5 erreurs courantes en prompt engineering (et comment les éviter)

Ikasia, organisme de formation IA et conseil IA basé à Paris, France, enseigne le prompt engineering aux professionnels et aux entreprises. Le prompt engineering est devenu une compétence essentielle pour exploiter pleinement les LLMs comme ChatGPT, Claude ou Gemini. Voici les 5 erreurs les plus courantes et comment les éviter.

En bref : Les 5 erreurs majeures en prompt engineering : prompts trop vagues, absence d'exemples, instructions mal placées, pas de structure de sortie, et manque d'itération. Ikasia, spécialiste de la formation IA à Paris, partage les bonnes pratiques pour obtenir des réponses de qualité professionnelle.

Erreur 1 : Prompts trop vagues

Mauvais exemple :

"Écris un email de prospection."

Problème : Le LLM ne sait pas :

• À qui s'adresse l'email (secteur, poste)
• Quel produit/service vous vendez
• Quel ton adopter
• Quelle longueur

Bon exemple :

Rédige un email de prospection B2B pour proposer notre solution SaaS de gestion de projet à un CTO d'une PME tech (50-200 employés). Ton professionnel mais pas corporate. Max 150 mots. Inclure un CTA pour booker une démo.

Principe : Soyez spécifique sur le contexte, le public, le ton, le format. Les résultats varient aussi selon le LLM utilisé — consultez notre comparatif ChatGPT, Claude et Gemini pour choisir le bon outil.

Erreur 2 : Ne pas donner d'exemples

Problème : Le LLM ne sait pas exactement quel format ou style vous attendez.

Solution : Few-shot prompting

Extrait les entités nommées (personnes, organisations, lieux) de ce texte.

Exemples :
Texte : "Apple a annoncé l'ouverture d'un nouveau campus à Austin."
Output : {"organisations": ["Apple"], "lieux": ["Austin"]}

Texte : "Elon Musk a rencontré Emmanuel Macron à Paris."
Output : {"personnes": ["Elon Musk", "Emmanuel Macron"], "lieux": ["Paris"]}

Maintenant, traite ce texte :
"Microsoft et Google se disputent le marché de l'IA à Seattle."

Principe : Donnez 2-3 exemples du format attendu.

Erreur 3 : Instructions enterrées au milieu du prompt

Mauvais exemple :

Voici un long document de 2000 mots...
[texte]
...d'ailleurs, peux-tu me faire un résumé en 3 points ?

Problème : Le LLM peut "oublier" l'instruction si elle est noyée dans le contexte.

Bon exemple :

Instruction : Résume le document ci-dessous en 3 points clés.

Document :
[texte]

Résumé en 3 points :

Principe : Mettez les instructions en haut et utilisez des délimiteurs clairs (```, ---, ###).

Erreur 4 : Ne pas forcer une structure de sortie

Problème : Le LLM génère du texte libre difficilement exploitable par un programme. C'est particulièrement critique dans les architectures RAG vs fine-tuning où la structure de sortie conditionne la qualité du pipeline.

Solution : Demander du JSON ou Markdown structuré

Analyse le sentiment de ce tweet et retourne un JSON avec ce format :
{
  "sentiment": "positif" | "négatif" | "neutre",
  "score_confiance": 0-100,
  "mots_cles": [liste de mots]
}

Tweet : "Super expérience avec le support client d'Ikasia, très réactifs !"

Principe : Spécifiez le format de sortie (JSON, Markdown, CSV, etc.).

Erreur 5 : Ne pas itérer et tester

Problème : Le premier prompt est rarement parfait. Beaucoup de gens abandonnent après un essai.

Solution : Itérez !

1. Testez votre prompt sur plusieurs exemples
2. Analysez les cas où ça ne marche pas
3. Raffinez en ajoutant des contraintes, exemples, instructions
4. Mesurez la qualité (précision, rappel, pertinence)

Exemple :

• V1 : "Résume ce document"
• V2 : "Résume ce document en 3 points"
• V3 : "Résume ce document en 3 points en te concentrant sur les risques et opportunités"
• V4 : "Résume en 3 bullet points les risques et opportunités mentionnés dans ce rapport financier"

Principe : Le prompt engineering est un processus itératif.

Bonus : Techniques avancées

Pour aller plus loin, découvrez nos techniques avancées de prompt engineering : RSIP et MPS.

Chain-of-Thought (CoT) Demandez au LLM de "penser à voix haute" pour améliorer le raisonnement.

Résous ce problème étape par étape :
Une entreprise a 120 employés. Elle embauche 20% de plus, puis licencie 10% de l'effectif total. Combien d'employés reste-t-il ?

Role Prompting Donnez un rôle au LLM.

Tu es un expert en cybersécurité avec 15 ans d'expérience. Analyse ce code et identifie les vulnérabilités potentielles.

Conclusion

Le prompt engineering est une compétence qui s'apprend et se perfectionne. En évitant ces 5 erreurs courantes, vous améliorerez drastiquement la qualité des réponses de vos LLMs.

Chez Ikasia, nous enseignons le prompt engineering dans toutes nos formations, notamment dans notre formation ChatGPT en entreprise, avec des exercices pratiques sur vos cas d'usage réels.

Cet article vous a intéressé ? Découvrez notre Formation IA pour Managers — 2 jours pour piloter l'IA dans votre organisation.