Prompt engineering : les enjeux pour la PME
Un prompt isolé suffit pour une demande ponctuelle. Dès qu’une tâche revient chaque jour, trier des courriels, rédiger des réponses types, extraire des données de factures, le résultat doit être fiable à chaque fois. C’est le rôle du prompt engineering. La documentation d’Anthropic pose trois prérequis : des critères de réussite clairement définis, un moyen de tester le résultat par rapport à ces critères, et une première version du prompt à améliorer.
Les éditeurs décrivent des techniques convergentes. Anthropic cite la clarté des consignes, les exemples, le découpage du prompt en sections balisées, l’attribution d’un rôle au modèle, le temps de réflexion laissé au modèle et l’enchaînement de prompts successifs. OpenAI recommande d’inclure quelques exemples d’entrées et de sorties, de construire des jeux de tests pour mesurer le comportement du prompt et, en production, de figer une version précise du modèle pour garder un comportement stable.
Tout ne se règle pas par le prompt. Anthropic note que la latence et le coût s’améliorent parfois plus facilement en changeant de LLM. Notre méthode tient en trois étapes : réunir un jeu de cas réels avec la réponse attendue, mesurer le taux de bonnes réponses du prompt, puis le modifier une chose à la fois en mesurant chaque version. C’est une compétence d’intelligence artificielle accessible à des profils métier, pas réservée aux développeurs.
Notre bibliothèque de prompts encadrés montre ces techniques appliquées à des tâches d’entreprise.
Exemple
Un courtier en assurances de 150 personnes veut classer automatiquement ses courriels entrants en 6 catégories. L’équipe constitue un jeu de 200 courriels déjà classés. La première version du prompt en classe correctement 156, soit 78 %. Après ajout de définitions précises pour chaque catégorie puis de 6 exemples, la troisième version atteint 188 bonnes réponses, soit 94 %. Les cas restants partent en tri manuel.
Questions fréquentes
Faut-il un spécialiste pour faire du prompt engineering ?
Pas forcément. Une personne qui connaît bien la tâche et accepte de tester méthodiquement obtient souvent de meilleurs résultats qu’un technicien éloigné du métier.
Le prompt engineering suffit-il à fiabiliser un usage de l’IA ?
Non. Anthropic rappelle que certains problèmes, comme la latence ou le coût, se règlent mieux en changeant de modèle. Une validation humaine reste nécessaire sur les sorties qui engagent l’entreprise.
Un prompt qui fonctionne aujourd’hui fonctionnera-t-il demain ?
Pas toujours, car les modèles évoluent. OpenAI conseille de figer une version précise du modèle en production et de garder un jeu de tests pour vérifier le prompt à chaque changement.
Quelle différence entre prompt et prompt engineering ?
Le prompt est l’instruction elle-même. Le prompt engineering est la démarche de conception, de test et d’amélioration de ces instructions.
Sources
- Prompt engineering, OpenAI (documentation API) — consulté le 16 octobre 2026
- Prompt engineering overview, Anthropic (Claude Docs) — consulté le 16 octobre 2026
Auteur
Clément Marchal a fondé le Cabinet Flourens. Depuis 2017, dont cinq ans à faire tourner des équipes, notamment dans un environnement régulé par l'AMF, il voit la même chose : l'IA entre dans l'entreprise par les salariés, pas par la direction. Personne ne sait qui l'utilise, sur quelles données, ni ce qu'elle rapporte. Avec Ardoise, le Cabinet Flourens met cet usage en ordre en six semaines : la carte des usages, des règles acceptées, deux automatisations ou agents IA sur vos outils et le dossier qui prouve ce que l'entreprise a fait.
L'histoire du cabinetMode d'Emploi, la lettre
Une méthode par semaine pour reprendre la main sur votre organisation. Désinscription en un clic.