Comment McKinsey a structuré ses prompts pour industrialiser l'usage des LLMs

En 2025, McKinsey & Company a rendu publique une partie de sa démarche interne autour de l'usage des LLMs dans ses missions de conseil. Le cabinet faisait face à un problème récurrent : les résultats obtenus par ses consultants variaient fortement selon qui formulait la requête. Deux analystes travaillant sur le même dossier client pouvaient obtenir des synthèses de qualité radicalement différente en interrogeant le même modèle. Le problème ne venait pas du modèle, il venait de la manière dont les requêtes étaient construites.

La direction a alors traité la formulation des prompts comme un actif opérationnel, non comme une compétence individuelle laissée à l'initiative de chacun. McKinsey Global Institute a publié des orientations internes sur ce qu'ils appellent des "prompt patterns", des structures de requêtes réutilisables qui donnent des sorties stables et utilisables, indépendamment du niveau d'expérience de la personne qui les utilise.

Ce qu'ils ont fait concrètement

McKinsey a identifié quatre patterns qui revenaient dans les prompts les plus performants de leurs équipes, et les a documentés pour une diffusion interne.

Le premier est ce que leurs équipes appellent le pattern "rôle + contrainte + format". Au lieu de demander "résume ce rapport", le consultant écrit : "Tu es un analyste senior spécialisé en chaîne d'approvisionnement. Résume ce rapport en cinq points maximum, chacun limité à deux phrases, en évitant tout jargon interne au cabinet." La spécification du rôle calibre le registre. La contrainte de longueur force la sélection. Le format évite de devoir reformater la sortie avant de la glisser dans une présentation.

Le deuxième pattern est la décomposition de tâches complexes. Plutôt qu'un prompt unique demandant une analyse complète d'un marché émergent, McKinsey a formalisé une séquence : d'abord un prompt pour identifier les acteurs, puis un deuxième pour analyser leurs modèles économiques, puis un troisième pour comparer selon des critères définis. Chaque étape produit une sortie vérifiable avant de passer à la suivante. Cela réduit ce que les équipes appellent "l'hallucinationhallucinationA hallucination is when an AI model generates output that is fluent and confident but factually wrong, fabricated, or unsupported by its source data.Voir la définition complète → par accumulation", où un modèle génère des erreurs dans une réponse longue parce que la tâche était trop large.

Le troisième pattern est le "contrôleur critique". Après avoir obtenu une première réponse, le consultant soumet un second prompt : "Identifie les trois affirmations de cette analyse qui reposent sur les hypothèses les plus fragiles et explique pourquoi." Ce pattern force le modèle à adopter une posture contradictoire sur sa propre production, ce qui fait remonter les approximations avant qu'un partenaire ou un client ne les détecte.

Le quatrième est la spécification du lecteur cible. Avant toute rédaction, le consultant précise : "Ce document sera lu par un CFO qui ne connaît pas notre méthodologie interne et qui a dix minutes. Rédige en conséquence." Cette instruction change la densité du texte, l'ordre des arguments et le niveau d'abstraction, sans que le consultant ait à intervenir manuellement sur ces dimensions.

La mise en oeuvre a pris la forme d'une bibliothèque partagée de prompts validés, accessible à l'ensemble des équipes via leur environnement de travail interne. Les équipes pouvaient contribuer de nouveaux patterns, qui passaient par une validation avant d'être intégrés. Le processus ressemble à une base de code maintenue collectivement, avec des revues avant chaque ajout.

Les résultats

McKinsey n'a pas publié de chiffres de performance détaillés sur cette initiative, et il faut lire avec prudence les estimations qui circulent, souvent issues de communications commerciales de partenaires technologiques. Ce que le cabinet a communiqué publiquement : les équipes utilisant les patterns standardisés produisaient des livrables de premier draft utilisables dans un délai réduit, et le taux de révision substantielle par les partenaires avait diminué.

Des consultants interrogés par des journalistes spécialisés (notamment dans des reportages publiés dans Harvard Business Review en 2025) ont décrit une réduction du temps passé à reformuler ou corriger les sorties LLMLLMA Large Language Model is an AI system trained on vast text data to predict and generate language, enabling tasks like writing, summarizing, and answering questions.Voir la définition complète →, sans donner de pourcentage précis. L'effet le plus documenté est organisationnel : la bibliothèque de prompts a crcrThe percentage of visitors or prospects who complete a desired action (purchase, sign-up, contact form), calculated as conversions divided by total opportunities.Voir la définition complète →éé un langage commun autour de l'usage des modèles, ce qui a facilité la formation des nouveaux entrants.

Ce qui se transfère, et ce qui ne se transfère pas directement

Les quatre patterns décrits ci-dessus fonctionnent indépendamment du secteur ou de la taille de la structure. Le pattern rôle + contrainte + format améliore la qualité des sorties dans presque tous les contextes, que vous travailliez sur une note de synthèse pour un comité de direction, une analyse de risque réglementaire ou la rédaction d'un cahier des charges.

La décomposition de tâches est particulièrement utile dès que la demande dépasse un paragraphe d'instruction. Si votre prompt fait plus de quatre lignes et contient plusieurs verbes d'action distincts, découpez-le.

Le contrôleur critique demande une discipline que peu d'équipes ont naturellement. Le réflexe est d'utiliser la première sortie satisfaisante. Soumettre un prompt de vérification systématique suppose d'avoir intégré cette étape dans un processus, pas de compter sur la volonté individuelle.

Ce qui ne se transpose pas immédiatement depuis McKinsey : leur bibliothèque de prompts est maintenue par des équipes dédiées, avec un processus de validation formalisé. Pour une direction fonctionnelle de taille moyenne, cela représente un investissement en gouvernance que peu ont les ressources de déployer d'emblée. Une version pragmatique consiste à constituer un fichier partagé de prompts validés, maintenu par un référent désigné, avec une révision trimestrielle.

Le point de départ accessible : prenez les cinq tâches que vous ou votre équipe confiez le plus souvent à un LLM, rédigez un prompt structuré pour chacune selon le pattern rôle + contrainte + format, testez-le sur dix cas réels, et ajustez. C'est moins glamour qu'une bibliothèque d'entreprise, mais c'est suffisant pour réduire la variabilité des sorties dès la semaine suivante.

La qualité d'un prompt ne s'améliore pas à force d'intuition. Elle s'améliore avec des retours sur des cas concrets, une documentation des variations qui fonctionnent, et la discipline de ne pas recommencer de zéro à chaque nouvelle demande.