Trois techniques d’ingénierie des prompts produisent des améliorations mesurables et reproductibles sur les tâches analytiques difficiles : la chaîne de pensée (chain-of-thought), l’autocritique et l’arbre de pensées (tree-of-thoughts). Elles sont étudiées depuis la vague de recherches sur le raisonnement de 2022-2023 — chaîne de pensée dans Wei et al., 2022, arbre de pensées dans Yao et al., 2023. Malgré l’essor de modes de raisonnement dédiés dans les modèles GPT-5.x et Claude actuels ou dans DeepSeek R1, ces techniques restent pertinentes : elles demeurent utiles avec les modèles rapides et influencent la manière d’interroger les modèles de raisonnement eux-mêmes.
Cet article présente chaque technique, précise quand l’utiliser et analyse son rapport coût-bénéfice.
Le problème que ces techniques résolvent
Les trois techniques s’attaquent au même problème fondamental : un modèle de langage génère normalement une réponse de façon autorégressive, un jeton après l’autre. Sans phase distincte de délibération ou d’exploration, les premiers jetons contraignent rapidement la suite et peuvent enfermer la réponse dans une conclusion fragile. Ce fonctionnement est efficace pour les tâches simples. Pour un raisonnement en plusieurs étapes, une analyse complexe ou toute question qui exige plusieurs résultats intermédiaires justes, il peut en revanche produire des réponses erronées avec une assurance trompeuse.
Les techniques obligent le modèle à consacrer plus de calculs au raisonnement intermédiaire avant de s’engager.
Chaîne de pensée (CoT)
C’est la technique originelle et la plus simple. Ajoutez une consigne telle que « réfléchissez étape par étape avant de donner votre réponse finale » : le modèle explicite son raisonnement avant sa conclusion.
Un exemple concret. Comparez :
Sans technique particulière : Un train quitte Tallinn à 9 h 00 à 80 km/h. Un autre quitte Tartu à 9 h 30 en direction de Tallinn à 100 km/h. Les deux villes sont distantes de 190 km. À quelle heure les trains se rencontrent-ils ?
versus :
Avec CoT : Même question. Pensez étape par étape. D’abord, calculez la distance que le premier train parcourt avant que le second ne démarre. Ensuite, établissez l’équation pour savoir quand ils se rencontrent. Montrez votre travail, puis donnez votre réponse finale.
Sur les problèmes arithmétiques difficiles, les modèles de la catégorie GPT-3.5 affichaient des taux d’erreur d’environ 30 à 50 %, contre 5 à 15 % avec la chaîne de pensée. Les chiffres ont évolué avec les modèles, mais la tendance demeure : le CoT améliore la précision sur les tâches en plusieurs étapes.
Quand utiliser la chaîne de pensée :
- Problèmes arithmétiques multi-étapes, surtout avec des unités, des dates ou un arrondi précis. Même les modèles forts commettent des erreurs sur ces points.
- Puzzles logiques et problèmes similaires où la réponse est la conclusion d’une chaîne.
- Débogage de code, lorsque la réponse dépend du suivi de l’état du programme.
- Analyse stratégique, où la conclusion dépend de la prise en compte de plusieurs facteurs.
Quand ne pas s’en préoccuper :
- Rappel de faits simples. “Quelle est la capitale d’Estonie ?” n’a pas besoin de CoT.
- Tâches de génération. Écriture, synthèse et rédaction : le CoT ajoute simplement des jetons sans gain de qualité.
- Modèles de raisonnement. o3, Claude Extended Thinking et DeepSeek R1 appliquent déjà une chaîne de pensée en interne ; ajouter « réfléchissez étape par étape » est au mieux redondant et au pire contre-productif.
Ce dernier point est crucial et nous y reviendrons.
Autocritique
Cette technique comporte deux passes. Demandez d’abord au modèle de répondre, puis de critiquer sa propre réponse et d’en produire une version révisée.
La structure du prompt :
Étape 1 : [Votre question originale]
Étape 2 : Examinez votre réponse ci-dessus. Repérez les erreurs, les faiblesses et les passages fondés sur des hypothèses éventuellement invalides. Critiquez sévèrement votre propre travail.
Étape 3 : Sur la base de votre critique, produisez une réponse révisée.
L’amélioration vient du fait que le modèle n’est plus prisonnier de la conclusion formulée lors de la première passe. Contraint d’examiner son travail avec un regard critique, il repère des problèmes qui lui avaient échappé.
Une variante plus élaborée est l’autocritique constitutionnelle ou fondée sur des principes. Vous définissez les principes auxquels la réponse doit satisfaire, puis demandez au modèle de l’évaluer au regard de chacun d’eux.
Principes pour une bonne réponse à ce type de question :
- Elle répond à la question réelle, et non à une généralisation.
- Elle cite des preuves spécifiques plutôt que de faire référence à des sources.
- Elle reconnaît explicitement l’incertitude là où elle existe.
- Son degré d’assurance est adapté : ferme sur les points solides, prudent sur les points fragiles.
Produisez une réponse. Ensuite, évaluez-la contre chaque principe. Ensuite, révisez.
C’est la technique qui sous-tend les travaux d’Anthropic sur l’IA constitutionnelle et des approches comparables dans la recherche moderne sur l’alignement.
Quand utiliser l’autocritique :
- Tâches d’écriture où vous souhaitez une deuxième passe sans quitter la conversation.
- Travail analytique où le modèle est susceptible d’être trop confiant.
- Soutien à la prise de décision où vous souhaitez que le modèle trouve les lacunes de son propre argument.
- Code où vous souhaitez une passe de revue après la génération.
Quand ne pas s’en préoccuper :
- Tâches sans réponse « correcte » vers laquelle converger (réflexion créative, génération d’idées).
- Tâches que vous préférez critiquer vous-même (chaque fois que votre jugement constitue l’essentiel de la valeur).
- Réponses conversationnelles rapides où le coût de latence dépasse le gain de qualité.
Arbre de pensées (ToT)
La technique la plus coûteuse. Au lieu de produire une seule chaîne de raisonnement, le modèle considère explicitement plusieurs chemins, les évalue et sélectionne le plus prometteur.
Une structure d’exemple concret :
Étape 1 : Générez trois approches différentes pour ce problème.
Étape 2 : Pour chaque approche, travaillez sur les premières étapes sans vous engager dans une réponse finale.
Étape 3 : Évaluez laquelle des approches a le plus de chances de réussir et pourquoi. Soyez spécifique sur les forces et les faiblesses.
Étape 4 : Engagez-vous dans l’approche la plus prometteuse et terminez la solution.
L’arbre de pensées fonctionne parce que certains problèmes admettent plusieurs approches plausibles et que la première tentative n’est pas toujours la meilleure. L’exploration parallèle évite de s’enfermer dans une voie sous-optimale.
Exemple pratique — un prompt difficile :
J’ai une requête SQL complexe qui s’exécute trop lentement. Aidez-moi à l’optimiser.
Étape 1 : Générez trois stratégies différentes d’optimisation. Étape 2 : Pour chacune, identifiez le goulet d’étranglement spécifique qu’elle résoudrait et le coût. Étape 3 : Évaluez laquelle a le plus de chances de donner le plus grand gain pour le plus petit risque. Étape 4 : Mettez en œuvre l’approche choisie.
Vous obtenez quelque chose de nettement plus réfléchi que “voici une réécriture.” Trois approches, comparaison, recommandation, mise en œuvre.
Quand utiliser l’arbre de pensées :
- Problèmes avec plusieurs solutions crédibles. Décisions d’architecture, choix d’algorithmes, choix stratégiques.
- Problèmes d’optimisation. La première tentative est rarement la meilleure.
- Tâches créatives où l’exploration est l’objectif. Nommage, positionnement, cadrage.
- Tout problème pour lequel vous soupçonnez que la réponse évidente est erronée.
Quand ne pas s’en préoccuper :
- Tâches avec une seule approche correcte. Ne demandez pas trois requêtes SQL si une fonctionne.
- Questions factuelles simples. La technique serait disproportionnée.
- La plupart des tâches confiées à des modèles de raisonnement — ceux-ci effectuent désormais ce type d’exploration en interne.
Un arbre de décision pratique
Face à un problème difficile, la bonne question n’est pas « dois-je utiliser le CoT, l’autocritique ou le ToT ? », mais « quelle est la nature du problème ? ».
- Problème linéaire en plusieurs étapes (arithmétique, énigme logique, raisonnement strict) → chaîne de pensée.
- Problème où l’excès de confiance constitue le risque (analyse, recommandation, code à réviser) → autocritique.
- Problème avec plusieurs approches plausibles (optimisation, choix stratégique, exploration créative) → arbre de pensées.
- Conversationnel, simple ou génératif → aucun. Évitez les surcoûts.
Il existe aussi un schéma utile : imbriquer le CoT dans le ToT, lui-même suivi d’une autocritique. Explorez trois voies (ToT), raisonnez pas à pas sur chacune (CoT), puis critiquez la voie retenue (autocritique). Cette combinaison peut sembler disproportionnée, mais elle est réellement utile pour les analyses les plus difficiles. Elle coûte du temps et des jetons, en échange de réponses sensiblement meilleures.
Comment les modèles de raisonnement changent les équations
Le changement majeur depuis 2024 est l’essor des modèles de raisonnement dédiés — o1, o3, Claude Extended Thinking, DeepSeek R1 et Gemini 2.5 Thinking. Ces modèles exécutent une chaîne de pensée en interne avant de répondre, parfois pendant plusieurs dizaines de secondes ou plusieurs minutes.
Cela modifie leur mode d’utilisation de trois manières importantes :
1. Cessez d’ajouter « réfléchissez étape par étape ». Les modèles de raisonnement le font déjà. Cette consigne explicite peut les perturber ou produire des explications redondantes. Posez directement la question.
2. Laissez le modèle déterminer la longueur du raisonnement. Face à une question complexe, il produira en interne une longue chaîne de raisonnement. Vous n’en verrez pas nécessairement l’intégralité, car une partie peut rester masquée dans le mode de réflexion. La contrepartie est la latence : soyez patient.
3. Utilisez des prompts simples et directs. Les modèles de raisonnement sont moins sensibles à la formulation que les modèles rapides : ils analysent l’ambiguïté au lieu de s’y arrêter. Les prompts excessivement structurés qui fonctionnent avec les modèles rapides — cadrage lourd, contraintes multiples, modèles détaillés — peuvent parfois dégrader leurs résultats. Essayez d’abord la version simple.
Un exemple concret. Comparez ces deux prompts à un modèle de raisonnement :
Prompt A : “Pensez étape par étape à la question suivante. D’abord, identifiez les contraintes clés. Ensuite, listez les options. Ensuite, évaluez chaque option contre les contraintes. Ensuite, choisissez. Montrez votre raisonnement à chaque étape. Question : devrions-nous adopter une semaine de travail de quatre jours ?”
Prompt B : “Devrions-nous adopter une semaine de travail de quatre jours ? Contexte : entreprise B2B SaaS de 80 personnes, équipe de support client opère du lundi au vendredi.”
Pour la plupart des modèles de raisonnement, le prompt B produira une meilleure réponse. Le modèle sait déjà comment analyser la question ; un cadre explicite risque de le contraindre inutilement.
Pour les modèles rapides, l’inverse est vrai. Ils ont besoin du cadrage pour produire une qualité comparable.
Voici le constat le plus important en ingénierie des prompts depuis 2023 : le prompt optimal pour un modèle rapide peut être moins performant avec un modèle de raisonnement, et inversement.
Calculs de coût-bénéfice
Les techniques ont toutes des coûts. Le bilan honnête :
| Technique | Coût en jetons | Coût en latence | Gain de qualité | Quand cela en vaut la peine |
|---|---|---|---|---|
| Chaîne de pensée | ~2-3x | ~1,5-2x | 10-40 % sur les problèmes complexes | Problèmes en plusieurs étapes avec modèles rapides |
| Autocritique | ~2x | ~2x | 5-20 % en général | Quand l’excès de confiance est un risque réel |
| Arbre de pensées | ~3-5x | ~2-3x | 10-30 % sur les problèmes à multiples approches | Problèmes complexes avec plusieurs chemins |
| Modèle de raisonnement (intégré) | ~3-10x | ~5-30x | 30-100 % sur les problèmes complexes | Tout problème véritablement complexe |
Pour la plupart des usages occasionnels, le modèle rapide sans technique est suffisant. Pour les problèmes complexes, la bonne technique (ou le modèle de raisonnement) en vaut le coût supplémentaire. Pour les tâches triviales, toutes ces techniques gaspillent de l’argent et du temps.
Règle pratique : avant de recourir à une technique, demandez-vous si le coût de l’erreur sur cette tâche est suffisamment important pour justifier le coût supplémentaire de la technique. Si oui, utilisez la bonne. Si non, envoyez simplement le prompt.
Exemple concret : une tâche complexe réelle
Supposons que vous évaluiez deux offres de fournisseurs et souhaitiez une comparaison nuancée.
Sans aucune technique (prompt standard) :
Comparez ces deux propositions de fournisseurs [coller]. Laquelle devrions-nous choisir ?
Vous obtenez une réponse prudente qui ménage les deux options. C’est un point de départ utile, mais insuffisant.
Avec CoT :
Comparez ces deux propositions de fournisseurs. Pensez étape par étape :
- Listez les critères qui comptent pour notre décision.
- Notez chaque fournisseur sur chaque critère.
- Identifiez les critères où les notes divergent le plus.
- Donnez ensuite votre recommandation.
Vous obtenez une analyse bien plus structurée. Chaque étape est visible ; vous pouvez vérifier ou corriger.
Avec une autocritique supplémentaire :
[même que ci-dessus]
Après votre recommandation, critiquez votre propre analyse :
- Quels critères pourrais-je avoir mal pondérés ?
- Quelles hypothèses ai-je faites que je ne devrais pas avoir faites ?
- Quel est le cas le plus crédible pour l’autre fournisseur ?
Ensuite, produisez une recommandation révisée si nécessaire.
La critique repère les points aveugles de l’analyse initiale.
Avec ToT :
Comparez ces deux propositions de fournisseurs.
Étape 1 : Générez trois cadres différents de prise de décision pour ce type de choix (ex. : minimisation du risque, maximisation de la valeur, alignement des capacités). Étape 2 : Appliquez chaque cadre. Obtenez trois recommandations. Étape 3 : Où les cadres s’accordent-ils ? Où divergent-ils ? Étape 4 : Étant donné nos contraintes réelles, quel cadre est le plus approprié ? Recommandation finale.
Vous obtenez trois angles différents sur le choix ; les différences sont là où se situe la réflexion intéressante.
Avec un modèle de raisonnement :
Comparez ces deux propositions de fournisseurs. Laquelle devrions-nous choisir, et pourquoi ? Incluez les choses qui changeraient votre réponse.
Le modèle de raisonnement effectue tout cela en interne. Son résultat est souvent comparable ou supérieur à celui d’un modèle rapide guidé par un prompt très détaillé, pour un temps total similaire.
En 2026, pour une analyse véritablement difficile, le meilleur choix est généralement un modèle de raisonnement accompagné d’un prompt clair. CoT et ToT restent utiles avec les modèles rapides, tandis que l’autocritique conserve son intérêt comme étape supplémentaire, quel que soit le modèle sous-jacent.
Quelques habitudes pratiques
Rendez la technique visible pour vous-même. Notez dans le prompt la technique employée afin de mieux comprendre ce qui fonctionne.
Comparez les résultats. Une fois par semaine, exécutez le même prompt difficile avec et sans technique, puis observez les différences. Vous apprendrez rapidement à reconnaître les cas où le bénéfice justifie le coût.
N’empilez pas les techniques sans raison. Combiner CoT, autocritique, ToT et modèle de raisonnement est rarement préférable au choix d’une seule technique adaptée. Chaque couche a un coût ; ne l’ajoutez que si elle améliore réellement la réponse pour la tâche concernée.
Conservez ces techniques dans votre bibliothèque. Des extraits « avec CoT », « avec autocritique » et « avec ToT », applicables à la tâche en cours, font gagner du temps par rapport à la saisie répétée de toute la structure.
Le point clé
Trois techniques, chacune avec son domaine de prédilection : la chaîne de pensée pour les problèmes linéaires en plusieurs étapes, l’autocritique pour détecter l’excès de confiance et l’arbre de pensées pour les problèmes qui admettent plusieurs approches. Les modèles de raisonnement modifient le calcul en exécutant les deux premières en interne, mais ces techniques restent pertinentes avec les modèles rapides et comme schémas complémentaires.
Utilisez celle qui correspond au problème et renoncez-y lorsque son bénéfice ne justifie pas son coût. Assimilez la différence entre un « problème plus difficile » et un « problème différent » : tout le reste en découle.
