Cherchez « meilleurs prompts ChatGPT » et vous tombez sur des listes de cent formules à copier-coller. « Agis comme un expert en… » « Réponds comme si tu étais… » Ces formules fonctionnent parfois, puis elles cessent de fonctionner à la version suivante du modèle, et vous recommencez à chercher une nouvelle liste.
Le problème avec les formules toutes faites, c’est qu’elles traitent le symptôme. Un prompt qui marche décrit avec précision le problème que vous voulez résoudre. Apprenez à décrire un problème avec précision et vous n’aurez plus besoin de liste.
Trois leviers qui comptent réellement
Le contexte d’abord. Un modèle de langage ne devine pas ce que vous savez déjà ni ce que vous voulez obtenir avec le texte qu’il génère. Si vous demandez « améliore ce paragraphe » sans préciser pour qui il est écrit ni ce qu’il doit accomplir, vous obtenez une amélioration générique. Si vous précisez que le paragraphe s’adresse à un client qui hésite à signer un devis, vous obtenez un texte qui pousse à la décision. Le contexte change tout, la formule d’introduction ne change presque rien.
Le format ensuite. Demandez une réponse en cinq points et vous obtenez cinq points, parfois artificiellement découpés pour respecter le compte. Demandez une réponse dans le format qui convient au problème, un paragraphe pour une explication nuancée, une liste pour une checklist, un tableau pour une comparaison, et la réponse devient utilisable du premier coup.
L’exemple enfin. Montrer un exemple de ce que vous attendez fonctionne mieux que n’importe quelle description abstraite. Si vous voulez que le modèle écrive dans un ton particulier, collez un paragraphe qui illustre ce ton plutôt que de le décrire avec des adjectifs. Un modèle imite un style bien plus fidèlement qu’il n’interprète une consigne de style.
Pourquoi les prompts complexes échouent souvent
Un prompt de quinze instructions empilées produit fréquemment une réponse qui n’en respecte que trois ou quatre. Le modèle priorise certaines instructions et en oublie d’autres, sans prévenir. Découpez la tâche au lieu d’ajouter une seizième instruction pour insister.
Demandez d’abord un plan, validez-le, puis demandez la rédaction section par section. Chaque étape devient plus simple à vérifier, et une erreur détectée tôt coûte beaucoup moins cher qu’une erreur découverte après vingt minutes de génération.
Ce qui change réellement d’un modèle à l’autre
Les modèles progressent sur leur capacité à suivre des instructions complexes, sur leur mémoire de contexte, sur leur capacité à raisonner en plusieurs étapes. Mais un prompt construit sur du contexte précis, un format adapté et un exemple concret continue de fonctionner d’une génération de modèle à l’autre, parce qu’il ne repose pas sur une astuce de formulation qui exploite une faiblesse particulière du modèle. Il repose sur une communication claire, ce qui reste la meilleure stratégie quelle que soit la version installée derrière l’interface.
Apprenez à décrire ce que vous voulez avec cette précision et le prompt engineering cesse d’être une collection de trucs pour devenir une compétence transférable, celle qui consiste à expliquer clairement ce qu’on attend.
