Dernière revue :
Qu'est-ce que le prompt engineering ? Définition et enjeux pour l'entreprise
Le prompt engineering est la discipline d'écriture méthodique des prompts. Il ne s'agit pas d'un métier rare mais d'une compétence transversale, qui consiste à formaliser, tester et standardiser les instructions adressées à un LLM pour obtenir des sorties fiables et reproductibles à l'échelle d'une organisation.
Le prompt engineering recouvre l'ensemble des techniques permettant de transformer une requête vague en une instruction structurée qui produit une sortie fiable. Les techniques principales incluent : l'assignation de rôle (« Tu es expert en... »), la fourniture d'exemples (one-shot, few-shot), la décomposition de la tâche en étapes (chain of thought), la spécification du format de sortie (JSON, markdown, plan numéroté), et l'introduction de contraintes négatives (« ne pas mentionner... »). En 2023, le terme désignait un métier émergent et bien rémunéré (jusqu'à 300 000 dollars annuels chez certains laboratoires américains). Depuis 2024-2025, cette segmentation s'est largement effondrée : les modèles sont devenus plus tolérants aux prompts imprécis, et les bonnes pratiques se sont diffusées. Le prompt engineering n'est plus un métier, c'est une compétence intégrée aux rôles métier (commercial, juriste, marketeur), au même titre que la maîtrise d'Excel ou de la recherche Google.
Exemple concret
L'étude NBER de Brynjolfsson, Li et Raymond (2023, Generative AI at Work) a observé 5 172 agents de support client équipés d'un assistant IA. Le gain de productivité moyen était de 14 %, mais variait fortement selon le niveau d'expérience et la qualité du prompting : 34 % de gain pour les agents les moins formés, et un effet quasi nul pour les plus expérimentés sur les cas simples. L'enseignement central pour les dirigeants : la productivité issue de l'IA n'est pas une propriété du modèle, mais de la pratique d'usage. Sans discipline de prompting collective, les gains restent inégaux et non capitalisables.
Cas à plus grande échelle, contexte support client : Klarna, février 2024. Le groupe fintech suédois annonce publiquement que son assistant IA (basé sur OpenAI) traite en un mois deux tiers du volume de conversations service client, soit 2,3 millions d'échanges en 23 langues et l'équivalent de 700 agents temps plein. Les tickets sont résolus en 2 minutes en moyenne contre 11 minutes auparavant, avec un score de satisfaction équivalent aux agents humains. Le point clé : Klarna publie que la performance ne vient pas du modèle brut, mais de « quatorze mois d'ingénierie de prompt et d'orchestration » — bibliothèque de prompts versionnés, tests A/B systématiques, routage vers l'humain sur les cas à enjeu. Le prompt engineering n'a pas remplacé les agents, il a transformé la nature du travail : moins de tâches répétitives, plus de supervision et de cas complexes.
Comparaison
| Technique | Ce qu'elle change | Coût typique | Quand la choisir |
|---|---|---|---|
| Prompt engineering | Instructions et exemples donnés au modèle à chaque appel — le modèle reste identique | Faible — quelques heures à quelques semaines par cas d'usage | Défaut à privilégier : 80 à 90 % des cas d'usage entreprise se résolvent ainsi. Rapide à itérer, réversible, aucun réentraînement. |
| RAG (Retrieval-Augmented Generation) | Le modèle reçoit des extraits pertinents d'une base documentaire à chaque question | Moyen — infrastructure de recherche vectorielle + curation des sources | Quand la connaissance métier vit hors du modèle (documents internes, catalogue produits, base de connaissance qui évolue). |
| Fine-tuning | Le modèle est ré-entraîné sur un corpus propriétaire — comportement et style modifiés durablement | Élevé — dataset annoté + coût de calcul + maintenance à chaque nouveau modèle de base | Style éditorial très spécifique, vocabulaire de niche non couvert, ou baisse de latence sur une tâche unique et bien cadrée. |
Questions fréquentes
Faut-il un expert pour faire du prompt engineering ?
Non. Le prompt engineering en entreprise est d'abord une discipline de rédaction : clarté du contexte, exigence sur le format de sortie, exemples courts. Les gains documentés (14 % de productivité moyenne selon l'étude NBER 2023 sur 5 172 agents support) viennent de bonnes pratiques diffusables, pas d'une expertise technique.
Comment structurer un bon prompt ?
Quatre briques : rôle (à qui parle le modèle), contexte (données, contraintes, ton attendu), tâche (verbe d'action et critère de succès), format de sortie (structure explicite). Ajouter un ou deux exemples (few-shot) améliore la fidélité au format. Itérer sur 3-5 versions avant de fixer un prompt utilisé en production.
Prompt engineering ou fine-tuning : quelle différence ?
Le prompt engineering ajuste ce qu'on demande au modèle à l'inférence : rapide, sans coût de modèle, réversible. Le fine-tuning ré-entraîne le modèle sur des données propriétaires : coûteux, plus lent, mais utile pour un style ou une expertise très pointue. En 2026, 90 % des cas d'usage entreprise se résolvent par prompt engineering + RAG.
Combien coûte un mauvais prompt ?
Sur un cas de génération à volume (support, extraction, résumé), un prompt mal calibré peut multiplier par 3 à 10 le coût par requête (tokens en entrée gonflés, réponses hors format retraitées) et faire chuter la qualité de 20 à 40 points selon les benchmarks internes. L'audit d'un prompt production revient à quelques heures ; les économies sont mesurables en semaines.
Le prompt engineering devient-il obsolète ?
Non — il évolue. Les modèles récents (Claude 4/5, GPT-5) tolèrent mieux les prompts flous, mais la performance différentielle entre un prompt médiocre et un prompt travaillé reste importante en production. Les techniques évoluent (chain-of-thought, tools use, structured output), la discipline reste.
Faut-il documenter les prompts en entreprise ?
Oui, dans une bibliothèque interne versionnée. Chaque prompt production doit avoir : un identifiant, une date, un cas d'usage, la version du modèle cible, la métrique de qualité mesurée, et un exemple de sortie attendue. Sans cette discipline, les prompts se dupliquent, dérivent et ne sont plus auditables — c'est un actif à traiter comme du code.
À voir aussi
Pour aller plus loin
Generative AI at Work, Brynjolfsson, Li & Raymond, NBER Working Paper 31161, 2023
Sources
- Generative AI at Work, Brynjolfsson, Li & Raymond, NBER Working Paper 31161, 2023. https://www.nber.org/papers/w31161
- Prompt engineering overview, Anthropic documentation 2026. https://docs.anthropic.com/en/docs/build-with-claude/prompt-engineering/overview