Le moyen le plus rapide d’apprendre à l’IA exactement ce que vous souhaitez n’est pas de le décrire, mais de le montrer. Deux ou trois exemples concrets du résultat recherché produiront des réponses nettement meilleures que les mêmes consignes formulées uniquement avec des mots.
Cette technique s’appelle le prompting par exemples (few-shot prompting). C’est l’un des outils les plus efficaces de toute la panoplie du prompting. Les débutants l’utilisent pourtant très peu : ils tentent de décrire le résultat souhaité à l’aide d’adjectifs, puis s’agacent lorsque le modèle produit quelque chose d’approchant, mais pas tout à fait juste.
Cet article explique ce qu’est le prompting par exemples, quand l’utiliser et comment bien le mettre en pratique, exemples détaillés à l’appui.
Pourquoi les exemples fonctionnent mieux que les descriptions
Faites cette expérience de pensée. Imaginons que je veuille vous décrire le ton employé par mon entreprise dans ses textes marketing. Je pourrais dire : « amical mais professionnel, chaleureux sans être trop familier, assuré sans jamais paraître arrogant, dans un anglais clair mais pas simpliste ». Après avoir lu ces quatre expressions, vous acquiesceriez probablement avant de produire un texte assez éloigné de ce que j’attendais réellement.
En revanche, si je vous montrais trois courts paragraphes déjà rédigés qui correspondent selon moi à ce ton — sans autre explication — vous comprendriez beaucoup mieux comment adopter cette voix. Vous pourriez probablement la reproduire dès le premier essai.
C’est exactement ainsi que le modèle perçoit vos instructions. Des adjectifs comme « amical », « professionnel » et « assuré » sont vagues. Les exemples concrets sont précis. Le modèle peut repérer les régularités présentes dans des exemples ; face à des adjectifs, il doit les interpréter.
Ce phénomène a été étudié dans les travaux sur l’apprentissage en contexte : les grands modèles de langage généralisent généralement bien mieux à partir de quelques exemples qu’à partir d’une description du même comportement. C’est aussi pourquoi le conseil rédactionnel « montrez, ne dites pas » reste pertinent.
Quand utiliser le prompting par exemples
Voici les situations dans lesquelles les exemples vous seront plus utiles que toute autre technique de prompting :
Correspondre à un ton spécifique. “Écrivez dans le ton de notre entreprise.” Si vous ne pouvez pas définir ce ton en trois adjectifs clairs, montrez deux ou trois exemples à la place.
Produire une mise en forme cohérente. Pour tout contenu qui doit présenter le même aspect à chaque fois — descriptions de produits, messages d’erreur, réponses d’API, rapports hebdomadaires, points d’avancement — montrez le format au lieu de le décrire.
Résultats spécialisés ou inhabituels. « Écrivez un fil Twitter à la manière de [personne précise que vous suivez]. » « Générez des titres pour le blog d’un outil interne. » « Rédigez des commentaires de code comme le fait notre équipe. » Ces cas obéissent à des conventions précises, difficiles à formuler.
Répliquer un style pour la traduction, la synthèse ou la réécriture. “Réécrivez cela dans le même style que ces trois exemples que je vais vous montrer.”
Tout ce que vous corrigez systématiquement de la même manière. Si vous modifiez toujours la réponse du modèle dans le même sens — raccourcir, remplacer un mot, resserrer la structure — fournissez-lui des exemples de la version corrigée.
Structure de base
Un prompt par exemples comporte trois parties : une consigne brève, deux ou trois exemples et la nouvelle tâche.
Générez une description en une ligne pour un outil SaaS B2B. Reprenez le style de ces exemples.
Exemple 1 : Produit : ProjectHub Description : Un espace de travail partagé pour les équipes projet qui en ont assez de jongler entre cinq outils pour accomplir une seule tâche.
Exemple 2 : Produit : TimeFlow Description : Une application de suivi du temps pour les personnes qui détestent les applications de suivi du temps.
Exemple 3 : Produit : ClearStack Description : Un outil de rapport qui transforme les tableaux de bord en décisions.
Maintenant, écrivez une pour : Produit : PromptDesk Description :
Le modèle produira un texte conforme au style : court, affirmé, légèrement malicieux et structuré autour d’un problème ou d’un public précis. Sans les exemples, le résultat aurait été générique. Avec eux, il est adapté.
Trois exemples concrets
Examinons trois situations concrètes dans lesquelles le prompting par exemples transforme le résultat.
1. Signalements de bugs dans le style de votre équipe
Imaginons que votre équipe rédige ses tickets Jira d’une manière précise : brièvement, sans jargon et en privilégiant les conséquences pour l’utilisateur. Vous souhaitez que l’IA rédige des tickets dans le même style.
Rédigez une description de ticket Jira suivant le format ci-dessous.
Exemple 1 : Lorsqu’il se connecte avec Google, l’utilisateur voit brièvement la mauvaise langue avant la mise à jour de l’interface. Le problème se produit systématiquement dans Chrome sur ordinateur. Il n’est pas bloquant, mais donne une impression de dysfonctionnement.
Étapes :
- Se déconnecter
- Se reconnecter avec Google
- Observer le bref changement au premier affichage de la page
Attendu : la langue reste cohérente Réel : l’anglais — apparemment la langue par défaut — s’affiche brièvement
Exemple 2 : Le bouton “Exporter en CSV” renvoie un fichier vide sur les rapports hebdomadaires >1000 lignes. Les rapports plus petits s’exportent correctement.
Étapes :
- Ouvrir le rapport hebdomadaire avec 1000+ lignes
- Cliquer sur Exporter → CSV
- Ouvrir le fichier téléchargé
Attendu : données complètes Réel : le fichier est de 0 octets
Rédigez maintenant un ticket pour le problème suivant : Sur Safari, des utilisateurs signalent que le menu mobile ne se ferme pas après avoir touché un lien. Actualiser la page résout le problème. Il semble s’agir d’un dysfonctionnement du piège de focus.
Le modèle produira chaque fois un ticket qui reprend précisément la structure et le ton. Sans les exemples, la version aurait probablement été un peu plus longue et formelle.
2. Réécriture dans un ton de marque
Imaginons que vous ayez un brouillon d’e-mail à réécrire dans le ton de votre marque. Dire à l’IA « soyez plus chaleureux » produit des résultats inégaux ; montrer des exemples apporte de la cohérence.
Réécrivez l’e-mail ci-dessous dans le ton des exemples suivants : direct, sans jargon d’entreprise, avec une légère autodérision ; n’employez jamais les mots « synergie » ou « tirer parti ».
Exemple 1 : « Nous avons repoussé la mise en production d’une semaine. La modification de la mise à l’échelle automatique était plus importante que prévu. Nouvelle date de livraison : vendredi 22. »
Exemple 2 : « Petit service : pourriez-vous relire ce brouillon ? Surtout la deuxième partie. Je pense qu’elle va trop loin, mais je n’en suis pas sûr. »
Exemple 3 : « À noter : je vais contester l’échéance pendant la réunion de demain. Les chiffres ne tiennent pas et je préfère le signaler maintenant plutôt que de rater la date. »
Réécrivez cela dans le même ton :
[collez votre brouillon]
Le modèle produira un texte qui ressemble aux exemples, et non une prose d’entreprise générique. Vous pouvez enregistrer ce prompt dans un GPT personnalisé et le réutiliser chaque fois que vous souhaitez réécrire rapidement un texte dans le ton de votre marque.
3. Extraction structurée
Imaginons que vous disposiez de factures au format PDF et souhaitiez que le modèle en extraie les données dans un format propre. La méthode classique consiste à en téléverser une, à fournir un exemple du résultat souhaité, puis à traiter les autres.
Extrayez les données des factures PDF dans ce format JSON exact.
Exemple :
Entrée : [facture PDF où le fournisseur est « Lufthansa », la date 2026-04-12, le total 423,50 EUR et les postes vol + frais de bagage]
Sortie :
{ "vendor": "Lufthansa", "date": "2026-04-12", "currency": "EUR", "total": 423.50, "line_items": [ {"description": "Flight TLL-LHR", "amount": 387.00}, {"description": "Checked bag", "amount": 36.50} ], "category": "Travel" }Extrayez maintenant les données de cette facture : [joindre le nouveau PDF]
Vous obtenez un résultat propre et cohérent. Sans l’exemple, la structure du JSON pourrait varier d’une facture à l’autre, ce qui compliquerait considérablement les traitements ultérieurs.
Erreurs courantes avec le prompting par exemples
Trois erreurs à surveiller :
Exemples contradictoires. Si vos trois exemples diffèrent par leur style, le modèle ne saura pas lequel suivre. Choisissez un ensemble homogène et cohérent.
Trop peu d’exemples. Un seul exemple ne suffit souvent pas : le modèle peut le considérer comme un cas isolé. Deux constituent généralement le minimum ; trois représentent un bon équilibre pour la plupart des tâches. Au-delà de cinq, le bénéfice est rare et la fenêtre de contexte commence à se remplir inutilement.
Exemples qui incluent des erreurs que vous ne souhaitez pas copier. Le modèle copiera fidèlement tout motif que contiennent vos exemples — y compris une erreur de frappe, une formulation maladroite ou un choix structurel accidentel. Nettoyez vos exemples avant de les partager.
Une erreur particulièrement subtile consiste à montrer des exemples d’entrée sans les résultats correspondants. « Voici trois articles pour lesquels je veux que vous rédigiez des titres : [trois articles]. » Il s’agit alors de prompting sans exemple (zero-shot), et non de prompting par quelques exemples. Le modèle n’a pas vu à quoi ressemble un bon titre. Comparez :
Voici trois articles accompagnés du type de titre que je souhaite. Reprenez leur style :
Exemple 1 : [article] → Titre : ”…” Exemple 2 : [article] → Titre : ”…” Exemple 3 : [article] → Titre : ”…”
Maintenant, rédigez un titre pour : [nouvel article]
Le couple entrée → résultat constitue l’unité du prompting par exemples. Sans le résultat, le modèle n’a rien dont il puisse apprendre.
Comment construire une bibliothèque d’exemples
Dès que vous commencerez à utiliser le prompting par exemples, vous constituerez des ensembles d’« exemples efficaces ». Conservez-les dans :
- Des GPT personnalisés / des projets Claude — collez les exemples dans le champ des instructions afin qu’ils y restent disponibles.
- Un gestionnaire d’extraits de texte (TextExpander, Raycast, Espanso) — créez des raccourcis qui insèrent vos exemples.
- Un fichier de notes organisé par cas d’usage (« exemples de ton de marque », « exemples de format de ticket », « exemples de titres »), depuis lequel vous pourrez les copier rapidement.
Après six mois, cette bibliothèque formera une boîte à outils personnelle qu’aucun « pack de prompts » générique ne pourra égaler, car elle sera adaptée à votre travail.
Les exemples surpassent les adjectifs
Lorsque vous pouvez décrire le résultat, faites-le. Dans le cas contraire — lorsque vous reconnaissez le style souhaité sans parvenir à l’exprimer clairement — montrez plutôt deux ou trois exemples. Deux minutes consacrées à trouver de bons exemples peuvent vous épargner vingt minutes de correction d’un résultat inadapté qu’aucune description n’aurait permis d’éviter.
Les exemples sont plus efficaces que les adjectifs. Pourtant, presque personne ne les utilise ainsi. Ceux qui le font obtiennent régulièrement de meilleures réponses de l’IA que ceux qui rédigent des descriptions plus longues et plus sophistiquées. Essayez cette méthode dans votre prochain prompt où le style compte et observez le résultat.
