Prompt engineering

Le prompt engineering traduit une attente métier en instructions que le modèle peut suivre. Un prompt utile ne se limite pas à un rôle imagé. Il indique ce qui entre dans le traitement, ce qui doit être produit, les informations interdites et le comportement à adopter lorsqu’une donnée manque. Plus la sortie est vérifiable, plus l’équipe peut distinguer une amélioration réelle d’une réponse simplement agréable à lire.

Une consigne de synthèse peut, par exemple, exiger des rubriques fixes, séparer faits et hypothèses, citer les passages utilisés et laisser un champ vide plutôt que déduire une information absente. Les documents et les valeurs variables doivent être placés séparément des règles permanentes. Cette structure facilite la maintenance et limite les contradictions introduites au fil des demandes.

• Objectif : nommer une action précise, telle qu’extraire, comparer, rédiger ou classer.
• Entrées : décrire les données attendues et leur format.
• Contraintes : préciser les éléments à exclure, les sources admissibles et les limites de portée.
• Sortie : imposer une structure que le système ou l’utilisateur peut relire.
• Abstention : définir la réponse lorsque les preuves sont insuffisantes.

Des exemples peuvent compléter la règle, surtout si le style ou le format est délicat. Ils ne doivent toutefois pas cacher une instruction ambiguë. Un dossier de tests comprenant des cas ordinaires et des exceptions révèle rapidement ce qui manque au prompt.

Dans une solution d’IA générative, cette instruction devient un composant du produit. Elle mérite un propriétaire, une version et une relecture métier, comme toute règle qui influence un résultat visible.

Un prompt réussi sur une démonstration ne suffit pas à justifier son usage dans un processus. Les tests doivent reprendre des demandes réelles, avec leurs fautes de saisie, leurs informations contradictoires et leurs pièces jointes incomplètes. L’équipe prépare une réponse de référence ou des critères de jugement explicites, puis compare les résultats après chaque modification de la consigne.

Cette méthode évite deux écueils. Le premier consiste à complexifier le texte jusqu’à ce que personne ne sache pourquoi une phrase existe. Le second consiste à modifier simultanément le modèle, la source de données et le prompt, ce qui rend la cause d’un progrès impossible à identifier. Une modification à la fois produit un historique lisible.

1. Conservez une version de départ, même imparfaite, pour disposer d’un point de comparaison.
2. Classez les erreurs : format, omission, invention, ton, source ou déclenchement d’action.
3. Faites relire les sorties par les utilisateurs qui connaissent les exceptions du métier.
4. Décidez si le correctif concerne le prompt, une donnée, une interface ou une règle de processus.

Un agent IA demande une vigilance supplémentaire. Son instruction ne guide pas seulement du texte : elle peut sélectionner un outil, préparer un paramètre ou demander une confirmation. Les autorisations doivent donc être séparées de la formulation du prompt, avec des contrôles techniques qui empêchent une action hors périmètre.

Le prompt peut évoluer, mais l’équipe doit savoir quelle version a servi pour un dossier donné. Cette traçabilité rend une régression corrigeable et permet de retirer rapidement une règle devenue obsolète.

Une instruction précise réduit l’ambiguïté, mais elle ne transforme pas un LLM en base de faits. Si la réponse dépend d’une procédure ou d’un contrat, il faut fournir une source adaptée, par exemple au moyen d’un RAG. La règle doit alors demander de s’appuyer sur les extraits transmis et d’indiquer l’absence de preuve, plutôt que compléter avec des connaissances générales.

Les contenus externes ne sont pas des instructions. Un fichier importé, une page web ou un message utilisateur peut contenir des phrases qui cherchent à détourner le comportement du système. C’est le principe d’une prompt injection. Le programme doit traiter ces phrases comme des données, limiter les outils disponibles et vérifier les paramètres avant toute action.

• N’envoyez au modèle que les informations nécessaires à la tâche.
• Ne laissez pas un document joint modifier les règles permanentes du système.
• Demandez une confirmation humaine avant une opération irréversible ou coûteuse.
• Testez les tentatives de contournement et les demandes hors périmètre.

Nous déconseillons de résoudre une hallucination IA uniquement par l’ajout de phrases impératives. Il faut identifier si l’erreur vient d’un contexte absent, d’une source incorrecte, d’un droit mal géré ou d’une attente trop large. Un prompt est une couche de conception ; il ne remplace ni une architecture de données ni une politique d’accès.

Lorsque les équipes doivent utiliser l’IA au quotidien, une formation IA peut établir les réflexes de vérification et éviter que chaque personne invente sa propre règle dans l’urgence.