La plupart des explications sur le fonctionnement de l’IA se situent entre « c’est comme une personne » — une comparaison trompeuse qui conduit à des erreurs — et « elle prédit le prochain mot », une affirmation techniquement juste mais trop vague pour être utile. Cet article propose un juste milieu : un modèle mental opérationnel qui s’assimile en dix minutes et change immédiatement votre manière de rédiger des prompts.
Vous n’avez pas besoin de mathématiques ni de savoir ce qu’est une architecture Transformer. Une seule idée et ses quatre conséquences suffisent.
L’idée principale
Lorsque vous envoyez un message à ChatGPT, Claude ou à tout assistant d’IA moderne, il fait quelque chose comme ceci :
Compte tenu des structures apprises pendant l’entraînement et de la conversation que vous venez de m’envoyer, quelle est la continuation la plus plausible ?
Il génère ensuite cette phrase par petits fragments — quelques caractères ou un mot — et réutilise chaque fragment pour prédire le suivant. Il poursuit jusqu’à ce que la réponse atteigne une condition d’arrêt.
C’est le mécanisme central. Le modèle ne recherche pas intérieurement « la réponse », ne consulte aucune base de données sauf si un outil y est connecté et ne possède pas de module de raisonnement au sens humain. C’est un immense moteur statistique de reconnaissance de structures, qui produit une continuation semblable à ce qu’une personne compétente écrirait dans cette situation.
Le résultat semble intelligent parce que les structures apprises pendant l’entraînement proviennent de textes écrits par des humains : grammaire, faits, blagues, code, contrats, recettes, arguments, excuses, ou encore différence entre une réponse polie et une réponse sarcastique. Ainsi, lorsqu’on lui pose une question, la continuation la plus plausible est souvent la bonne réponse. Souvent, mais pas toujours.
Quatre conséquences en découlent. Chacune permet de comprendre toute une catégorie de conseils en ingénierie des prompts.
Conséquence 1 : Elle ne vérifie pas ce qui est vrai
Le modèle n’est pas optimisé pour avoir raison, mais pour produire un texte plausible. La plupart du temps, ces deux objectifs se recoupent, car les données d’entraînement contenaient des informations exactes sur des sujets courants. Mais lorsqu’on l’interroge sur un sujet pour lequel il n’a pas rencontré d’informations fiables — une affaire juridique spécialisée, un événement récent précis ou une citation obscure —, il ne s’arrête pas. Il génère tout de même une réponse plausible.
C’est pourquoi les hallucinations se produisent. Non parce que le modèle est défectueux, mais parce qu’il fait exactement ce pour quoi il a été conçu : produire une continuation plausible. Plausibilité et vérité sont corrélées, mais ne se confondent pas. (Les situations dans lesquelles cette défaillance est la plus grave, ainsi que les méthodes de vérification permettant de la détecter, sont abordées dans pourquoi l’IA donne des réponses fausses avec assurance ; le présent article se concentre sur le mécanisme.)
Conséquence pratique : toute affirmation factuelle précise provenant d’une IA — un nom, une date, un nombre ou une citation — doit être vérifiée. Le modèle peut exprimer son incertitude, mais ne comptez pas sur ce comportement comme dispositif de sécurité. Intégrez la vérification à votre flux de travail.
Conséquence 2 : Le contexte est tout
Si le modèle prédit la phrase la plus plausible à la suite de votre prompt, alors ce prompt constitue l’entrée qui détermine sa réponse. Ajoutez du contexte pertinent — qui vous êtes, ce que vous avez déjà essayé, ce que vous voulez — et le modèle disposera de structures plus riches sur lesquelles s’appuyer.
C’est pourquoi « plus de contexte » est la manière la plus fiable d’améliorer toute réponse.
« Écrivez-moi un e-mail » produit le genre d’e-mail générique que quelqu’un sans information écrirait.
« Écrivez-moi un e-mail destiné à un client de longue date pour lequel nous n’avons pas respecté un délai. Adoptez un ton direct mais chaleureux, restez sous la barre des 100 mots et terminez par une prochaine étape claire » produit un résultat proche de ce que vous voulez réellement.
Le modèle n’est pas devenu plus intelligent entre les deux demandes. Il a reçu un prompt plus riche, qui a réduit l’espace des « continuations plausibles » à une zone bien plus utile.
Lorsque des utilisateurs expérimentés vous disent que rédiger un bon prompt consiste « simplement à être plus précis », c’est ce qu’ils veulent dire. Il ne s’agit pas d’un tour de passe-passe : le modèle effectue sa tâche habituelle avec davantage de précision, parce que vous lui avez fourni plus d’éléments.
Conséquence 3 : La conversation fait partie du contexte
Tout assistant d’IA moderne conserve l’ensemble de la conversation dans sa mémoire de travail, appelée fenêtre de contexte. Lorsque vous répondez « raccourcissez le deuxième paragraphe », le modèle ne repart pas de zéro. Il produit la réponse la plus plausible en tenant compte de tout ce qui a été dit jusque-là : l’e-mail d’origine, le brouillon produit, votre commentaire et, désormais, votre demande de raccourcir le deuxième paragraphe.
C’est pourquoi le deuxième brouillon est presque toujours meilleur que le premier. Le modèle a plus d’éléments sur lesquels travailler : le prompt original, son propre essai, et votre réaction.
Cela a également des implications :
- Les conversations longues et utiles sont une fonctionnalité, pas un défaut. Restez dans le même fil plutôt que de repartir de zéro.
- Ajouter vos commentaires dans la conversation est plus efficace que de réécrire le prompt. Le modèle a besoin de moins d’explications si le contexte figure déjà dans le fil.
- Lorsque la conversation devient très longue, le modèle commence à perdre les premières parties. En 2026, les produits les plus avancés peuvent proposer de très grandes fenêtres de contexte — un million de tokens ou plus dans certains cas —, mais la formule à laquelle vous êtes abonné offre souvent une capacité bien inférieure, et la qualité baisse à mesure que la fenêtre se remplit. Pour les projets vraiment longs, résumez la conversation et repartez occasionnellement dans un nouveau fil.
Conséquence 4 : La manière dont vous formulez la question façonne ce qui en sort
Puisque le modèle produit une continuation plausible, le type de continuation qu’il produit dépend fortement du ton et de la forme de votre prompt.
Posez une question de manière informelle et vague, et vous obtenez une réponse informelle et vague. Posez la même question de manière structurée et spécifique, et vous obtenez quelque chose de plus rigoureux.
Demandez au modèle de décomposer le problème avant de donner sa réponse finale, et il générera une analyse intermédiaire qui améliore souvent la réponse finale. Ce n’est pas de la magie. C’est simplement guider davantage la réponse vers la décomposition, les vérifications et les comparaisons avant la conclusion, ce qui peut produire des réponses plus fiables sur des problèmes difficiles.
Demandez au modèle d’adopter un rôle particulier — « vous êtes un fiscaliste expérimenté en Estonie » — et il s’appuiera sur les structures propres aux réponses de ce type de professionnel. Le modèle ne devient pas réellement fiscaliste. Il reproduit simplement le style et la densité d’information des textes d’un expert de ce domaine.
Demandez au modèle d’argumenter contre votre idée, et il produira le contre-argument le plus plausible. Demandez-lui de jouer le rôle d’un client sceptique, et il exprimera ce scepticisme. Demandez-lui d’être concis, et il comprimera sa réponse.
Tous les « modèles de prompt » que vous avez pu voir sont des variantes de cette conséquence. L’attribution d’un rôle, les exemples résolus, les prompts de critique, « argumentez contre », « soyez concis » ou « adoptez ce ton » fonctionnent tous parce qu’ils orientent la prédiction du modèle vers un autre type de continuation plausible.
Pour les tâches professionnelles, le prompt le plus sûr est rarement celui dont la formulation est la plus ingénieuse. Il réunit clairement le contexte, les contraintes, les sources, le format de réponse et une règle explicite de gestion de l’incertitude.
Mettre cela en pratique
Gardez ces quatre conséquences à l’esprit la prochaine fois que vous envoyez un prompt :
- Le modèle ne vérifie pas ce qui est vrai ; il produit ce qui est plausible.
- Plus de contexte resserre l’espace des réponses plausibles autour de ce que vous voulez réellement.
- La conversation tout entière fait partie du contexte : servez-vous de l’échange.
- La forme et le ton de votre prompt façonnent la forme et le ton de la réponse.
Ces quatre conséquences se ramènent toutes à la même observation : le prompt fait le lien entre les structures apprises par le modèle et le résultat que vous souhaitez réellement. Plus ce lien est direct — sans perte d’information —, mieux c’est.
La structure pratique d’un prompt
Pour le travail réel, un bon prompt contient généralement six parties :
| Partie | Ce que cela donne au modèle |
|---|---|
| Rôle ou perspective | Le type de structure de réponse à utiliser |
| Contexte | La situation, l’audience et les contraintes |
| Contenu source | Le texte, les données ou les exemples à partir desquels travailler |
| Tâche | Le travail spécifique à accomplir |
| Format de réponse | La forme de la réponse |
| Règle d’incertitude | Ce qui doit être marqué, vérifié ou refusé |
C’est pourquoi les prompts vagues produisent des réponses vagues : ils laissent ouvertes trop de continuations plausibles. L’exercice complémentaire associé à cet article vous aide à transformer un prompt faible en une structure composée de ces six parties.
Un petit test
Prenez un prompt que vous avez envoyé récemment qui a produit une réponse médiocre. Regardez-le. Puis demandez-vous :
- Ai-je donné au modèle assez de contexte sur qui je suis et ce que je veux ?
- Ai-je inclus des contraintes — longueur, ton, format ?
- Ai-je montré un exemple du résultat attendu ?
- Ai-je demandé de décomposer, de contester ou de marquer l’incertitude ?
Vous constaterez presque toujours qu’au moins un de ces éléments manque. Ajoutez-le, puis envoyez de nouveau le prompt. La réponse s’améliorera généralement, car vous aurez réduit l’espace des continuations plausibles en le rapprochant de la tâche dont vous avez réellement besoin.
