Faire raisonner l'IA étape par étape (chain-of-thought)

Demander à une IA de raisonner étape par étape avant de répondre améliore nettement ses résultats sur les tâches complexes, parce que ça l'empêche de sauter directement à une conclusion. Cette technique porte un nom : le chain-of-thought (littéralement « chaîne de pensée »). Elle consiste à faire décomposer le problème en sous-étapes au lieu d'exiger une réponse d'un seul bloc.

L'idée vient d'un article de recherche de 2022 (Wei et al., Chain-of-Thought Prompting Elicits Reasoning in Large Language Models). Les auteurs ont constaté qu'un modèle invité à dérouler son calcul réussissait beaucoup mieux un problème de maths que le même modèle sommé de répondre tout de suite. Depuis, la formule « raisonne étape par étape » est devenue un réflexe de prompt.

Ce que ça change concrètement

Un LLM (le modèle de langage derrière ChatGPT, Claude ou Gemini) génère sa réponse mot après mot. S'il doit produire le résultat final dès le premier mot, il n'a aucun espace pour calculer : il « devine » une réponse qui sonne juste. C'est là que les erreurs s'accumulent sur les problèmes à plusieurs temps.

Le chain-of-thought ouvre cet espace. En écrivant ses étapes intermédiaires, le modèle pose ses calculs, vérifie une contrainte avant de passer à la suivante, et arrive plus souvent au bon résultat. Le raisonnement affiché sert de brouillon, pas seulement de décoration.

Concrètement, ça tient en une phrase ajoutée à ton prompt : « Détaille ton raisonnement étape par étape avant de conclure. » Ou, en version dirigée : « Étape 1 : … Étape 2 : … Réponse : … ».

Un cas chez Maisons&Mobilia

Sophie, à la compta de Maisons&Mobilia (M&M), doit valider une offre client. Le devis cumule trois réductions : 15 % remise enseigne, puis 10 % déstockage sur le sous-total, puis 50 € de bon fidélité. L'ordre d'application change le montant final, et c'est exactement le genre de calcul où une IA pressée se trompe.

Premier essai, prompt brut : « Le panier fait 1 200 €, applique 15 %, puis 10 %, puis 50 € de bon. Combien le client paie ? » Le modèle lâche un chiffre rond, plausible, faux d'une trentaine d'euros.

Deuxième essai, en chain-of-thought : « Calcule étape par étape. Étape 1 : applique la remise enseigne. Étape 2 : applique le déstockage sur le nouveau sous-total. Étape 3 : retire le bon fidélité. Donne le détail de chaque étape, puis le total. » Cette fois le modèle pose 1 200 → 1 020 → 918 → 868 €, et Sophie peut relire chaque ligne. Elle ne fait pas confiance au total : elle vérifie l'étape qui l'intéresse, la première remise, et valide.

La différence n'est pas magique. C'est juste que le modèle a eu la place de calculer au lieu de parier.

Quand ça aide, quand c'est inutile

Le chain-of-thought brille sur tout ce qui se résout en plusieurs temps. Il devient du bruit sur ce qui se sait d'un coup.

Situation	Chain-of-thought
Calcul à étapes, remises en cascade	Utile : pose les calculs intermédiaires
Déduction logique, énigme	Utile : force à tester chaque hypothèse
Plan multi-contraintes (budget + délai + équipe)	Utile : concilie les contraintes une par une
Question factuelle simple (une capitale, une définition)	Inutile : rallonge sans rien gagner
Réécriture courte d'un email	Inutile : pas de chaîne de décision à dérouler

Sur une question simple, exiger des étapes coûte des tokens (les unités de texte que le modèle consomme et que tu paies) et noie la réponse dans un préambule dont tu n'as pas besoin. Garde la technique pour les problèmes qui ont vraiment plusieurs marches.

Le piège : un raisonnement n'est pas une preuve

Voici la nuance que beaucoup ratent. Le texte d'étapes que tu lis est une justification plausible, pas une démonstration vérifiée. Un modèle peut écrire un raisonnement parfaitement structuré et arriver à un résultat faux. Pire, il peut « justifier » après coup une conclusion erronée en fabriquant une étape qui colle.

Autrement dit, des étapes lisibles te donnent un brouillon à relire, pas une garantie. Sur un chiffre, une date, un calcul réglementaire, le bon réflexe reste de vérifier le résultat toi-même. Le chain-of-thought rend l'erreur plus facile à repérer parce que tu vois où elle est née, il ne la supprime pas. C'est aussi un cousin direct du problème des hallucinations, ces affirmations fausses présentées avec assurance.

Et les modèles « qui raisonnent » ?

Une partie du marché a intégré le chain-of-thought dans le modèle lui-même. Les modèles qui raisonnent, comme la variante Thinking de GPT-5.5 (OpenAI) ou Claude Opus en mode raisonnement (Anthropic), produisent ces étapes en interne avant de te répondre, sans que tu aies à le demander.

Sur ces modèles, ajouter « raisonne étape par étape » n'apporte qu'un gain marginal : le travail est déjà fait sous le capot. Des analyses récentes (mi-2026) notent d'ailleurs que la valeur ajoutée de l'instruction explicite a baissé à mesure que ces modèles se sont répandus. La technique garde tout son intérêt sur les modèles rapides et standards, eux ne déroulent rien par défaut.

Le bon réflexe : sur un modèle rapide, demande explicitement le raisonnement quand le problème est complexe. Sur un modèle qui raisonne, choisis-le pour la tâche difficile et concentre ton prompt sur le contexte plutôt que sur la mécanique.

Aller plus loin

Le chain-of-thought est une brique du prompt, à combiner avec les autres. Pour structurer une demande propre, vois écrire un bon prompt. Pour guider le modèle par l'exemple plutôt que par l'instruction, le few-shot prompting montre quelques cas résolus avant de poser ta vraie question, et il se marie bien avec le raisonnement étape par étape. Et pour comprendre la matière première que ces étapes consomment, regarde token et context window.

Dans l'app saisir.ai, tu pratiques ces réflexes de prompt sur des cas concrets, en quelques minutes par jour.