AI Plan
AI Build
AI Run
AI ChangeSolutionDiagnostic Data & IA
Évaluez votre maturité et construisez une roadmap priorisée.
Découvrir le diagnostic Retour à l’Académie IA
Académie IA · prompt engineering
Qu’est-ce que le prompt engineering ?
Le prompt engineering consiste à concevoir et améliorer les instructions données à un modèle d’IA générative. Son objectif est d’obtenir un résultat plus pertinent, cohérent et contrôlable en précisant la tâche, le contexte, les contraintes et le format attendu.
Définition 30 sec
Le prompt engineering, parfois abrégé « prompt eng », est la pratique qui consiste à structurer les consignes et les exemples fournis à un modèle pour orienter sa réponse. Il associe formulation de l’objectif, apport de contexte, définition des contraintes, exemples et itérations d’évaluation.
Comprendre
Un prompt n’est pas une formule magique. Il constitue l’interface par laquelle on explicite ce que le modèle doit produire et avec quelles informations. Une demande vague laisse de nombreuses interprétations possibles ; une consigne précise réduit l’ambiguïté.
Un bon prompt peut indiquer le rôle du modèle, la tâche, le public, les données à utiliser, ce qui est interdit, le format de sortie et les critères de qualité. Des exemples montrent le résultat attendu lorsque la consigne seule ne suffit pas. L’itération est également essentielle : observer le résultat, identifier l’ambiguïté puis améliorer l’instruction.
Le prompt engineering a cependant des limites. À l’échelle d’une application, la fiabilité dépend aussi de la qualité du contexte, des données, des outils, de la mémoire, du workflow et des évaluations. Une consigne plus longue ne compense pas une information absente ou un processus mal conçu.
La structure du message compte aussi pour la sécurité. Les instructions de l’entreprise, les contenus récupérés et la demande de l’utilisateur n’ont pas la même autorité. Les mélanger sans séparation peut permettre à un document ou à une page externe de détourner le comportement attendu : c’est l’un des mécanismes du prompt injection.
Enfin, certaines méthodes présentées comme du prompting masquent un besoin de données ou d’outil. Demander au modèle d’« être exact » ne lui donne pas accès à une information absente. Le prompt doit reconnaître ce qu’il peut contrôler et orienter le système vers une recherche, un calcul ou une escalade lorsque nécessaire.
Comment ça fonctionne ?
On commence par définir précisément la sortie et ses critères de réussite. Le prompt rassemble ensuite les instructions nécessaires : objectif, contexte, contraintes, étapes éventuelles et format.
Une première version est testée sur plusieurs cas représentatifs, pas sur un seul exemple favorable. Les erreurs sont classées : information manquante, instruction ambiguë, conflit de contraintes, format instable ou limite du modèle. Le prompt est ajusté puis évalué à nouveau.
Dans une application en production, les prompts sont versionnés, testés et observés comme les autres composants. Les informations variables sont injectées dynamiquement et les contenus non fiables sont séparés des instructions afin de limiter les détournements.
Exemple concret
Une équipe RH veut générer un premier brouillon d’annonce. Au lieu de demander « écris une offre attractive », le prompt précise le poste, les responsabilités confirmées, le public, le ton, les éléments interdits et une structure de sortie. Il exige aussi de signaler toute information manquante plutôt que de l’inventer.
Les versions sont testées sur plusieurs métiers. Les recruteurs corrigent les écarts et l’équipe améliore la consigne commune. L’exemple est pédagogique : il montre comment transformer une pratique individuelle en composant réutilisable.
Pourquoi c’est important pour les entreprises ?
Le prompt engineering accélère l’expérimentation et améliore la cohérence des usages. Mais s’il reste une collection de recettes personnelles, l’entreprise accumule des résultats impossibles à reproduire, auditer ou maintenir.
Pour industrialiser, il faut associer les prompts à des cas d’usage, des sources autorisées, des versions, des tests et des propriétaires. Les collaborateurs doivent aussi comprendre qu’une bonne formulation ne garantit ni la vérité ni la conformité du résultat.
Le prompt devient alors une petite partie d’un système gouverné. L’enjeu n’est pas d’apprendre à tous une syntaxe parfaite, mais de rendre explicites les objectifs, le contexte et les contrôles nécessaires au travail avec l’IA.
Le maintien est souvent sous-estimé. Un changement de modèle, de procédure ou de format en aval peut rendre un prompt moins efficace. Les versions doivent donc être reliées aux évaluations et aux usages qui en dépendent.
La gouvernance ne signifie pas centraliser chaque consigne. Elle peut fournir des modèles, règles et tests communs tout en laissant les équipes adapter les détails. Le but est de capitaliser sur ce qui fonctionne et de rendre visibles les risques, pas de figer l’expérimentation.