Prompt Engineering 101 — Les techniques de base pour utiliser l'IA efficacement

Le secret : Un prompt clair = Une réponse utile

La plupart des gens pensent que l'IA est "magique". C'est faux. Elle est très littérale.

Bad prompt :

Q: Quels clients quitter ?
A: [Confus, répond n'importe quoi]

Good prompt :

Q: Tu es analyste sales. Tu as une list de clients avec churn risk.
Analyze ce CSV, identify top 5 at-risk (based on engagement down 40%+),
explain why, et propose action plan pour chacun.

Les 3 piliers du prompt engineering

Pilier 1 : Clarté du rôle

Toujours commencer par : "Tu es un [rôle]"

Tu es un customer support agent expert.
Tu réponds aux tickets d'utilisateurs avec empathie et solutions.
Utilise un ton professionnel mais amical.

Pilier 2 : Contexte suffisant

Donner à l'IA ce qu'elle a besoin de savoir :

CONTEXTE :
- Produit : SaaS de gestion de projets (type Asana)
- User issue : Intégration Slack ne fonctionne pas
- User plan : Startup (budget limité, tech-savvy)
- Expected resolution time : < 1h

TASK :
Respond to the user's support ticket below...

Pilier 3 : Format de sortie clair

Tell the model exactly what format you want :

Réponds en format JSON :
{
  "title": "...",
  "step1": "...",
  "step2": "...",
  "estimated_time": "..."
}

Les 5 techniques essentielles

Technique 1 : Few-Shot Prompting

Montrer des exemples au modèle :

Tu dois classifier des reviews en POSITIVE / NEGATIVE.

Exemples :
Review: "Amazing product, solved my problem!" → POSITIVE
Review: "Broke after 2 days, don't buy" → NEGATIVE
Review: "It's okay, nothing special" → NEUTRAL

Maintenant, classifie :
Review: "Best purchase I've made" → ?

Technique 2 : Chain-of-Thought

Demander au modèle de "penser step-by-step" :

Q: Si je vends 100 items à $10, avec coût 40%, et je spend $500 en ads,
   quel est mon profit ?

Mauvais :
A: $100

Bon (with chain-of-thought) :
Q: Explique tes étapes :
A: 
  1. Revenue = 100 × $10 = $1,000
  2. Cost = 40% × $1,000 = $400
  3. Ad spend = $500
  4. Profit = $1,000 - $400 - $500 = $100

Technique 3 : Constraining Output

Limiter la portée pour éviter hallucinations :

Utilise UNIQUEMENT ces données pour répondre :
[CSV de clients]

Q: Quels clients en California ?
A: [Basée sur le CSV, pas d'hallucination]

Technique 4 : Role-Based Prompting

Changer le persona du modèle selon le contexte :

Tu es un copywriter expert en ventes B2B.
Tu écris des subject lines emails qui convertissent.
Ton ton est professionnel, urgent, mais pas spammy.
Aucun emoji, appelle à l'action clair.

Écris 3 subject lines pour une email de demo software...

Technique 5 : Iterative Refinement

Ne pas compter sur une réponse parfaite du premier coup :

V1 : "Résume cet article"
→ Trop long

V2 : "Résume cet article en 3 bullet points max, 20 words chaque"
→ Mieux, mais manque l'insight clé

V3 : "Tu es business consultant. Résume ce rapport
     en 3 insights clés pour un CEO pressé.
     Format : bullet points, max 2 lignes chacun."
→ ✓ Parfait

Erreurs courantes (et comment les éviter)

❌ Erreur 1 : Prompt trop vague

Mauvais :

Écris un email

Bon :

Écris un email de follow-up à un prospect qui a vu ta démo il y a 3 jours.
Ton : professionnel mais personnalisé.
Longueur : < 5 lignes.
Objectif : Proposer un rendez-vous sans être pushy.

❌ Erreur 2 : Pas de rôle / contexte

L'IA va guess le contexte (souvent mal).

Toujours préciser : "Tu es un [rôle] qui fait [tâche], pour [audience]"

❌ Erreur 3 : Format non-spécifié

Pas dire comment vous voulez le résultat = résultat format aléatoire.

Spécifier : "Respond in JSON / bullet points / table / markdown"

❌ Erreur 4 : Données hallucinations