Les prompts aident, les systèmes passent à l’échelle

La plupart des entreprises ont rencontré l’IA à travers une boîte vide et un curseur qui clignote. Ce qui en sortait dépendait de ce qu’on y mettait, alors les gens ont appris à écrire des prompts. Certains y sont devenus très bons. Leurs collègues leur ont réclamé les mots magiques, ces mots ont été collés dans des documents et des conversations, et une nouvelle sorte de folklore est née.

Le prompting compte, et il vaut la peine d’être bien fait. Mais une entreprise ne peut pas fonctionner sur du folklore. Voici ce qui fait un bon prompt, ce que recommandent les laboratoires eux-mêmes, et pourquoi les entreprises qui tirent le plus de l’IA cessent de s’en remettre à des prompts astucieux.

Un mauvais prompt et un bon

Prenons une demande que toute équipe marketing formule. La mauvaise version se lit ainsi : écris une publication LinkedIn sur notre nouveau service.

Le modèle n’a rien à se mettre sous la dent. Il écrit donc la publication LinkedIn moyenne sur le service moyen, avec une question d’accroche, une rangée d’émojis et un appel à l’action. Elle n’est pas fausse. Elle n’est à personne.

La bonne version dit qui écrit et pour qui, ce qu’est le service et ce qu’il coûte, ce que le lecteur doit faire ensuite, quelle longueur la publication peut avoir, et quels mots l’entreprise n’emploie jamais. Elle inclut deux publications précédentes qui ont fonctionné, signalées comme des exemples. Et elle dit pourquoi : la publication s’adresse à des responsables financiers sceptiques envers l’IA, elle doit donc s’ouvrir sur un fait, pas sur une promesse.

Le second prompt est bien plus long, et bien plus susceptible de produire un brouillon exploitable. La différence ne tient pas à l’ingéniosité. Elle tient au contexte.

Ce que recommandent les laboratoires

Les guides officiels des trois grands laboratoires disent à peu près la même chose.

Le guide d’Anthropic pour Claude demande de « considérer Claude comme un employé brillant mais nouveau, qui ne connaît ni vos usages ni vos flux de travail ». Sa règle d’or : « Montrez votre prompt à un collègue qui connaît à peine la tâche et demandez-lui de le suivre. S’il serait perplexe, Claude le sera aussi. » Il montre aussi pourquoi les raisons valent mieux que les ordres. Au lieu d’écrire en majuscules « ne jamais utiliser de points de suspension », expliquez que la réponse sera lue à voix haute par un moteur de synthèse vocale qui ne sait pas les prononcer. Le modèle généralise à partir de la raison.

Le guide d’OpenAI recommande de donner au modèle le contexte dont il a besoin ainsi que des exemples d’entrées possibles avec les sorties souhaitées, dans une gamme variée. Il qualifie le prompting de « mélange d’art et de science ».

Le guide de Google pour Gemini recommande d’inclure toujours quelques exemples et avertit que les prompts qui en sont dépourvus risquent d’être moins efficaces. Pour les tâches complexes, il suggère de faire de chaque étape un prompt à part et de les enchaîner. Et il est honnête sur le processus : « L’ingénierie de prompts est itérative. »

Pourquoi les prompts ne passent pas à l’échelle

Relisez ces guides et notez ce qu’ils supposent : quelqu’un qui connaît les usages de l’entreprise, dispose des bons exemples sous la main et a le temps d’itérer. Dans la plupart des équipes, cela décrit quelques personnes, un bon jour.

Tous les autres copient un prompt depuis une conversation, changent un mot et obtiennent un résultat différent. Le prompt qui fonctionnait au printemps se comporte autrement après une mise à jour du modèle. Deux équipes gardent deux versions, avec des règles qui se contredisent. L’un des propres guides de prompting d’OpenAI avertit que des instructions contradictoires ou vagues peuvent nuire davantage à un modèle de raisonnement, parce qu’il dépense de l’effort à tenter de les concilier. Son exemple est un assistant de santé à qui l’on dit à la fois de ne jamais prendre rendez-vous sans le consentement enregistré du patient et de réserver le premier créneau disponible sans contacter d’abord le patient.

OpenAI traite les prompts comme des logiciels pour cette raison. Son guide demande aux développeurs de conserver les prompts de production dans le code de leur application, de figer les applications sur des instantanés précis du modèle, et de construire des tests et des suites d’évaluation qui mesurent le comportement des prompts. C’est l’exact opposé d’une bibliothèque de prompts dans un document partagé.

Le coût se voit dans les résultats. L’initiative NANDA du MIT a rapporté l’an dernier que seulement 5 pour cent environ des projets pilotes d’IA qu’elle a étudiés ont connu une accélération rapide des revenus. Fortune a résumé la cause comme un déficit d’apprentissage : les outils génériques s’enlisent dans les entreprises parce qu’ils n’apprennent pas de la manière dont le travail se fait et ne s’y adaptent pas.

Des prompts aux systèmes

Les laboratoires ont tiré eux-mêmes la conclusion. Anthropic parle désormais d’ingénierie du contexte plutôt que d’ingénierie de prompts : organiser tout ce que le modèle voit, et pas seulement l’instruction, et trouver le plus petit ensemble possible de jetons à fort signal qui rend le bon résultat probable. Ses ingénieurs mettent en garde contre deux écueils, d’un côté une logique fragile codée en dur dans les prompts, de l’autre des consignes vagues qui ne donnent au modèle rien de concret.

La réponse pratique, ce sont les skills. Anthropic les décrit comme des « dossiers organisés d’instructions, de scripts et de ressources » qu’un agent charge quand il en a besoin, et compare l’écriture de l’un d’eux à « la préparation d’un guide d’accueil pour une nouvelle recrue ». Dans un article consacré au design, la même entreprise a écrit que les skills rendent les prompts efficaces réutilisables et contextuels, de sorte que personne n’a à répéter les mêmes consignes dans chaque requête. Depuis décembre 2025, le format est un standard ouvert.

Un skill est un bon prompt écrit une seule fois, doté de ses raisons, de ses exemples et de ses contrôles, testé, et placé là où chaque assistant de l’entreprise peut le trouver. Ajoutez les connaissances de l’entreprise, ses règles et ses connexions à des systèmes réels, et vous avez le cerveau de l’entreprise. La qualité ne dépend alors plus de qui a tapé.

Comment nous aidons

C’est le travail qui se cache derrière Twin. Nous cherchons à comprendre comment une entreprise fonctionne réellement, nous améliorons le processus là où c’est nécessaire, puis nous construisons son cerveau : des connaissances avec la source pour chaque réponse, des skills pour chaque rôle écrits selon les conventions de l’entreprise, des intégrations à ses systèmes, et des règles et des droits par rôle. Il tourne dans l’assistant que l’équipe utilise déjà, Claude, ChatGPT ou Codex, et l’entreprise reçoit le code source.

Sans Twin, chaque prompt part de zéro et la qualité dépend de qui pose la question. Avec Twin, chaque réponse part de l’entreprise, avec un même standard sur chaque bureau.

Nous faisons tourner crue de la même façon : plus de 80 skills et un cerveau pour chacun de nos produits, dans Claude et ChatGPT et sur notre propre matériel avec notre propre modèle. Quand les données sont trop sensibles pour quitter les locaux, il y a Eigna, conçu par notre partenaire Eigna Labs : un modèle privé entraîné sur les propres fichiers, règles et langage de l’entreprise, qui tourne dans son propre cloud ou sur ses propres serveurs, et qui est réentraîné par étapes, mises en service seulement lorsqu’elles se révèlent meilleures aux tests.

Ce qu’une entreprise peut faire

Continuez à bien écrire vos prompts et apprenez les bases dans les guides ci-dessus. Puis rassemblez les dix prompts que vos meilleurs collaborateurs utilisent réellement, et demandez-vous ce que chacun sait que le modèle ignore. Écrivez-le une fois pour toutes : le contexte, les raisons, les exemples, les règles et le contrôle final. Donnez à chacun un responsable et un test, et placez-le là où chaque assistant peut l’atteindre. Cela, c’est un skill.

Nous voulons que la machine prenne en charge la routine, les premiers jets et les recherches, et qu’elle les exécute plus vite et plus régulièrement que n’importe lequel d’entre nous. Le jugement, le contact personnel avec les clients et la responsabilité de ce qui est envoyé restent aux personnes, et un bon système leur laisse davantage de temps pour cela précisément.

Un prompt astucieux rend une personne plus rapide. Un système améliore toute l’entreprise, et continue de fonctionner après que la personne astucieuse est rentrée chez elle.