Maîtriser l’art du prompt : techniques et méthode

Vous écrivez une demande à un assistant, vous obtenez un texte correct mais générique, et vous reformulez trois fois avant d’arriver à quelque chose d’utilisable. Ce va-et-vient représente l’essentiel du temps perdu avec l’IA. Les trois grands éditeurs publient chacun leur guide de prompt, et ces guides se ressemblent beaucoup plus qu’on ne le croit : les bonnes pratiques d’Anthropic, le guide des modèles de raisonnement d’OpenAI et les stratégies de prompt de Google donnent des conseils largement superposables. Leurs recommandations tiennent en une poignée de principes, que cet article détaille un par un.

La discipline a changé de nature en deux ans. On ne cherche plus la formule magique qui débloque un modèle récalcitrant : on prépare le contexte, on règle la profondeur de réflexion, on décrit le résultat attendu, puis on laisse le modèle choisir son chemin. Si vos prompts échouent souvent, notre article sur les dix raisons pour lesquelles un prompt ne marche pas traite les erreurs classiques et les réflexes hérités des anciens modèles. Ici, nous restons sur la méthode et les techniques.

Ce qui a changé avec les modèles de raisonnement

Les assistants grand public reposent désormais sur des modèles qui produisent une réflexion interne avant de répondre. GPT-6 Astra, déployé par OpenAI à partir du 3 septembre 2026, Claude Fable 5.1 et Claude Opus 5 chez Anthropic, Gemini 3.8 Flash chez Google fonctionnent tous sur ce principe. Chez Anthropic, la réflexion est même impossible à désactiver sur Fable 5.1. Cette bascule a trois conséquences directes sur la façon d’écrire un prompt.

La réflexion se règle au lieu de se demander

Chaque éditeur expose maintenant un curseur de profondeur de réflexion. OpenAI propose cinq niveaux de reasoning_effort pour GPT-6 Astra : low, medium, high, xhigh et max, medium servant de valeur par défaut. Anthropic combine une réflexion adaptative, où le modèle décide seul quand et combien réfléchir, avec un paramètre d’effort qui va lui aussi de low à max. Google parle de thinking_level : Gemini 3.8 Flash accepte low, medium par défaut et high, et refuse le niveau minimal.

Dans les interfaces grand public, ce réglage apparaît sous forme de sélecteur de mode ou de modèle. Le réflexe utile consiste à monter l’effort quand la tâche demande vraiment une analyse, et à le baisser pour une reformulation ou une extraction simple. Un effort élevé coûte des tokens et de la latence, sans rien apporter sur une tâche facile.

Les exemples restent utiles, et les éditeurs ne disent pas tout à fait la même chose

La consigne « commencez toujours sans exemple » circulait beaucoup. Elle est trop absolue. Anthropic recommande trois à cinq exemples, pertinents, variés, et balisés dans des balises example pour que le modèle les distingue des instructions. Google écrit noir sur blanc qu’il recommande de toujours inclure des exemples few-shot, et que les prompts qui en manquent sont probablement moins efficaces. OpenAI, de son côté, distingue deux familles : ses modèles de raisonnement travaillent mieux avec peu de direction, comme un collègue expérimenté à qui on donne un objectif, alors que ses modèles classiques réclament des instructions explicites.

La règle pratique tient en une phrase. Décrivez d’abord le résultat attendu, et si la forme obtenue ne correspond pas, montrez un exemple au lieu de rallonger la description.

Le contexte compte plus que la formule

Andrej Karpathy a résumé le déplacement du curseur : le modèle joue le rôle du processeur, la fenêtre de contexte celui de la mémoire vive, et votre travail consiste à charger la bonne information au bon moment. Un prompt réussi ressemble donc moins à une phrase bien tournée qu’à un dossier bien monté. Pour comprendre ce que le modèle fait de ce dossier, notre article sur le fonctionnement d’un LLM détaille le mécanisme.

Le placement de l’information joue aussi. Anthropic conseille de mettre les documents longs en haut du prompt et la question à la fin, et mesure jusqu’à 30 % de qualité de réponse en plus avec cet ordre. Google donne la même consigne pour Gemini 3 : les instructions et la question se placent après les données. Anthropic suggère en complément de demander au modèle de citer les passages pertinents avant de traiter la demande.

Les principes qui tiennent, quel que soit le modèle

1. Soyez précis, et dites pourquoi

La première cause de résultats médiocres reste un prompt vague. « Écris-moi un article sur l’IA » donnera toujours un texte générique. « Rédige un article de 800 mots sur les hallucinations de l’IA, destiné à des solopreneurs francophones, ton direct et pédagogique, avec des exemples concrets et un encadré sur les solutions » donne un résultat exploitable. Précisez le format, le ton, la longueur, l’audience et les contraintes.

Anthropic ajoute un conseil que beaucoup d’utilisateurs ignorent : expliquez la raison de la contrainte, pas seulement la contrainte. Sa propre documentation compare deux formulations. « N’utilise jamais de points de suspension » fonctionne moins bien que « ta réponse sera lue par un moteur de synthèse vocale, n’utilise donc jamais de points de suspension, parce que le moteur ne saura pas les prononcer ». Le modèle généralise à partir de l’explication et applique la règle aux cas voisins.

2. Donnez un rôle, en une phrase

Attribuer un rôle oriente le vocabulaire, le niveau de détail et les hypothèses du modèle. « Tu es un fiscaliste spécialisé dans les micro-entreprises françaises » produit des réponses plus pertinentes que la même question posée sans cadre. Une seule phrase suffit, et sa place naturelle se trouve dans le prompt système plutôt que dans chaque message. Les longues mises en scène de personnage servaient à compenser des modèles peu attentifs, et Anthropic les juge désormais moins nécessaires.

3. Structurez les blocs de votre prompt

Les modèles traitent mieux un prompt découpé qu’un bloc de texte continu. Séparez visiblement le contexte, la tâche, les contraintes et le format de sortie. Anthropic recommande les balises XML pour délimiter ces blocs, avec des noms de balises constants d’un prompt à l’autre, et un emboîtement quand la hiérarchie s’y prête. OpenAI accepte aussi bien des titres Markdown que des balises XML pour marquer l’identité, les instructions, les exemples et le contexte.

RÔLE
Tu es rédacteur web spécialisé SEO pour un blog francophone.

TÂCHE
Rédige un article de 800 mots sur [sujet].

CONTEXTE
Le lectorat est composé d’indépendants qui découvrent le sujet.
L’article sera publié dans une rubrique pédagogique, à côté de
trois guides déjà en ligne sur le même thème.

CONTRAINTES
- Ton direct et pédagogique, vocabulaire simple
- Structure : introduction, 4 parties, conclusion
- Un exemple concret par partie
- Listes de 5 items maximum

FORMAT DE SORTIE
Markdown, titres en H2 et H3, paragraphes de 3 à 5 phrases.

CRITÈRE DE RÉUSSITE
Un lecteur qui ne connaît pas le sujet doit pouvoir expliquer
l’idée principale à quelqu’un d’autre après lecture.

4. Formulez en positif

Les trois éditeurs convergent sur ce point : une consigne qui dit quoi faire est mieux suivie qu’une interdiction. « Utilise un vocabulaire simple, compréhensible par quelqu’un qui découvre le sujet » fonctionne mieux que « n’utilise pas de jargon ». Anthropic applique le même raisonnement au format : plutôt que « n’utilise pas de Markdown », écrivez « ta réponse doit être composée de paragraphes de prose qui s’enchaînent ». Quand une interdiction reste indispensable, accompagnez-la de l’alternative positive.

5. Montrez plutôt que d’expliquer

Quand la description ne suffit pas, un exemple du résultat attendu règle souvent le problème en une itération. Trois à cinq exemples suffisent dans la plupart des cas, à condition qu’ils couvrent des situations différentes, y compris les cas limites. Anthropic signale un effet de contagion utile : le style de votre prompt influence le style de la réponse, et faire ressembler votre demande au résultat souhaité améliore la mise en forme.

6. Itérez au lieu de tout réécrire

Un bon résultat se construit rarement en un seul tour. Partez d’un prompt simple, évaluez, puis corrigez par touches. « Le ton est trop formel, rends-le plus conversationnel » ou « développe la partie 3 » avance plus vite qu’une réécriture complète. Quand une consigne revient à chaque session, elle ne relève plus du prompt : elle appartient au prompt système ou à un fichier de consignes, comme expliqué plus bas.

Obtenir un format de sortie exploitable

La sortie pose souvent plus de problèmes que le contenu. Décrivez la forme attendue en une consigne positive, et donnez-en un exemple si la première tentative rate. Pour les documents longs, Anthropic propose une consigne détaillée qui demande une prose continue et réserve les listes aux cas où les éléments sont réellement discrets ou quand le lecteur en demande une.

Les développeurs disposent d’un cran supplémentaire. Les sorties structurées d’OpenAI garantissent que la réponse respecte un schéma JSON fourni, sans clé manquante ni valeur d’énumération inventée, là où l’ancien mode JSON promettait seulement du JSON valide. OpenAI recommande de préférer systématiquement les sorties structurées au mode JSON. Google permet de combiner une sortie structurée avec ses outils intégrés, dont la recherche Google, le contexte d’URL, l’exécution de code et l’appel de fonctions, ce qui ouvre la porte à des chaînes de traitement automatisées. Pour aller plus loin côté API, notre guide sur Codex CLI et l’API OpenAI détaille la mise en pratique.

Prompts système et fichiers de consignes réutilisables

Une bonne partie de ce que vous réécrivez à chaque conversation n’a aucune raison d’y figurer. OpenAI hiérarchise explicitement les messages : les instructions de développeur passent devant les messages utilisateur, la première jouant le rôle d’une définition de fonction et la seconde celui des arguments. Un prompt système bien écrit rend donc vos demandes quotidiennes beaucoup plus courtes.

Les outils grand public proposent tous un support pour ces consignes permanentes. Les Projects de ChatGPT et les Projets de Claude portent des instructions valables pour toutes les conversations d’un espace. Anthropic recommande de déplacer dans un fichier CLAUDE.md ou dans une compétence tout ce qui doit s’appliquer à chaque session plutôt qu’à chaque prompt, et les Claude Skills vont plus loin en embarquant des procédures complètes. Du côté Microsoft, les Copilot instructions remplissent le même rôle dans Microsoft 365.

Pour le code, un format s’est imposé. Le fichier AGENTS.md, présenté comme un README destiné aux agents, est utilisé par plus de 60 000 dépôts open source et reconnu par une trentaine d’outils, dont Codex, Cursor, Gemini CLI, GitHub Copilot, Jules, Zed et Windsurf. Il est maintenant piloté par l’Agentic AI Foundation, sous l’égide de la Linux Foundation. Il contient ce qu’un agent doit savoir et qu’un README humain ne dit pas : commandes de build, procédure de test, conventions du projet.

Une nuance mérite d’être signalée aux développeurs. OpenAI déconseille de construire des objets de prompt réutilisables et abstraits dans le code : la documentation recommande de garder les constructeurs de prompt dans un petit module proche de la fonctionnalité concernée, et de déployer les changements de prompt par le système de déploiement habituel, avec des indicateurs de fonctionnalité. Le paramètre d’instructions de l’API ne vaut d’ailleurs que pour la requête en cours et ne se propage pas aux tours suivants.

Prompter un agent, pas seulement un assistant

Un agent exécute des actions : il lit des fichiers, lance des commandes, appelle des outils, parfois pendant des heures. La façon de le briefer diffère nettement d’une demande de texte. Notre article sur ce qu’est un agent IA pose les bases, et ces quatre consignes couvrent l’essentiel du prompt.

• Décrivez l’objectif, pas la procédure — OpenAI note que des instructions trop détaillées nuisent maintenant au résultat sur ses modèles de raisonnement, alors qu’elles aidaient les générations précédentes. Donnez l’objectif, les contraintes et le critère de réussite, puis laissez le modèle choisir le chemin.
• Cadrez ce qui est réversible — Anthropic propose de distinguer les actions locales et réversibles, que l’agent peut mener seul, des opérations destructrices ou visibles par d’autres, qui demandent une confirmation. Suppression de fichiers ou de branches, rm -rf, git push --force, publication d’un commentaire : ces cas méritent une règle écrite.
• Demandez une trace de l’avancement — sur les tâches longues, un fichier de notes et un état structuré permettent à l’agent de reprendre après une remise à zéro du contexte. Anthropic conseille d’utiliser un format structuré pour l’état, par exemple la liste des tests et leur statut, et du texte libre pour les notes de progression.
• Exigez une vérification avant affirmation — une consigne du type « n’affirme rien sur un fichier que tu n’as pas ouvert » réduit nettement les réponses inventées sur une base de code. Le sujet rejoint celui des hallucinations de l’IA, qui ne disparaissent pas parce que le modèle a accès à des outils.

Deux consignes supplémentaires évitent des dérives fréquentes. Anthropic recommande de demander explicitement de ne pas surdimensionner la solution : pas de fonctionnalité non demandée, pas de gestion d’erreur pour des cas impossibles, pas d’abstraction pour une opération unique. Une autre consigne demande une solution générale plutôt qu’un contournement qui ne passe que les tests fournis. Pour connecter un agent à vos outils, notre guide sur le protocole MCP explique le mécanisme, et Claude Code donne un exemple concret d’agent de développement.

Adapter votre prompt au modèle que vous utilisez

Les grandes règles sont communes, les réglages ne le sont pas. Ce tableau résume ce qui distingue les assistants les plus utilisés, avec le guide détaillé de chacun.

Google ajoute un avertissement qui concerne les développeurs. Sur les modèles Gemini 3.x, il faut laisser la température à sa valeur par défaut : la baisser peut provoquer des boucles ou dégrader les performances, en particulier sur les tâches mathématiques et de raisonnement. La documentation de Gemini 3.8 Flash va plus loin et retire purement et simplement les anciens paramètres d’échantillonnage.

Par où commencer

Vous n’avez pas besoin de tout appliquer d’un coup. Prenez votre prochaine demande et ajoutez trois éléments avant de l’envoyer : le format souhaité, le public visé et le critère qui vous fera dire que la réponse est bonne. Comparez avec ce que vous auriez obtenu sans ces trois lignes. L’écart suffit généralement à convaincre.

Construisez ensuite une bibliothèque de prompts pour vos tâches récurrentes, et traitez-la comme du code : sauvegardez, versionnez, améliorez au fil des essais. Notre sélection de 50 prompts ChatGPT prêts à l’emploi fournit une base à adapter. Quand une consigne revient dans chaque conversation, déplacez-la dans un prompt système ou un fichier de consignes. Pour la méthode globale, du contexte persistant aux agents, notre série sur le travail avec l’IA couvre chaque niveau.