L'essor des intelligences artificielles génératives a fait émerger un nouveau levier d'optimisation : le prompt engineering. Derrière ce terme, une idée simple : mieux formuler ses requêtes pour obtenir des réponses plus pertinentes. Dans des domaines aussi exigeants que l'analyse médicale ou l'assistance aux professionnels de santé, la manière de poser une question peut faire toute la différence. Ici, on voit ensemble dans un article court les différentes techniques susceptibles d'améliorer les réponses fournies par les différentes IA.
Les principales techniques de Prompt Engineering
1. Prompt direct
La forme la plus simple : une question, une réponse.
Exemple :
"Quelles sont les causes possibles d'une fièvre chez l'enfant ?"
- Intérêt : Rapidité, facilité d’utilisation.
- Limite : Le modèle peut parfois rester en surface, sans approfondir.
✅ Cas concret :
Un secrétariat médical utilise un chatbot pour orienter les patients avant une consultation. En posant une question simple ("J'ai mal à la gorge, que faire ?"), le système répond rapidement avec des conseils généraux. Mais sans contexte supplémentaire, il ne distingue pas une simple irritation d'une angine virale.
2. Prompt avec exemples (Few-shot Prompting)
Ici, on guide l'IA en lui donnant des exemples précédents.
Exemple :
"Maison → house, Chat → cat, Chien → ... ?"
(Réponse attendue : "dog").
- Intérêt : Meilleure adaptation aux attentes.
- Limite : Plus long, plus gourmand en calcul.
✅ Cas concret :
Un logiciel d'aide à la traduction médicale doit interpréter des termes spécifiques comme "prurit" (démangeaison) ou "asthénie" (fatigue). En lui fournissant des correspondances en amont, on réduit les risques d'erreur dans le jargon médical.
3. Chain of Thought (CoT) – Chaîne de Pensée
On pousse l'IA à raisonner par étapes avant de répondre.
Exemple :
"23 pommes - 20 utilisées = 3. Ajout de 6 pommes : 3 + 6 = 9. Réponse : 9."
- Intérêt : Meilleure cohérence logique.
- Limite : Réponses plus longues.
✅ Cas concret :
Une IA d’aide au diagnostic doit analyser les symptômes d'un patient et exclure certaines pathologies avant d'envisager une hypothèse plus rare. Plutôt que de donner une réponse directe ("probable grippe"), elle procède par élimination :
- Fièvre + toux + fatigue → Possible grippe, COVID-19, bronchite
- Absence de douleurs thoraciques → Bronchite peu probable
- Test antigénique négatif → COVID-19 exclu
- Diagnostic probable : grippe
4. Chain of Draft (CoD) – Chaîne de Brouillon
Une variante de la CoT qui réduit le texte au minimum. Son efficacité a été démontré en mars 2025, à travers certains papiers scientifiques
Exemple :
"23 - 20 = 3. 3 + 6 = 9. Rép : 9."
- Intérêt : Presque précis que CoT, mais environ 4 à 5 fois plus rapide. D'avantage concis.
- Limite : Peut perdre en clarté.
✅ Cas concret :
Dans un hôpital, une IA aide à la prise de notes en consultation. Plutôt que de rédiger un long résumé, elle génère une synthèse concise :
Patient 42 ans, toux persistante, fatigue. Radio thoracique demandée. Traitement symptomatique prescrit.
Cela permet au praticien de gagner du temps sans perdre l'essentiel.
5. Prompt Chaining – Chaîne de Prompts
On décompose une tâche complexe en plusieurs requêtes successives.
- Intérêt : Approche structurée, idéale pour des cas complexes.
- Limite : Plus difficile à mettre en place.
✅ Cas concret :
Un centre de recherche veut utiliser une IA pour rédiger des articles scientifiques. Plutôt que de générer un texte complet en une seule requête, on segmente :
- Analyser les données d’étude et extraire les tendances principales.
- Formuler une introduction basée sur ces tendances.
- Proposer une synthèse et une conclusion.
Cette approche améliore la cohérence et permet d'ajuster chaque étape avant de passer à la suivante.
Et maintenant ?
Le prompt engineering est un art discret mais déterminant pour tirer le meilleur des IA. Selon l'objectif – précision, rapidité ou concision – certaines techniques s’imposent plus que d'autres. À mesure que ces pratiques évoluent, d'autres approches verront probablement le jour...
Sources
- Brown et al. (2020), Language Models are Few-Shot Learners, OpenAI.
- Wei et al. (2022), Chain-of-Thought Prompting Elicits Reasoning in Large Language Models, Google Research.
-Zhou et al. (2025), "Chain-of-Draft: Thinking Faster by Writing Less", ArXiv - OpenAI (2024), Prompt Engineering Best Practices.
