Comment écrire un prompt efficace pour le travail
Vous demandez à ChatGPT de rédiger un message commercial, de résumer un rapport ou de produire une fonction Python. La réponse paraît correcte, mais elle reste générique, oublie une contrainte métier ou ajoute des informations que vous n'avez jamais fournies. En PME, le problème ne vient pas toujours du modèle. Il vient souvent d'une demande trop vague, envoyée sans contexte, sans format attendu et sans règle de contrôle.
En France, 33 % des personnes avaient déjà utilisé l'IA générative en 2024, contre 20 % en 2023, tandis qu'une mesure publiée en 2025 et 2026 indique 48 % d'utilisateurs en 2025, dont plus d'un tiers chaque jour, selon les données du Labo Société Numérique. La question « comment écrire un prompt efficace » concerne donc déjà une large part des équipes, particulièrement dans les métiers de la rédaction, de la recherche et de la productivité.
Table des matières
- Pourquoi vos prompts actuels ne donnent pas les résultats attendus
- La structure en quatre blocs d'un prompt professionnel
- Adapter le prompt à chaque usage métier et chaque format
- Les paramètres du modèle qui changent vraiment la donne
- Intégrer la sécurité et la confidentialité dès la rédaction
- Évaluer et itérer pour construire une vraie compétence IA
Pourquoi vos prompts actuels ne donnent pas les résultats attendus
Un responsable marketing peut écrire à ChatGPT : « Rédige un post LinkedIn sur notre nouveau logiciel ». Le résultat sera généralement lisible, mais il risque d'être interchangeable avec celui d'un concurrent. Le modèle ne connaît ni le positionnement de l'entreprise, ni le public visé, ni le ton de marque, ni les fonctionnalités réellement disponibles. Il peut aussi compléter les vides avec des formulations plausibles, mais non vérifiées.
Trois défauts reviennent souvent :
- Le contexte métier manque. « Résume ce rapport » ne précise pas le destinataire, la décision à préparer ni les points à retenir.
- La consigne reste ambiguë. « Améliore ce texte » peut signifier corriger la grammaire, raccourcir, réécrire ou changer le ton.
- Le format n'est pas défini. Sans indication, l'IA choisit elle-même entre un texte continu, une liste, un tableau ou une synthèse détaillée.
Pour une demande de code, le même problème apparaît avec « écris une fonction de calcul ». Le langage, les bibliothèques autorisées, les erreurs à gérer et les tests attendus ne sont pas précisés. Le développeur reçoit alors un exemple difficile à intégrer, plutôt qu'un composant vérifiable.
Règle pratique : un prompt professionnel doit être aussi clair qu'un brief donné à un collègue qui ne connaît pas encore votre dossier.
Les guides techniques francophones décrivent une structure opérationnelle fondée sur quatre blocs, le rôle, le contexte, la consigne et le format de sortie, avec des données structurées et des exemples lorsque c'est pertinent, comme le détaille ce guide sur les erreurs à éviter dans un prompt. Le prompt engineering n'est donc pas réservé aux développeurs. C'est une compétence de cadrage, proche d'un cahier des charges ou d'un brief créatif.
La structure en quatre blocs d'un prompt professionnel
Un prompt efficace ne cherche pas à impressionner le modèle avec une formule longue. Il lui donne les informations nécessaires pour agir sans deviner. La structure suivante fonctionne comme une base, à adapter selon le risque et la complexité de la tâche.
Le rôle
Le rôle fixe la posture attendue. Il peut s'agir d'un rédacteur commercial, d'un analyste financier ou d'un juriste spécialisé en contrats commerciaux français. Il ne transforme pas le modèle en professionnel habilité, mais il l'aide à adopter le vocabulaire, le niveau de détail et l'angle appropriés.
Le contexte
Le contexte décrit la situation réelle. Indiquez le secteur, le public, l'objectif, les données disponibles et les contraintes à respecter. Pour une clause de confidentialité, précisez par exemple qu'il s'agit d'un contrat de prestation de services, que le prestataire accède à des informations commerciales et que le document doit rester compatible avec le droit français. Pour approfondir ce point, consultez ce guide sur le contexte dans un prompt.
La consigne
La consigne doit commencer par une action précise : analyser, rédiger, comparer, extraire ou reformuler. Une seule tâche principale par prompt facilite la relecture et limite les réponses dispersées. Ajoutez les critères de qualité, par exemple signaler toute information absente plutôt que de la déduire.
Le format
Le format décrit le livrable. Demandez une clause avec des paragraphes numérotés, un tableau de risques, une liste de points à valider ou un objet JSON si un autre système doit exploiter la réponse. Le format ne garantit pas l'exactitude, mais il rend les écarts visibles.
Voici un modèle réutilisable :
Rôle : Tu es un juriste spécialisé en contrats commerciaux français.
Contexte : Nous préparons un contrat de prestation pour une PME. Le prestataire aura accès à des informations commerciales internes.
Consigne : Rédige une clause de confidentialité. N'ajoute aucune obligation qui n'est pas justifiée par les informations fournies et signale les éléments à faire valider.
Format : Propose une clause structurée, puis une liste courte des points de vigilance.
Séparez les instructions des données avec des délimiteurs clairs, comme « DONNÉES À ANALYSER ». Évitez les doubles négations et les attentes implicites. Les ressources consacrées aux bonnes pratiques prompt Claude direction peuvent compléter cette méthode, notamment pour les demandes comportant de longs documents.
Adapter le prompt à chaque usage métier et chaque format
Un prompt qui produit un bon texte ne se transpose pas automatiquement au code ou à l'image. Chaque modalité possède ses propres critères de qualité, ses erreurs typiques et son niveau de contrôle humain.
Un email de relance commerciale
Pour un email, précisez le ton de marque, le stade de la relation dans le logiciel de gestion commerciale, l'objectif de la relance et les mentions obligatoires. Le modèle peut rédiger une première version, mais le commercial doit contrôler le nom du destinataire, l'historique, la promesse formulée et la conformité des informations.
Exemple :
Tu es chargé de clientèle pour une PME de services. Rédige un email de relance destiné à un prospect ayant reçu une proposition commerciale. Le ton doit être professionnel, direct et cordial. Rappelle uniquement les éléments présents dans les données ci-dessous. Propose un prochain échange sans pression. Format : objet, email de moins de trois paragraphes, puis points à vérifier avant envoi.
Une fonction Python
Une demande de code doit préciser le langage, la version si elle est connue, les bibliothèques autorisées, les entrées, les sorties et les cas limites. Pour une fonction de calcul de TVA à plusieurs taux, ajoutez les règles métier, le traitement des valeurs invalides et les tests attendus. Le code généré doit passer par une revue humaine, même lorsqu'il semble fonctionner.
Un visuel pour une campagne RH
Un prompt d'image décrit la composition, le sujet, la palette, l'éclairage et le style. Il doit aussi préciser les éléments à exclure, notamment les textes illisibles, les logos non fournis ou les représentations qui pourraient créer un biais dans une campagne de recrutement. La validation porte sur le visuel final, pas uniquement sur la formulation.
| Modalité | Cas d'usage | Blocs prioritaires | Niveau de risque | Vérification requise |
|---|---|---|---|---|
| Texte | Email de relance | Contexte, ton, consigne, format | Faible à moyen | Données du prospect, promesse, destinataire |
| Code | Fonction Python de calcul | Rôle technique, règles, cas limites, tests | Moyen à élevé | Revue du code, tests, intégration |
| Image | Campagne RH | Composition, style, exclusions, public | Moyen | Biais, lisibilité, droits, validation RH |
La structure doit donc suivre le métier. Un prompt destiné à un service juridique privilégie les sources et les réserves. Un prompt marketing privilégie la cible et la voix de marque. Un prompt RH exige un contrôle particulier des données personnelles et des effets potentiellement discriminatoires.
Les paramètres du modèle qui changent vraiment la donne
Le champ de texte ne suffit pas toujours. Certains environnements permettent de régler la température, c'est-à-dire le niveau de variation dans les réponses. Une valeur basse convient mieux à une extraction contractuelle ou à une classification stable. Une valeur plus élevée peut servir à produire des angles de campagne ou des idées de noms, mais elle ne rend pas une réponse plus vraie.
Le few-shot prompting consiste à fournir des exemples du résultat attendu. Pour classer des tickets clients, montrez quelques demandes déjà catégorisées. Pour rédiger des fiches produits, donnez des exemples conformes au ton de marque. Le modèle dispose alors d'un repère concret, au lieu de devoir interpréter une description abstraite du style.
Les données structurées réduisent aussi les ambiguïtés. Un tableau CSV ou un objet JSON sépare les champs, facilite la vérification et limite les mélanges entre instructions et contenu source. Demandez au modèle de signaler les champs manquants plutôt que de les compléter.
| Paramètre | Valeur recommandée | Cas d'usage type | Impact sur la sortie |
|---|---|---|---|
| Température | Basse pour les tâches factuelles, plus élevée pour l'idéation | Extraction, analyse, brainstorming | Prévisibilité ou diversité |
| Exemples few-shot | Quelques exemples validés | Classification de tickets, fiches produits | Alignement du ton et du format |
| Données structurées | CSV ou JSON correctement délimité | Rapport financier, analyse CRM | Meilleure séparation des faits |
Ces réglages ne remplacent pas une consigne claire. Une température basse ne corrige pas un contexte absent, et un exemple mal choisi peut reproduire une erreur. Commencez par définir le résultat attendu, puis ajustez les paramètres si l'interface le permet.
Intégrer la sécurité et la confidentialité dès la rédaction
Un prompt peut contenir plus d'informations sensibles qu'un email. Copier des noms de clients, des salaires, des informations de santé ou une stratégie commerciale dans un service externe expose l'entreprise à un risque de divulgation et rend le traitement plus difficile à expliquer.
L'ANSSI recommande notamment de filtrer les requêtes malveillantes avant leur envoi au modèle, de filtrer les réponses qui ne correspondent pas au contexte métier, d'écarter les informations sensibles et de cloisonner le système dans un environnement dédié, comme le rappelle cette synthèse des recommandations de l'ANSSI. La CNIL insiste également sur la définition de conditions d'usage empêchant l'exposition de données confidentielles, personnelles ou stratégiques. Vous pouvez consulter les principes de confidentialité appliqués à l'IA.
Utilisez des variables masquées plutôt que des valeurs en clair. Un prompt d'analyse RH peut ressembler à ceci :
Rôle : Tu es un analyste RH.
Données : les salariés sont désignés par des identifiants anonymes, les rémunérations sont regroupées par catégorie et aucun nom, email ou identifiant interne n'est transmis.
Consigne : repère les tendances et les incohérences sans produire de décision individuelle. Signale toute conclusion qui nécessiterait une vérification humaine.
Format : tableau des constats, limites de l'analyse, contrôles recommandés.
Conservez une trace des prompts utilisés pour les traitements sensibles, de leur version et de la validation des sorties. L'article 4 de l'AI Act, applicable depuis le 2 février 2025, impose aux fournisseurs et aux déployeurs de prendre des mesures pour garantir un niveau suffisant de maîtrise de l'IA pour les personnes qui utilisent ces systèmes, selon la Commission européenne. Cette maîtrise dépend du contexte d'usage, du niveau de connaissances et des personnes concernées, pas d'un cours identique pour tous.
Évaluer et itérer pour construire une vraie compétence IA
Un prompt n'est pas validé parce qu'il produit une réponse convaincante. Il faut définir ce qui rend la réponse acceptable pour le métier, puis conserver les enseignements tirés des essais.
Commencez par une fiche d'évaluation courte :
- Exactitude : les faits correspondent-ils aux données transmises ?
- Format : la structure demandée est-elle respectée ?
- Complétude : les éléments indispensables sont-ils présents ?
- Prudence : les incertitudes et les données manquantes sont-elles signalées ?
- Style : le ton correspond-il au destinataire et à la marque ?
Constituez ensuite un petit jeu de prompts de référence couvrant les demandes récurrentes. Faites varier une seule consigne à la fois, par exemple le format ou le niveau de détail. Comparez les sorties et gardez la version qui répond le mieux aux critères définis, sans confondre fluidité rédactionnelle et exactitude.
Documentez chaque itération dans un registre simple :
| Date | Version | Modification | Résultat | Validation |
|---|---|---|---|---|
| À renseigner | V1 | Prompt initial | Écart observé | Métier |
| À renseigner | V2 | Contexte ajouté | Écart restant | Métier et conformité |
Cette trace peut soutenir une démarche d'alphabétisation IA, c'est-à-dire l'acquisition de connaissances et de réflexes adaptés aux usages réels. Pour documenter une conformité défendable à l'article 4, les recommandations de conformité mentionnent notamment des enregistrements de formation datés, les participants, le contenu utilisé, une traçabilité par rôle ou par système et une date de mise à jour, selon ce modèle de dossier probant.
La Commission européenne a aussi mis en place un répertoire de pratiques d'alphabétisation IA, destiné à soutenir l'apprentissage et le partage entre acteurs. En pratique, une équipe progresse quand elle relie chaque prompt à un usage, un risque, un responsable de validation et une version documentée.
Pour les obligations réglementaires, cet article fournit des repères généraux et ne constitue pas un conseil juridique. Faites valider votre dispositif par un professionnel compétent, notamment lorsque vos prompts traitent des données personnelles, des décisions RH, des informations de santé ou des opérations sensibles.
IATOLL aide les consultants en conformité et les DPO externalisés à structurer l'alphabétisation IA et le suivi des preuves liés à l'article 4, avec des parcours prêts à l'emploi et un registre personnalisé pour chaque entreprise accompagnée. Consultez IATOLL pour voir comment intégrer cette démarche à vos missions auprès des PME.
