Erreurs fréquentes de prompting IA

Les prompts vagues produisent souvent des résultats génériques. « Écris quelque chose sur le marketing » laisse de nombreux choix ouverts : le modèle doit alors deviner le public, l’objectif et le format. Une seule phrase pertinente peut nettement améliorer l’alignement.

Le modèle ne connaît que la situation que vous lui fournissez ou que l’application lui transmet. Une phrase pertinente sur votre produit, votre secteur ou votre objectif peut améliorer l’alignement. Sans contexte suffisant, il peut déduire des hypothèses qui ne correspondent pas à votre situation.

Un même sujet peut nécessiter un langage très différent pour un enfant de 12 ans et pour un chercheur titulaire d’un doctorat. Sans indication sur le public, le modèle choisit un réglage probable selon son contexte. Définir le public permet d’orienter le vocabulaire, la complexité, les exemples et le ton.

Sans instruction de format, l’IA structure le résultat comme elle le juge approprié — cela peut donner 800 mots alors que vous vouliez 5 puces, ou un bloc de texte alors qu’il vous fallait un tableau. Préciser le format demande une phrase supplémentaire et évite plusieurs cycles de remise en forme.

Les règles de sortie doivent aussi être vérifiables. Lorsqu’on lui demande de “livrer uniquement le fichier, sans explication”, un assistant a tout de même ajouté plusieurs paragraphes de commentaire — il a traité l’instruction comme une préférence de style plutôt que comme une contrainte stricte sur la réponse. Le texte non demandé n’est pas seulement du bruit : chaque paragraphe supplémentaire consomme des jetons générés, coûte de l’argent sur les API payantes et réduit plus vite les limites de messages ou d’utilisation d’un abonnement.

Empiler plusieurs demandes sans lien entre elles peut rendre certaines exigences plus faciles à oublier ou plus difficiles à évaluer. Lorsque les tâches ont des entrées ou critères de réussite différents, séparez-les ou utilisez un flux de travail par étapes ; des livrables étroitement liés peuvent toutefois bien fonctionner dans un seul prompt structuré.

Considérez un premier résultat utile comme un brouillon et améliorez-le avec des instructions de suivi précises. Si la prémisse, les preuves ou les sources sont erronées, corrigez cette base ou recommencez au lieu de perfectionner le brouillon.

Lorsqu’un assistant modifie des fichiers, remplit des feuilles de calcul ou exécute un travail en plusieurs étapes, il peut décrire la tâche comme terminée — avec des nombres, des noms de fichiers et un résumé — alors que rien n’a été écrit. Le résultat paraît plausible parce que produire du texte plausible est précisément ce que fait un modèle de langage. Lors d’une véritable tâche d’enrichissement d’une feuille de calcul, un assistant a déclaré avoir ajouté 14 profils et a renvoyé un fichier ; la colonne cible était vide et le fichier n’était qu’une copie renommée.