Écrire un bon prompt pour Claude et ChatGPT : la méthode

C’est quoi un bon prompt, concrètement ?

Un bon prompt combine six ingrédients : un contexte (qui vous êtes, pour qui), un rôle assigné à l’IA, une tâche précise, un format de sortie attendu, des contraintes explicites (longueur, ton, interdits) et, pour les cas complexes, un à cinq exemples (few-shot). Cette structure, formalisée par Google, OpenAI et Anthropic, réduit l’ambiguïté et divise par deux vos allers-retours.

Je vais être direct : la majorité des gens écrivent leurs prompts comme des requêtes Google. « Écris-moi un post LinkedIn. » « Résume ce texte. » Et ils s’étonnent que le résultat soit fade. Le problème n’est pas le modèle, c’est l’entrée. Une IA générative ne devine pas vos intentions sous-jacentes : elle exécute ce que vous formulez, dans les limites de son entraînement (LeMagIT). Autant lui donner de quoi travailler.

Les 6 briques d’un prompt qui fonctionne

Les guides officiels convergent tous vers la même colonne vertébrale. Le livre blanc de Google (68 pages) distingue le system prompting (instructions globales de rôle et de format), le contextual prompting (informations de fond) et le role prompting (attribution d’une persona) (PromptHub). Côté français, Cegos condense tout ça dans une méthode en 6 étapes baptisée « DIALOG », dont la première lettre correspond à « définir un objectif », qu’ils jugent l’étape la plus fondamentale (Cegos).

Voici les six briques, dans l’ordre où je les pose :

Vous n’avez pas besoin des six à chaque fois. Pour une question simple, le contexte + la tâche suffisent. Mais dès que l’enjeu monte (un contenu client, du code, une analyse), chaque brique manquante devient un aller-retour de correction.

Le contexte : « donner à l’IA de quoi vous connaître »

L’erreur numéro un, c’est le manque de contexte. Les experts cités par Cegos le formulent bien : il faut « donner à l’IA générative le maximum d’éléments pour que la machine nous connaisse à tous les niveaux », sous peine de devoir répéter et reformuler. Concrètement : votre secteur, votre cible, votre objectif, ce qui existe déjà. Si vous rédigez une offre d’emploi, précisez la culture de l’entreprise et les méthodologies internes ; c’est justement ce type de tâche qui exige les prompts les plus détaillés.

Le rôle : orienter le vocabulaire

Attribuer une persona à l’IA n’est pas cosmétique. « Tu es un ingénieur SRE » ne produit pas le même vocabulaire ni les mêmes réflexes que « tu es un développeur junior ». Pour le code, OpenAI recommande explicitement de définir le rôle de l’agent (« software engineering agent ») avant tout (OpenAI). Le rôle cadre le registre, la profondeur et les angles morts que le modèle va couvrir.

Avant / après : trois cas concrets

La théorie, c’est bien. Regardons ce que ça change vraiment.

Cas 1 : rédiger

Avant : « Explique le concept de machine learning. »

Résultat : un pavé générique, ni long ni court, sans destinataire, réutilisable nulle part.

Après : « Tu es formateur en data science. Explique le machine learning à un dirigeant de PME non technique, en 160 mots, avec un exemple concret dans le secteur médical. Évite le jargon, une analogie maximum. »

C’est exactement l’avant/après illustré par Kromaweb : la version travaillée précise la longueur et un exemple sectoriel (Kromaweb). Le gain est mesurable : moins d’ambiguïté, moins d’allers-retours, un texte directement exploitable.

Cas 2 : coder

Avant : « Écris une fonction pour uploader des images sur mon site. »

L’IA invente le langage, le framework, la gestion d’erreur. Vous passez plus de temps à corriger qu’à écrire vous-même.

Après : « Tu es développeur PHP senior. Écris une fonction WordPress qui redimensionne les images à l’upload (max 1600px de large), en WebP, avec gestion des erreurs et logs. Respecte les standards WordPress Coding Standards. Ajoute un test unitaire. Format : bloc de code commenté + explication en 3 points. »

OpenAI insiste sur ce point pour les tâches de code : imposer un usage structuré, exiger des tests systématiques de correction et fixer des standards de format Markdown pour une sortie propre. Attention à un piège documenté : un outil peut renvoyer « Done » alors que l’opération a échoué. Demandez toujours à l’IA de valider ses propres résultats plutôt que de les prendre pour argent comptant. C’est une des raisons pour lesquelles l’IA construit un site mais pas sa mise en production.

Cas 3 : résumer

Avant : « Résume ce rapport. »

Vous obtenez un résumé qui n’a pas priorisé ce qui compte pour VOUS.

Après : « Résume ce rapport de 20 pages pour un comité de direction pressé. Format : 5 puces d’actions décisionnelles + 3 risques identifiés + 1 recommandation. Reste factuel, cite les chiffres du document, n’invente rien. Si une donnée manque, signale-le. »

La nuance décisive : préciser la profondeur. Comundi distingue bien la demande d’une liste synthétique (5 idées) de celle d’une analyse détaillée avec causes et statistiques (Comundi). C’est vous qui décidez du niveau, pas le modèle.

Les exemples (few-shot) : la technique la plus sous-utilisée

Si je devais isoler une seule technique qui change tout, ce serait le few-shot. Le principe : au lieu de décrire le style attendu, vous le montrez en collant deux à cinq exemples de ce que vous voulez. Google définit le few-shot comme l’ajout de plusieurs exemples (typiquement 3 à 5), diversifiés et de haute qualité, pour montrer le format, le style ou la structure attendus, par opposition au one-shot (un exemple) et au zero-shot (aucun).

Comundi résume le mécanisme en un mot : le mimétisme. L’IA calque la structure, le ton et le style de vos exemples. Concrètement, si vous voulez que Claude rédige vos réponses clients dans votre voix, collez-lui trois vraies réponses que vous avez validées. Le résultat sera dix fois plus proche de votre marque que n’importe quelle description abstraite. C’est aussi pour ça que l’IA seule peine à incarner une marque sans matière humaine en entrée.

Faire raisonner l’IA sur les tâches complexes

Pour les problèmes qui demandent de la logique (calcul, arbitrage, diagnostic), une instruction change la qualité de sortie : demander un raisonnement explicite.

• Chain of Thought (CoT) : ajoutez « réfléchis étape par étape avant de répondre ». Le modèle décompose son raisonnement au lieu de balancer une réponse instinctive souvent fausse.
• Step-back prompting : demandez d’abord un raisonnement abstrait (« quels sont les principes généraux qui s’appliquent ici ? ») avant d’attaquer le cas concret.

Anthropic structure d’ailleurs son tutoriel officiel en modules progressifs, en commençant par « Basic Prompt Structure » (Anthropic). Et un détail pratique : les modèles ont des niveaux (Haiku, Sonnet, Opus chez Claude). Pour un tri rapide, un petit modèle suffit ; pour un raisonnement dense, montez en gamme. Adaptez le niveau de détail de votre prompt à la puissance du modèle.

Itérer : le prompt parfait n’existe pas au premier essai

Voici la vérité que personne n’aime entendre : l’IA générative ne produit que rarement un résultat parfait dès la première requête. Cegos comme LeMagIT insistent sur le caractère itératif du dialogue. Ne réécrivez pas tout : corrigez par touches.

1. Lancez votre prompt structuré.
2. Identifiez ce qui cloche (trop long ? mauvais ton ? hors sujet ?).
3. Corrigez une seule variable à la fois : « raccourcis à 120 mots », « rends le ton plus direct », « supprime le dernier paragraphe ».
4. Sauvegardez les prompts qui marchent dans une bibliothèque réutilisable.

Pour un usage en production (une intégration API sur votre site, par exemple), OpenAI recommande de figer la version du modèle (ex. gpt-4.1-2025-04-14) et de construire des suites de tests pour mesurer la performance de vos prompts au fil des changements. Un prompt qui marche aujourd’hui peut se dégrader après une mise à jour de modèle. C’est un réflexe d’ingénieur, pas de simple utilisateur.

Les pièges qui plombent vos prompts

Les erreurs récurrentes que je vois passer :

• L’ambiguïté. « Fais quelque chose de sympa » ne veut rien dire pour une machine. Soyez chirurgical.
• L’absence de format. Sans consigne de sortie, vous obtenez un pavé impossible à réutiliser.
• La confiance aveugle. L’IA affirme avec aplomb, y compris quand elle se trompe. Vérifiez toujours les chiffres et les faits, surtout sur du code ou du juridique.
• Le prompt jetable. Vous trouvez enfin la bonne formulation… et vous ne la sauvegardez pas. Constituez votre bibliothèque.

Bien utiliser l’IA, c’est un vrai levier de productivité pour une PME, à condition de garder la main sur la vérification. C’est exactement l’esprit de notre approche sur les prompts qui font gagner du temps aux PME. Mais un bon prompt ne remplace pas le jugement : la différence entre un brief créatif et un prompt reste entière quand il s’agit d’incarner une vraie stratégie de marque.

Le takeaway : avant votre prochain prompt important, écrivez sur une ligne vos six briques (contexte, rôle, tâche, format, contraintes, exemple). Trente secondes de structuration vous économisent dix minutes d’allers-retours. Faites-en un réflexe, pas une exception.