« Agis comme un expert avec 20 ans d'expérience. » « Réfléchis étape par étape. » « Utilise la méthode CRAFT. » Sur Internet, les conseils pour obtenir de meilleures réponses de ChatGPT se multiplient. Certains sont réellement utiles. D'autres sont devenus moins pertinents avec les progrès des modèles d'Intelligence artificielleEnsemble de techniques permettant à des machines d'accomplir des tâches nécessitant habituellement certaines capacités humaines, comme la reconnaissance, la prédiction ou la prise de décision.. Et quelques-uns reposent surtout sur des idées reçues.
Faut-il encore rédiger des prompts interminables pour obtenir de bons résultats ? Les méthodes comme CRAFT, RTF ou CO-STAR apportent-elles un véritable avantage ? Et quelles instructions font réellement la différence ?
Pour répondre à ces questions, nous allons comparer les principales approches, comprendre leurs avantages et leurs limites, puis identifier les pratiques les plus efficaces pour utiliser les assistants d'IA actuels.
1. Les principales méthodes de prompting : que valent-elles réellement ?
Le Prompt EngineeringEnsemble de techniques permettant de concevoir et d'améliorer les instructions fournies à un modèle d'intelligence artificielle. consiste à formuler des instructions permettant d'orienter le comportement d'un modèle d'intelligence artificielle. Il ne s'agit pas nécessairement de programmation. Dans la plupart des cas, quelques phrases bien construites suffisent.
Plusieurs méthodes ont été popularisées pour aider les utilisateurs à structurer leurs demandes. Elles ne constituent pas des commandes spéciales reconnues par ChatGPT. Ce sont avant tout des grilles de rédaction destinées à éviter les oublis.
RTF : la méthode la plus simple
RTF signifie généralement Rôle, Tâche et Format.
Le principe consiste à indiquer à ChatGPT la fonction qu'il doit adopter, le travail à réaliser et la forme de la réponse.
Exemple :
« Rôle : Tu es un formateur Excel. Tâche : Explique comment créer un tableau croisé dynamique à un débutant. Format : Présente un tutoriel en cinq étapes avec un exemple concret. »
Cette méthode est facile à mémoriser et convient aux demandes courantes. Elle présente toutefois une limite : elle ne prévoit pas explicitement le contexte, les données disponibles ou les contraintes.
Pour une tâche simple, cela peut suffire. Pour une analyse financière ou un travail technique, ces informations supplémentaires deviennent souvent plus importantes que le rôle attribué à l'assistant.
CRAFT : une approche centrée sur le résultat
L'acronyme CRAFT possède plusieurs interprétations selon les ressources qui l'utilisent. Nous retenons ici une adaptation pédagogique : Contexte, Résultat attendu, Action, Format, Ton et contraintes.
Cette structure met l'accent sur ce que l'utilisateur souhaite obtenir et sur les règles à respecter.
Exemple :
« Contexte : Je prépare un rapport commercial à partir d'un fichier Excel. Résultat attendu : Identifier les produits qui contribuent le plus au chiffre d'affaires. Action : Analyse les ventes et calcule la part de chaque produit. Format : Présente un tableau suivi d'une synthèse de cinq phrases. Ton et contraintes : Sois factuel, vérifie les calculs et n'invente aucune donnée. »
L'intérêt de CRAFT est de distinguer clairement l'objectif final du travail demandé. Cette distinction peut améliorer la pertinence des réponses lorsque plusieurs solutions sont possibles.
En revanche, il n'est pas nécessaire de remplir systématiquement les cinq rubriques. Une instruction naturelle contenant les mêmes informations peut fonctionner tout aussi bien.
CO-STAR : une méthode plus détaillée
CO-STAR est une grille de prompting qui distingue généralement six éléments : Context, Objective, Style, Tone, Audience et Response.
Elle permet de préciser le contexte, l'objectif, le style rédactionnel, le ton, le public cible et la forme de la réponse.
Cette approche peut être intéressante pour produire des contenus destinés à des publics différents.
Par exemple, une explication sur la cybersécurité ne sera pas rédigée de la même manière pour des collégiens, des salariés ou des administrateurs système.
CO-STAR aide à expliciter ces différences. Elle peut cependant devenir inutilement lourde pour une question factuelle ou une opération simple.
Distinguer systématiquement le style et le ton n'apporte pas toujours une amélioration perceptible.
RISEN : structurer des tâches complexes
La méthode RISEN est souvent présentée autour de cinq éléments : Role, Instructions, Steps, End goal et Narrowing, même si certaines variantes circulent.
Elle consiste à définir un rôle, des instructions, des étapes, un objectif final et des limites.
Elle peut être utile pour organiser un travail comportant plusieurs opérations, comme l'analyse d'un document, la préparation d'un rapport ou la construction d'un plan de projet.
Son intérêt principal réside dans la décomposition de la tâche et la définition de contraintes.
Mais imposer des étapes détaillées n'est pas toujours nécessaire. Les modèles récents disposent de capacités de planification et de raisonnement qui peuvent leur permettre de déterminer eux-mêmes une démarche adaptée.
Pour une tâche complexe, il peut être plus pertinent de préciser les résultats intermédiaires attendus et les points à vérifier que d'imposer chaque opération intellectuelle.
Quelle méthode choisir ?
| Méthode | Points forts | Limites | Usage conseillé |
|---|---|---|---|
| RTF | Simple et rapide | Contexte et contraintes peu développés | Demandes courantes |
| CRAFT | Objectif et contraintes explicites | Peut être excessif pour une question simple | Travail professionnel et analyses |
| CO-STAR | Bonne prise en compte du public et du ton | Plusieurs rubriques parfois redondantes | Rédaction et communication |
| RISEN | Organisation des tâches complexes | Peut imposer une procédure trop rigide | Projets en plusieurs étapes |
Aucune de ces méthodes n'est universellement supérieure. Leur efficacité dépend de la tâche, du modèle utilisé et de la qualité des informations fournies.
Le principal intérêt d'un acronyme est pédagogique : il aide à penser aux éléments importants. Le modèle n'a pas besoin de reconnaître le nom de la méthode pour comprendre une instruction correctement rédigée.
2. Les techniques qui améliorent réellement les réponses
Fournir les bonnes informations plutôt qu'un prompt très long
La précision est généralement plus utile que la longueur.
Comparez ces deux demandes.
« Analyse mes ventes et donne-moi des recommandations. »
« À partir du fichier Excel joint, calcule le chiffre d'affaires par produit et par mois. Compare les résultats au mois précédent, identifie les trois plus fortes baisses et présente les résultats dans un tableau. Ne propose pas de causes qui ne sont pas démontrées par les données. »
La deuxième instruction est plus exploitable, non parce qu'elle contient davantage de mots, mais parce qu'elle précise les données, les calculs, le format et les limites de l'interprétation.
À l'inverse, ajouter plusieurs paragraphes de consignes génériques peut détourner l'attention des informations essentielles ou introduire des contraintes contradictoires.
Donner un exemple lorsque le résultat doit suivre un modèle précis
Fournir un exemple est une technique appelée Few-shot PromptingTechnique consistant à fournir quelques exemples dans les instructions afin de guider la réponse d'un modèle. lorsqu'on présente plusieurs exemples d'entrées et de sorties attendues. Avec un seul exemple, on parle généralement de one-shot prompting.
Cette approche reste intéressante pour les tâches nécessitant une structure particulière.
Supposons que vous souhaitiez TransformerArchitecture de réseau neuronal reposant notamment sur des mécanismes d'attention pour traiter des séquences de données. des descriptions de produits en fiches courtes.
Vous pouvez fournir une description et la fiche correspondante, puis demander à ChatGPT de reproduire le même type de résultat pour d'autres produits.
Les exemples sont particulièrement utiles pour fixer une convention de classement, une structure JSON, une terminologie ou un style difficile à décrire.
Ils sont moins nécessaires lorsqu'une instruction simple suffit, par exemple pour demander une définition ou une conversion élémentaire.
Attention également à la qualité des exemples. Un modèle peut reproduire leurs erreurs, leurs biais ou leurs incohérences.
Fournir les documents de référence
Lorsqu'une tâche dépend d'informations spécifiques, transmettre les données pertinentes est souvent plus efficace que demander au modèle de répondre uniquement à partir de ses connaissances générales.
Pour analyser un contrat, fournissez le contrat. Pour résumer un rapport, joignez le rapport. Pour comparer des ventes, importez le tableau correspondant.
Vous pouvez ensuite préciser :
« Appuie-toi uniquement sur les documents fournis. Si une information n'y figure pas, indique qu'elle est absente plutôt que de la déduire. »
Cette instruction réduit le risque d'ajouter des informations extérieures non souhaitées, sans garantir une exactitude parfaite.
Les documents eux-mêmes peuvent contenir des erreurs. Les fichiers volumineux, les tableaux complexes et les PDF numérisés peuvent également être mal interprétés.
Améliorer la réponse par le dialogue
L'une des techniques les plus efficaces ne consiste pas à écrire un PromptL’instruction et le contexte fournis à un modèle pour orienter sa réponse. parfait, mais à travailler en plusieurs échanges.
Commencez par demander une première version. Examinez-la, puis indiquez précisément ce qui doit changer.
« Cette explication est trop technique. Réécris-la pour un débutant et ajoute un exemple. »
« Les calculs sont corrects, mais je souhaite comparer les résultats par trimestre plutôt que par mois. »
« Garde la structure du document, mais raccourcis l'introduction et développe les recommandations. »
Cette méthode permet de corriger progressivement les écarts entre la réponse obtenue et le résultat attendu.
Elle est particulièrement utile pour la rédaction, la programmation, la préparation de supports pédagogiques et les analyses nécessitant plusieurs ajustements.
Utiliser les outils adaptés
Un prompt ne remplace pas une fonctionnalité technique.
Pour connaître une information récente, un assistant disposant d'un accès à la recherche Internet sera généralement plus adapté qu'un modèle répondant uniquement à partir de ses connaissances internes.
Pour effectuer des calculs sur un fichier volumineux, un outil d'analyse de données capable d'exécuter du code peut être préférable à une réponse générée directement sous forme de texte.
Pour produire une image, il faut utiliser une fonctionnalité de génération d'images. Pour vérifier un chiffre, il peut être nécessaire de consulter une source officielle ou d'effectuer le calcul avec un outil dédié.
Même une instruction parfaitement structurée ne peut pas garantir l'exécution d'une tâche que le système ne sait pas réaliser.
3. Les astuces devenues moins utiles et les idées reçues
« Agis comme un expert avec 20 ans d'expérience »
Cette formule figure dans de nombreux modèles de prompts. Elle consiste à attribuer une expertise fictive à l'assistant pour obtenir une réponse supposément plus professionnelle.
Le problème est qu'elle ne fournit aucune information supplémentaire sur la tâche.
Pour expliquer une formule Excel, écrire « Agis comme un expert Excel avec 20 ans d'expérience » est souvent moins utile que préciser la version du logiciel, la structure du tableau et le résultat attendu.
Le rôle conserve néanmoins un intérêt lorsqu'il définit un point de vue ou une fonction concrète.
« Analyse cette proposition du point de vue d'un responsable financier » peut orienter l'examen vers les coûts, les risques et la rentabilité.
En revanche, attribuer un nombre d'années d'expérience ne confère pas au modèle une compétence réelle supplémentaire.
« Réfléchis étape par étape »
Cette instruction a été popularisée par des travaux sur le raisonnement des modèles de langage. Sur certains modèles et certaines tâches, demander une démarche progressive pouvait améliorer les performances.
Avec les modèles de raisonnement plus récents, la situation a évolué. Certains systèmes effectuent déjà des étapes de raisonnement internes sans qu'il soit nécessaire de les réclamer explicitement.
Ajouter systématiquement « réfléchis étape par étape » n'est donc plus une règle universelle. Selon le modèle et la tâche, cette instruction peut être redondante ou n'apporter aucun bénéfice mesurable.
Pour un problème complexe, mieux vaut souvent préciser :
« Résous le problème, vérifie les calculs et présente les principales étapes permettant de comprendre le résultat. »
Cette formulation demande une explication contrôlable sans imposer une méthode de raisonnement interne particulière.
« Je vais te donner 100 euros si tu réussis »
Certains prompts promettent une récompense financière, utilisent la flatterie ou insistent sur l'importance exceptionnelle de la tâche.
Ces formulations ne constituent pas une méthode fiable pour améliorer les résultats.
Le modèle ne reçoit pas réellement la récompense promise. Même si certains effets de formulation ont pu être observés dans des expérimentations particulières, cela ne démontre pas qu'une promesse d'argent améliore systématiquement la précision.
Pour une tâche importante, mieux vaut expliquer les conséquences concrètes d'une erreur et les critères de validation attendus.
Par exemple :
« Ces données seront utilisées dans un rapport financier. Vérifie les totaux, distingue les montants HT et TTC et signale toute incohérence. »
Cette instruction apporte des contraintes utiles, contrairement à une récompense imaginaire.
« Tu dois absolument répondre, sans jamais dire que tu ne sais pas »
Cette instruction est particulièrement problématique.
Un modèle peut manquer d'informations, ne pas disposer d'un outil nécessaire ou rencontrer une ambiguïté dans les données.
L'obliger à fournir une réponse dans tous les cas peut favoriser des affirmations non vérifiées.
Il est préférable de demander explicitement à l'assistant de reconnaître ses limites.
« Si les informations disponibles ne permettent pas de conclure, explique ce qui manque et indique comment vérifier. »
Pour les sujets techniques, juridiques, médicaux ou financiers, cette précaution est essentielle.
« Plus le prompt est long, meilleure sera la réponse »
La longueur d'un prompt ne garantit pas sa qualité.
Une demande de cinquante lignes peut être moins efficace qu'une instruction de cinq lignes si elle contient des répétitions, des objectifs contradictoires ou des détails sans rapport avec le travail demandé.
Les modèles récents sont capables de comprendre des instructions formulées naturellement. Il n'est donc pas nécessaire d'utiliser un vocabulaire artificiellement technique pour leur parler.
La bonne longueur est celle qui permet de fournir les informations indispensables sans noyer la demande dans des consignes inutiles.
« Écrire en anglais donne toujours de meilleurs résultats »
L'anglais occupe une place importante dans les données utilisées pour entraîner de nombreux modèles, mais cela ne signifie pas qu'il faille systématiquement traduire ses demandes.
Les assistants modernes disposent de capacités multilingues importantes. Pour un travail destiné à un public français, rédiger directement en français permet de préciser naturellement les conventions, le vocabulaire et le ton attendus.
Certaines tâches spécialisées ou certains modèles peuvent présenter des différences de performance selon la langue. Il n'existe cependant pas de règle générale selon laquelle un prompt anglais serait toujours supérieur.
Pour un travail en français, commencez donc en français. Si vous constatez une difficulté particulière, vous pouvez tester une autre formulation ou comparer les résultats dans plusieurs langues.
« Les majuscules et les mots magiques rendent le prompt plus puissant »
Écrire « IMPORTANT », « OBLIGATOIRE » ou « ABSOLUMENT » peut attirer l'attention sur une contrainte dans certains contextes, mais ces mots ne disposent pas d'un pouvoir particulier.
De même, les séparateurs, les balises XML ou les structures JSON peuvent aider à organiser des instructions complexes. Ils ne sont pas indispensables pour une demande ordinaire.
Pour une conversation simple, une phrase claire suffit généralement.
Pour une tâche impliquant plusieurs documents, des règles nombreuses ou un format de sortie strict, une structure explicite devient plus intéressante.
Le bénéfice vient de la clarté de l'organisation, pas d'une syntaxe secrète.
4. Quelle méthode adopter aujourd'hui pour obtenir de meilleurs résultats ?
Plutôt que de rechercher une méthode universelle, il est plus efficace d'adapter la précision de votre prompt à la difficulté de la tâche.
Niveau 1 : une demande naturelle pour les tâches simples
Pour obtenir une définition, une explication courte ou une reformulation, une instruction directe suffit souvent.
« Explique la différence entre un fichier CSV et un fichier Excel avec un exemple concret. »
Il serait inutile de remplir six rubriques pour une question aussi simple.
Niveau 2 : CRAFT pour les demandes professionnelles
Lorsque vous souhaitez obtenir un résultat précis, la méthode CRAFT constitue une grille pratique.
Rappelons ses cinq éléments :
- Contexte : quelle est la situation ?
- Résultat attendu : quel objectif faut-il atteindre ?
- Action : quel travail faut-il effectuer ?
- Format : comment présenter le résultat ?
- Ton et contraintes : quelles règles faut-il respecter ?
Prenons un exemple avec un fichier de ventes.
« Je suis responsable commercial et je prépare un rapport mensuel pour ma direction. Je souhaite identifier les produits dont les ventes diminuent. Analyse le fichier Excel joint, compare les chiffres d'affaires des deux derniers mois et classe les cinq plus fortes baisses en pourcentage. Présente les résultats dans un tableau, puis propose une synthèse factuelle. Ne déduis aucune cause qui ne serait pas démontrée par les données. »
Cette demande contient les éléments essentiels de CRAFT, sans qu'il soit nécessaire d'afficher chaque rubrique.
Niveau 3 : décomposer les projets complexes
Pour un projet important, une seule demande peut être insuffisante.
Imaginons que vous souhaitiez créer un tableau de bord de gestion à partir de plusieurs fichiers Excel.
Vous pouvez procéder en plusieurs échanges.
Commencez par demander à ChatGPT d'examiner la structure des fichiers et d'identifier les informations disponibles.
Demandez ensuite une proposition d'indicateurs adaptés à vos objectifs.
Validez les indicateurs retenus avant de passer à la construction des calculs, des tableaux et des graphiques.
Enfin, contrôlez les résultats avec les données d'origine.
Cette progression permet de détecter les erreurs avant qu'elles ne se propagent dans les étapes suivantes.
Pour les tâches longues, vous pouvez aussi demander un plan de travail, des livrables intermédiaires et des critères de validation. Le modèle dispose ainsi d'un cadre clair tout en conservant une certaine liberté pour choisir sa démarche.
La vérification reste indispensable
Aucune méthode de prompting ne garantit une réponse exacte à 100 %.
Un assistant peut mal interpréter un document, inventer une référence, effectuer un calcul incorrect ou utiliser une information dépassée.
Pour limiter ces risques, vérifiez les éléments importants avec des sources fiables, des outils de calcul ou les documents d'origine.
Demandez également à ChatGPT de distinguer les faits des hypothèses et de signaler les informations manquantes.
Une bonne pratique consiste à terminer une demande complexe par :
« Avant de finaliser, contrôle que la réponse respecte les contraintes indiquées. Signale les éléments incertains et les points qui nécessitent une vérification externe. »
Ce contrôle supplémentaire peut aider à repérer certaines incohérences, mais il ne remplace pas une vérification indépendante.
Le véritable changement apporté par les modèles récents
Les premières générations d'assistants conversationnels nécessitaient parfois des instructions très explicites pour accomplir correctement certaines tâches. Les progrès des modèles ont amélioré leur capacité à interpréter des demandes naturelles, à suivre des consignes complexes et, pour certains, à organiser leur propre raisonnement.
Cela ne rend pas le prompting inutile. Cela déplace simplement son intérêt.
L'enjeu n'est plus de trouver une formule magique pour déclencher une bonne réponse, mais de fournir les informations pertinentes, de définir clairement le résultat attendu et d'utiliser les bons outils.
Pour vos prochaines demandes, retenez donc une règle simple : commencez naturellement, utilisez CRAFT lorsque la tâche nécessite un cadrage précis, puis améliorez le résultat par le dialogue. Et lorsque la réponse doit servir à prendre une décision importante, prenez toujours le temps de vérifier les informations sur lesquelles elle repose.





