Fondamentaux IA
Prompt engineering
Le prompt engineering consiste à concevoir et tester les consignes d'un LLM. Éléments d'un prompt, techniques clés, différence avec le context engineering.
Qu'est-ce que le prompt engineering ?
Le prompt engineering est la discipline qui consiste à concevoir, tester et améliorer les consignes données à un LLM pour obtenir des réponses fiables, utiles et reproductibles. Il ne modifie pas le modèle : il agit sur ce qu'on lui demande et sur la façon de le demander.
La pratique se structure avec les premiers grands modèles de langage, puis devient grand public avec ChatGPT fin 2022. Les éditeurs publient aujourd'hui leurs propres guides, comme Anthropic, OpenAI et Google. Anthropic recommande de fixer d'abord des critères de réussite et des tests, puis d'améliorer le prompt contre ces tests (documentation Claude).
Aussi connu sous : ingénierie de prompt, ingénierie des prompts, prompt design, prompting.
Pourquoi le prompt engineering compte pour les marketeurs
En 2024, une revue menée par 31 chercheurs, The Prompt Report, recense 58 techniques de prompting pour le texte, et 40 autres pour l'image, l'audio et la vidéo. La discipline a donc ses méthodes, son vocabulaire et ses résultats mesurés.
Pour un marketeur, la conséquence est concrète : à modèle égal, la qualité d'un texte dépend en grande partie de la consigne. Un prompt écrit, testé et partagé devient un actif de l'équipe, au même titre qu'une charte éditoriale.
Comment fonctionne le prompt engineering
Le prompt engineering combine une consigne bien construite, des techniques éprouvées, des règles fixées à l'avance et une méthode de test.
Les éléments d'un prompt
Un bon prompt précise le rôle attendu, la tâche, le contexte (le lecteur, la marque, l'objectif), le format de sortie et les contraintes : longueur, ton, mots à éviter. Des exemples de réponses attendues complètent souvent la consigne.
Les techniques courantes
La plus simple, dite zero-shot, donne la consigne seule. Le few-shot ajoute quelques exemples de réponses attendues, que le modèle imite. Le chain-of-thought demande au modèle de raisonner par étapes avant de conclure, ce qui aide sur les calculs et les analyses. Le prompt chaining, enfin, découpe une tâche en plusieurs prompts enchaînés : le plan, puis la rédaction, puis la relecture.
Le prompt système
Le system prompt fixe des règles valables pour toute une conversation ou toute une application : rôle, ton, limites. Les assistants personnalisés et les agents reposent sur lui, ce qui évite de répéter les mêmes règles dans chaque message.
La méthode
Le prompt engineering suit une boucle : définir ce qu'est une bonne réponse, écrire un premier prompt, le tester sur des cas réels, corriger, puis recommencer. Sans critère de réussite, on améliore au hasard. Garder une trace des versions testées, avec leurs résultats, évite de refaire les mêmes essais.
Prompt engineering vs context engineering et fine-tuning
Là où le prompt engineering travaille la consigne, le context engineering organise tout ce que le modèle reçoit en plus de la consigne : documents, historique, résultats d'outils. Le fine-tuning, lui, réentraîne le modèle sur des exemples, ce qui coûte plus cher et se justifie quand un bon prompt ne suffit plus. Un Skill, enfin, emballe des prompts et des fichiers de référence dans un format réutilisable.
Cas d'usage marketing
- Un modèle de prompt qui transforme un brief SEO en premier jet d'article, toujours avec la même structure.
- Dix variantes d'objet d'email, chacune fondée sur un angle différent (bénéfice, curiosité, urgence).
- Une réécriture dans le ton de la marque, à partir de trois exemples de textes validés.
- Un tableau tiré de centaines de verbatims clients, avec des colonnes définies à l'avance.
Limites du prompt engineering
- Un prompt efficace sur un modèle peut perdre en qualité sur un autre, ou sur la version suivante du même modèle.
- Un meilleur prompt réduit les erreurs sans les supprimer : les hallucinations restent possibles.
- Les prompts longs consomment des tokens à chaque appel, ce qui pèse sur le coût en usage intensif.
- Beaucoup d'« astuces » qui circulent sur les réseaux n'ont jamais été testées. Seul un test sur vos propres cas tranche.
- Un prompt partagé sans contexte se dégrade vite : chacun le modifie, et personne ne sait plus quelle version marche.
Comment démarrer
Commencez par une tâche que vous faites chaque semaine, écrivez un prompt complet, puis comparez trois versions sur les mêmes exemples. Les Skills de Join Médicis sont des prompts déjà testés et documentés, prêts à importer. Les automatisations montrent comment faire tourner un prompt validé sans le recopier à chaque fois.
Questions fréquentes
Faut-il encore apprendre le prompt engineering ?
Oui. Les modèles comprennent mieux les demandes vagues qu'avant, mais une consigne claire, avec un contexte et un format, donne toujours des résultats plus fiables.
Quelle différence entre un prompt et le prompt engineering ?
Le prompt est la consigne elle-même. Le prompt engineering est la méthode pour la concevoir, la tester et l'améliorer.
Un prompt fonctionne-t-il sur tous les modèles ?
Pas toujours de la même façon. Claude, ChatGPT, Gemini, Mistral et DeepSeek réagissent différemment à une même consigne. Testez chaque prompt sur le modèle que vous utilisez.
Qu'est-ce qu'un prompt few-shot ?
C'est un prompt qui contient quelques exemples de réponses attendues. Le modèle s'en inspire pour reproduire le format et le ton.
Une erreur, un lien cassé, un souci de sécurité ? Dis-le-nous, on corrige.
Dernière mise à jour : 10 novembre 2026