Du prompting au context engineering : 6 techniques qui font gagner des heures sur la finalisation des réponses

• Coût de la cyrillique en tokens : 2 à 3 fois supérieur au texte anglais (1 token en anglais ≈ 4 caractères)
• Limite pratique de la fenêtre de contexte : jusqu'à 1 million de tokens chez les modèles phares, mais dégradation de l'attention au milieu du contenu
• Optimum pour les exemples few-shot : exactement 2 à 3 échantillons (avec 10 exemples, le modèle copie du bruit superficiel)
• Cycle d'affinage en dialogue : 5 à 6 itérations successives, du brouillon au document final

Depuis 2023, quand nous avons entrepris de faire basculer la production éditoriale d'Alpina vers l'IA et transformé notre développement interne AlpinaGPT en produit d'entreprise externe, des milliers de requêtes utilisateurs sont passées entre mes mains. Le constat est partout le même : deux employés ouvrent le même modèle de pointe, mais le premier obtient une réponse creuse et administrative, tandis que le second récupère en trois minutes une analyse financière ou un avis juridique prêt à l'emploi.

Pour maîtriser le résultat, il faut comprendre la physique du processus. Un modèle de langage à mille milliards de paramètres fonctionne comme un gigantesque prédicteur probabiliste — un T9 surpuissant entraîné sur des milliards de textes. Il ne « connaît » pas les faits au sens humain du terme, mais calcule la suite la plus probable d'une chaîne de tokens.

En anglais, un token représente environ quatre caractères, alors que le cyrillique se découpe beaucoup plus finement et coûte 2 à 3 fois plus cher en budget et en mémoire. Si les fenêtres des modèles phares comme Claude, GPT et Gemini ont grimpé jusqu'à un million de tokens, remplir le chat à ras bord fait perdre au modèle des faits situés au milieu du document.

Pourquoi le context engineering a-t-il supplanté en 2026 la recherche

de « formules magiques » ?

Les analystes de Gartner et les ingénieurs d'Anthropic désignent le passage du simple choix de mots au context engineering comme le grand tournant de 2026 : il s'agit de construire l'environnement informationnel autour de la tâche. Si l'on prononce le début d'une comptine connue, n'importe quel locuteur natif la complétera instantanément, parce que le contexte culturel a drastiquement réduit les possibilités. Sans contexte, le réseau de neurones puise sa réponse dans le nuage de sens le plus large et le plus moyen disponible sur Internet.

Un bon prompt agit comme le ciseau d'un sculpteur : il élimine les branches probabilistes superflues et ne laisse au modèle qu'un couloir étroit menant aux solutions voulues. Dans ma pratique, cela se résume à deux techniques de base :

1. La formule à cinq composantes : le Rôle (qui répond et avec quel bagage), le Contexte (détails de la transaction, paramètres du client, antécédents), la Tâche (un verbe d'action accompagné d'un chiffre : « extrais 5 clauses et évalue 3 risques »), le Format (tableau, liste, pitch tenant exactement en 200 mots) et les Contraintes (« sans jargon administratif, en se basant strictement sur le fichier joint »). Dès qu'on fournit un contexte détaillé — par exemple « client réalisant 500 millions de roubles de chiffre d'affaires sur un forfait de base, rédaction d'une proposition commerciale pour le directeur financier sur l'encaissement par carte avec calcul des économies » — le modèle livre immédiatement un document exploitable.

2. Le chargement intégral du contexte : avant de formuler la tâche, je fournis au modèle l'intégralité des règlements, correspondances et tableaux sources, afin de ramener à zéro l'asymétrie d'information entre moi et le réseau de neurones.

Comment fonctionnent la chaîne de raisonnement, les exemples few-shot

et le ciblage de rôle ?

Quand la tâche exige une analyse complexe ou le respect strict d'un standard d'entreprise, trois autres techniques entrent en jeu :

• La chaîne de raisonnement pas à pas (Chain-of-Thought) : demander directement au modèle d'« évaluer une campagne publicitaire » produit un inutile « l'efficacité est élevée ». Je fixe un itinéraire rigide : « étape 1 — rapproche la portée et le budget, étape 2 — calcule le taux de conversion de chaque étape du tunnel, étape 3 — compare aux repères du secteur, étape 4 — formule le verdict ». La logique devient alors transparente : si une erreur s'est glissée à la deuxième étape, elle se voit immédiatement.
• Le calibrage sur 2 à 3 exemples (Few-shot) : pour les tâches de classification simples, une instruction sans exemple (zero-shot) suffit. Mais quand on exige une mise en page spécifique de rapport d'entreprise ou un ton de marque précis, il est plus simple de montrer un modèle de référence. Règle empirique importante : l'optimum se situe à exactement 2 à 3 échantillons. En chargeant 10 exemples dans le prompt, le modèle se surajuste à la volée et commence à copier des détails aléatoires comme la longueur des paragraphes ou les formules d'introduction, au détriment de la structure de fond.
• Le ciblage par rôle : attribuer un rôle (« tu es un avocat spécialisé en contrats » ou « tu es directeur commercial d'un intégrateur B2B ») n'ajoute pas de nouvelles connaissances aux poids du modèle, mais change le registre lexical et l'angle d'attaque — le modèle se met alors à examiner le texte sous l'angle des risques ou de la marge.

Que faire concrètement quand on ne parvient pas à formuler une requête

complexe du premier coup ?

Pour les tâches atypiques, j'utilise une sixième technique, le métaprompting : le réseau de neurones conçoit lui-même le prompt destiné au modèle cible. Lors d'un atelier récent, une participante m'a demandé comment restaurer des plans et façades de bâtiments bicentenaires. Nous avons ouvert Gemini et formulé la tâche suivante : « Rédige un prompt détaillé en anglais destiné au modèle graphique Nano Banana Pro pour la restauration architecturale de plans de façades anciens, en conservant les proportions. » Le modèle a généré un cahier des charges technique précis, employant une terminologie professionnelle, qui a produit dès le premier essai un résultat visuel irréprochable.

Et la règle principale du dialogue : une étude d'Anthropic confirme que la majorité des utilisateurs abandonnent le chat après la première réponse. Il faut travailler avec un LLM comme avec un analyste en chair et en os, à travers 5 à 6 itérations : accepter le brouillon, ajuster la structure, étoffer l'argumentation et peaufiner les formulations. Avec mes étudiants, nous constituons des bibliothèques de ces prompts en plusieurs étapes à la [Hamidun Academy](https://academy.hamidun.com) et les testons sur des cas d'affaires réels au sein du [Vibe Club](https://hamidun.com/club).