L’art du prompt avec ChatGPT : les techniques qui marchent en 2026

Un prompt, c’est une instruction. Plus elle est précise, plus le résultat est exploitable. Le problème, c’est que la précision a un coût : du temps, de la réflexion, de la structure. Ce guide vous apprend à investir ce temps aux bons endroits, là où la différence de qualité est la plus visible. Il vous apprend aussi à automatiser le reste avec les Custom Instructions.

Tout ce qui suit a été retesté sur une vingtaine de prompts réels. Nous avons utilisé GPT-5.6 Luna et le curseur d’effort de GPT-5.6 Sol. Les exemples sont complets et à copier-coller. Vous n’êtes pas à l’aise avec les modèles et les plans ChatGPT de 2026 ? L’état des lieux complet de l’écosystème ChatGPT pose le décor avant d’attaquer le prompting.

Custom Instructions : votre system prompt permanent

Avant de travailler vos prompts individuels, configurez vos Custom Instructions. Ce levier a le meilleur ratio effort/impact : vous le faites une fois, puis chaque conversation en bénéficie automatiquement.

Les Custom Instructions se trouvent dans Paramètres > Personnalisation > Instructions personnalisées. Deux champs de 1 500 caractères chacun :

• « Que devrait savoir ChatGPT sur vous ? » — votre métier, votre secteur, votre niveau technique, les outils que vous utilisez, votre langue de travail. Ce champ fournit le contexte permanent.
• « Comment ChatGPT devrait-il répondre ? » — le format, le ton, la longueur, les comportements à éviter. Ce champ pilote le style de sortie.

La règle d’or : une instruction encore vraie dans six mois a sa place dans les Custom Instructions. Si elle est spécifique à une tâche, elle va dans le prompt de la conversation.

Un exemple concret qui change tout

Voici des Custom Instructions testées pour un consultant marketing indépendant francophone. Copiez-les, adaptez-les à votre cas.

# Champ 1 — Ce que ChatGPT doit savoir
Je suis consultant marketing digital indépendant, basé en France.
Mes clients sont des PME (10-200 salariés) dans le B2B tech.
Je travaille sur : stratégie de contenu, SEO, LinkedIn, emailing.
Mon niveau technique : à l'aise avec le HTML/CSS, pas développeur.
Je produis tous mes contenus en français.
J'utilise : WordPress, Mailchimp, LinkedIn, Google Analytics 4.

# Champ 2 — Comment répondre
Réponds en français. Tutoie-moi.
Sois direct et concis — pas de phrases d'introduction inutiles.
Quand je demande un texte, donne-moi le texte fini, pas un plan.
Privilégie les exemples concrets à la théorie.
Si je demande une liste, limite-la à 5-7 items sauf demande contraire.
Ne commence jamais par "Bien sûr !" ou "Excellente question !".
Si tu n'es pas sûr d'un fait, dis-le au lieu d'inventer.

Résultat : dès la première conversation, ChatGPT connaît votre contexte métier et adapte le ton et le format. Il évite aussi les tics de langage agaçants. Vous gagnez 2 à 3 échanges de cadrage à chaque nouvelle conversation.

Prompter GPT-5.6 : ce que change le curseur d’effort

Depuis le 6 août 2026, le menu à trois niveaux — Medium, High, Extra High — a disparu. Un curseur d’effort de réflexion le remplace, sur les forfaits Plus et Pro. Sous le capot, les paliers d’effort du modèle existent toujours. OpenAI les nomme low, medium, high et xhigh côté développeur. L’interface ChatGPT, elle, les présente désormais comme un réglage continu plutôt que comme une liste à choisir.

Cette bascule ne change pas que l’interface. La doctrine officielle de prompting a elle aussi évolué avec la génération GPT-5.6.

Concrètement, OpenAI recommande de simplifier les prompts plutôt que de les complexifier. Retirez les répétitions, les exemples redondants et les consignes qui ne servent plus à rien. Gardez ce qui compte : le résultat attendu, les critères de réussite, les contraintes de sécurité. Gardez aussi les règles de routage vers vos outils. C’est un changement de philosophie par rapport aux modèles précédents, qui récompensaient des prompts très détaillés et procéduraux.

Le préambule de raisonnement — une vraie nouveauté

Quand le curseur d’effort est poussé vers le haut, le modèle affiche un court préambule. Il explique ce qu’il compte faire avant de commencer. Vous pouvez alors lui envoyer des instructions pendant qu’il réfléchit, pour ajuster la direction avant la réponse finale. C’est comme corriger le cap d’un collaborateur qui réfléchit à voix haute, plutôt que de tout reprendre après coup.

Autre gain du raisonnement : les sorties sont plus cleanes. Le formatage est plus strict, avec moins de titres ou de préambules inutiles. Concrètement, certaines contraintes négatives deviennent moins nécessaires — « pas de sommaire », « pas de conclusion bidon », « pas de headers inutiles ». Vous pouvez les alléger.

Régler le curseur, sans deviner

Dans le composeur de message, un curseur remplace l’ancien sélecteur à trois niveaux. En pratique, gardez un réglage intermédiaire par défaut, et ne montez que lorsque le résultat manque de profondeur. OpenAI recommande même d’essayer un cran plus bas sur les tâches sensibles à la latence. Réservez les efforts les plus élevés aux cas où le gain de qualité est mesurable. Évitez le réglage maximal par défaut.

Déclencher le plan de raisonnement de manière explicite

Pour forcer le modèle à afficher son plan avant de poursuivre, ajoutez cette instruction dans votre prompt :

# Déclencher le plan de raisonnement
Avant de rédiger ta réponse, présente ton plan d'approche
et attends ma confirmation avant de continuer.

Utile quand la tâche est longue et coûteuse à corriger après coup. Un rapport de 2 000 mots, une refonte de code, une stratégie complète, par exemple. C’est aussi l’occasion de fixer vous-même ce qui reste sous votre contrôle.

Le même principe régit d’ailleurs les cartes d’approbation de ChatGPT Work et des apps. Vous décidez où s’arrête l’autonomie du modèle.

Les 6 techniques de prompt qui produisent une différence mesurable

Il existe des dizaines de « techniques de prompting » nommées. En 2026, avec la génération GPT-5.6, six d’entre elles produisent une différence mesurable. Les autres sont soit intégrées au modèle, qui les applique automatiquement, soit marginales.

1. Le cadrage contextuel structuré

Structurez votre prompt en quatre blocs : Contexte, Tâche, Contraintes, Output. C’est le format le plus fiable avec GPT-5.6, entraîné pour suivre des instructions structurées avec précision.

# Exemple de cadrage — Rédaction d'un email commercial
CONTEXTE : Je suis directeur commercial chez DataFlow,
éditeur SaaS B2B de gestion de flux de données.
Notre prospect est le DSI d'un groupe industriel de 800 personnes.
Il a assisté à notre webinaire la semaine dernière.

TÂCHE : Rédige un email de relance post-webinaire qui propose
un rendez-vous de 30 minutes pour une démo personnalisée.

CONTRAINTES :
- Maximum 150 mots
- Ton professionnel mais pas corporatif
- Ne pas mentionner de prix
- Inclure une preuve sociale (invente un cas client crédible
  dans l'industrie manufacturière)

OUTPUT : L'email complet, prêt à envoyer, avec objet.

Ce format fonctionne parce qu’il élimine l’ambiguïté. Décrivez le résultat attendu plutôt que la procédure à suivre. Le modèle choisit lui-même le chemin le plus efficace. Un prompt ambigu, à l’inverse, reste la première source de résultats décevants.

2. Le few-shot (exemples avant/après)

Donnez 2 à 3 exemples du résultat que vous attendez avant de poser votre requête. Le modèle reproduit alors le pattern observé bien mieux qu’il n’interprète une description abstraite.

# Few-shot — Réécriture de titres d'articles
Réécris ces titres de blog pour les rendre plus accrocheurs
et orientés bénéfice lecteur. Voici trois exemples :

AVANT : "Les avantages du CRM pour les PME"
APRÈS : "CRM en PME : 5 gains concrets dès le premier mois"

AVANT : "Comment utiliser l'IA pour le recrutement"
APRÈS : "Recrutement IA : réduire de 40 % le temps de tri des CV"

AVANT : "Guide de l'email marketing"
APRÈS : "Email marketing : le template qui génère 35 % d'ouverture"

Maintenant, réécris ces titres avec la même logique :
1. "Les tendances du marketing digital en 2026"
2. "Pourquoi adopter une stratégie de contenu"
3. "Les outils IA pour la gestion de projet"

Le few-shot est également efficace pour la reformulation, la classification, et la génération de contenu dans un style précis. Avec 2-3 exemples, vous obtenez une cohérence que même les Custom Instructions ne peuvent garantir seules.

3. Le chain of thought (raisonnement étape par étape)

Demandez au modèle de décomposer son raisonnement avant de donner la réponse finale. Avec un curseur d’effort élevé, le chain of thought devient largement automatique. Vous voyez même le plan que le modèle compte suivre, dans son préambule. Sur un réglage bas, ou avec Luna, demandez-le explicitement.

# Chain of thought — Analyse de rentabilité
Mon entreprise envisage de remplacer notre outil de support
client (Zendesk, 85 €/agent/mois, 12 agents) par Intercom
(74 €/agent/mois + 0,99 € par résolution IA, estimation
400 résolutions IA/mois).

Raisonne étape par étape :
1. Calcule le coût actuel annuel
2. Calcule le coût Intercom annuel (agents + résolutions IA)
3. Compare les deux
4. Identifie le seuil de résolutions IA où Intercom
   devient plus cher
5. Donne ta recommandation avec les réserves

La différence entre un prompt « compare ces deux solutions » et un prompt avec chain of thought est nette. Le premier donne une réponse vague, le second un calcul vérifiable.

4. Les balises de structure

GPT-5.6 est entraîné pour respecter les balises XML et Markdown dans les prompts. Utilisez-les pour séparer clairement les sections de votre instruction, surtout quand vous fournissez des données à analyser. C’est un cas typique où monter le curseur d’effort apporte un vrai gain. Le réglage intermédiaire sous-estime parfois la complexité d’une analyse sur données réelles.

# Balises de structure — Analyse de feedback client
<rôle>
Tu es analyste UX spécialisé en SaaS B2B.
</rôle>

<données>
[Coller ici 20-30 verbatims clients extraits de vos enquêtes]
</données>

<tâche>
1. Identifie les 5 thèmes récurrents dans ces retours
2. Pour chaque thème, cite 2 verbatims représentatifs
3. Classe les thèmes par fréquence décroissante
4. Propose une action concrète par thème
</tâche>

<format>
Tableau à 4 colonnes : Thème | Fréquence | Verbatims | Action
</format>

Les balises sont également utiles quand votre prompt mélange des instructions et des données. Sans elles, le modèle peut confondre vos données avec vos instructions, surtout si les données contiennent elles-mêmes du langage instructif.

5. La contrainte négative

Dire au modèle ce qu’il ne doit pas faire est souvent plus efficace que de décrire ce qu’il doit faire. La génération GPT-5.6 conserve une forte sensibilité aux contraintes négatives explicites. À nuancer quand même : les sorties sont plus cleanes par défaut. Certaines contraintes — pas de sommaire, pas de phrases d’introduction, pas de listes à rallonge — sont donc souvent superflues. Gardez les contraintes négatives pour ce qui compte vraiment pour vous.

# Contraintes négatives — Brief de contenu
Rédige une introduction de 100 mots pour un article
sur l'IA en comptabilité.

NE PAS :
- Commencer par "Dans un monde où..."
- Utiliser les mots "révolutionnaire" ou "incontournable"
- Poser une question rhétorique en ouverture
- Faire une liste de ce que l'article va couvrir
- Mentionner ChatGPT ou OpenAI spécifiquement

FAIRE :
- Commencer par un scénario concret qu'un comptable
  reconnaîtrait
- Poser le problème en 2 phrases, la solution en 2 phrases

Les contraintes négatives sont le meilleur antidote aux tics de langage des LLM. Elles forcent le modèle à sortir de ses patterns par défaut.

6. La rubrique interne auto-scorée

Technique inspirée du cookbook officiel d’OpenAI. Le principe est simple. Demandez au modèle de construire en interne une grille d’évaluation avant de répondre, puis de s’auto-scorer sur cette grille. S’il n’obtient pas un score excellent, il recommence. Cela force le raisonnement à être guidé par des critères explicites plutôt que par le pattern par défaut du modèle.

# Rubrique interne auto-scorée — curseur d'effort élevé
Avant de rédiger ta réponse, construis en interne une grille
d'évaluation de 5 à 7 critères qu'une excellente réponse
à cette demande devrait respecter (pertinence, profondeur,
structure, actionnabilité, exemples concrets, etc.).

Rédige ta réponse en visant un score de 98/100 minimum sur
chaque critère. Si ta réponse n'atteint pas ce score sur un
critère, recommence cette partie.

Ne me montre pas la grille, juste la réponse finale.

Ma demande : [ta demande ici]

Cette technique est particulièrement efficace sur les tâches ouvertes et créatives : stratégies, rédactions longues, analyses. Elle ralentit un peu la réponse, le modèle fait plus de travail en interne. Le saut qualitatif reste net, avec un curseur d’effort élevé. Sur les tâches simples et factuelles, elle n’apporte rien : gardez-la pour les sujets qui valent un raisonnement approfondi.

Fixer une condition d’arrêt, pas seulement une tâche

Un principe moins connu, mais tout aussi rentable : dites au modèle quand s’arrêter, pas seulement ce qu’il doit faire. Sans condition d’arrêt explicite, GPT-5.6 peut relancer des recherches, réessayer des variantes ou continuer à itérer plus longtemps que nécessaire. Le risque grandit avec un curseur d’effort élevé.

# Condition d'arrêt — Recherche d'information
Cherche le tarif actuel de l'API Gemini 3.7 Flash.

Arrête-toi dès que tu as trouvé une source officielle datée
de moins de deux mois. Si aucune source fiable ne confirme
le chiffre après trois tentatives, dis-le clairement plutôt
que d'estimer.

Cette logique s’applique à toutes vos tâches un peu ouvertes : recherche d’information, génération de variantes, debug. Une condition d’arrêt claire évite les réponses qui tournent en rond. Elle évite aussi d’inventer une donnée manquante juste pour « finir » la tâche.

Cinq templates réutilisables par cas d’usage

Voici cinq prompts prêts à l’emploi, un par cas d’usage courant. Copiez-les, puis remplacez les crochets par vos données. Pour aller plus loin, consultez notre banque de 50 prompts ChatGPT par cas d’usage.

Synthèse de document (Template 1)

# Synthèse de document
Voici un document de [type : rapport / article / compte-rendu].

Produis une synthèse en 3 parties :
1. RÉSUMÉ (5 phrases max) : les points clés
2. DÉCISIONS ou CONCLUSIONS : ce qui a été tranché
3. ACTIONS : les prochaines étapes identifiées,
   avec responsable si mentionné

Si le document ne contient pas de décisions ou d'actions
explicites, indique "Non identifié" plutôt que d'inventer.

[Coller le document ici]

Comparaison de solutions (Template 2)

# Comparaison de solutions
Compare [Solution A] et [Solution B] pour [cas d'usage précis].

Structure ta réponse ainsi :
1. Tableau comparatif sur ces critères : [critère 1],
   [critère 2], [critère 3], prix, limites principales
2. Pour qui chaque solution est la meilleure option
   (1 phrase par solution)
3. Ta recommandation pour mon cas précis : [décrire votre
   contexte en 2-3 phrases]

Utilise des données vérifiables. Si un prix ou une feature
n'est pas certain, signale-le.

Rédaction d’un contenu structuré (Template 3)

# Rédaction d'un contenu structuré
Rédige un [type : article de blog / post LinkedIn / newsletter]
sur [sujet].

PUBLIC : [décrire l'audience en 1 phrase]
OBJECTIF : [informer / convaincre / éduquer / vendre]
TON : [professionnel / conversationnel / technique]
LONGUEUR : [nombre de mots ou de paragraphes]

Structure :
- Accroche (1 phrase qui capte l'attention par un fait
  ou un scénario)
- [Nombre] sections titrées
- Conclusion avec un appel à l'action précis

INTERDITS : [lister les formules ou approches à éviter]

Debug de code (Template 4, à lancer avec un curseur d’effort élevé)

# Debug de code — monter le curseur d'effort
Ce code [langage] produit [décrire le comportement observé]
au lieu de [décrire le comportement attendu].

Environnement : [version du langage, framework, OS]

1. Identifie la cause probable du bug
2. Propose la correction avec le code modifié
3. Explique pourquoi ça corrige le problème
4. Signale si d'autres parties du code pourraient
   causer des problèmes similaires

[Coller le code ici]

Brainstorm structuré (Template 5)

# Brainstorm structuré
Je cherche des idées pour [objectif précis].

Contexte : [2-3 phrases sur la situation actuelle]
Contraintes : [budget, délai, ressources, compétences]
Ce qui a déjà été essayé : [lister pour éviter les doublons]

Propose 9 idées classées en 3 catégories (3 par catégorie) :
- Quick wins (faisables cette semaine)
- Projets moyen terme (1-3 mois)
- Paris ambitieux (6+ mois)

Pour chaque idée : 1 phrase de description + 1 phrase
sur le résultat attendu.

Les erreurs de prompting les plus courantes

Nous avons retesté une vingtaine de prompts réels, avec Luna et le curseur d’effort de Sol. Quatre erreurs récurrentes sortent du lot, par leur impact sur la qualité du résultat.

Première erreur : le prompt trop vague. « Aide-moi avec mon marketing » ne produit rien d’utile. « Propose 5 sujets d’articles de blog pour attirer des DSI de PME industrielles vers notre solution de cybersécurité. » Ce prompt-là produit un résultat actionnable. Sur ce type de tâche, un prompt vague demande en moyenne 3 à 5 itérations de correction. Un prompt précis obtient le même résultat en un coup.

Deuxième erreur : l’absence de format de sortie. Si vous ne précisez pas le format, le modèle choisit alors pour vous. Les sorties sont plus cleanes par défaut. Précisez quand même le format voulu : tableau, liste à puces, email prêt à envoyer, code commenté, JSON. Le format explicite reste le levier le plus fiable.

Troisième erreur : confondre données et instructions. Quand vous collez un texte à analyser directement dans votre prompt, sans le séparer, le risque grandit. Le modèle peut interpréter des passages du texte comme des instructions. Utilisez des balises (<données>, <texte_source>, ou même de simples guillemets triples) pour délimiter.

Quatrième erreur : ne jamais itérer. L’art du prompt est un processus itératif. Votre premier prompt est un brouillon. Analysez le résultat, identifiez ce qui manque ou ce qui déborde, puis affinez. Trois itérations ciblées valent mieux qu’un seul prompt de 500 mots.

Ce que vous pouvez faire maintenant

Ouvrez ChatGPT, configurez vos Custom Instructions avec l’exemple fourni, adapté à votre métier. Testez ensuite deux des cinq templates sur une vraie tâche de votre semaine. Comparez le résultat avec ce que vous obteniez avant : la différence est immédiate.

Ensuite, prenez le template qui correspond le mieux à votre travail quotidien et utilisez-le cinq fois cette semaine. Au cinquième usage, vous l’aurez affiné en quelque chose d’adapté à votre contexte.