent inutile : selon Google, il est « generally not necessary » de faire détailler au modèle ses étapes de raisonnement. Pour les tâches de raisonnement lourdes, une simple demande comme « Think very hard before answering » peut aider, au prix de tokens de réflexion supplémentaires	Toujours : « We recommend to always include few-shot examples in your prompts »

Anthropic le formule le plus nettement : « A prompt like ‘think thoroughly’ often produces better reasoning than a hand-written step-by-step plan. » Pour ses modèles Gemini récents, Google demande en outre de formuler de façon directe et structurée, en délimitant clairement la tâche et les contraintes. OpenAI résume la différence entre les deux types de modèles par une comparaison tirée du monde du travail :

“A reasoning model is like a senior co-worker. You can give them a goal to achieve and trust them to work out the details. A GPT model is like a junior coworker. They’ll perform best with explicit instructions to create a specific output.”

— OpenAI, guide de prompt engineering dans la documentation de l’API (consulté en septembre 2026)

Comme les fournisseurs ne sont pas d’accord sur les exemples, le mini jeu de test des sections suivantes gagne en importance : ce n’est qu’en testant que vous voyez si un exemple ou un plan étape par étape apporte encore quelque chose avec votre modèle. Quel assistant choisir pour quelle tâche, nous le comparons dans ChatGPT vs Claude vs Perplexity.

Comment construire une bibliothèque de prompts pour votre équipe ?

Pour une PME, une bibliothèque de prompts est le plus grand levier du prompt engineering : une collection partagée de canevas de prompts testés par tâche, avec une gestion de versions dans sa forme la plus simple, à savoir qui a modifié quoi et pourquoi. Ce qu’un collaborateur essaie profite ainsi à toute l’équipe, et reste conservé quand ce collaborateur est occupé à autre chose.

Commencez par les trois tâches les plus récurrentes, donnez à chaque canevas un responsable et convenez d’un format fixe : nom, objectif, le canevas lui-même, un bon exemple d’output, le modèle sur lequel il a été testé et la dernière modification. Conservez-le à un endroit central. Un document partagé suffit, les outils spécialisés viendront plus tard. Prévoyez une courte révision par trimestre, car les modèles changent et les canevas vieillissent avec eux. La différence se voit surtout chez les nouveaux collègues : ils démarrent tout de suite avec les canevas de l’équipe. Pour le choix d’outils plus large autour d’une telle méthode, notre guide des meilleurs outils IA pour marketeurs vous aide.

Vous voulez vous exercer avec votre équipe ? ClickForest forme les équipes de PME en Flandre au prompting et au prompt engineering sur leurs propres tâches, lors d’une session d’une demi-journée ou d’une journée, ou dans un parcours de plusieurs sessions. Découvrez la formation IA ou réservez un appel vidéo sans engagement.

Comment tester si un prompt est vraiment bon ?

Avec un mini jeu de test : confrontez votre prompt à cinq à dix cas réels et variés, dont quelques-uns difficiles, et jugez l’output sur des critères fixes comme l’exactitude factuelle, le ton et l’utilisabilité sans retouche. Ce n’est que lorsque l’output est constant sur tout le jeu de test que vous savez que le prompt fonctionne et que vous pouvez le partager avec votre équipe.

Pourquoi ce test est nécessaire, OpenAI l’écrit dans son guide : « Because the content generated from a model is non-deterministic, prompting to get your desired output is a mix of art and science. » Le même modèle peut donc répondre chaque fois autrement au même prompt.

Gardez le test léger, sinon vous ne tiendrez pas. Une grille simple suffit : bon, utilisable moyennant retouche, inutilisable. Les cas difficiles, vous les gardez comme jeu de test fixe, pour que chaque version du prompt soit mesurée à la même aune. Si le modèle sous-jacent change, refaites tourner le jeu de test : des prompts qui ont bien fonctionné pendant des mois peuvent réagir autrement après un changement de modèle. OpenAI avertit lui-même que même des versions différentes au sein d’une même famille de modèles peuvent donner des résultats différents, et recommande d’utiliser des versions de modèle fixes et de construire des tests.

Quand intégrer un prompt testé dans une automatisation ?

Dès qu’un prompt obtient un score fiable sur tout votre jeu de test, vous pouvez l’intégrer : dans une automatisation marketing qui l’exécute à chaque fois, ou dans un agent IA qui l’utilise comme partie d’une tâche plus large. Le prompt engineering est ainsi la porte de qualité vers l’automatisation. Ce qui ne fonctionne pas de façon constante avec un humain à côté n’a pas non plus sa place dans un système sans humain.

L’ordre compte : d’abord rendre le prompt fiable, ensuite seulement le connecter aux workflows, et toujours avec un moment de contrôle là où les erreurs coûtent de l’argent ou de la réputation. ClickForest construit de telles automatisations marketing et de tels agents IA pour les PME en Flandre. Ce qui devient possible une fois cette base posée, vous le lisez dans notre guide sur les agents IA en marketing ; quel assistant utiliser pour quoi, c’est dans notre guide pratique pour choisir entre ChatGPT, Claude et Perplexity.

Prompt engineer est-il un métier, et devez-vous en recruter un ?

L’intitulé existe, mais n’a jamais vraiment percé. Selon Fortune, les recherches de tels emplois sur Indeed ont culminé dès avril 2023. De plus en plus, le prompt engineering devient une compétence dans des rôles existants : le marketeur qui construit des prompts de contenu fiables, l’analyste qui conçoit des prompts de raisonnement pour les rapports. Pour la plupart des PME, mieux vaut donc former que recruter.

« Prompt engineering as a skill is still definitely a good thing to have, but it’s not an entire title », a déclaré à Fortune en mai 2025 Allison Shrivastava, économiste chez Indeed. Ces chiffres et cette déclaration concernent le marché du travail américain.

La compétence elle-même fait encore souvent défaut en Flandre. Selon l’imec.digimeter 2025, 33 % des Flamands ne savent pas comment utiliser l’IA générative pour accomplir des tâches plus efficacement, et seuls 27 % des travailleurs disent que leur employeur a une politique et des directives claires sur l’IA générative. Les techniques de cet article s’apprennent en quelques jours, et elles rapportent le plus chez les personnes qui connaissent déjà les tâches et les clients. C’est pourquoi cette combinaison fonctionne : apprendre la compétence à vos propres collaborateurs, avec un accompagnement externe pour le démarrage et les cas difficiles. ClickForest donne ces formations IA aux PME en Flandre, en entreprise ou en ligne.

Que retenir sur le prompting et le prompt engineering ?

Le prompting consiste à donner des instructions à un modèle IA. Le prompt engineering est l’approfondissement par-dessus : concevoir, tester et affiner systématiquement jusqu’à ce qu’un prompt soit assez fiable pour être partagé, répété ou automatisé. Les quatre techniques clés ont une base de recherche sérieuse, mais les modèles de raisonnement demandent une main plus légère : moins de plans étape par étape, plus d’objectif et de contexte.

Pour une équipe, le plus grand gain se trouve dans la bibliothèque de prompts : des canevas partagés et testés qui font s’accumuler la connaissance, avec un jeu de test que vous refaites tourner à chaque changement de modèle.

ClickForest enseigne le prompting et le prompt engineering aux équipes de PME en Flandre sur leurs propres tâches, dans le cadre d’une formation IA pratique ou d’un parcours IA plus large. Curieux de savoir où en est votre équipe ? Planifiez un appel vidéo sans engagement et nous regardons ensemble quelles tâches entrent en ligne de compte en premier.