Few-shot : donner des exemples à l'IA pour de meilleures réponses

Le few-shot prompting, c'est glisser quelques exemples du résultat voulu directement dans ton prompt pour guider fortement le modèle. Tu ne décris pas seulement ce que tu attends, tu le montres. Le modèle repère le motif commun à tes exemples et l'applique au reste.

Le mot vient de l'anglais « a few shots », quelques essais. Par opposition, le zero-shot donne l'instruction sans aucun exemple et laisse le modèle s'appuyer sur ce qu'il a appris pendant son entraînement. Un prompt est un prompt : le texte que tu envoies au modèle. Le few-shot, c'est juste un prompt enrichi de démonstrations.

Zero-shot ou few-shot : la vraie différence

En zero-shot, tu écris « classe ces dépenses par catégorie » et tu fais confiance au modèle pour deviner tes catégories et ta présentation. Souvent ça marche, surtout sur une demande simple avec un modèle récent.

En few-shot, tu montres d'abord deux ou trois dépenses déjà classées comme tu les veux. Le modèle voit tes catégories exactes, ton format, ta façon de trancher les cas limites. Il continue dans la même veine.

	Zero-shot	Few-shot
Exemples fournis	aucun	2 à 5
Bon pour	demande simple, réponse libre	format imposé, ton précis, classement
Longueur du prompt	courte	plus longue
Risque principal	sortie qui dévie de ce que tu voulais	exemples mal choisis qui orientent mal

Quand le few-shot change vraiment la donne

Le few-shot brille dès qu'une consigne en mots laisse de l'ambiguïté sur la forme du résultat. Quatre cas reviennent souvent.

Imposer un format de sortie. Tu veux toujours « Nom · Téléphone · Ville » sur une ligne, sans phrase autour. Deux exemples valent mieux qu'un paragraphe de règles.

Fixer un ton. Un exemple de réponse client courte et chaleureuse cadre le registre bien plus vite qu'une liste d'adjectifs.

Classer ou catégoriser. Tu montres trois éléments rangés dans tes catégories à toi, et le modèle range le reste selon la même grille.

Extraire des champs structurés. À partir d'un texte libre, tu veux récupérer toujours les mêmes informations. Un exemple d'entrée et de sortie attendue rend la tâche limpide.

Le point commun : tu as une cible précise en tête, mais la décrire en mots prend trois fois plus de place que de la montrer.

Sophie classe les dépenses chez M&M

Chez Maisons&Mobilia, l'enseigne de meubles, Sophie tient la compta. Chaque mois elle récupère un export de paiements en vrac : libellés cryptiques, montants, dates. Elle veut les ranger dans ses propres catégories budgétaires.

En zero-shot, elle écrivait « classe ces dépenses ». Le modèle inventait des catégories génériques, parfois « Divers » pour la moitié des lignes. Inutilisable.

Elle est passée au few-shot. Dans son prompt, elle pose trois exemples de son cru :

• Achat bois chêne fournisseur Nord → Matières premières
• Abonnement logiciel devis → Outils & logiciels
• Repas équipe pose showroom → Frais de personnel

Puis elle colle le reste de l'export. Le modèle a compris la logique : il range les nouvelles lignes dans les mêmes trois catégories, et il met « Livraison camion » dans Matières premières comme elle l'aurait fait. Sophie a remplacé une demi-journée de tri manuel par une relecture rapide.

Comment bien doser tes exemples

Quelques principes simples tiennent la route.

Deux à cinq exemples suffisent. Le gain est fort entre zéro et deux ou trois exemples, puis il s'aplatit au-delà de quatre ou cinq (état de la pratique en juin 2026). Empiler dix exemples allonge le prompt, consomme plus de tokens et n'améliore quasiment plus rien.

Varie tes exemples. S'ils se ressemblent tous, le modèle apprend un cas étroit. Choisis-les représentatifs de la diversité réelle, y compris un cas un peu limite si ton sujet en a.

Reste cohérent dans la forme. Même structure, même ponctuation, même façon d'écrire la sortie d'un exemple à l'autre. Le modèle imite ce qu'il voit, jusqu'aux détails.

Soigne le dernier exemple. Le modèle accorde un peu plus de poids à ce qui est proche de la fin du prompt. Place ton exemple le plus représentatif en dernier.

Le piège des mauvais exemples

Un exemple oriente le modèle, pour le meilleur comme pour le pire. Si tes exemples sont biaisés ou pas représentatifs, tu obtiens des réponses biaisées avec assurance.

Si Sophie n'avait montré que des dépenses de matières premières, le modèle aurait eu tendance à tout ramener à cette catégorie, même un abonnement logiciel. Le motif qu'il imite, c'est celui que tu lui donnes, pas celui que tu as en tête.

L'autre travers, c'est l'excès inverse : trop d'exemples. Tu gonfles le prompt, tu paies plus de tokens (les unités de texte que le modèle facture et traite), et le bénéfice marginal devient négligeable. Quelques bons exemples battent une longue collection moyenne.

Few-shot ou autre chose ?

Le few-shot guide la forme d'une réponse, ici et maintenant, dans le prompt. Il ne change pas le modèle et ne lui apprend rien de durable. Si tu veux qu'il raisonne étape par étape sur un problème complexe, c'est le chain-of-thought qu'il te faut, parfois combiné au few-shot. Si tu veux lui donner accès à tes propres documents, regarde le RAG. Et si le besoin est permanent et massif, le fine-tuning, le RAG ou le prompt ne répondent pas à la même question.

Pour la plupart des tâches de bureau, tu n'as pas besoin d'aller si loin. Un prompt clair plus deux ou trois bons exemples couvre énormément de cas.

Aller plus loin

• Écrire un bon prompt : les bases avant d'ajouter des exemples.
• Créer un assistant IA sans coder : où ranger tes exemples une fois pour toutes.
• Température et top-p : les réglages qui jouent sur la créativité de la réponse.

Tu veux t'entraîner sur des cas concrets comme celui de Sophie ? L'app saisir.ai propose des modules courts pour pratiquer le prompting au quotidien.