D4 · Prompting and Instructions

C’est le domaine le plus lourd de la piste — 20 % de l’examen blanc, soit environ 12 des 60 items. Il teste votre capacité à transformer une demande floue en un prompt qui produit de façon fiable ce dont vous avez réellement besoin, et votre capacité à itérer vers un bon résultat au lieu d’accepter un premier brouillon médiocre. Le prompting est la compétence à plus fort levier de tout le parcours Foundations : tout le reste suppose que vous savez exprimer votre intention clairement.

Ce qu’il faut savoir

Un prompt solide fournit au modèle ce qu’il ne peut pas deviner : qui il doit incarner, exactement quoi faire, le contexte pertinent, les contraintes, le format de sortie, des exemples le cas échéant, et comment vous jugerez la réussite. Les prompts flous obtiennent des réponses génériques parce que le modèle comble les lacunes avec les valeurs par défaut les plus probables. Le prompting est itératif : vous rédigez, vous lisez la sortie au regard de vos critères de réussite, vous diagnostiquez l’écart, et vous affinez une chose à la fois. Décomposer une grande tâche en étapes vaut mieux qu’un seul méga-prompt géant.

Objectifs d’apprentissage

À la fin de cette page, vous devriez être capable de :

1. Nommer et appliquer les sept parties d’une anatomie de prompt.
2. Réécrire un prompt faible en un prompt fort et prédire pourquoi la sortie s’améliore.
3. Mener une boucle d’itération disciplinée pour combler l’écart entre la sortie et l’intention.
4. Décider quand décomposer une tâche au lieu d’écrire un méga-prompt.
5. Utiliser efficacement les exemples (few-shot) et les spécifications de format.
6. Énoncer des critères de réussite explicites pour pouvoir juger si une sortie est bonne.

4.1 L’anatomie d’un prompt

Un prompt complet comporte jusqu’à sept composantes. Toutes les tâches ne nécessitent pas les sept, mais les nommer vous donne une checklist de ce qui pourrait manquer quand une sortie déçoit.

ROLE ─► TASK ─► CONTEXT ─► CONSTRAINTS ─► FORMAT ─► EXAMPLES ─► SUCCESS CRITERIA
 who     what     why/for      limits       shape     samples      done means…

4.2 Avant et après

Le moyen le plus rapide d’intérioriser l’anatomie est d’observer un prompt faible devenir fort.

Write something about our product launch.

You are our product marketing lead. (role)
Write a LinkedIn post announcing the launch of our scheduling app,
Cadence. (task)
Context: audience is small-business owners who currently juggle
calendars manually; the differentiator is one-click rescheduling. (context)
Constraints: under 120 words, confident but not hyped, no emojis,
one clear call to action. (constraints)
Format: a hook line, two short body lines, a CTA line. (format)
Success: a reader should understand the benefit in the first line
and know exactly what to click. (success criteria)

La différence n’est pas la longueur pour elle-même — c’est que chaque lacune que le modèle aurait autrement comblée par une valeur par défaut générique a été fournie.

4.3 La boucle d’itération

Une première sortie est un point de départ, pas un verdict. Le prompting expert est une boucle.

   ┌─────────────────────────────────────────────┐
   ▼                                               │
WRITE prompt ─► READ output against success criteria │
                     │                              │
             gap found? ── yes ─► DIAGNOSE which     │
                     │            anatomy part is    │
                     no           missing/weak ──────┘
                     ▼            then REFINE one thing
                 ship / verify

La discipline qui distingue une bonne itération du tâtonnement : changer une seule variable à la fois. Si vous réécrivez le rôle, resserrez les contraintes et changez le format d’un coup et que la sortie s’améliore, vous n’avez rien appris sur le changement qui a aidé.

4.4 Décomposer au lieu de méga-prompter

Quand une tâche comporte plusieurs étapes distinctes, la scinder en une courte séquence vaut mieux que de tout entasser dans un seul prompt énorme. Chaque étape est plus facile à orienter, à vérifier et à corriger.

MEGA-PROMPT (fragile)          DECOMPOSED (robust)
"Research the market,          1. "Summarise these three reports."
 write a strategy, draft   ─►  2. "From that summary, propose three strategies."
 the deck, and a press         3. "Draft a deck outline for the chosen strategy."
 release, all at once."        4. "Write the press release from the deck."

La décomposition vous permet aussi de vérifier à chaque frontière (un point de revue), ce qui fait le pont vers la piste Applied AI Foundations. Un unique méga-prompt cache l’endroit où ça a dérapé ; une séquence vous le montre.

4.5 Exemples et spécifications de format

Les exemples (few-shot) ancrent le modèle à un motif plus vite que n’importe quelle description. Si vous voulez une structure, un ton ou un schéma d’étiquetage précis, un bon exemple vaut un paragraphe d’instructions.

Les spécifications de format indiquent au modèle la forme exacte dont vous avez besoin — des titres, un tableau à colonnes nommées, une liste numérotée, du JSON avec des champs précis. Être explicite empêche le modèle de choisir une forme difficile à réutiliser.

4.6 Critères de réussite et clarté

La composante la plus sous-utilisée est le critère de réussite — l’énoncé explicite de ce que « bien fait » signifie. Sans lui, ni vous ni le modèle ne pouvez dire si la sortie est bonne ; avec lui, l’évaluation devient une checklist et l’itération devient ciblée.

Deux habitudes de clarté le renforcent :

• Dites ce que vous voulez, pas seulement ce que vous ne voulez pas. « Rédigez un résumé concis qu’un dirigeant pressé peut lire en 30 secondes » vaut mieux que « ne soyez pas trop long ».
• Placez l’instruction la plus importante en tête. Enfouissez la contrainte clé à la fin et elle se dispute l’attention avec tout le reste.

weak:   "Make it good and not too technical."
strong: "Success: a non-technical manager understands the recommendation
         and the one risk in under a minute; no jargon; one page."

Cadre de décision

Utilisez la checklist RTCCFES (Rôle · Tâche · Contexte · Contraintes · Format · Exemples · Réussite [Success]) pour construire ou réparer tout prompt. Parcourez les colonnes ; une sortie décevante remonte presque toujours à une cellule vide.

La valeur : elle convertit « la sortie n’est pas géniale » en « le contexte et les critères de réussite manquent », ce qui est une action plutôt qu’une plainte.

Erreurs fréquentes

Mise en situation

Scénario. Sam a besoin d’un post de notes de version destiné aux clients pour une nouvelle fonctionnalité. Il tape « write release notes for our new export feature » et obtient un paragraphe fade et trop long qui mêle jargon interne et enrobage marketing tout en enterrant le changement réel. Il renvoie le même prompt trois fois, obtenant trois variantes tout aussi médiocres, puis se plaint que « l’IA n’est tout simplement pas bonne pour ça ».

Trace de raisonnement d’expert.

1. Diagnostiquer au regard de l’anatomie, non du modèle. Le prompt a une tâche mais aucun rôle, aucun contexte de public, aucune contrainte, aucun format et aucun critère de réussite — le modèle a donc produit le texte de notes de version générique le plus probable. L’échec est dans le prompt, pas dans le modèle.
2. Reconnaître le tâtonnement. Renvoyer trois fois le prompt identique ne peut pas améliorer la sortie car rien n’a changé ; le non-déterminisme donne une nouvelle formulation, pas une meilleure structure.
3. Reconstruire avec la checklist RTCCFES. Rôle : « vous êtes notre communicant produit ». Contexte : le public est constitué de clients existants qui exportent des données chaque semaine ; le changement leur permet de planifier les exports. Contraintes : moins de 100 mots, langage simple, aucun nom de code interne. Format : un titre d’une ligne, une ligne « ce qui change », une ligne « comment l’utiliser ». Réussite : un client sait ce qui est nouveau et comment l’utiliser en 20 secondes.
4. Itérer une variable. Si la sortie reconstruite est proche mais légèrement trop formelle, ajustez la fois suivante uniquement la contrainte de ton et comparez — pour qu’il apprenne quel levier a compté.
5. Envisager la décomposition si le périmètre grandit. Si les notes devaient couvrir cinq fonctionnalités, il décomposerait (un prompt par fonctionnalité, puis une étape de fusion) plutôt qu’un unique prompt tentaculaire.

Résultat conforme à l’examen : cesser de renvoyer le prompt flou, le reconstruire avec les composantes d’anatomie manquantes et un critère de réussite explicite, puis itérer un changement à la fois — en reconnaissant que l’écart était dans les instructions, non dans la capacité du modèle.

Pièges de l’évaluation

Questions d’entraînement

À retenir

• Un prompt solide fournit rôle, tâche, contexte, contraintes, format, exemples et critères de réussite — la checklist RTCCFES.
• Une sortie décevante correspond généralement à une composante d’anatomie manquante, non à un modèle faible.
• Itérez délibérément : lisez au regard des critères de réussite, puis changez une variable à la fois.
• Décomposez les tâches à plusieurs étapes en une séquence vérifiable au lieu d’un méga-prompt.
• Montrez un format avec un exemple plutôt que de seulement le décrire.
• Énoncez la cible positive et un critère de réussite explicite ; placez l’instruction clé en tête.
• Renvoyer un prompt inchangé fait varier la formulation, pas la structure — affinez, ne répétez pas.