Pourquoi la manière d'écrire votre prompt change tout

L’erreur la plus courante au début de l’usage de l’IA consiste à traiter le prompt comme une requête de moteur de recherche. Ce n’en est pas une. Un prompt est un contexte ; et la différence entre une réponse inutilisable et une réponse brillante tient souvent à quelques phrases de cadrage que la plupart des gens sautent.

L’attention est toute l’affaire

Les modèles de langage modernes ne “cherchent” pas des réponses. Ils répartissent leur attention sur les mots que vous leur donnez et prédisent ce qui devrait suivre. Chaque mot de votre prompt est un vote pour ce que le modèle doit pondérer davantage ; et le silence sur un sujet est un vote pour le prior du modèle, c’est-à-dire la moyenne d’internet.

Pour comprendre pourquoi, il est utile de savoir — à grands traits — ce qui se passe entre le moment où vous appuyez sur Entrée et le moment où le modèle commence à écrire sa réponse. C’est la première chose que j’explique dans chaque atelier que j’anime : une fois que les gens ont vu le mécanisme, les conseils de prompting cessent de ressembler à de la superstition.

Les grands modèles de langage derrière ChatGPT, Claude ou Gemini reposent sur une architecture appelée Transformer, introduite en 2017 dans un article de recherche devenu célèbre, “Attention Is All You Need” (Vaswani et al., Google). L’innovation clé, c’est le mécanisme d’attention — et il n’y a pas besoin d’un diplôme d’informatique pour comprendre ce qu’il fait.

Comment le modèle lit réellement votre prompt

Quand un modèle de langage lit votre prompt, il ne traite pas les mots de gauche à droite comme vous lisez une phrase. Il évalue chaque mot par rapport à tous les autres, simultanément, en se demandant : étant donné ce mot, quels autres mots du prompt comptent le plus pour en comprendre le sens ?

Imaginez un projecteur qui balaie l’ensemble de votre prompt d’un seul coup. Certains mots s’allument fortement en relation avec d’autres ; certains restent à peine visibles. Le modèle attribue des poids d’attention — des scores numériques qui déterminent l’influence de chaque mot sur chaque autre mot au moment où le modèle calcule sa lecture de votre demande.

C’est pour cela que la même question, formulée différemment, produit des réponses différentes. Un prompt vague envoie des signaux faibles et dispersés : le modèle étale son attention et produit une réponse générique. Un prompt clair et précis concentre les poids d’attention sur ce qui compte vraiment, et la “compréhension” de votre intention devient plus nette.

Ce n’est pas une métaphore. C’est littéralement le fonctionnement de la technologie. Chaque mot que vous tapez est un signal, pesé contre tous les autres, et le modèle utilise l’ensemble pour décider ce que vous demandez et comment y répondre.

Même intention, prompt différent, résultat différent

Rendons cela concret avec trois tâches que je croise en permanence dans les équipes que j’accompagne. Chacune montre la même intention exprimée en prompt faible, puis en prompt amélioré.

Exemple 1 — résumer un document réglementaire. La version faible :

Résume ce document.

Le modèle ne reçoit presque aucun signal sur le type de résumé attendu, pour qui, quelle longueur, quels aspects privilégier. Il produira un survol générique — souvent trop long, trop superficiel, ou centré sur les mauvaises sections. La version améliorée :

Résume ce document en 5 points. Concentre-toi sur les implications législatives pour la gouvernance des données. L’audience est composée de personnel non technique en charge des politiques publiques. Utilise un langage simple et évite le jargon.

Le modèle connaît désormais le format (5 points), le focus (gouvernance des données), l’audience (non technique) et le ton (langage simple). Les poids d’attention se concentrent sur les sections qui correspondent à ces contraintes. Le résultat est plus court, plus pertinent, immédiatement utilisable.

Exemple 2 — rédiger un e-mail. La version faible :

Écris un e-mail à propos de la réunion.

Quelle réunion ? Pour qui ? S’agit-il d’une invitation, d’un suivi, d’une annulation ? Le modèle doit tout deviner — et il devinera souvent mal. La version améliorée :

Rédige un e-mail de suivi aux participants de la réunion de coordination du 15 mars sur la gouvernance de l’IA. Rappelle les trois actions décidées : (1) chaque département désigne un point de contact avant le 29 mars, (2) l’équipe IA fait circuler le projet de politique d’usage avant le 5 avril, (3) la prochaine réunion est fixée au 22 avril. Ton professionnel mais cordial. Maximum 150 mots.

Toutes les ambiguïtés sont levées : le type d’e-mail, l’audience, le contenu exact, le ton, la longueur. Le texte produit est prêt à l’envoi.

Exemple 3 — expliquer un concept. La version faible :

Explique l’IA.

Le sujet est si vaste que le modèle doit trancher seul sur la portée, la profondeur, l’angle et l’audience. Vous obtiendrez peut-être une introduction de manuel, une histoire de la discipline ou un essai philosophique — rien de tout cela n’étant forcément ce dont vous aviez besoin. La version améliorée :

Explique en quoi l’IA générative diffère de l’automatisation classique à base de règles, en 200 mots, pour des collègues qui gèrent des flux documentaires. Utilise un exemple concret comparant la façon dont chaque approche traiterait le classement du courrier entrant.

Une portée précise, une longueur fixée, une audience spécifique, une illustration imposée. La réponse est ciblée et directement applicable au travail du lecteur.

Dans chaque paire, qu’est-ce qui a changé ? Pas le modèle — le prompt.

Les quatre leviers

• Rôle. Dites au modèle depuis quelle position il doit écrire.
• Contraintes. Dites au modèle ce qu’il ne doit pas faire, pas seulement ce qu’il doit faire.
• Audience. Dites au modèle qui va lire le résultat, et pourquoi.
• Exemples. Montrez, ne décrivez pas. Un exemple travaillé vaut mieux qu’un paragraphe d’instructions.

Ces quatre leviers sont la version que j’enseigne en atelier, parce que quatre choses tiennent en tête en pleine tâche. Quand je m’assois pour écrire un prompt qui compte vraiment, je les déplie dans la structure à cinq éléments sur laquelle la pratique du prompting a convergé : le rôle, le contexte, la tâche, le format, les contraintes. L’audience vit à l’intérieur du contexte et du format. Les exemples, eux, se superposent aux cinq : chaque fois que vous pouvez montrer au modèle à quoi ressemble un bon résultat, faites-le.

1. Rôle — qui est le modèle dans cette conversation ? Dire au modèle quelle casquette porter façonne le vocabulaire, la profondeur et le cadrage de la réponse.

Tu es un coach de carrière expérimenté.

Agis comme un éditeur spécialisé en langage clair, pour un public généraliste.

2. Contexte — quel est l’arrière-plan ? Le contexte donne au modèle les spécificités qu’il ne peut pas deviner. Sans lui, le modèle retombe sur des suppositions génériques — ce fameux prior.

Je prépare un briefing court pour une réunion de direction demain.

Voici un fil d’e-mails avec un client mécontent d’une livraison en retard.

3. Tâche — que doit produire le modèle, exactement ? Utilisez un verbe d’action explicite : résumer, comparer, rédiger, réécrire, brainstormer, critiquer, traduire, structurer. Un verbe clair ancre la sortie.

Résume ceci en 5 points.

Génère 10 propositions de titres.

4. Format — à quoi doit ressembler le résultat ? Précisez la structure, la longueur et le ton. Les modèles répondent très différemment selon que vous demandez des puces, des étapes, un modèle type ou un paragraphe court.

Écris-le sous forme de post LinkedIn de 150 mots.

Donne-moi un tableau avec les colonnes : risque, impact, atténuation.

5. Contraintes — que doit éviter ou garantir le modèle ? Les contraintes sont des garde-fous : quoi inclure, quoi exclure, quoi vérifier, quoi prioriser.

Évite le jargon et définis chaque acronyme que tu utilises.

N’invente aucune statistique — signale les inconnues comme des hypothèses.

Tout assembler

Voici à quoi ressemble un prompt complet et bien structuré, avec les cinq éléments en place :

Rôle : Tu es un spécialiste de la communication qui écrit pour un public généraliste.

Contexte : J’écris un court article de blog pour aider les gens à obtenir de meilleurs résultats avec les LLM comme ChatGPT, Claude ou Gemini. Beaucoup de lecteurs débutent en prompting et utilisent surtout ces outils pour des tâches professionnelles quotidiennes.

Tâche : Rédige une courte section qui encourage les lecteurs à essayer le prompting structuré sur une tâche courante : résumer des notes de réunion en vrac.

Format : Maximum 120 mots. Utilise un exemple concret. Termine par un appel à l’action clair. Langage simple, ton professionnel mais accessible.

Contraintes : Ne mentionne aucun outil interne d’entreprise. Ne compare pas les modèles entre eux et n’affirme pas que l’un est “le meilleur”. N’utilise aucun message anxiogène sur l’IA.

Ce prompt donne au mécanisme d’attention des cibles nettes sur chaque dimension : il connaît le rôle, la situation, le livrable, la forme et les limites. Le résultat sera radicalement plus utile que “Écris un post sur le prompting.”

Commencez simple, ajoutez de la structure ensuite

Vous n’avez pas besoin d’écrire des prompts à cinq éléments dès le premier jour. Ajouter un ou deux éléments à votre pratique actuelle fait déjà une différence sensible. Voici la progression que je recommande :

Niveau 1 — ajoutez un verbe de tâche. Au lieu de “L’IA dans la santé”, écrivez “Explique comment l’IA est utilisée dans le diagnostic médical.”

Niveau 2 — ajoutez l’audience et le format. “Explique comment l’IA est utilisée dans le diagnostic médical, en 200 mots, pour un public non technique.”

Niveau 3 — ajoutez le rôle et les contraintes. “Tu es analyste en politiques de santé. Explique comment l’IA est utilisée dans le diagnostic médical, en 200 mots, pour un public non technique. Concentre-toi sur des cas d’usage réels et régulés, comme l’aide à la décision clinique et les applications d’imagerie approuvées. Développe chaque acronyme à sa première utilisation et garde un langage simple et concret.”

Chaque niveau s’appuie sur le précédent, et plus vous pratiquez, plus cela devient naturel.

Une dernière conséquence du mécanisme — et c’est le conseil que je répète le plus souvent : parce que chaque mot du contexte influence la réponse, ouvrez une nouvelle conversation quand vous changez de sujet, ou quand un fil devient très long. Les vieux mots continuent de tirer l’attention bien après avoir cessé d’être pertinents.

Les prompts vagues produisent des réponses vagues ; les prompts précis produisent des réponses précises. La différence ne tient pas à la chance — elle tient à la structure. Prenez une tâche d’aujourd’hui — un e-mail, un résumé, une courte explication —, réécrivez le prompt avec les cinq éléments, et comparez les deux résultats. Cet avant/après suffit généralement à convaincre.