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 écrit le calcul, repère le piège et arrive à 0,05 $.

Cette astuce a un nom : chain of thought. Elle consiste à demander au modèle de montrer 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 pour vous.

Pourquoi montrer son travail rend les modèles plus intelligents

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.

Voici le point clé : le modèle ne peut « penser » qu'en écrivant. Il n'a pas de brouillon. Quand vous le forcez à répondre immédiatement, il doit compresser 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 le contexte de la suivante. Le modèle construit littéralement sa propre échelle vers la réponse.

Voyez ça comme du calcul mental face au calcul sur papier. La plupart des gens se trompent sur 17 × 23 dans leur tête et tombent juste sur papier. Même cerveau, plus de place pour travailler. Le modèle ne fait pas exception.

Ce que ça aide à faire

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 →) améliore la précision sur les tâches qui demandent un vrai raisonnement :

• Mathématiques et problèmes rédigés
• Casse-têtes logiques et déductions en plusieurs étapes
• Planification et ordonnancement de type « si X alors Y »
• Débogage de code ou détection de failles dans une argumentation
• Tout ce dont la réponse dépend d'étapes intermédiaires

En revanche, ça n'aide pas beaucoup pour les recherches simples (« Quelle est la capitale de la France ? ») ou 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, ça n'ajoute que du bruit et de la longueur.

Comment l'utiliser concrètement

Rien de 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. »
• « Déroule ça soigneusement 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 va détailler : 40 % de 120 font 48, il 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 répétées, montrez au modèle un exemple du raisonnement attendu. C'est ce qu'on appelle le few-shot prompting : vous fournissez quelques réponses types pour fixer le schémamaUtiliser un logiciel pour automatiser les tâches et campagnes marketing répétitives, afin de personnaliser à grande échelle sur des canaux comme l'email, le web et le social.Voir la définition complète →.

Q : Tom a 3 boîtes de 4 stylos chacune. Il en donne 5. Combien 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 en reste-t-il ? R :

Le modèle copie 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 ceci. 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 étiquetée.

Pour une explication approfondie et en langage clair de la recherche derrière ce principe, voir l'article de Google sur le [chain-of-thought prompting](https://research.google/blog/language-models-perform-reasoning-via-chain-of-thought/).

Les modèles « thinking » qui le font automatiquement

Voici la réalité de 2026 : vous n'avez souvent plus besoin de taper « réfléchis étape par étape ».

Une nouvelle catégorie de modèles, les modèles de raisonnement ou modèles thinking, fait le chain of thought tout seul, en coulisses, avant de répondre. Ils se parlent d'abord à eux-mêmes, puis vous livrent le résultat abouti.

Vous les verrez sous forme de modes nommés ou de choix de modèles :

• ChatGPT : les modèles « thinking » de la famille GPT-5 (cherchez un interrupteur de raisonnement ou « Thinking »)
• Claude : le mode « extended thinking » de la série Claude 4
• Gemini : les variantes « Thinking » de Gemini 2.5

Quand vous en utilisez un, l'interface affiche généralement un indicateur « Thinking… » ou un résumé dépliable du raisonnement. Le modèle a dépensé un effort supplémentaire pour travailler le problème avant de répondre.

Quand utiliser un modèle thinking

Utilisez-en un quand la tâche est vraiment difficile : un problème à forte charge logique, un plan en plusieurs étapes, un bout de code retors, une comparaison fine.

Utilisez un modèle classique (plus rapide) pour les tâches du quotidien : réécrire un e-mail, résumer un document, trouver des noms. Les modèles thinking sont plus lents et parfois surdimensionnés.

Une règle simple : si vous souhaiteriez qu'un humain intelligent prenne le temps de s'y pencher, choisissez le modèle thinking.

Vous pouvez toujours pousser les modèles classiques

Si vous êtes sur 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 premium.

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 avec une requête simple :

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. 
What time does the return trip take in total?
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 supprimez souvent complètement l'instruction « réfléchis étape par étape », car le modèle s'en charge en interne. Vous posez juste la question.

Points de vigilance

Le chain of thought est puissant, pas magique. Gardez ceci 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 toujours la logique sur ce qui compte.

Le « raisonnement » visible n'est peut-être pas le vrai raisonnement. Les étapes qu'écrit un modèle sont une approximation utile, pas la transcription littérale de son processus interne. Traitez-les comme un contrôle de cohérence, pas comme parole d'évangile.

Plus d'étapes coûtent plus cher. Les modèles de raisonnement consomment plus de temps et (sur l'API) plus d'argent. Pour des questions triviales, c'est de l'effort gâché.

Ne l'imposez pas au travail créatif. Demander un raisonnement étape par étape pour « écris-moi un poème » donne généralement un résultat raide 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.

Là, le modèle vérifie : il se termine par 0, donc divisible par 2 ; la somme de ses chiffres fait 6, qui est divisible par 3 ; donc oui, divisible par 6. Transparent et correct.

Vous n'êtes pas devenu plus intelligent. Vous avez donné au modèle de la place pour travailler.

À retenir

• Ajoutez « réfléchis étape par étape » à toute tâche de raisonnement sur un modèle standard. Cela transforme une supposition unique et risquée en une chaîne d'étapes vérifiable, et fait souvent passer une mauvaise réponse à la bonne.
• Utilisez des exemples few-shot pour les formats répétés ou délicats : montrez un exemple résolu, et le modèle copie votre style de raisonnement.
• Choisissez un modèle thinking (GPT-5 Thinking, extended thinking de Claude, Gemini 2.5 Thinking) pour les problèmes réellement difficiles. Ils font le chain of thought automatiquement, vous pouvez donc sauter 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.