Demander une sortie structurée : listes, tableaux, JSON
Collez ce texte en vrac dans ChatGPT : *« Sarah Lee, sarah@acme.io, marketing lead, arrivée en mars 2023. Ensuite il y a Raj Patel (raj.patel@acme.io) qui gère les ventes, ici depuis 2021. Ah, et Mia, notre designer, mia.d@acme.io, arrivée l'automne dernier. »*
Ajoutez maintenant une phrase : *« Transforme ça en tableau avec les colonnes Nom, Email, Poste, Année d'arrivée. »*
Vous obtenez ceci en quelques secondes :
| Nom | Poste | Année d'arrivée | |
|---|---|---|---|
| Sarah Lee | sarah@acme.io | Marketing Lead | 2023 |
| Raj Patel | raj.patel@acme.io | Sales | 2021 |
| Mia | mia.d@acme.io | Designer | 2025 |
Toute la leçon tient là : si vous voulez une forme précise, demandez cette forme. Le modèle réorganise volontiers votre texte. Il a juste besoin de connaître la cible.
Pourquoi la structure compte
Par défaut, les modèles d'IA répondent en prose : des paragraphes, des explications, du remplissage aimable. **C'est très bien pour lire. C'est catastrophique pour *exploiter*.**
Si vous voulez :
- Parcourir des options rapidement, demandez une liste.
- Comparer des éléments côte à côte, demandez un tableau.
- Charger des données dans Excel ou Google Sheets, demandez du CSV.
- Envoyer des données à un autre programme, demandez du JSON.
Chaque format n'est qu'un contenant différent pour la même information. Choisir le bon vous évite le nettoyage après copier-coller.
Les quatre formats, simplement
Listes
La structure la plus simple. Adaptée aux étapes, aux options ou aux éléments courts.
*« Donne-moi 5 objets pour un email de lancement. En puces, sans explications. »*
Ajoutez « sans explications » ou « juste la liste » pour empêcher le modèle de commenter chaque élément.
Tableaux
Le meilleur choix quand chaque élément a les mêmes champs. Le geste décisif : nommer vos colonnes.
*« Résume ces trois ordinateurs portables dans un tableau. Colonnes : Modèle, Prix, Autonomie, Poids. »*
Quand vous nommez les colonnes, le modèle remplit exactement celles-là, sans rien ajouter. Si vous ne les nommez pas, il devine, et le résultat est plus brouillon.
Csv
CSV signifie « comma-separated values » (valeurs séparées par des virgules). C'est du texte brut où chaque ligne est un enregistrement et où des virgules séparent les champs. C'est la langue universelle des tableurs.
*« Sors la liste de contacts en CSV avec une ligne d'en-tête. »*
Name,Email,Role,Start Year
Sarah Lee,sarah@acme.io,Marketing Lead,2023
Raj Patel,raj.patel@acme.io,Sales,2021
Mia,mia.d@acme.io,Designer,2025Copiez ce texte, collez-le dans un fichier .csv (ou directement dans Google Sheets via Fichier > Importer), et vous avez un tableur exploitable.
Json
Le JSON (« JavaScript Object Notation ») est le format que les programmes utilisent pour échanger des données. Pas besoin de savoir coder pour le reconnaître : c'est un ensemble de libellés et de valeurs entourés d'accolades et de crochets.
*« Sors les mêmes contacts sous forme de tableau JSON d'objets avec les clés : name, email, role, start_year. »*
[
{ "name": "Sarah Lee", "email": "sarah@acme.io", "role": "Marketing Lead", "start_year": 2023 },
{ "name": "Raj Patel", "email": "raj.patel@acme.io", "role": "Sales", "start_year": 2021 },
{ "name": "Mia", "email": "mia.d@acme.io", "role": "Designer", "start_year": 2025 }
]Vous utiliserez le JSON quand un autre outil doit lire la sortie : une automatisation dans Zapier ou Make, un script, ou une application que vous développez.
Si vous voulez voir à quoi ressemble un JSON valide, le [site officiel de JSON](https://www.json.org/json-en.html) propose une référence claire sur une seule page.
Les formulations qui font obéir les modèles
Les modèles sont bons en structure, mais une demande vague donne un résultat vague. Ces formulations resserrent la sortie de façon fiable.
Nommez vos champs. « Colonnes : Nom, Email, Poste » vaut mieux que « fais un tableau ».
Indiquez le format explicitement. « Sors en CSV. » « Renvoie du JSON valide. » « Utilise un tableau markdown. »
Fixez les limites. « Pas d'explication, juste le tableau. » « N'ajoute pas de résumé. » Cela supprime l'introduction bavarde et la conclusion du type « N'hésitez pas si vous avez besoin d'autre chose ! ».
Traitez les données manquantes dès le départ. « Si un champ est inconnu, écris N/A. » Sinon le modèle invente des valeurs ou laisse des trous irrirrLe taux de rendement interne est le taux d'actualisation qui annule la valeur actuelle nette d'un projet. Il exprime le rendement annualisé attendu d'un investissement.Voir la définition complète →éguliers.
Verrouillez la structure quand c'est important. « Chaque objet doit avoir les mêmes clés, même vides. » Cela évite qu'une ligne perde discrètement un champ.
Assemblé, un bon prompt ressemble à ceci :
*« À partir du texte ci-dessous, extrais toutes les personnes. Renvoie du JSON valide : un tableau d'objets avec les clés name, email, role, start_year. Si une valeur manque, utilise null. Aucun commentaire, uniquement le JSON. »*
Ce prompt est ennuyeux à dessein. Les prompts ennuyeux produisent une structure fiable.
Un vrai workflow : de notes en vrac à un tableur propre
Imaginons que vous ayez copié une page d'inscriptions à un événement dans un paragraphe chaotique. Voici la démarche complète.
Étape 1. Collez le texte en vrac.
Étape 2. Prompt :
*« Extrais tous les participants en CSV. Ligne d'en-tête, colonnes : Nom, Entreprise, Email, Type de billet. Si un champ manque, laisse-le vide. Uniquement le CSV, aucun texte en plus. »*
Étape 3. Copiez le résultat dans une nouvelle Google Sheet (Coller, puis Données > Scinder le texte en colonnes si nécessaire, même si l'import CSV scinde généralement tout seul).
Étape 4. Si quelques lignes semblent fausses, ne relancez pas tout. Dites simplement : *« La ligne 4 a l'entreprise dans la colonne email, corrige uniquement cette ligne. »*
Cette boucle (extraire, vérifier d'un coup d'œil, corriger un point) est plus rapide que de nettoyer les données à la main et bien moins sujette aux erreurs que de le faire de tête.
Vérification des acquis
1. Selon la leçon, quel est le principe central pour obtenir une sortie structurée d'un modèle d'IA ?
2. Vous devez charger une liste de contacts dans Google Sheets avec un minimum de nettoyage. Quel format demander à l'IA ?
3. Pourquoi la leçon présente-t-elle le fait de nommer les colonnes comme le geste décisif pour obtenir un tableau ?
4. Sélectionnez TOUTES les affirmations correctes sur l'adéquation entre format de sortie et usage, selon la leçon.
Sélectionnez toutes les réponses correctes.
5. Sélectionnez TOUTES les affirmations correctes sur l'intérêt de la sortie structurée et la façon de la demander.
Sélectionnez toutes les réponses correctes.
Obtenir de la structure via 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 → (pour les plus techniques)
Si vous intégrez l'IA dans un programme, vous voulez une sortie fiable *à chaque fois*. OpenAI, Anthropic (Claude) et Google (Gemini) proposent tous une fonctionnalité de « structured output » qui oblige le modèle à renvoyer un JSON valide conforme à un schéma que vous définissez. Fini les crochets cassés à parser.
Voici un exemple minimal avec la bibliothèque Python d'OpenAI. Vous décrivez la forme avec un 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 →, et avec "strict": True le modèle est contraint de s'y conformer.
from openai import OpenAI
client = OpenAI()
messy = "Sarah Lee, sarah@acme.io, marketing lead, joined 2023. Raj Patel raj.patel@acme.io runs sales since 2021."
response = client.chat.completions.create(
model="gpt-5",
messages=[
{"role": "system", "content": "Extract people as JSON."},
{"role": "user", "content": messy},
],
response_format={
"type": "json_schema",
"json_schema": {
"name": "contacts",
"strict": True,
"schema": {
"type": "object",
"properties": {
"people": {
"type": "array",
"items": {
"type": "object",
"properties": {
"name": {"type": "string"},
"email": {"type": "string"},
"role": {"type": "string"},
"start_year": {"type": "integer"}
},
"required": ["name", "email", "role", "start_year"],
"additionalProperties": False
}
}
},
"required": ["people"],
"additionalProperties": False
}
}
}
)
print(response.choices[0].message.content)Deux détails comptent. "strict": True active l'application du schéma ; sans lui, le schéma n'est qu'une forte indication. Le mode strict exige aussi "additionalProperties": False sur chaque objet et que chaque champ figure dans required.
Le bénéfice : la sortie est un JSON valide avec exactement ces clés. Votre ligne de code suivante peut le charger sans planter. Une réserve : la forme est garantie, les faits ne le sont pas. Un schéma n'empêche pas le modèle de deviner une mauvaise année d'arrivée, donc vérifiez quand même les valeurs par sondage. Claude et Gemini prennent en charge le même principe via leurs propres fonctionnalités de structured output et de tool calling, donc la méthode se transpose d'un outil à l'autre.
Si vous ne codez pas, vous obtenez l'essentiel de ce bénéfice simplement en rédigeant un prompt précis dans la fenêtre de chat. L'API rend juste le résultat infaillible pour un usage répété et automatisé.
Structured Outputs with the OpenAI API
Erreurs fréquentes et corrections rapides
Le modèle ajoute du bavardage autour de votre tableau. Ajoutez « Sors uniquement le tableau, aucun texte avant ou après. »
Les nombres reviennent sous forme de texte (comme « 2,023 » avec une virgule). Précisez « start_year en entier simple, sans mise en forme. »
Les lignes ont des colonnes incohérentes. Dites « Chaque ligne doit avoir toutes les colonnes ; utilise null pour les valeurs manquantes. »
Le tableau est trop large pour être lu. Demandez de le pivoter : « Fais un tableau vertical avec un attribut par ligne » pour un seul élément, ou découpez-le en deux tableaux.
Le CSV casse parce qu'un champ contient une virgule (comme « Lee, Sarah »). Indiquez : « Mets entre guillemets doubles tout champ contenant une virgule. » C'est le comportement standard du CSV et les tableurs s'y attendent.
L'état d'esprit
Considérez que vous tendez au modèle un formulaire vierge. Plus le formulaire est clair (colonnes nommées, format indiqué, règles pour les champs vides), mieux il le remplit. Vous n'espérez pas une bonne sortie. Vous la *spécifiez*.
Une fois que c'est acquis, vous n'acceptez plus les pavés de texte. Vous dites « en tableau », « en CSV », « en JSON », et vous obtenez des données réellement exploitables.
Points clés
- Nommez le format et les champs. « Tableau avec les colonnes X, Y, Z » ou « JSON valide avec les clés a, b, c » vaut mieux que n'importe quelle demande vague.
- Coupez le bavardage avec « pas d'explication, uniquement la sortie ». Cela suffit à rendre le copier-coller propre.
- Adaptez le format à la destination : listes pour lire, tableaux pour comparer, CSV pour les tableurs, JSON pour les programmes.
- Anticipez les données manquantes en disant au modèle quoi faire des champs vides (
N/A, null ou vide), pour ne jamais récupérer de valeurs inventées. - Pour un travail répété ou automatisé, utilisez le structured output de l'API avec le mode strict activé afin de garantir la forme à chaque fois. Vérifiez quand même les valeurs.
À faire, tiré de cette leçon
Ces actions sont compilées dans le plan d'action du rôle.
- Nommez les champs exacts et le format, en cohérence avec la destination
- Définir le traitement des données manquantes dans une sortie structurée
- Utilisez la structured output de l'API ou le mode JSON pour les travaux automatisés
Articles liés
Les articles récents du blog qui s'appuient sur cette leçon.
- IA88 % des changements de code chez Google DeepMind passent encore par un humain, et cela dicte vos promptsGoogle DeepMind a publié des chiffres internes qui contredisent la rumeur d'une IA capable de s'améliorer seule. L'automatisation avance surtout là où le résultat peut être vérifié, et les patterns de prompt qui tiennent dans la durée suivent la même logique, bien au-delà du code.
- IATransformer une tâche répétitive en workflow IA : le playbook étape par étapeLa plupart des professionnels perdent des heures chaque semaine sur des tâches structurées et prévisibles que l'IA pourrait traiter en quelques secondes. Ce playbook vous donne la séquence concrète pour identifier ces tâches, construire un workflow fiable et éviter les pièges qui font échouer la majorité des premières tentatives.
- IAPrompt engineering : ce que les professionnels font mal (et comment corriger ça)La majorité des utilisateurs d'IA en entreprise obtiennent des résultats médiocres non pas à cause de l'outil, mais à cause de la façon dont ils formulent leurs demandes. Voici ce qui distingue un prompt qui travaille pour vous d'un prompt qui vous fait perdre du temps.