Accueil › ChatGPT › Prompts

ChatGPT Prompts : techniques, frameworks et exemples concrets

Un bon prompt ChatGPT contient quatre éléments : un rôle, du contexte, une tâche précise et un format de sortie. La différence entre un résultat médiocre et un résultat excellent ne vient presque jamais du modèle, mais de la manière dont vous formulez votre demande. Ce guide couvre les techniques qui fonctionnent réellement avec GPT-5.4.

Les fondamentaux du prompting

La plupart des utilisateurs obtiennent des résultats décevants non pas parce que ChatGPT n’est pas assez intelligent, mais parce que leurs prompts laissent trop de place à l’interprétation. Le modèle comble les vides avec des suppositions raisonnables, ce qui produit des réponses génériques.

La règle d’or : chaque détail que vous ne précisez pas, le modèle le devine. Et il ne devine pas toujours juste. Plus votre prompt est spécifique, moins le modèle improvise, et plus le résultat correspond à ce que vous voulez.

Les 4 éléments d’un prompt efficace

1. Le rôle. Définissez qui est ChatGPT dans cette conversation. « Tu es un analyste SEO senior avec 10 ans d’expérience » produit un résultat radicalement différent de « Tu es un rédacteur junior ». Le rôle calibre le niveau de technicité, le vocabulaire, et la profondeur de l’analyse.

2. Le contexte. Donnez les informations de fond nécessaires. Votre secteur, votre audience, les contraintes, les données disponibles. Sans contexte, le modèle produit des réponses universelles qui ne correspondent à aucune situation spécifique.

3. La tâche. Formulez exactement ce que vous voulez. Pas « aide-moi avec mon marketing », mais « Rédige 5 objets d’email pour une campagne de relance de paniers abandonnés, ciblant des acheteurs e-commerce de 25-35 ans ».

4. Le format de sortie. Précisez comment vous voulez la réponse. Tableau, liste numérotée, paragraphes, JSON, code, email prêt à envoyer. Si vous ne précisez pas, le modèle choisit un format par défaut qui ne sera probablement pas celui dont vous avez besoin.

Les frameworks de prompting

CO-STAR

Le framework le plus complet pour les prompts professionnels. CO-STAR signifie Context, Objective, Style, Tone, Audience, Response :

Context : « Je suis responsable marketing d’une startup SaaS B2B, secteur RH, 50 employés, marché français. »

Objective : « Rédiger une page de vente pour notre nouveau module de gestion des congés. »

Style : « Direct, orienté bénéfices, inspiré du copywriting de Basecamp. »

Tone : « Professionnel mais accessible, pas corporate. »

Audience : « DRH et responsables RH de PME françaises (50-500 employés). »

Response : « Page structurée avec accroche, 3 sections de bénéfices, témoignage fictif, CTA, et meta description SEO. »

Vous n’avez pas besoin d’utiliser les six éléments à chaque fois. Trois sur six suffisent pour la plupart des cas. Mais quand le résultat compte (contenu client, document officiel, code de production), les six éléments font la différence.

TAG (Task, Action, Goal)

Le framework minimaliste pour les tâches simples et l’extraction de données :

Task : « Analyse ce tableau de données de ventes. »

Action : « Identifie les 3 produits avec la plus forte croissance et les 3 avec la plus forte baisse. »

Goal : « Je veux préparer un rapport pour le comité de direction de lundi. »

Chain of Thought (réfléchir étape par étape)

Ajoutez « Raisonne étape par étape » ou « Pense à voix haute avant de répondre » à votre prompt. Cette technique force le modèle à décomposer son raisonnement plutôt que de sauter à une conclusion. Particulièrement efficace pour les problèmes de logique, les analyses financières, et la résolution de bugs.

Avec GPT-5.4, le paramètre reasoning.effort (via l’API) permet de contrôler la profondeur de raisonnement : none (réponse directe), low, medium, high, xhigh (raisonnement le plus profond). En mode Thinking dans ChatGPT, le modèle choisit automatiquement le niveau de raisonnement approprié.

Few-shot prompting (donner des exemples)

Au lieu de décrire le style que vous voulez, montrez-le. Fournissez 2 à 3 exemples du résultat attendu, et le modèle reproduira le pattern. Cette technique fonctionne pour le ton d’écriture, le format de données, le style de code, et toute tâche où le résultat souhaité est plus facile à montrer qu’à décrire.

Exemple : plutôt que « Écris des légendes Instagram dans un ton fun et accrocheur », fournissez 3 légendes que vous avez déjà écrites et qui performent bien, puis demandez « Écris 5 légendes dans le même style pour ces nouveaux produits. »

Prompt chaining (chaîner les prompts)

Décomposez une tâche complexe en plusieurs prompts séquentiels. Le résultat du premier prompt devient l’entrée du second. Par exemple :

Prompt 1 : « Analyse ce document et extrais les 10 points clés. »

Prompt 2 : « Pour chacun de ces 10 points, rédige un paragraphe de synthèse destiné à un public non-technique. »

Prompt 3 : « Organise ces paragraphes dans un rapport avec introduction, corps et conclusion. »

Cela évite de surcharger le modèle avec une instruction monolithique et produit des résultats plus précis à chaque étape.

Exemples de prompts par domaine

Rédaction et contenu

Article de blog : « Tu es un rédacteur tech spécialisé en IA. Rédige un article de 1 500 mots sur [sujet] pour un blog B2B. Audience : directeurs marketing de PME. Ton : expert mais accessible. Structure : accroche provocante, 4 sections avec sous-titres, exemples concrets, conclusion avec CTA. Inclus une meta description de 155 caractères max. »

Email professionnel : « Rédige un email de relance pour un prospect qui n’a pas répondu après une démo produit il y a 10 jours. Ton : courtois mais direct. Max 150 mots. Inclus un CTA clair pour un second appel. N’utilise pas de formules clichées comme ‘J’espère que ce message vous trouve bien’. »

Réécriture : « Réécris ce texte en gardant le même sens mais avec un ton plus professionnel et formel. Réduis la longueur de 30%. Supprime les répétitions. Texte : [coller le texte]. »

Développement et code

Débogage : « Ce code Python produit l’erreur suivante : [erreur]. Explique pourquoi cette erreur se produit, propose une correction, et montre le code corrigé. Ajoute des commentaires expliquant les changements. »

Architecture : « Tu es un architecte logiciel senior. Je construis une application SaaS de gestion de projets avec React en frontend, Node.js en backend, et PostgreSQL. Propose une architecture API RESTful pour les modules : utilisateurs, projets, tâches, commentaires. Inclus les routes, les modèles de données, et les relations. »

Code review : « Analyse ce code comme un reviewer senior exigeant. Identifie : les bugs potentiels, les failles de sécurité, les problèmes de performance, les violations de bonnes pratiques. Pour chaque problème, propose une correction avec du code. Code : [coller le code]. »

Analyse de données

Exploration : « J’uploade un fichier CSV de données de ventes. Étape 1 : montre les 5 premières lignes et décris la structure. Étape 2 : identifie les valeurs manquantes et les anomalies. Étape 3 : calcule les métriques clés (total, moyenne, médiane par catégorie). Étape 4 : crée les 3 visualisations les plus pertinentes. »

Rapport : « À partir de ces données, rédige un rapport exécutif de 500 mots pour le comité de direction. Structure : résumé exécutif (3 phrases), tendances clés (3-4 points), recommandations (2-3 actions). Utilise un ton factuel et direct. Inclus les chiffres importants. »

Marketing et SEO

Recherche de mots-clés : « Tu es un consultant SEO expert. Pour le site [URL], identifie 20 mots-clés longue traîne autour du thème [thème]. Pour chaque mot-clé, estime l’intention de recherche (informationnelle, transactionnelle, navigationnelle) et propose un titre d’article optimisé. Format : tableau avec colonnes Mot-clé, Intention, Titre proposé. »

Réseaux sociaux : « Crée un calendrier de contenu pour LinkedIn sur 2 semaines (10 posts). Cible : fondateurs de startups tech. Mix : 3 posts éducatifs, 3 posts opinion, 2 posts storytelling, 2 posts engagement. Pour chaque post, donne : le hook (première phrase), le corps (150 mots max), et un CTA. »

Stratégie et prise de décision

Analyse multi-perspectives : « J’envisage de [décision]. Analyse cette décision sous 4 angles différents : 1) perspective financière (ROI, risques), 2) perspective client (impact sur l’expérience), 3) perspective équipe (charge de travail, compétences requises), 4) perspective concurrentielle (positionnement marché). Pour chaque perspective, identifie les pour, les contre, et une recommandation. »

Critique constructive : « Tu es un ami honnête qui n’a pas peur de remettre en question mes idées. Voici mon plan : [plan]. Identifie les 3 plus gros risques, les hypothèses non validées, et les angles morts. Sois direct et précis, pas diplomatique. »

Les 7 erreurs les plus courantes

1. Prompts trop vagues. « Aide-moi avec mon marketing » donne un résultat générique. Précisez le canal, l’audience, l’objectif, le format. Plus vous spécifiez, mieux c’est.

2. Accepter la première réponse. ChatGPT fonctionne mieux par itération. « Rends ce texte plus percutant », « Ajoute des données chiffrées », « Raccourcis de 30% » transforment un résultat correct en résultat excellent.

3. Ne pas donner d’exemples. Montrer est plus puissant que décrire. 2-3 exemples du résultat attendu valent mieux que 200 mots d’instructions.

4. Ignorer le rôle. Un prompt sans rôle produit une réponse de « ChatGPT généraliste ». Un rôle précis (analyste financier senior, copywriter B2B, développeur Python senior) calibre immédiatement le niveau et le style.

5. Demandes multi-tâches non structurées. « Fais-moi un plan marketing, un budget, et 10 posts LinkedIn » dans un seul prompt surcharge le modèle. Utilisez le prompt chaining : une tâche par prompt, puis enchaînez.

6. Ne pas préciser ce qu’on ne veut PAS. Les contraintes négatives sont aussi utiles que les positives. « Ne pas utiliser de jargon technique », « Pas de listes à puces, uniquement de la prose », « Ne pas dépasser 500 mots » réduisent les itérations nécessaires.

7. Ne pas sauvegarder les bons prompts. Quand un prompt produit un excellent résultat, sauvegardez-le. Créez un GPT custom avec vos meilleurs prompts en instructions système pour ne plus avoir à les réécrire.

Spécificités de GPT-5.4 pour le prompting

GPT-5.4 apporte des améliorations qui changent certaines pratiques de prompting :

Fenêtre de contexte de 1M tokens. Vous pouvez inclure des documents entiers, des bases de code complètes, ou des mois d’historique de conversation dans un seul prompt. Attention au surcoût au-delà de 272K tokens via l’API. Corollaire : pensez au prompt caching. Gardez votre system prompt identique entre les requêtes pour bénéficier de la réduction de 90% sur les tokens cachés.

Reasoning.effort configurable. GPT-5.4 supporte un paramètre de profondeur de raisonnement. Pour les tâches simples (classification, extraction), utilisez none ou low pour économiser des tokens et accélérer les réponses. Pour les problèmes complexes (analyse stratégique, résolution de bugs), montez à high ou xhigh.

Suivi d’instructions amélioré. GPT-5.4 est notablement meilleur que ses prédécesseurs pour respecter des instructions structurées. Les formats JSON via JSON schema, les contraintes de longueur, et les instructions de style sont suivis avec plus de fidélité.

Computer use natif. Si vous utilisez Agent Mode, vos prompts deviennent des instructions d’action. « Réserve un vol Paris-Tokyo sous 800€ entre le 15 et le 22 décembre » est un prompt valide que l’agent exécutera en naviguant sur le web.

Vision intégrée. Uploadez des images dans vos prompts. « Analyse ce wireframe et identifie 5 problèmes d’UX » ou « Décris ce graphique et extrais les données clés » exploitent les capacités multimodales de GPT-5.4.

Transformer vos meilleurs prompts en GPTs custom

Si vous utilisez régulièrement le même type de prompt (analyse de données marketing, rédaction SEO, code review), créez un GPT custom avec ces instructions pré-configurées. Les avantages : vous n’avez plus à réécrire le rôle, le contexte et le format à chaque session. Vous ouvrez votre GPT, posez votre question, et le contexte est déjà là.

Combinez les instructions avec des fichiers de connaissance (votre charte éditoriale, votre documentation produit, vos templates) pour créer des assistants véritablement spécialisés. C’est l’évolution naturelle du prompt engineering : passer de prompts individuels à des systèmes pré-configurés réutilisables.