Qu'est-ce que le prompt engineering ?
Le prompt engineering désigne l'ensemble des techniques qui consistent à formuler, structurer et itérer les instructions envoyées à un grand modèle de langage afin d'obtenir une réponse précise, fiable et reproductible. Cette pratique est apparue avec GPT-3 en 2020, mais elle a explosé après le lancement de ChatGPT le 30 novembre 2022, qui a atteint un million d'utilisateurs en cinq jours. Elle compte parce qu'un même modèle peut produire une réponse médiocre ou excellente selon la manière dont on l'interroge.
Pourquoi parle-t-on de prompt engineering depuis 2022 ?
Avant ChatGPT, l'accès aux grands modèles passait par des API réservées aux développeurs. La mise à disposition d'une interface grand public a transformé une compétence technique en pratique quotidienne : enseignants, juristes, développeurs et marketeurs ont découvert qu'ajouter un contexte, un rôle ou un exemple changeait radicalement le résultat.
Le terme lui-même est apparu dans des articles de recherche dès 2021, notamment autour des travaux de Google sur le chain-of-thought publiés en janvier 2022 par Jason Wei et ses collègues. Ces chercheurs ont montré qu'en demandant au modèle de « raisonner étape par étape », on faisait bondir les performances sur des problèmes arithmétiques et logiques, sans réentraîner le modèle.
Comment se construit un prompt efficace ?
Un prompt solide comporte généralement cinq éléments : une instruction claire à l'infinitif, un rôle ou un contexte, les données d'entrée, le format de sortie attendu et, si nécessaire, des exemples. La contrainte de format est souvent la plus déterminante : demander explicitement un tableau à trois colonnes ou un objet JSON réduit fortement les réponses inutilisables.
L'itération compte autant que la rédaction initiale. Les praticiens testent, comparent et corrigent. C'est ce cycle essai-erreur, et non une formule magique, qui distingue le prompt engineering d'une simple rédaction de question.
Quelles techniques structurent la discipline ?
Plusieurs méthodes se sont imposées entre 2022 et 2024 :
- Zero-shot : une consigne directe, sans exemple.
- Few-shot : deux ou trois exemples de la tâche attendue, intégrés au prompt.
- Chain-of-thought : décomposition explicite du raisonnement.
- RAG (Retrieval-Augmented Generation), formalisé dès 2020 par des chercheurs de Facebook AI : le modèle consulte des documents externes avant de répondre, ce qui limite les hallucinations.
- Prompt engineering automatisé, avec des bibliothèques comme DSPy (Stanford, 2023), qui optimisent les instructions par programme plutôt qu'à la main.
Le métier de « prompt engineer » a-t-il vraiment existé ?
En 2023, des offres d'emploi affichant jusqu'à 335 000 dollars par an chez Anthropic ont fait le tour de la presse. La réalité est plus nuancée : ces postes exigeaient des compétences en évaluation de modèles, en analyse de données et en ingénierie logicielle, pas seulement l'art de bien écrire des questions.
Sam Altman, PDG d'OpenAI, a lui-même déclaré en 2023 que cette compétence perdrait de son importance à mesure que les modèles s'amélioreraient. Les faits lui ont partiellement donné raison : les modèles de raisonnement comme o1, dévoilé en septembre 2024, intègrent une partie du travail de décomposition auparavant déléguée à l'utilisateur.
Ce qui change avec les modèles de raisonnement
Avec o1, o3 ou Claude 3.7, la formulation précise importe moins que la clarté de l'objectif et la qualité des documents fournis. Le centre de gravité se déplace vers la conception de systèmes : choix du modèle, découpage des tâches, vérification des sorties, gestion des coûts.
La prochaine étape, déjà amorcée en 2025, consiste à automatiser l'optimisation des prompts par des agents. La compétence ne disparaît pas : elle se déplace de la rédaction d'une phrase vers l'architecture d'un flux de travail complet.
