Un prompt est l'instruction écrite en langage courant qu'on donne à une intelligence artificielle générative (ChatGPT, Claude, Gemini, Mistral) pour obtenir un texte, une analyse, une image ou du code. Sa qualité fixe celle de la réponse : la même question posée en une ligne ou en un paragraphe structuré produit deux résultats sans rapport. Voici la définition, un bon et un mauvais prompt sur un cas d'entreprise, les cinq composantes utiles, et le moment où le prompt ne suffit plus.
Qu'est-ce qu'un prompt ? La définition simple
Un prompt est le message que vous envoyez à un modèle d'IA générative pour lui demander de produire quelque chose. Le mot vient de l'anglais to prompt, inciter à agir (l'adjectif français « prompt », rapide à réagir, a la même racine latine). À la différence d'une commande informatique, qui exige une syntaxe exacte, un prompt s'écrit comme on parle. Une phrase suffit pour lancer le modèle. Un paragraphe structuré donne une réponse utilisable.
Le modèle ne comprend pas votre demande comme le ferait un collègue. Il découpe le texte en tokens, puis calcule la suite la plus probable au regard de son entraînement. Chaque mot du prompt oriente ce calcul. Rien de ce que vous n'écrivez pas n'est deviné : ni le public, ni le ton, ni le format.
On distingue trois familles de prompts : textuels (rédaction, résumé, code), visuels (une image en entrée) et multimodaux, qui combinent texte, image et document, par exemple pour analyser un PDF de 40 pages.
Un bon et un mauvais prompt sur un cas d'entreprise
Cas vu en mission en 2026 : le responsable ADV d'une PME industrielle reçoit une trentaine de réclamations par courriel chaque jour et veut qu'un modèle prépare les réponses. Les deux prompts visent le même résultat. Seul le second en produit un qu'on peut envoyer sans le réécrire.
| Composante | Mauvais prompt | Bon prompt |
|---|---|---|
| Rôle | Aucun | Tu es chargé de relation client dans une PME qui fabrique des pièces mécaniques sur mesure. |
| Contexte | Aucun | Le client a reçu une pièce hors tolérance, il a déjà écrit deux fois, la commande vaut 4 800 euros HT. |
| Tâche | Réponds à ce client. | Rédige la réponse qui reconnaît le défaut, propose un remplacement sous 5 jours ouvrés et demande la photo de la pièce. |
| Contrainte | Aucune | Moins de 120 mots, vouvoiement, aucune promesse de geste commercial, ne pas s'engager sur la cause du défaut. |
| Format | Non précisé | Un objet de courriel puis le corps, sans formule de politesse à rallonge. |
| Exemple | Aucun | Voici une réponse validée sur un cas similaire le mois dernier [texte collé]. |
| Résultat obtenu | Excuses génériques de 300 mots, un geste commercial inventé, un ton qui ne ressemble pas à l'entreprise. | Réponse envoyable en l'état neuf fois sur dix, relecture d'une minute. |
Le mauvais prompt n'est pas faux, il est incomplet. Le modèle a rempli les blancs avec ce qui est le plus fréquent dans ses données d'entraînement, une réponse de service client longue et conciliante. Le bon prompt ne laisse aucun blanc sur ce qui compte pour l'entreprise.
Les cinq composantes d'un prompt utile
Un prompt utile réunit cinq éléments : un rôle, un contexte, une ou plusieurs contraintes, un format de sortie et, quand c'est possible, un exemple. C'est la structure que recommandent les éditeurs de modèles eux-mêmes. Le guide de prompting d'Anthropic classe ses techniques dans cet ordre : clarté des instructions, exemples, balisage de la structure, attribution d'un rôle, raisonnement pas à pas, puis découpage en chaîne de prompts. Celui de Google pour Gemini va plus loin sur un point : « nous recommandons de toujours inclure des exemples dans vos prompts », les prompts sans exemple étant selon eux nettement moins efficaces.
Le rôle oriente le vocabulaire et les réflexes du modèle. « Tu es contrôleur de gestion » produit des réponses plus structurées et plus prudentes sur les chiffres qu'une demande anonyme.
Le contexte ancre la réponse dans votre réalité : le secteur, le destinataire, l'historique, ce qui s'est déjà passé. C'est l'élément le plus souvent oublié et la première cause de réponses génériques.
La contrainte dit ce que le modèle n'a pas le droit de faire. « Sans jargon », « 3 points au maximum », « ne réponds que si l'information figure dans le document fourni, sinon réponds que l'information est absente ». Cette dernière contrainte, à elle seule, fait chuter les réponses inventées sur les usages documentaires.
Le format détermine l'usage. Tableau pour arbitrer, liste pour présenter, JSON avec des champs nommés pour brancher la réponse dans un outil métier.
L'exemple montre à quoi ressemble une bonne réponse. Un ou deux exemples réels, collés dans le prompt, valent mieux que dix lignes de consignes abstraites. Le modèle reproduit le ton, la longueur et la structure de ce qu'on lui montre.
La tâche elle-même, formulée avec un verbe d'action, est l'élément que personne n'oublie. Le premier essai est rarement le bon : on ajoute la composante manquante, on relance, jusqu'à obtenir une sortie stable.
Exemples de prompts prêts à l'emploi par métier
Ces exemples s'utilisent tels quels dans ChatGPT, Claude, Gemini ou Le Chat de Mistral, en remplaçant les crochets par vos données.
Vente et relation client
- « À partir de ces notes de rendez-vous [coller les notes], rédige un courriel de suivi qui reprend les deux points de douleur évoqués et propose un créneau la semaine prochaine. Moins de 150 mots. »
- « Synthétise ce compte rendu d'appel en 5 lignes : contexte, besoin exprimé, objections, prochaine étape, échéance. »
Finance et administratif
- « Extrais de cette facture le nom du fournisseur, le montant HT, la TVA et la date d'échéance, au format JSON avec ces quatre champs. Si un champ est absent, mets null. »
- « Tu es juriste d'affaires. Liste les clauses de ce contrat qui présentent un risque financier ou une ambiguïté de rédaction, en tableau avec le numéro d'article, la clause et le risque. »
Le prompt d'extraction de facture est la brique de base des projets d'automatisation documentaire, où la même instruction traite des centaines de documents par jour. À ce stade, on n'est plus dans la conversation.
Prompt, instruction système, agent : quelle différence ?
Le prompt est ce que l'utilisateur tape. L'instruction système est le prompt caché, écrit une fois par l'entreprise, qui s'applique à toutes les conversations. L'agent est un programme qui enchaîne des prompts, appelle des outils et décide de la suite sans qu'un humain relance à chaque étape.
La documentation OpenAI formalise cette hiérarchie : les messages du développeur (identité, règles, exemples, contexte) « sont prioritaires sur les messages de l'utilisateur ». Quand un salarié utilise l'assistant interne de son entreprise, il écrit deux lignes, mais le modèle reçoit en plus une instruction système de deux pages qui fixe le ton, les sujets interdits et le format. C'est cette couche qui rend un assistant cohérent d'un salarié à l'autre.
L'agent ajoute une boucle. Il reçoit un objectif (« traite les réclamations du jour »), lit sa boîte, classe, rédige, interroge l'ERP pour vérifier la commande, puis décide s'il envoie ou s'il passe la main. Chaque étape repose sur un prompt, mais aucun humain ne les écrit un par un. Notre comparatif agent IA, copilote ou chatbot détaille ce que chacun sait faire et ce qu'il coûte.
Quand le prompt ne suffit plus
Le prompt ne suffit plus dans trois situations : quand le modèle a besoin d'informations qu'il n'a pas (vos documents, vos prix, votre historique client), quand la tâche demande d'agir sur des outils, et quand la qualité doit être identique sur des milliers d'exécutions. À chaque situation répond une technique différente, et on la choisit dans cet ordre, du moins cher au plus cher.
Le RAG (génération augmentée par recherche) branche le modèle sur vos documents. Avant de répondre, le système va chercher les passages pertinents dans votre base et les colle dans le prompt. C'est la réponse quand le problème est « le modèle ne connaît pas notre catalogue » ou « il invente des références ». Le prompt reste central, mais il est rempli automatiquement. Le choix entre un RAG et un serveur MCP, qui donne au modèle un accès direct aux outils métier, est traité dans MCP ou RAG, lequel choisir.
L'agent est la réponse quand il faut agir, pas seulement répondre : créer une fiche dans le CRM, mettre à jour un devis, relancer un fournisseur. On y vient quand le processus compte plusieurs étapes et plusieurs outils.
Le fine-tuning, qui ré-entraîne le modèle sur vos données, arrive en dernier. On le déconseille tant que le prompt, les exemples et le RAG n'ont pas été poussés à leur limite : il coûte plus cher, fige le modèle sur une version, et dans la majorité des cas vus en mission, un prompt bien construit avec cinq exemples réels donnait déjà 90 % du résultat. Il se justifie pour un format de sortie très contraint répété des dizaines de milliers de fois, ou pour un vocabulaire métier que le modèle de base maîtrise mal.
Du prompt au prompt engineering
Écrire un bon prompt ponctuel est à la portée de tout le monde. Le prompt engineering commence quand le prompt entre dans un processus : les mêmes consignes exécutées des centaines de fois par jour, dans un outil métier, avec un coût par appel et une qualité à tenir. Il faut alors versionner les prompts, les tester sur des exemples réels et mesurer les régressions à chaque modification, comme du code. OpenAI recommande d'ailleurs de stocker les prompts de production dans le code de l'application.
Résumé de la vidéo : quatre membres d'Anthropic (recherche, produit, équipe clients) discutent en anglais de ce qui distingue un bon prompt d'un mauvais, du rôle des exemples et de l'itération sur des cas réels. Le lecteur y retrouve, de la bouche de l'éditeur, la méthode décrite dans cet article, avec des cas concrets d'entreprise.
Deux règles tirées des missions. Un prompt qui fonctionne sur ChatGPT ne fonctionne pas forcément tel quel sur Claude ou Mistral, donc chaque changement de modèle se reteste sur le même jeu d'exemples. Et un prompt de production s'accompagne d'un seuil de confiance sous lequel la réponse part à un humain plutôt qu'au client. Pour la partie rédactionnelle au quotidien, notre guide du prompt engineering pour les PME détaille les techniques utiles, few-shot, chaîne de pensée et bibliothèque de prompts partagée entre équipes.
Ce qu'on en fait concrètement chez JUWA
Sur les projets qu'on déploie, un prompt n'est jamais un texte figé dans le code. Chaque prompt a une version, un propriétaire et un jeu de tests tiré des données du client, ce qui permet de voir une régression avant la mise en ligne plutôt qu'après. Chez SuperHote, un SaaS de gestion locative, le copilote conversationnel livré en 4 semaines et 42 jours-homme traite aujourd'hui 95 % de 2 millions de messages mensuels, avec un transfert à un humain sous un seuil de confiance. Ce résultat tient d'abord à l'instruction système et aux exemples calibrés sur les vraies conversations, pas au modèle choisi. Si vos équipes utilisent déjà l'IA mais que les résultats restent irréguliers d'une personne à l'autre, un expert en prompt IA audite vos prompts existants, les structure et les teste sur vos données avant d'industrialiser quoi que ce soit.
