Dans un système IA d’entreprise, le prompt, c’est-à-dire l’ensemble des consignes données au modèle, joue le rôle d’une fiche de poste. Il dit au modèle qui il est, ce qu’il doit faire, avec quelles informations, dans quelles limites et sous quelle forme rendre son travail. Un prompt flou produit des résultats flous, quel que soit le modèle utilisé.
Pourtant, les prompts sont souvent écrits à la va-vite, retouchés au fil des réclamations, et jamais testés de façon systématique. Cet article présente la méthode que nous appliquons pour écrire des prompts fiables, et les erreurs que nous rencontrons le plus souvent.
Un prompt, c’est un brief
La meilleure façon d’aborder un prompt est de l’écrire comme un brief destiné à un collaborateur compétent mais qui ne connaît rien à votre entreprise. Il est intelligent, il apprend vite, mais il ne devine pas. Tout ce qui n’est pas écrit n’existe pas pour lui.
Ce simple changement de posture règle déjà une bonne partie des problèmes : on arrête d’écrire « réponds au client » pour écrire ce qu’un nouveau collègue aurait besoin de savoir pour bien répondre.
Les éléments d’un bon prompt
- Le rôle et le contexte : qui est l’assistant, pour quelle entreprise, face à quel public. « Tu aides les conseillers du service client d’un distributeur de matériel médical à répondre aux questions sur les délais de livraison. »
- La tâche, formulée clairement : une seule tâche principale, décrite précisément. Si le prompt demande cinq choses différentes, il vaut souvent mieux le découper en plusieurs étapes.
- Les contraintes : ce qu’il faut faire et ce qu’il ne faut jamais faire. Ton, longueur, sujets exclus, informations à ne jamais inventer (prix, délais, engagements contractuels).
- Des exemples : deux ou trois exemples d’entrées et de réponses attendues valent souvent mieux qu’un long paragraphe d’explications. Ils doivent être variés, pour éviter que le modèle ne recopie un seul cas.
- Le format de sortie : une structure précise quand la réponse alimente un autre outil (des champs nommés, un format de données strict), une forme claire quand elle est destinée à un humain.
- Le droit de dire « je ne sais pas » : indiquer explicitement quoi faire quand l’information manque. C’est l’un des moyens les plus simples de réduire les réponses inventées.
Un modèle ne devine pas ce que vous attendez. Tout ce qui n’est pas écrit dans le prompt n’existe pas pour lui.
Les erreurs les plus fréquentes
- Les consignes vagues : « sois professionnel », « fais court ». Professionnel selon qui ? Court comment ? Mieux vaut décrire le résultat attendu, ou en donner un exemple.
- Les consignes contradictoires : un prompt qui a grossi au fil des retouches finit souvent par demander une chose et son contraire. Le modèle arbitre alors à sa façon, de manière imprévisible.
- L’accumulation de cas particuliers : chaque réclamation ajoute une ligne « sauf si… ». Au bout de quelques mois, plus personne ne sait ce que fait le prompt. Un cas particulier fréquent mérite souvent une étape ou une règle à part.
- Les majuscules et les menaces : écrire « TRÈS IMPORTANT » partout ne rend pas une consigne plus respectée ; expliquer pourquoi elle existe est généralement plus efficace.
- Demander au modèle ce que le code fait mieux : calculs, dates, vérifications de cohérence. Le prompt n’est pas le bon endroit pour ça.
- Mélanger consignes et données : les documents, e-mails ou textes à traiter doivent être clairement délimités, et présentés comme des informations à analyser, pas comme des instructions. C’est aussi une protection contre la prompt injection.
Traiter les prompts comme du code
Dans un système en production, un prompt est un composant à part entière : une modification de quelques mots peut changer le comportement de tout le système. Il mérite donc les mêmes précautions que le code.
- Le versionnement : chaque prompt est stocké dans le dépôt de code, avec un historique des modifications et la raison de chaque changement. On sait toujours quelle version tourne en production, et on peut revenir en arrière.
- Le jeu de test : un ensemble de cas représentatifs, avec les résultats attendus, y compris des cas difficiles et des cas pièges. Chaque modification du prompt est validée en rejouant ce jeu de test.
- La revue : une modification de prompt est relue, comme une modification de code. Un regard extérieur repère vite les ambiguïtés.
- Le suivi en production : les cas où le résultat a été corrigé par un humain sont collectés et viennent enrichir le jeu de test.
Un exemple concret
Une équipe commerciale utilise un assistant pour résumer les comptes rendus de rendez-vous et en extraire les prochaines étapes. Le prompt initial tient en une ligne : « Résume ce compte rendu et liste les actions. » Les résultats sont irréguliers : résumés trop longs, actions inventées, responsables mal attribués.
La version retravaillée précise le contexte (une équipe commerciale B2B), la longueur attendue du résumé, un format de sortie avec un champ par action (description, responsable, échéance), la consigne de laisser un champ vide plutôt que de deviner, et deux exemples complets. Le compte rendu est placé dans une section clairement délimitée. Le prompt est versionné, et un jeu d’une cinquantaine de comptes rendus réels, anonymisés, sert à valider chaque évolution. Les actions inventées deviennent rares, et quand un commercial corrige un résultat, le cas rejoint le jeu de test.
Notre recommandation
Écrivez vos prompts comme des briefs précis, pas comme des formules magiques. Donnez du contexte, une tâche claire, des limites, des exemples et un format de sortie, et prévoyez explicitement le cas où l’information manque. Puis traitez-les comme du code : versionnés, testés, relus. C’est moins spectaculaire que les astuces qui circulent en ligne, mais c’est ce qui fait la différence entre une démonstration réussie et un système fiable au quotidien.