Partie 2 – Fondamentaux du prompting

• 10h45 – 11h20 · 35 min
• Objectif 2 : formuler des prompts adaptés
• Suivi de l'atelier 2

📁 Dans le dépôt

• Démonstrations commentées (sorties réelles, à rejouer dans votre outil) : demos/ — 01-vague-vs-crof.md, 02-zero-shot-vs-few-shot.md, 03-chain-of-thought.md, 04-public-cible.md, 05-meta-prompting.md.
• Check-list du prompt efficace : grilles/checklist-prompt.md — vous l’utiliserez à l’atelier 2.
• Méta-prompts (générateur et audit) : prompts/meta-prompts.md.

L’atelier 1 l’a montré : tout ce que le prompt ne précise pas, l’IA le choisit à votre place. Cette partie donne une méthode pour ne rien oublier, trois façons de guider le modèle, et les stratégies qui font la différence sur les tâches complexes.

Les 4 ingrédients d’un prompt efficace : C.R.O.F.

Lettre	Ingrédient	La question à se poser	Exemple
C	Contexte	Que doit savoir l’IA pour bien répondre ? Situation, public, contraintes.	« Nous sommes une PME de 40 personnes dans le BTP ; nos clients sont des collectivités. Un client a une facture de 12 000 € en retard de 45 jours. »
R	Rôle	Quelle casquette doit-elle endosser ?	« Tu es un responsable administratif expérimenté, courtois mais ferme. »
O	Objectif	Quelle tâche précise, quel résultat ? Un verbe d’action.	« Rédige un e-mail de relance qui obtienne un paiement sous 10 jours sans dégrader la relation. »
F	Format	À quoi doit ressembler la sortie ? Longueur, structure, ton, langue.	« 120 mots max, objet d’e-mail inclus, ton professionnel, vouvoiement, une seule demande claire, termine par une proposition d’appel. »

Mis bout à bout, ces quatre phrases forment un prompt complet. Un prompt sans format attendu, c’est une réponse au format choisi par l’IA — rarement le bon.

C.R.O.F. et ses cousins

Il existe des dizaines d’acronymes ; ils disent tous la même chose. Vous les reconnaîtrez dans les guides des éditeurs et sur les réseaux professionnels.

Framework	Composantes	Quand il est utile
C.R.O.F.	Contexte · Rôle · Objectif · Format	Celui de cette formation : simple, complet, mémorisable
RTF	Rôle · Tâche · Format	Le minimum vital pour une demande rapide
RACE	Rôle · Action · Contexte · Expectation	Proche de C.R.O.F., très utilisé en entreprise
CO-STAR	Contexte · Objectif · Style · Ton · Audience · Réponse	Détaille le style et le ton : idéal pour la rédaction
CRISPE	Capacité/Rôle · Insight · Statement · Personnalité · Expérimentation	Ajoute la personnalité de l’IA et l’idée de variantes
TAG	Tâche · Action · Goal	Pour les prompts d’automatisation, orientés résultat

Peu importe l’acronyme : ce qui compte est de ne jamais oublier le contexte et le format attendu.

Avant / après : le même besoin, deux prompts

	❌ Prompt vague	✅ Prompt structuré
Prompt	« Fais-moi un mail de relance pour une facture. »	Contexte + Rôle + Objectif + Format (ci-dessus)
Résultat typique	Générique ; tutoiement ou vouvoiement au hasard ; trop long, sans objet ; montant, délai, ton inventés ou absents ; 3 allers-retours pour corriger	Objet pertinent, 120 mots, vouvoiement ; montant et délai exacts, une demande claire ; ton ferme et courtois, proposition d’appel
Temps total	15 min, résultat moyen	3 min, utilisable tel quel à 90 %

Démonstration : les vraies réponses

Même besoin, même IA, deux prompts. Les réponses ci-dessous ont été produites par un modèle de langage avec exactement ces prompts, reproduites sans retouche (fichier demos/01-vague-vs-crof.md).

Prompt vague — « Fais-moi un mail de relance pour une facture. »

Objet : Relance – Facture n° [numéro] en attente de règlement

Bonjour [Nom du client],

Sauf erreur de notre part, nous n’avons pas encore reçu le règlement de la facture n° [numéro] d’un montant de [montant] €, arrivée à échéance le [date].

Pourriez-vous vérifier de votre côté et procéder au paiement dans les meilleurs délais ? Si le règlement a déjà été effectué, merci de ne pas tenir compte de ce message.

Cordialement, [Votre nom]

Six trous à combler, aucune stratégie, ton par défaut.

Prompt C.R.O.F. — « Contexte : PME BTP, client collectivité, facture de 12 000 € en retard de 45 jours. Rôle : responsable administratif courtois mais ferme. Objectif : paiement sous 10 jours sans dégrader la relation. Format : 120 mots max, objet inclus, vouvoiement, proposer un appel. »

Objet : Facture n° [n°] – règlement attendu sous 10 jours

Madame, Monsieur,

Notre facture n° [n°] d’un montant de 12 000 € reste impayée à ce jour, 45 jours après son échéance.

Nous tenons à la qualité de notre collaboration et souhaitons régler ce point simplement : nous vous remercions de procéder au virement d’ici le [date J+10].

Si une difficulté administrative bloque le paiement, je vous propose un court échange téléphonique cette semaine pour la lever ensemble.

Bien cordialement, [Nom], responsable administratif

Montant, délai, ton, appel : tout y est. Remarquez un bon réflexe du modèle : il n’a pas inventé de numéro de facture, il a laissé [n°]. Le prompt vague produit une réponse correcte mais pleine de crochets — l’IA ne sait rien, donc elle laisse des trous ou, pire, invente.

Trois méthodes clés de prompting

Méthode	Principe	Exemple	Quand l’utiliser
Zero-shot	Une instruction, sans exemple	« Classe ce commentaire client comme positif, neutre ou négatif : [texte] »	Tâches courantes ; le résultat dépend de la clarté de la consigne
Few-shot	2 à 5 exemples du résultat attendu	« Voici 3 avis déjà classés : … Classe maintenant celui-ci : [texte] »	Imposer un format, un style, un barème ; tâches répétitives
Itératif	Dialoguer pour affiner, version après version	« Bien. Raccourcis de moitié, garde le ton, ajoute un titre accrocheur. »	Converger vite vers le résultat voulu, en exploitant la mémoire de la conversation

Les trois se combinent.

Démonstration : zero-shot vs few-shot

Classer un avis client, sans exemple puis avec trois exemples (demos/02-zero-shot-vs-few-shot.md).

Zero-shot — « Classe ce commentaire client : “Livraison rapide, mais le carton était abîmé et personne ne répond au téléphone.” »

Ce commentaire est plutôt négatif, même s’il contient un point positif. Point positif : la rapidité de la livraison. Points négatifs : l’emballage endommagé et l’impossibilité de joindre le service client. Les aspects négatifs dominent, notamment le manque de réactivité du service client, qui est souvent un facteur important d’insatisfaction.

Juste, mais en prose : impossible à traiter pour 500 commentaires.

Few-shot — « Classe chaque avis au format SENTIMENT | NOTE /5 | THÈME. “Parfait, je recommande” → POSITIF | 5 | Global “Produit correct, sans plus” → NEUTRE | 3 | Produit “Remboursement toujours pas reçu” → NÉGATIF | 1 | SAV “Livraison rapide, mais le carton était abîmé et personne ne répond au téléphone.” → »

NÉGATIF | 2 | Logistique, SAV

Une ligne, toujours au même format : prête pour un tableur. L’exemple impose le format mieux qu’une longue description.

Le prompting itératif : la boucle d’amélioration

1. Formuler — C.R.O.F. : contexte, rôle, objectif, format.
2. Évaluer — Exact ? Complet ? Au bon format ? Au bon ton ?
3. Ajuster — Préciser, contraindre, donner un exemple, découper. Une seule modification à la fois, pour savoir ce qui a fait la différence.
4. Relancer — Nouvelle version, ou nouvelle conversation si l’IA s’enlise.

Formules qui marchent :

• « Pose-moi des questions avant de répondre »
• « Propose 3 variantes, je choisis »
• « Critique ta propre réponse, puis améliore-la »
• « Garde tout, change seulement le ton »
• « Repars de zéro : voici la consigne complète »

Le prompting est une boucle, pas un coup de dé. Deux ou trois tours suffisent ; au-delà, les gains décroissent. Notez ce qui a changé entre deux versions : c’est le début d’une bibliothèque de prompts d’équipe.

Stratégies avancées : raisonner et enchaîner

Chain-of-thought : « raisonne étape par étape »

Demander à l’IA d’expliciter son raisonnement avant de conclure améliore nettement les calculs, la logique, l’analyse de cas et les décisions à critères multiples. Bonus décisif : le raisonnement visible se vérifie — on repère l’erreur à l’étape où elle apparaît.

Exemple : « Un abonnement coûte 29 €/mois avec 2 mois offerts la première année. Avant de donner le coût annuel, détaille chaque étape de ton calcul, puis vérifie-le. » → 12 − 2 = 10 mois facturés → 10 × 29 = 290 € → vérification : OK.

Les modèles récents « raisonnent » parfois nativement ; le demander reste utile pour contrôler.

Démonstration : une réponse que l’on peut vérifier

Un calcul avec un piège — le formateur mange aussi (demos/03-chain-of-thought.md).

Réponse directe — « Une salle coûte 450 € la journée. Au-delà de 8 participants, chaque participant supplémentaire coûte 35 €. Le traiteur facture 18 € par personne, formateur inclus. Coût total pour 11 participants ? Donne seulement le résultat. »

771 €

Juste… mais comment le savoir sans refaire le calcul ?

Avec « étape par étape » — même énoncé, terminé par « Raisonne étape par étape, puis vérifie. »

1. Salle : 450 €
2. Participants au-delà de 8 : 11 − 8 = 3 → 3 × 35 € = 105 €
3. Repas : 11 participants + 1 formateur = 12 personnes → 12 × 18 € = 216 €
4. Total : 450 + 105 + 216 = 771 € Vérification : 555 € (salle) + 216 € (traiteur) = 771 € ✓

Les deux réponses sont justes, mais seule la seconde est vérifiable : on voit que le formateur a bien été compté dans le traiteur (12 repas et non 11). En situation réelle, c’est à cette étape que l’on repère une erreur.

Chaînes de prompts : découper, puis enchaîner

Une tâche complexe se découpe en sous-tâches, chaque sortie devenant l’entrée du prompt suivant. Qualité et contrôle à chaque étape.

Étape	Prompt
1	Extrais les 10 idées clés de ce rapport de 40 pages
2	Classe-les par impact et par urgence
3	Rédige une note de synthèse d’une page pour le comité de direction
4	Transforme-la en 5 slides et un e-mail d’envoi

Ne pas confondre

Chain-of-thought : un seul prompt qui demande le raisonnement explicite. Chaîne de prompts : plusieurs prompts successifs, chacun traitant une sous-tâche.

Connecter l’IA à des outils externes

Les modèles modernes ne sont plus seuls. Le prompt doit dire quand et comment utiliser l’outil.

Outil	Pour quoi	Dans le prompt
Recherche web	Actualité, prix, sources	« Cherche sur le web et cite tes sources »
Fichiers et documents	PDF, Excel, images en entrée	« À partir du fichier joint, extrais… »
Exécution de code	L’IA écrit et exécute du Python pour calculer, tracer, convertir	« Calcule avec du code, pas de tête »
API et function calling	Le modèle appelle vos outils (CRM, agenda, ERP) via des fonctions décrites	« Utilise la fonction creer_ticket si… »
RAG (base documentaire)	L’IA répond à partir de vos documents indexés : moins d’hallucinations	« Réponds uniquement à partir de la base documentaire »
Agents	Enchaînement autonome d’étapes et d’outils vers un objectif	À superviser : objectif, limites, points de validation

Formule de référence : « Utilise uniquement le document joint ; si l’information n’y est pas, dis-le. »

10 techniques pour des prompts de qualité professionnelle

#	Technique	Comment
1	Délimiteurs	Séparez consigne et contenu : ###, """ ou <document>…</document>
2	Prompt système	Instructions permanentes (rôle, ton, règles) définies une fois pour toute la conversation — « personnalisation » ou « projets » dans les outils
3	Questions d’abord	« Avant de répondre, pose-moi les questions nécessaires »
4	Contraintes chiffrées	« 120 mots », « 5 points », « niveau B1 » plutôt que « court » ou « simple »
5	Format strict	Tableau, JSON, liste numérotée : la sortie se vérifie et se réutilise
6	Variantes	« Propose 3 versions différentes », puis choisissez ou combinez
7	Niveau de confiance	« Indique ton degré de certitude et ce que tu as supposé »
8	Public cible	« Pour un directeur financier pressé », « pour un stagiaire » : change tout le registre
9	Interdits explicites	« Pas de jargon, pas d’emoji, pas de superlatifs » — listez ce que vous ne voulez pas
10	Auto-critique	« Relis ta réponse, note-la /10 selon [critères], puis améliore-la »

Démonstration : un seul mot change tout, le public cible

« Explique ce qu’est le RAG en 3 phrases maximum à… » (demos/04-public-cible.md)

… un directeur général

Le RAG permet à une IA de répondre en s’appuyant sur les documents de l’entreprise plutôt que sur ses seules connaissances générales. Concrètement, vos collaborateurs interrogent vos procédures, contrats ou fiches produits en langage naturel et obtiennent des réponses sourcées. Le bénéfice : moins d’erreurs, du temps gagné, et un savoir interne enfin accessible.

… un enfant de 10 ans

Imagine un élève très bavard qui a beaucoup lu mais qui oublie parfois les détails. Avant de répondre, on lui donne le bon livre de la bibliothèque et on lui dit : « Réponds avec ce qui est écrit dedans. » Comme ça, il invente beaucoup moins !

… un développeur

RAG = Retrieval-Augmented Generation : on indexe des documents en embeddings dans une base vectorielle, on récupère les k passages les plus proches de la requête, puis on les injecte dans le contexte du LLM. Le modèle génère sa réponse conditionnée sur ces passages, ce qui réduit les hallucinations et permet de citer les sources sans ré-entraînement.

Vocabulaire, longueur, angle et exemples changent complètement. Essayez avec votre propre public : votre direction, un client, un nouvel arrivant.

Méta-prompting : l’IA écrit votre prompt

L’IA est excellente pour rédiger des prompts. Deux outils à garder dans votre bibliothèque (prompts/meta-prompts.md).

Le prompt générateur

Il construit le prompt à votre place.

Tu es un expert en prompt engineering. Je veux obtenir : [décrivez votre besoin en une phrase].
Pose-moi d'abord les questions nécessaires (5 maximum) pour bien comprendre mon contexte, mon public
et le résultat attendu. Ensuite, rédige le prompt optimal, structuré en Contexte / Rôle / Objectif / Format,
que je pourrai copier-coller dans une nouvelle conversation.

Répondez aux questions, copiez le prompt obtenu dans une conversation vierge, gardez-le dans votre bibliothèque.

Le prompt d’audit

Il améliore un prompt existant.

Voici un prompt que j'utilise : [collez votre prompt].
Évalue-le de 0 à 10 sur cinq critères : clarté de l'objectif, contexte fourni, rôle, format de sortie,
risques d'ambiguïté. Pour chaque critère, explique le problème en une phrase.
Puis propose une version améliorée et indique ce que tu as changé et pourquoi.

Lisez la critique — c’est votre formation continue —, comparez les deux versions sur un cas réel, itérez une fois, pas plus.

Démonstration : l’IA vous interroge d’abord

Prompt générateur, premier tour de conversation (demos/05-meta-prompting.md).

« Tu es un expert en prompt engineering. Je veux obtenir : un plan d’onboarding pour les nouveaux commerciaux. Pose-moi d’abord les questions nécessaires (5 maximum), puis rédige le prompt optimal en Contexte / Rôle / Objectif / Format. »

Avant de rédiger le prompt, j’ai besoin de 5 précisions :

1. Contexte : quel est votre secteur, la taille de l’équipe commerciale et le type de vente (B2B, B2C, cycle court ou long) ?
2. Profil : les nouveaux commerciaux sont-ils juniors, expérimentés, ou issus d’un autre secteur ?
3. Durée : sur quelle période l’onboarding doit-il s’étaler (2 semaines, 30 jours, 90 jours) ?
4. Objectifs : qu’est-ce qui définit un onboarding réussi pour vous (premier RDV, première vente, maîtrise du CRM…) ?
5. Format : souhaitez-vous un planning semaine par semaine, une check-list, un tableau avec responsables ?

Dès que vous m’avez répondu, je rédige le prompt complet.

Cinq questions de cadrage que l’on oublie presque toujours de se poser.

Erreurs courantes à éviter

❌ Ce qui fait échouer un prompt	✅ Ce qui le fait réussir
Demande vague : « améliore ce texte »	Verbe d’action + résultat mesurable : « réduis à 100 mots »
Plusieurs questions dans un seul prompt	Une tâche par prompt, ou une chaîne de prompts
Aucun contexte, aucun public cible	Contexte, rôle, public, contraintes explicites
Format de sortie non précisé	Format imposé : liste, tableau, JSON, nombre de mots
Négations floues : « ne sois pas trop long »	Contraintes positives et chiffrées
Jargon ou abréviations internes non expliqués	Définir les termes ou fournir un glossaire
Accepter la première réponse sans la vérifier	Vérifier, puis itérer : 2-3 tours suffisent
Continuer une conversation qui dérive	Repartir d’une conversation propre si l’IA s’enlise

Lesquelles avez-vous commises ce matin pendant l’atelier 1 ?

La check-list du prompt efficace

Neuf cases cochées = un prompt prêt pour la production. Vous l’utiliserez dans dix minutes pour l’atelier 2 (grilles/checklist-prompt.md).

• Le contexte est posé (situation, public, contraintes)
• Le rôle de l’IA est défini
• L’objectif est un verbe d’action + un résultat précis
• Le format attendu est explicite (structure, longueur, ton, langue)
• Un exemple est fourni si le style compte (few-shot)
• La tâche est découpée si elle est complexe (chaîne de prompts)
• Le raisonnement est demandé pour les tâches logiques (chain-of-thought)
• Les sources ou outils à utiliser sont indiqués
• Je sais comment je vais vérifier le résultat

Ce qu’il faut retenir

• C.R.O.F. : contexte, rôle, objectif, format. Ne jamais oublier le contexte ni le format.
• Zero-shot pour le courant, few-shot pour imposer un format, itératif pour converger — une modification à la fois.
• Chain-of-thought rend le raisonnement vérifiable ; chaîne de prompts découpe le complexe.
• Nommez les outils et exigez les sources ; utilisez les délimiteurs et le prompt système.
• Le méta-prompting fait écrire et auditer vos prompts par l’IA.

Place à la pratique : Atelier 2 – Reformuler un prompt mal conçu.