Poser sa question à l’IA générative est, sans doute aujourd’hui, l’acte le plus courant du domaine.
Mais la réponse peut être décevante et décourageante si on ne respecte pas les exigences de l’IA générative.
Si une question parvient à l’agent conversationnel (chatbot) d’une entreprise, la réponse donnée aura été programmée par l’ingénieur (si la question comporte tel mot, entreprendre telle action)
La réponse à une question posée à l’IA générative, comme la réponse donnée par un être humain, ne peut être donnée et pertinente que si la question est clairement et précisément comprise.
- La question mal posée.
Imaginons que le directeur d’une boutique de vêtements pose la question suivante à l’IA : « j’aimerais avoir de nouvelles idées pour commercialiser des vêtements ». C’est le type de la question mal posée pour les raisons suivantes :
- quel type de vêtement ?
– est-ce un projet ou la boutique existe ?
– si boutique il y a, quelle est sa zone de chalandise ?
– quel budget ?
-etc.
La question (ou « invite » ou « prompt ») doit donner à l’IA une instruction et les informations nécessaires pour générer la réponse souhaitée. On peut d’ailleurs, si nécessaire, préciser l’instruction et les informations lors d’une deuxième question.
La capacité de réponse du logiciel d’IA tient à la quantité et à la qualité de la multitude des texte divers qui lui ont servi de base « d’entrainement » et à sa connaissance des schémas de pensée et des relations entre les mots et les concepts. Ce sont des grands modèles de langage (LLM « large language model »)
Malgré cela, ces LLM ne permettent pas toujours d’obtenir le résultat souhaité. Ce serait le cas si le domaine de la question n’est pas inclus dans les données d’entraînement ou si le LLM ne dispose pas d’assez de données sur la question ou si le LLM donne des résultats faux (« hallucinations »). C’est pourquoi il faut vérifier la réponse, sa pertinence, sa vraisemblance, etc.
On a compris qu’il ne s’agit pas d’avoir simplement une réponse de l’IA ; il faut que cette réponse soit personnalisée et adaptée aux besoins du questionneur. Il vaut mieux, alors, poser une première question puis compléter ou affiner la question selon la réponse obtenue.
Imaginons devoir organiser un événement d’entreprise et souhaiter choisir le thème de la conférence d’introduction. On demande à l’IA de générer une liste de 5 thèmes possibles pour cet événement.
Il est possible que la réponse ne convienne pas parce que l’IA a compris qu’on organisait une fête.
La question ne précisait pas le contexte.
Il aurait fallu rentrer »génère une liste de 5 thèmes possibles pour une conférence professionnelle sur l’expérience client dans le secteur de l’hôtellerie. » incluant le contexte particulier de la question.
Le contexte spécifique aurait permis à l’IA générer des résultats utiles.
- Les composantes d’une bonne question
Une bonne question (invite, prompt, etc.) doit donc préciser les éléments suivants : la tâche, le contexte, les références.
Spécifier la tâche
La première étape consiste à préciser ce que le logiciel d’IA doit réaliser ; un résumé, un courriel, trouver les suggestions souhaitées, etc.
On doit préciser qui pose la question, et on peut ajouter, si cela est pertinent, le public visé et le type d’expertise que doit comporter la suggestion d’action (viser des professionnels ou un public plus large)
On peut aussi souhaiter que la réponse ait un format particulier (texte, listes à puces, tableau comparatif, etc.)
Fournir le contexte nécessaire
Les informations contextuelles accompagnant la question peuvent être les suivantes
-Les raisons et les objectifs de l’exécution de la tâche.
-Les règles ou les lignes directrices que le résultat doit suivre.
-Les informations contextuelles pertinentes que l’outil doit prendre en compte
Voici un exemple d’invite qui fournit le contexte nécessaire :
« Je suis un promoteur de concerts spécialisé dans l’augmentation des ventes de billets dans l’industrie de la musique rock alternative. Créer un post sur les médias sociaux à propos d’un festival de musique à venir qui s’adresse à la communauté musicale locale tout en attirant des festivaliers hors de l’État. Limitez le message à 125 caractères. Inclure 5 hashtags pertinents. Le public local est principalement composé d’étudiants et de jeunes professionnels (âgés de 21 à 35 ans) adeptes du rock indépendant. Le festival présente 12 groupes sur deux jours, avec des possibilités de camping et des vendeurs de nourriture locale ».
-Inclure des références en guise d’exemples
Les références sont des exemples qui illustrent ce que vous voulez qu’un outil d’IA produise.
Elles précisent les détails du résultat souhaité, tels que le style, le ton et le format.
Selon le serveur, on peut inclure des textes, des images, des fichiers audios ou même des vidéos comme références,
En tenant compte de la suggestion suivante : expliquez brièvement le lien entre les références et la tâche.
Voici un exemple d’exercice qui inclut des références :
« Je suis promoteur de concerts spécialisé dans l’industrie de la musique rock alternative et recherche l’augmentation des ventes de billets. Créez un message sur les médias sociaux à propos d’un festival de musique à venir qui s’adresse à la communauté musicale locale tout en attirant des festivaliers de l’extérieur de l’État. Limitez le message à 125 caractères. Le public local est principalement composé d’étudiants et de jeunes professionnels (âgés de 21 à 35 ans) adeptes du rock indépendant. Le festival accueille 12 groupes sur deux jours, avec des possibilités de camping et des vendeurs de produits alimentaires locaux ».
- Évaluer et améliorer la réponse.
Les outils d’IA varient dans leur formation et leurs capacités. Chaque outil possède des forces et des limites uniques, qui peuvent influencer la qualité de leur production. Après avoir reçu une réponse d’un outil IA, il est essentiel d’évaluer soigneusement la qualité et l’efficacité du contenu généré par l’IA avant de l’utiliser ou de le partager avec d’autres.
Lors de l’évaluation de la réponse, il faut se concentrer sur des facteurs suivants :
La précision
La partialité
La pertinence
La cohérence
Le contenu généré par l’IA doit servir de point de départ et non de produit final. Parfois, lors de l’évaluation et de la validation d’un contenu généré par l’IA, on peut déterminer qu’il est inacceptable ou qu’il n’est pas utile. Lorsque c’est le cas, il faut passer à l’étape suivante : répéter pour obtenir de meilleurs résultats.
Même des messages-guides bien conçus peuvent ne pas produire des résultats idéaux du premier coup. C’est là qu’intervient l’itération, qui consiste à affiner votre message-guide en fonction des résultats de l’IA. L’itération s’apparente à une conversation en va-et-vient avec un outil d’IA. Le processus se déroule généralement comme suit :
-Vous fournissez une requête initiale.
-L’outil d’IA répond par un résultat.
-Vous évaluez l’efficacité de la réponse générée par l’IA.
-Vous affinez votre demande en fonction de ce qui a fonctionné et de ce qui n’a pas fonctionné.
Le processus se répète jusqu’à ce que l’outil d’IA produise les résultats souhaités.
Pour que l’incitation soit efficace, il ne s’agit pas d’obtenir un résultat parfait du premier coup, mais d’être prêt à améliorer continuellement votre approche. Soyez patient, fournissez un retour d’information clair et continuez à demander des informations jusqu’à ce que vous obteniez le résultat souhaité.
- Les capacités d’un LLM en milieu professionnel
Il existe de multiples façons de profiter des capacités d’un LLM pour stimuler la productivité et la créativité :
-création de contenu,
-rédaction d’e-mails,
-création de plan,
-formulation d’idées,
-confection du résumé d’un texte long.
Il faut commencer la question par un verbe (créer, etc.,) pour dire à l’IA ce qu’elle doit faire.
-classer les avis de clients selon le sentiment exposé ;
-extraire les données d’un texte et les transformer en un format structuré plus facile à comprendre.
-traduire en espagnol, etc.
-réécrire un paragraphe de façon moins formelle et de vérifier que le texte est grammaticalement correct.
-résoudre un problème d’ordre professionnel.
« Entrepreneur ayant récemment lancé tel nouveau service, souhaite avoir des idées pour augmenter le nombre de clients. Le LLM nous suggère des idées précises pour atteindre de nouveaux clients, optimiser les services et développer l’entreprise.
L’enchainement des questions (prompts « few-shot »)
Dans le domaine du « prompt engineering », le terme « shot » est souvent utilisé comme synonyme d’exemple.
La technique « zero-shot » a le plus de chances d’aboutir si on recherche des réponses simples et courtes.
La technique « few-shot » est plus efficace pour les tâches nécessitant une réponse plus spécifique et nuancée.
Imaginons devoir rédiger une description pour un nouveau skateboard. On donne comme exemple la description du vélo et du roller, description composée d’une phrase et de deux adjectifs et on demande une description du skateboard dans le même style.
Décomposer des tâches complexes en étapes gérables peut s’avérer difficile lorsqu’on utilise un LLM.
On peut alors recourir à la « chaine de pensée » ou à l’enchaînement des questions.
La question par chaîne de pensée consiste à demander à un LLM d’expliquer son processus de raisonnement étape par étape, du début au résultat final. Cette technique consiste essentiellement à demander à l’IA de « montrer son travail », ce qui rend sa réponse plus transparente et plus structurée. On utilise une phrase du genre « Explique ton raisonnement. » « Détaille étape par étape. »
Imaginons qu’un responsable RH doive élaborer des documents pour l’intégration de nouveaux employés dans un service spécifique. Voici la manière dont le questionnement par chaîne de pensée pourrait être utilisé pour identifier les étapes à suivre afin de traiter cette tâche :
« Crée une liste à puces décrivant les principales tâches et responsabilités d’un designer débutant dans une agence de publicité. Explique ton raisonnement étape par étape ».
Cela peut aider le responsable RH à comprendre et à identifier les lacunes potentielles et à prendre des décisions éclairées sur la manière d’améliorer le processus d’intégration actuel.
Chaînage de questions.
Ce chaînage aide à aborder des projets de grande envergure en les divisant en une série d’étapes plus petites interconnectées dans la même discussion. Il fonctionne comme une chaîne de montage : le résultat d’une question est utilisé comme entrée pour le suivant, enchaînant ainsi toutes vos tâches les unes aux autres.
Cette technique comporte trois étapes clés :
-Analyser les tâches : Commencez par décomposer votre tâche complexe en une série d’étapes logiques plus petites.
-Rédigez un prompt ciblé qui demande à l’IA de ne réaliser que la première étape.
-Utilisez la sortie du premier prompt comme contexte pour le deuxième prompt.
– Poursuivez cette série d’itérations jusqu’à ce que vous ayez terminé la tâche.
Imaginons que vous envisagiez un court séjour à Paris. Vous voulez créer un itinéraire listant ce que vous aimez le plus faire pendant vos vacances, tout en optimisant la logistique pour utiliser votre temps le mieux possible :
Question 1 : « Je vais à [nom de la ville] pour 3 jours. J’aime l’art, les sites historiques et les parcs. Propose quelques lieux connus que je pourrais visiter lors de mon voyage ».
Question 2 : « En te basant sur ces lieux, crée un itinéraire logique, jour par jour, qui minimise les temps de trajet ».
Questions 3 : « Pour chaque jour de l’itinéraire, propose quelques restaurants situés à proximité de chacun des lieux suggérés ».
En divisant la tâche en étapes logiques et en utilisant la sortie de chaque prompt comme entrée pour le suivant, on peut transformer l’IA en collaborateur bien plus élaboré qu’un simple générateur de réponses.
Source : https://www.coursera.org/learn/google-discover-the-art-of-prompting/home/module/1
Autres articles sur l’IA :
https://outilspourdiriger.fr/lapprentissage-automatique-supervise-ia/
https://outilspourdiriger.fr/mieux-comprendre-lia-et-le-big-data/
https://outilspourdiriger.fr/les-impacts-de-lia-generative/
https://outilspourdiriger.fr/lia-generative-selon-mckinsey/
https://outilspourdiriger.fr/solliciter-son-assistant-copilot/
Aucune reproduction ne peut être faite de cet article sans l’autorisation expresse de l’auteur. A. Uzan. 14/06/2026