Dans la série des épisodes qui s'intéresse à comment bien "questionner" et intéroger les IA type GPT, on constate que l'intelligence artificielle s'affine, se perfectionne, mais quelque problème persiste: la longueur des réponses. Si la Chain of Thought (CoT) a montré son intérêt en obligeant l'IA à raisonner par étapes, elle a aussi un coût : des explications détaillées, parfois trop verbeuses.
Chain of Draft (CoD) s'inscrit dans une approche différente et plus moderne. L'idée ? Réduire la longueur sans perdre en pertinence, en s'inspirant d'une habitude humaine bien connue : gribouiller quelques notes avant de structurer une idée finale. Voyons voir ce qu'on y gagne.
CoD, une version épurée de Chain of Thought
La Chain of Draft (CoD) repose sur un principe simple : aller droit à l'essentiel. Là où CoT expose chaque étape de manière exhaustive, CoD condense, simplifie, synthétise.
Autrement dit, l'IA ne se contente pas de raisonner étape par étape, elle s'impose une contrainte : formuler chaque idée sous une forme minimale. Un brouillon efficace, rapide, mais structuré.
Ses atouts ?
- Moins de mots, plus de clarté.
- Une génération plus rapide des réponses, en particulier dans les nouveaux logiciels à venir.
- Une trace logique du raisonnement, sous forme concise.
- Bien plus rapide à écrire pour les éventuels soignants
Pourquoi cette approche fait sens en santé ?
Dans un contexte médical, chaque seconde compte. L'enjeu n'est pas de détailler un raisonnement sur plusieurs paragraphes, mais d'obtenir une réponse fiable, lisible, actionnable, tout en ayant une trace du raisonnement adjacent, si nécessaire.
CoD répond à ce besoin en permettant :
- Une synthèse des données cliniques en un minimum de mots.
- Une rapidité d'analyse idéale en situation d'urgence.
- Une intégration fluide dans des outils en temps réel (ex. triage des urgences, assistant diagnostic).
Un fonctionnement simple, mais structurant
Voyons tout ça avec des exemples plutôt parlant. L'IA suit une règle claire :
"Réponds sous forme de brouillon minimaliste, en ne conservant que l'essentiel."
Ainsi, elle ne produit pas de développement inutile. Chaque étape se traduit par une note synthétique.
Cas clinique : Un patient diabétique de 55 ans consulte pour des douleurs aux jambes, aggravées à l'effort et disparaissant au repos.
Prompt en mode CoD :
Analyse ce cas en mode "brouillon" : 1. Identifie les symptômes clés. 2. Liste les hypothèses diagnostiques en 3 mots max. 3. Priorise les examens complémentaires.
Réponse de l'IA :
- Symptômes : douleur jambes, effort, repos.
- Hypothèses : AOMI, neuropathie, radiculopathie.
- Examens : IPS, Doppler, EMG si doute.
Un raisonnement condensé, mais fonctionnel.
CoD vs. CoT : que change-t-on vraiment ?
| Critère | Chain of Thought (CoT) | Chain of Draft (CoD) |
|---|---|---|
| Détail des explications | Long, très explicite | Synthétique, style télégraphique |
| Temps de génération | Lent (beaucoup de texte) | Rapide |
| Lisibilité pour un non-expert | Adaptée | Parfois trop synthétique |
| Usage en urgence | Peu adapté | Très efficace |
| Coût en ressources | Élevé (beaucoup de tokens) | Réduit |
Des recherches récentes indiquent que CoD réduit de 92,4 % la consommation de tokens par rapport à CoT, Concernant le temps gagné, la génération de réponse pouvait être jusqu'à 4 à 8 fois plus rapide,tout en améliorant l'exactitude des réponses de 93,2 % à 97,3 % (Zhou et al., 2025).
Autrement dit :
- Moins de coût, donc une IA plus accessible.
- Des réponses plus rapides, mieux adaptées aux contextes où chaque seconde compte.
Forces et limites de CoD
✅ Gagne du temps : des réponses plus courtes, sans perte de cohérence. ✅ Diminue le coût d'utilisation : moins de texte, moins de ressources consommées. ✅ Idéal en contexte d'urgence : une aide à la décision rapide et efficace. ❌ Manque d'explications : adapté aux experts, mais pas toujours aux novices. ❌ Moins pertinent pour les cas complexes : certains raisonnements médicaux exigent plus de nuances.
Et ensuite ?
CoD trace une voie intéressante pour l'IA appliquée à la santé : une approche qui favorise la rapidité sans sacrifier la logique. Pour les soignants, c'est une manière d'accéder à l'information plus efficacement, sans se perdre dans un flot de mots.
Bien sûr, tout n'est pas si simple. Trop de concision peut nuire à la compréhension, surtout pour les utilisateurs moins aguerris. Mais l'idée d'une IA qui apprend à "brouillonner" avant d'énoncer une conclusion ouvre des perspectives plutôt intéressantes.
Vous avez été un peu perdu par tout ce nouveau jargon sur les CoT ou CoD, ça peut se comprendre ! Ici pour y voir de façon un peu plus limpide : -> C'est quoi le "Prompt Engineering"
Sources
Zhou et al. (2025), "Chain-of-Draft: Thinking Faster by Writing Less", ArXiv.
Google AI Research (2024), "Optimizing Large Language Models for Speed and Efficiency".
OpenAI (2024), "Comparing Chain-of-Thought and Chain-of-Draft Prompting Techniques".
Liu et al. (2025), "Efficient Reasoning with Hidden Thinking", ArXiv.
