Les erreurs de prompting les plus fréquentes et comment les corriger

Vous demandez à ChatGPT d'« améliorer cet e-mail », et il vous renvoie quelque chose de plus fade que le point de départ. Le modèle a fait exactement ce que vous avez dit. Le problème, c'est ce que vous avez dit.

La plupart des mauvaises sorties d'IA viennent de trois erreurs récidivistes : demander de façon vague, entasser dix requêtes dans un seul prompt, et supposer que le modèle se souvient d'une conversation qu'il n'a jamais vue. Corrigez ces trois points et vos résultats s'améliorent immédiatement. Voici chacune d'elles, avec un avant/après.

Erreur 1 : la demande vague

Un prompt vague oblige le modèle à deviner. Il devinera, avec assurance, et souvent à côté. La correction consiste à ajouter du contexte : à qui c'est destiné, à quoi ressemble un « bon » résultat, et les contraintes éventuelles.

Avant

Améliore cet e-mail. « Bonjour, je vérifie juste si vous avez reçu mon dernier message au sujet de la facture. Dites-moi. Merci. »

Vous obtiendrez une réécriture générique. Plus long ? Plus court ? Plus formel ? Le modèle n'en a aucune idée, alors il choisit pour vous.

Après

Réécris cet e-mail destiné à un client qui nous doit 4 000 $ et qui ne répond plus depuis deux semaines. Reste poli mais ferme, moins de 80 mots, et termine par une étape suivante claire (un lien de paiement). Adopte un ton professionnel mais chaleureux. « Bonjour, je vérifie juste si vous avez reçu mon dernier message au sujet de la facture. Dites-moi. Merci. »

Maintenant le modèle connaît l'enjeu, la longueur, le ton et l'objectif. La sortie passe du remplissage à l'utilisable.

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 → : rôle, tâche, contexte, format

Une structure fiable pour n'importe quelle demande :

• Rôle : « Tu es un avocat spécialisé en contrats qui examine un contrat de freelance. »
• Tâche : « Signale toute clause qui expose le freelance à un risque. »
• Contexte : « Il s'agit d'un designer indépendant aux États-Unis, payé au projet. »
• Format : « Liste chaque risque sous forme de puce avec une explication d'une ligne en langage clair. »

Vous n'avez pas besoin des quatre à chaque fois. Mais quand la sortie déçoit, l'élément manquant est presque toujours l'un de ceux-là.

Pour aller plus loin, le guide de prompt engineering gratuit d'Anthropic décompose ces éléments avec des exemples que vous pouvez copier.

Erreur 2 : empiler dix requêtes dans un seul prompt

Quand vous demandez tout d'un coup, le modèle disperse son effort et laisse tomber la moitié de vos exigences. C'est la raison la plus fréquente pour laquelle les gens pensent que l'IA « ne sait pas suivre les instructions ».

Avant

Lis ce rapport de 20 pages, résume-le, traduis le résumé en espagnol, extrais les trois principaux risques, écris un tweet à ce sujet, propose un graphique, et rédige un e-mail pour mon patron.

Le modèle va tout tenter et en faire l'essentiel mal. Le tweet sera faible, un risque manquera, le résumé sera bâclé.

Après : découpez en étapes

Lancez ces prompts séparément, dans l'ordre :

1. « Résume ce rapport en 200 mots, en te concentrant sur les résultats financiers. »
2. « À partir de ce résumé, liste les 3 principaux risques, classés par probabilité. »
3. « Rédige un e-mail de 4 phrases pour mon manager couvrant le résumé et le risque principal. »

Chaque prompt reçoit toute l'attention du modèle. Vous pouvez aussi inspecter chaque résultat avant de passer au suivant, de sorte que les erreurs ne se propagent pas.

Quand chaîner et quand combiner

Combiner quelques tâches *liées* ne pose pas de problème : « Résume ceci et liste trois enseignements » fonctionne bien. Les ennuis commencent quand les tâches sont sans rapport ou dépendent l'une de l'autre. Une bonne règle : si la sortie d'une étape devient l'entrée de la suivante, exécutez-les séparément pour pouvoir vérifier le passage de relais.

Si vous faites cela souvent, vous pouvez automatiser la chaîne avec un petit script. Voici un exemple minimal utilisant 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 → OpenAI en Python :

from openai import OpenAI
client = OpenAI()

report = "...paste your report text here..."

# Étape 1 : résumer
summary = client.responses.create(
    model="gpt-5.1",
    input=f"Summarize this report in 200 words, focused on financial outcomes:\n\n{report}"
).output_text

# Étape 2 : utiliser le résumé pour identifier les risques
risks = client.responses.create(
    model="gpt-5.1",
    input=f"From this summary, list the 3 biggest risks ranked by likelihood:\n\n{summary}"
).output_text

print(summary)
print(risks)

Remarquez que chaque appel fait un seul travail, et que le résumé est transmis explicitement à l'étape suivante. Cette transmission explicite est tout l'enjeu, ce qui nous amène à la troisième erreur.

Erreur 3 : supposer que le modèle se souvient d'un autre chat

Les gens ouvrent sans cesse un nouveau chat et écrivent : « Maintenant transforme ça en présentation. » Le modèle n'a aucune idée de ce qu'est « ça ». Il ne peut pas voir vos autres conversations, votre session d'hier, ni ce que vous avez dit à un autre outil.

Chaque conversation est une pièce fermée. Le modèle ne connaît que ce qui se trouve dans la fenêtre actuelle (tout ce que vous et lui avez dit *dans ce fil*). C'est ce qu'on appelle la fenêtre de contexte : la mémoire de travail d'un chat unique.

Avant

Vous avez passé une heure hier à construire un plan marketing dans un chat. Aujourd'hui vous ouvrez un nouveau chat et tapez :

Transforme le plan en résumé d'une page.

Le modèle répond en demandant quel plan, ou pire, en invente un.

Après

Soit vous continuez dans le *même* chat, soit vous collez le contenu pertinent dans le nouveau :

Voici le plan marketing sur lequel nous allons travailler. Transforme-le en résumé d'une page avec des sections Objectifs, Canaux et Budget. [collez le plan]

Si c'est là, devant le modèle, ça marche. Sinon, le modèle devine.

Et les fonctions de « mémoire » ?

En 2026, ChatGPT, Claude et Gemini proposent tous une forme de mémoire sauvegardée ou de projets qui conservent des faits d'un chat à l'autre (votre nom, votre style d'écriture, les fichiers d'un projet en cours). C'est utile, mais ne comptez pas dessus pour les détails :

• ChatGPT Projects et Claude Projects permettent d'attacher des fichiers et des instructions qui restent disponibles dans tous les chats *à l'intérieur de ce projet*. Utilisez-les pour le travail au long cours.
• La mémoire stocke de petits faits (« Je suis enseignant à Madrid »), pas des documents entiers. Ne supposez pas qu'elle se souvient du brouillon de 2 000 mots d'hier.

En cas de doute, collez le contenu. Coller est gratuit et fiable. Supposer n'est ni l'un ni l'autre.

Mise en pratique : un vrai sauvetage

Voici un prompt faible corrigé en appliquant les trois leçons.

L'original (les trois erreurs à la fois)

Aide-moi avec le lancement de mon cours. Fais que ce soit bien et souviens-toi aussi du prix d'avant.

Vague (« fais que ce soit bien »), surchargé (« aide-moi avec le lancement de mon cours » représente cent tâches), et supposant une mémoire (« le prix d'avant », que le modèle n'a jamais vu).

La réécriture

Premier chat, une tâche ciblée avec tout le contexte :

Tu es un copywriter de lancement. Rédige l'e-mail d'annonce de mon cours en ligne « AI for Teachers ». Audience : enseignants du primaire et du secondaire, majoritairement non techniques. Prix : 149 $, avec un tarif early-bird de 99 $ pour les 100 premières inscriptions. Ton : encourageant, sans hype. Longueur : moins de 150 mots, se terminant par un bouton d'inscription intitulé « Je réserve ma place ».

Puis la tâche *suivante* dans le même fil (pour que le contexte soit conservé) :

Maintenant rédige 3 objets pour cet e-mail, chacun de moins de 50 caractères.

Une demande claire à la fois, tout le contexte fourni, aucune dépendance à la mémoire du modèle. La sortie sera nette dès le premier essai.

Une vérification rapide avant d'appuyer sur entrée

Passez n'importe quel prompt au filtre de ces trois questions :

1. Un inconnu pourrait-il accomplir cette tâche avec mon seul prompt ? Si non, ajoutez du contexte (Rôle, Tâche, Contexte, Format).
2. Est-ce que je demande plus d'une ou deux choses liées ? Si oui, découpez en étapes.
3. Mon prompt fait-il référence à quelque chose que le modèle ne peut pas voir ? Si oui, collez-le.

Trente secondes de vérification valent mieux que trois tours de sorties décevantes.

Points clés

• Remplacez les demandes vagues par de la structure. Ajoutez le destinataire, la définition du « bon » résultat et le format souhaité. « Réécris ceci en moins de 80 mots, poli mais ferme » vaut mieux que « améliore ça ».
• Un seul travail par prompt. Chaînez le travail complexe en étapes séparées, et injectez la sortie de chaque étape dans la suivante pour pouvoir vérifier le passage de relais.
• Le modèle ne voit que le chat en cours. Il n'a aucune mémoire des autres conversations ni des autres outils. Collez tout ce dont il a besoin.
• Utilisez Projects pour le travail au long cours. ChatGPT Projects et Claude Projects gardent fichiers et instructions disponibles d'un chat à l'autre, mais ne confiez pas des documents entiers à la « mémoire » générale.
• Auto-vérification en 30 secondes : un inconnu pourrait-il le faire ? Est-ce une seule tâche ? Le modèle peut-il réellement voir ce à quoi je fais référence ?