Raisonnement étape par étape et chain of thought
Une correction en quatre mots
Posez cette question à un modèle : « Une batte et une balle coûtent 1,10 $ au total. La batte coûte 1,00 $ de plus que la balle. Combien coûte la balle ? »
Beaucoup de modèles lâchent « 0,10 $ ». Faux. La bonne réponse est 0,05 $.
Ajoutez maintenant quatre mots : « Réfléchis étape par étape. » D'un coup, le modèle pose le calcul, repère le piège et arrive à 0,05 $.
Cette astuce a un nom : chain of thought. Elle consiste à demander au modèle d'exposer son raisonnement avant de donner la réponse finale. Cette leçon explique pourquoi ça marche, comment l'utiliser et pourquoi certains modèles récents le font désormais à votre place.
Pourquoi montrer son travail rend les modèles plus performants
Un grand modèle de langage (l'IA derrière ChatGPT, Claude et Gemini) génère du texte morceau par morceau, en prédisant le mot suivant à partir de tout ce qui précède.
L'insight clé est le suivant : le modèle ne peut « réfléchir » qu'en écrivant. Il n'a pas de brouillon. Quand vous le forcez à répondre immédiatement, il doit comprimer tout son raisonnement en un seul saut. C'est là qu'il dérape.
Quand vous lui demandez de dérouler les étapes, chaque étape écrite devient du contexte pour la suivante. Le modèle construit sa propre échelle jusqu'à la réponse.
Pensez au calcul mental face au calcul sur papier. La plupart des gens se trompent sur 17 × 23 de tête et trouvent juste sur papier. Même cerveau, plus d'espace pour travailler. Le modèle fonctionne pareil.
Ce que cela améliore
Le chain of thought (souvent abrégé en CoTCoTTechnique de prompting qui amène un modèle de langage à produire des étapes de raisonnement intermédiaires avant de donner sa réponse finale, ce qui améliore la précision sur les tâches complexes.Voir la définition complète →) augmente la précision sur les tâches qui demandent un vrai raisonnement :
- Mathématiques et problèmes à énoncé
- Énigmes logiques et déductions en plusieurs étapes
- Planification et organisation de type « si X alors Y »
- Débogage de code ou repérage des failles d'un argument
- Tout ce dont la réponse dépend d'étapes intermédiaires
Il n'aide pas beaucoup pour les simples recherches d'information (« Quelle est la capitale de la France ? ») ni pour la pure crcrLe pourcentage de visiteurs ou de prospects qui réalisent une action attendue (achat, inscription, formulaire de contact), calculé en divisant les conversions par le nombre total d'opportunités.Voir la définition complète →éativité. Dans ces cas, il ajoute surtout du bruit et de la longueur.
Comment l'utiliser concrètement
Aucune compétence technique n'est nécessaire. Vous changez simplement votre formulation.
Les formules de base
Ajoutez l'une de ces phrases à votre prompt :
- « Réfléchis étape par étape. »
- « Examine ce problème attentivement avant de répondre. »
- « Montre ton raisonnement, puis donne la réponse finale. »
Essayez ceci dans n'importe quel chatbot :
Un magasin a 120 pommes. Il en vend 40 % le matin et 25 % des pommes *restantes* l'après-midi. Combien en reste-t-il ? Réfléchis étape par étape.
Le modèle détaillera : 40 % de 120 font 48, il en reste 72 ; 25 % de 72 font 18 ; 72 moins 18 font 54. Clair, vérifiable et juste.
Donnez-lui un exemple résolu (few-shot)
Pour les tâches délicates ou répétitives, montrez au modèle un exemple du raisonnement attendu. On parle de few-shot prompting : vous fournissez quelques exemples de réponses pour fixer le modèle à suivre.
Q : Tom a 3 boîtes de 4 stylos chacune. Il donne 5 stylos. Combien lui en reste-t-il ? R : 3 boîtes × 4 stylos = 12 stylos. 12 − 5 = 7. Réponse : 7. Q : Sara a 5 sacs de 6 billes chacun. Elle perd 8 billes. Combien lui en reste-t-il ? R :
Le modèle reprend votre style : il montre la multiplication, puis la soustraction, puis la réponse. Vous lui avez appris le format sans écrire une ligne de code.
Demandez la réponse en dernier
Un conseil pratique : demandez au modèle de raisonner d'abord et d'énoncer la réponse finale à la fin, clairement identifiée.
Résous ce problème. Montre chaque étape, puis écris « RÉPONSE FINALE : » sur une ligne à part.
Le résultat est ainsi facile à trouver et à vérifier. Vous pouvez parcourir les étapes pour contrôler la logique, puis vous fier à la réponse identifiée.
Pour une explication plus approfondie et accessible des travaux de recherche sur le sujet, consultez l'article de Google sur le chain-of-thought prompting.
Les modèles « thinking » qui le font automatiquement
En 2026, vous n'avez souvent plus besoin de taper « réfléchis étape par étape ».
Une catégorie de modèles appelés modèles de raisonnement ou thinking models pratique le chain of thought d'elle-même, en coulisses, avant de répondre. Ils se parlent d'abord à eux-mêmes, puis vous livrent le résultat abouti.
Vous les trouverez sous forme de modes ou de modèles à sélectionner :
- ChatGPT : les modèles Thinking de la famille GPT-5 (choisissez « Thinking » dans le menu des modèles, ou laissez Auto décider)
- Claude : l'extended thinking des modèles Claude 4.x (Opus et Sonnet)
- Gemini : le mode Thinking de l'application Gemini, qui tourne sur Gemini 3, plus Deep Think pour les problèmes les plus difficiles
Quand vous utilisez l'un d'eux, l'interface affiche généralement un indicateur « Thinking... » ou un résumé repliable du raisonnement. Le modèle a consacré un effort supplémentaire à résoudre le problème avant de répondre.
Quand utiliser un thinking model
Utilisez-en un quand la tâche est vraiment difficile : un problème très logique, un plan en plusieurs étapes, un morceau de code délicat, une comparaison minutieuse.
Prenez un modèle standard (plus rapide) pour les tâches courantes comme reformuler un e-mail, résumer un document ou trouver des idées de noms. Les thinking models sont plus lents et parfois disproportionnés.
Une règle simple : si vous voudriez qu'un humain compétent prenne le temps de réfléchir, choisissez le thinking model.
Vous pouvez toujours orienter les modèles standards
Si vous utilisez un modèle standard, plus rapide, « réfléchis étape par étape » vous apporte encore l'essentiel du bénéfice. La formule n'est pas morte. Elle est simplement intégrée aux modes de raisonnement désormais.
Vérification des acquis
1. Selon la leçon, pourquoi demander à un modèle de raisonner étape par étape améliore-t-il sa précision sur les problèmes difficiles ?
2. La leçon compare le chain of thought à une expérience humaine familière. Quelle analogie traduit le mieux son propos ?
3. Pour quelle tâche le chain of thought risque-t-il surtout d'ajouter du bruit plutôt que d'aider ?
4. Sélectionnez TOUTES les formules que la leçon propose d'ajouter à un prompt pour déclencher un raisonnement chain of thought.
Sélectionnez toutes les réponses correctes.
5. Sélectionnez TOUTES les tâches que, selon la leçon, le chain of thought tend à améliorer.
Sélectionnez toutes les réponses correctes.
Le faire en code
Si vous utilisez l'APIAPIApplication Programming Interface : une interface standardisée qui permet aux applications de communiquer et d'échanger des données sans connaître leur fonctionnement interne respectif.Voir la définition complète → (un moyen d'envoyer des prompts à un modèle depuis un programme), le chain of thought fait simplement partie de vos instructions. Voici un court exemple en Python :
from openai import OpenAI
client = OpenAI()
prompt = """A train leaves at 2:15 PM and arrives at 4:50 PM.
The return trip takes 20 minutes longer.
How long does the return trip take?
Think step by step, then write FINAL ANSWER: on its own line."""
response = client.chat.completions.create(
model="gpt-5",
messages=[{"role": "user", "content": prompt}]
)
print(response.choices[0].message.content)Le modèle renvoie les étapes (de 14 h 15 à 16 h 50, il y a 2 heures 35 minutes ; plus 20 minutes, cela fait 2 heures 55 minutes) puis une ligne « FINAL ANSWER: » propre que vous pouvez extraire par programme.
Si vous passez à un modèle de raisonnement, vous pouvez généralement supprimer l'instruction « think step by step », car le modèle s'en charge en interne. Vous posez simplement la question.
Points de vigilance
Le chain of thought est puissant, pas magique. Gardez ces points en tête.
Il peut raisonner avec assurance et se tromper quand même. Montrer les étapes rend les erreurs visibles, mais ne garantit pas l'exactitude. Vérifiez la logique sur tout ce qui compte.
Le « raisonnement » visible n'est peut-être pas le raisonnement réel. Les étapes qu'écrit un modèle sont une approximation utile, pas la transcription littérale de son processus interne. Servez-vous-en comme d'un contrôle de cohérence, pas comme d'une vérité absolue.
Plus d'étapes coûtent plus cher. Les modèles de raisonnement prennent plus de temps et (via l'API) plus d'argent. Pour des questions triviales, c'est un effort gaspillé.
Ne l'imposez pas sur le travail créatif. Demander un raisonnement étape par étape pour « écris-moi un poème » rend généralement le résultat rigide et mécanique.
Un avant-après rapide
Mauvais prompt :
2 310 est-il divisible par 6 ?
Le modèle risque de deviner.
Bon prompt :
2 310 est-il divisible par 6 ? Un nombre est divisible par 6 s'il est divisible à la fois par 2 et par 3. Vérifie chaque condition, montre ton travail, puis réponds.
Le modèle vérifie alors : il se termine par 0, donc divisible par 2 ; la somme de ses chiffres fait 6, divisible par 3 ; donc oui, divisible par 6. Transparent et juste.
Vous n'êtes pas devenu plus intelligent. Vous avez donné au modèle de l'espace pour travailler.
Points clés à retenir
- Ajoutez « réfléchis étape par étape » à toute tâche de raisonnement sur un modèle standard. Cela transforme une supposition risquée en une chaîne d'étapes vérifiable et corrige souvent des réponses fausses.
- Pour les formats répétitifs ou délicats, montrez un exemple résolu (few-shot) : le modèle reproduit votre style de raisonnement.
- Choisissez un thinking model (GPT-5 Thinking, Claude avec extended thinking, Gemini 3 Thinking) pour les problèmes vraiment difficiles. Ils pratiquent le chain of thought automatiquement, vous pouvez donc vous passer de la formule.
- Demandez la réponse finale en dernier, clairement identifiée, pour pouvoir parcourir le raisonnement et le vérifier.
- Vérifiez toujours la logique. Un raisonnement visible rend les erreurs plus faciles à repérer, mais ne garantit pas que la réponse soit juste.
À faire, tiré de cette leçon
Ces actions sont compilées dans le plan d'action du rôle.
- Fournissez deux ou trois exemples traités de manière cohérente pour les formats délicats
- Ajoutez « think step by step » et demandez la réponse finale en dernier, clairement identifiée
- Choisissez un modèle de raisonnement dédié pour les problèmes vraiment difficiles
Articles liés
Les articles récents du blog qui s'appuient sur cette leçon.
- IAModèles de raisonnement : arrêtez de les utiliser par défautLes modèles de raisonnement comme o3 d'OpenAI ou Claude 3.7 Sonnet sont présentés comme la prochaine étape obligatoire pour quiconque veut des résultats sérieux avec l'IA. Cette réputation est partiellement méritée, mais elle pousse des professionnels à faire de mauvais choix d'outils au quotidien.
- IALe prompt engineering : la compétence IA qui survive aux changements d'outilsLes outils d'IA changent tous les six mois, mais la capacité à formuler des instructions précises reste utile quelle que soit la plateforme. Comprendre la mécanique du prompt engineering, c'est investir dans une compétence transférable, pas dans une interface particulière.
- IAModèles de raisonnement : comment choisir et les utiliser efficacementLes modèles de raisonnement comme o3 d'OpenAI ou Claude Sonnet 3.7 promettent des performances bien supérieures sur les tâches complexes, mais les déployer sans méthode génère des coûts élevés et des résultats décevants. Ce playbook vous donne une séquence concrète pour décider quand les utiliser et comment en tirer le meilleur parti.