Prompt engineering : obtenir des résultats fiables et exploitables avec les IA génératives

– Modèles de langage : ce qu’est un LLM et comment il produit une réponse mot après mot, de façon probabiliste
– Tokens et fenêtre de contexte : pourquoi la longueur et la place des informations dans le prompt changent le résultat
– Données d’entraînement : ce que le modèle sait, ce qu’il ignore, et pourquoi il ne « cherche » pas comme un moteur de recherche
– Hallucinations et biais : d’où viennent les erreurs, et pourquoi elles sont formulées avec autant d’assurance
– Panorama des assistants du marché : ChatGPT, Microsoft Copilot, Claude, Gemini — points communs et différences d’usage

– Rôle : attribuer une posture ou une expertise à l’IA pour orienter le registre et la profondeur de la réponse
– Contexte : fournir la situation, la cible et les contraintes que le modèle ne peut pas deviner
– Instruction : formuler une tâche unique, explicite et actionnable
– Format attendu : imposer la structure de sortie (tableau, liste, note de synthèse, longueur, ton)
– Contraintes et exclusions : cadrer ce qui doit être évité autant que ce qui est demandé
– Du prompt vague au prompt précis : les écarts de qualité constatés à consigne équivalente

– Zero-shot et few-shot : guider le modèle en lui donnant des exemples du résultat attendu
– Décomposition en étapes : faire raisonner l’IA par paliers plutôt que de tout demander d’un coup
– Prompting itératif : exploiter la relance et la critique pour converger vers un résultat exploitable
– Enchaînement de prompts : découper une tâche complexe en une séquence de demandes qui se nourrissent l’une l’autre
– Faire produire ou améliorer un prompt par l’IA elle-même : usage et limites de cette approche
– Transférabilité : adapter une même technique d’un assistant à l’autre

– Documents en contexte : joindre un fichier (note, rapport, PDF, tableur) et prompter sur son contenu plutôt que sur les connaissances du modèle
– Synthèse et extraction : produire un résumé exploitable, extraire des données, comparer plusieurs documents
– Analyse de données : interroger un tableau, dégager des tendances, générer un graphique ou un tableau de restitution
– Rédaction et reformulation : adapter un même contenu à plusieurs cibles, registres ou formats
– Idéation et brainstorming : utiliser l’IA comme partenaire de réflexion sans lui déléguer la décision
– Limites de l’exploitation documentaire : volume, qualité du fichier source, fiabilité des citations

– Grille d’évaluation d’une réponse : critères de pertinence, d’exactitude, de complétude et de ton
– Détection des hallucinations : repérer les affirmations invérifiables et remonter aux sources
– Marqueurs d’un contenu généré : style, uniformité, absence d’ancrage concret
– Confidentialité : ce qu’on ne soumet jamais à une IA publique, et la différence entre outil grand public et outil d’entreprise
– Prompt injection et fuite de données : comprendre le risque quand une IA lit un contenu externe ou un document reçu
– Cadre d’usage responsable : responsabilité de l’utilisateur sur le résultat produit, mentions et vérification humaine

– Du prompt jetable au prompt réutilisable : paramétrer un prompt pour qu’il serve à plusieurs situations
– Bibliothèque de prompts : structurer, nommer et documenter ses prompts pour les partager
– Assistants personnalisés sans code : créer un assistant dédié à un usage récurrent de l’équipe (GPT personnalisé ou équivalent)
– Maintenir ses prompts dans le temps : tester, ajuster, et faire face aux évolutions de modèles
– Diffuser la pratique : bonnes pratiques d’adoption au sein d’une équipe ou d’un service