Comment bien écrire un prompt (et éviter les réponses bof) ?

Un bon prompt, c'est une consigne qui donne au modèle ce dont il a besoin pour répondre juste : du contexte, un rôle, un objectif clair, parfois un exemple, et un format de sortie précis. La plupart des réponses « bof » ne viennent pas du modèle, mais d'une question trop floue. Si tu demandes vague, tu obtiens vague.

Un LLM ne devine pas ce que tu as en tête. Il complète ta consigne avec ce qui est statistiquement le plus probable. Plus tu laisses de zones grises, plus il comble avec du générique. Voici cinq leviers pour resserrer, puis deux réflexes qui changent tout : itérer, et vérifier la sortie.

1. Donne le contexte

Le contexte, c'est tout ce que tu sais et que le modèle ignore : la situation, les contraintes, le public, ce qui s'est passé avant. Sans lui, le modèle répond à une question moyenne, pas à la tienne.

Chez Maisons&Mobilia (M&M), Sophie doit répondre à un client mécontent d'un canapé livré avec deux semaines de retard. Comparons.

Écris un mail au client pour le retard.

Cette consigne ne dit ni qui est le client, ni le ton voulu, ni s'il faut proposer un geste commercial. Le modèle improvise. Avec le contexte posé, la réponse colle au cas réel :

Contexte : un client M&M, Pierre, a commandé un canapé livré avec
14 jours de retard à cause d'une rupture de stock fournisseur.
Il a déjà écrit deux fois, ton agacé mais courtois.
C'est un client fidèle (3 achats en deux ans).
Nous pouvons offrir 10 % sur sa prochaine commande.

Écris-lui un mail de réponse.

2. Précise le rôle et l'objectif

Dire au modèle « qui » il doit être oriente le registre et le niveau de détail. « Tu es un conseiller du service client M&M » ne déclenche pas de magie, mais cadre le ton et le vocabulaire mieux qu'une consigne nue.

Surtout, nomme l'objectif. Le but de Sophie n'est pas « écrire un mail », c'est « apaiser Pierre et le garder client ». Un objectif explicite donne un cap : le modèle priorise l'excuse et la solution plutôt qu'un pavé de justifications.

Tu es un conseiller du service client M&M.
Objectif : apaiser Pierre, t'excuser clairement pour le retard,
et lui donner envie de rester client. La solution compte
plus que les explications.

3. Montre un exemple (few-shot)

Décrire ce que tu veux marche bien. Le montrer marche souvent mieux. Glisser un ou deux exemples du résultat attendu dans le prompt, c'est la technique appelée few-shot : le modèle calque le style et la structure sur ce que tu lui donnes.

Si M&M répond toujours avec une formule maison, autant la montrer :

Voici comment nous répondons d'habitude, à imiter :

« Bonjour Antoine, merci de nous avoir écrit. Nous sommes
sincèrement désolés pour ce contretemps. Voici ce que
nous vous proposons : [solution]. Belle journée, l'équipe M&M. »

Écris maintenant la réponse à Pierre sur le même modèle.

Un exemple vaut mieux qu'une longue description du ton : tu n'as plus à expliquer « cordial mais pas distant », tu le démontres.

4. Demande un format de sortie précis

Le modèle ne sait pas si tu veux trois lignes ou trois pages, un tableau ou un paragraphe. Si tu ne dis rien, il choisit pour toi, et souvent trop long.

Demande explicitement la forme : longueur, structure, présence ou non d'un objet de mail, langue. Tu gagnes du temps de relecture.

Format attendu :
- un objet de mail court
- 4 phrases maximum dans le corps
- pas de jargon, pas de liste à puces
- termine par une seule proposition concrète

5. Pose des contraintes et un ton

Les contraintes disent au modèle ce qu'il ne doit pas faire. Elles évitent les dérapages : promettre un dédommagement non autorisé, inventer une date de livraison, ou virer dans un ton trop familier.

Contraintes :
- ne promets aucune date de relivraison précise
- la seule compensation possible est les 10 % annoncés
- ton chaleureux mais professionnel, vouvoiement
- n'invente aucun détail qui n'est pas dans le contexte

Ce dernier point compte beaucoup : sans garde-fou, un modèle peut combler un trou par une information plausible mais fausse. C'est le mécanisme derrière une hallucination IA. Borner ce qu'il peut affirmer réduit le risque.

Avant / après, en une vue

Le prompt « bof » de départ :

Écris un mail au client pour le retard.

Le prompt qui empile les cinq leviers : un contexte, un rôle et un objectif, un exemple, un format, des contraintes. Tu passes d'une réponse passe-partout à un mail directement utilisable. Tu n'as pas besoin des cinq à chaque fois : pour une tâche simple, le contexte et le format suffisent. Plus la sortie compte, plus tu en ajoutes.

Itère, puis vérifie la sortie

Un bon prompt se construit rarement du premier coup. Lis la réponse, repère ce qui cloche, et corrige une chose à la fois dans la consigne. Si le mail est trop long, ajoute une contrainte de longueur. S'il est trop froid, montre un exemple plus chaleureux. Changer plusieurs réglages d'un coup t'empêche de savoir ce qui a aidé.

Le réflexe le plus important arrive à la fin : vérifie ce que le modèle a produit avant de l'envoyer. Un prompt soigné réduit les erreurs, il ne les supprime pas. Sophie relit le mail de Pierre, contrôle qu'aucune date n'a été inventée et que les 10 % sont bien la seule promesse. Le modèle propose, tu valides. Tu restes responsable de ce qui sort.

C'est aussi pour ça qu'un assistant qui rédige reste un outil que tu pilotes, et pas un système qui agit seul à ta place. La nuance entre les deux est détaillée dans chatbot vs agent IA.

De l'importance du prompting

Même si les modèles raisonnement actuels (Claude Opus chez Anthropic, Gpt Pro chez OpenAI) sont très performants pour comprendre les requêtes même les plus ambiguës, en vérité, pour des modèles plus petits ou open source, le prompting est capital afin d'optimiser les réponses.

Aller plus loin

Lire des conseils sur le prompt aide. Les manipuler ancre vraiment le réflexe. Sur l'app saisir.ai, tu t'entraînes à écrire de meilleurs prompts en touchant directement aux exemples, 5 minutes par jour, en français et sans coder. Tu vois l'effet de chaque levier sur la réponse, du contexte au format, sur des cas concrets comme celui de Sophie.

Pour comprendre ce qui se passe sous le capot quand tu écris une consigne, commence par c'est quoi un LLM, puis reviens ajuster tes prompts avec un œil neuf.