Prompt engineering : définition, techniques et pourquoi le contexte compte plus

Vous cherchez sans doute la bonne formule. C'est la question que j'entends le plus en formation, et ce n'est presque jamais là que se trouve le problème. Le prompt engineering a été une vraie discipline quand les modèles étaient fragiles. Il en reste quelques techniques solides, et une idée qui les dépasse toutes : un modèle ne devine pas ce qu'il ne voit pas.

Je commence par la définition et les techniques qui tiennent encore, puis j'explique pourquoi le context engineering prend le relais, avec un outil pour mesurer ce qui tient dans une fenêtre de contexte. Je termine par le métier de prompt engineer : ce qu'il fait, ce qu'il gagne, et s'il existe encore.

Prompt engineering : définition

Le prompt engineering, ou ingénierie de prompt, désigne les méthodes pour rédiger et organiser les instructions données à un modèle de langage afin d'obtenir le meilleur résultat possible. Le terme vient de l'anglais : prompt désigne la consigne, engineering la démarche méthodique pour la mettre au point et la tester.

Concrètement, faire du prompt engineering, c'est choisir les mots d'une demande, sa structure, les exemples qui l'accompagnent et le format attendu, puis ajuster jusqu'à obtenir une réponse exploitable. Pour un utilisateur, cela se joue dans ChatGPT ou Claude. Pour une entreprise qui intègre l'IA dans un logiciel, cela devient un travail d'ingénierie : des instructions système, des jeux de tests, des versions successives.

C'est quoi un prompt en IA ?

Un prompt est le message que vous envoyez à une IA pour obtenir une réponse : une question, une consigne, parfois accompagnée d'un document. C'est votre seul moyen de dire au modèle ce que vous attendez. Pour des modèles concrets classés par usage, j'ai rassemblé 40 exemples dans mon article prompt ChatGPT.

D'où vient le prompt engineering ?

Entre 2022 et 2024, la formulation comptait vraiment. Les modèles étaient fragiles : changer « rédige » en « agis comme un rédacteur expérimenté et rédige » modifiait sensiblement la sortie. Des bibliothèques de formules circulaient, et un métier est apparu. Début 2023, une offre d'emploi d'Anthropic pour un poste de prompt engineer a fait le tour de la presse, avec un salaire annoncé entre 175 000 et 335 000 dollars par an.

Les modèles ont depuis largement absorbé cette fragilité. Ils reformulent sans difficulté une demande maladroite et réfléchissent d'eux-mêmes avant de répondre. Ce qui leur manque n'a pas changé : ils ne connaissent ni votre entreprise, ni vos clients, ni vos contraintes réelles.

Les techniques de prompt engineering qui marchent encore

Certaines techniques ont survécu à toutes les générations de modèles. Ce sont celles que recommande encore la documentation d'Anthropic pour ses modèles actuels, et celles que j'applique tous les jours. Elles ont un point commun : toutes consistent à donner davantage d'information au modèle.

1. Être clair et explicite

Imaginez un collaborateur brillant arrivé ce matin, qui ne connaît ni vos habitudes ni vos dossiers. C'est l'image qu'emploie Anthropic pour décrire un modèle, avec une règle d'or : faites lire votre prompt à un collègue qui ignore tout de la tâche. S'il hésite, le modèle hésitera aussi.

• Flou : « Fais un résumé de ce rapport. »
• Explicite : « Résume ce rapport en 10 lignes pour le comité de direction, qui n'a pas le temps de le lire. Commence par la décision à prendre, puis les trois chiffres qui la justifient. »

2. Expliquer le pourquoi d'une consigne

Une consigne nue est appliquée à la lettre. Une consigne expliquée est comprise, puis généralisée aux cas que vous n'aviez pas prévus. La documentation d'Anthropic le recommande explicitement : dire pourquoi un comportement compte aide le modèle à viser juste.

• Nue : « N'utilise jamais de jargon. »
• Expliquée : « Ce texte s'adresse à des artisans qui découvrent le référencement : évite le jargon, et si un terme technique est indispensable, explique-le en une phrase. »

3. Montrer des exemples

Les exemples restent l'un des moyens les plus fiables de fixer le ton, le format et la structure d'une réponse. C'est le few-shot prompting : Anthropic conseille 3 à 5 exemples, proches de votre cas réel et assez variés pour que le modèle n'en copie pas un trait accidentel. Pour retrouver votre style, rien ne remplace deux ou trois textes que vous avez vous-même écrits.

4. Structurer la demande

Quand un prompt mélange consignes, documents et exemples, séparez-les clairement. Des titres suffisent dans la plupart des outils. La documentation de Claude recommande des balises comme <contexte>, <documents> ou <instructions>, qui l'aident à ne pas confondre un exemple avec une consigne.

5. Placer les longs documents avant la question

Avec de longs documents, l'ordre compte. Anthropic recommande de placer les documents en haut du prompt et la question à la fin : dans ses tests, cet ordre améliore la qualité des réponses jusqu'à 30 %, surtout avec plusieurs documents. C'est l'inverse du réflexe naturel, qui consiste à poser la question puis à coller le texte.

6. Donner un rôle, en une ligne

« Tu es juriste en droit du travail » oriente le vocabulaire et le ton, et une phrase suffit. Mais le rôle ne remplace pas l'information : décrire votre vraie situation apporte bien plus qu'un personnage fictif. Gardez-le court, et ne construisez pas la demande autour.

7. Découper les tâches complexes

Une demande qui enchaîne analyse, rédaction et mise en forme donne trois demi-résultats. Mieux vaut trois demandes successives, chacune nourrie par le résultat de la précédente : c'est le prompt chaining. La vieille astuce « réfléchis étape par étape » compte moins depuis que les modèles récents disposent d'une phase de réflexion qu'ils dosent eux-mêmes.

Ce qui ne sert plus vraiment

• Les formules magiques (« tu es le meilleur expert du monde », menaces, promesses de pourboire) : aucune ne compense une information manquante.
• Les consignes criées en majuscules : un « NE JAMAIS » sans raison donne une règle appliquée à la lettre, parfois hors de propos. La version expliquée fonctionne mieux.
• Le pré-remplissage de la réponse, une astuce d'API qui consistait à écrire le début de la réponse à la place du modèle : les modèles Claude récents ne l'acceptent plus.
• Les prompts de deux pages sans document : la longueur ne remplace jamais la matière.

Pourquoi le context engineering prend le relais

Relisez la liste précédente : chaque technique qui fonctionne encore consiste à donner plus d'information au modèle. C'est ce constat qui a fait émerger un nouveau terme en 2025, et c'est la thèse de cet article.

Prompt et contexte : la différence

Le prompt est votre demande : la phrase ou le paragraphe par lequel vous formulez ce que vous voulez obtenir.

Le contexte est l'ensemble de ce que le modèle reçoit pour produire sa réponse : votre demande, mais aussi les documents joints, l'historique de la conversation, les consignes permanentes de votre compte, les outils auxquels il a accès, et parfois des résultats de recherche web.

Le prompt est donc un élément du contexte, généralement le plus petit. Passer une heure à peaufiner la formulation en oubliant de joindre le document revient à polir la poignée d'une porte restée fermée.

Context engineering : la définition

En juin 2025, Tobi Lütke, le patron de Shopify, a dit préférer l'expression context engineering à prompt engineering, parce qu'elle décrit mieux la compétence réelle : fournir au modèle tout le contexte nécessaire pour que la tâche soit soluble. Andrej Karpathy, cofondateur d'OpenAI, a appuyé l'idée dans la foulée.

En septembre 2025, Anthropic a formalisé la distinction. Le prompt engineering porte sur la rédaction et l'organisation des instructions. Le context engineering désigne les stratégies pour choisir et maintenir le meilleur ensemble d'informations dans la fenêtre du modèle pendant qu'il travaille. Autrement dit : décider ce qui entre dans la fenêtre, dans quel ordre, et sous quelle forme.

Il repose sur quatre décisions.

• Que faut-il inclure ? Les documents strictement utiles, des exemples du résultat attendu, les contraintes réelles.
• Que faut-il exclure ? Tout ce qui n'aide pas à répondre. C'est la décision la plus difficile et la plus rentable.
• Dans quel ordre ? Les longs documents d'abord, la question et les consignes ensuite.
• Sous quelle forme ? Un texte structuré, avec des titres ou des balises explicites, est mieux exploité qu'un bloc indistinct.

La fenêtre de contexte et ses limites

Un modèle ne traite qu'une quantité limitée de texte à la fois : sa fenêtre de contexte, mesurée en tokens, des fragments de mots. Les modèles Claude actuels vont de 200 000 tokens, soit environ 150 000 mots selon Anthropic, à un million de tokens, soit environ 555 000 mots avec le découpage des modèles récents. Ces équivalences sont des ordres de grandeur, qui varient selon la langue et le texte.

Deux mécanismes surprennent souvent. D'abord, l'historique compte dans la fenêtre. Le modèle n'a aucune mémoire entre deux échanges : l'application lui renvoie toute la conversation à chaque message. Une conversation de cinquante messages fait donc relire cinquante messages à chaque nouvelle question, ce qui explique les quotas atteints étonnamment vite. Quand la fenêtre est pleine, les premiers échanges sont résumés ou écartés, et le modèle « oublie » ce que vous aviez dit au début.

Ensuite, trop de contexte nuit. Anthropic décrit le phénomène : plus la fenêtre se remplit, moins le modèle retrouve précisément une information qu'elle contient. Un modèle à qui vous donnez trois cents pages pour répondre sur un paragraphe précis répondra moins bien qu'avec les trois pages utiles. Le bon contexte est le plus petit ensemble d'informations qui permet de réussir la tâche.

Combien pouvez-vous réellement donner à lire à un modèle ? Estimez ce que représentent vos documents et votre historique, et ce qu'il reste de place.

Le contexte permanent : écrire une fois ce que vous répétez toujours

Le vrai gain de temps arrive quand vous cessez de recomposer le contexte à chaque demande. Tous les outils proposent une forme de contexte permanent : des instructions attachées à votre compte, des projets qui regroupent des documents de référence, ou un fichier lu au démarrage, comme le fichier CLAUDE.md de Claude Code. Si vous voulez le mettre en place, mon tutoriel pour installer Claude Code part de là.

Le context engineering s'étend aussi aux outils. Un serveur MCP donne au modèle un accès direct à vos données plutôt qu'un copier-coller, et les Claude Skills chargent une méthode complète, instructions et scripts, seulement quand la tâche s'y prête. Dans les deux cas, l'idée est la même : la bonne information, au bon moment, sans encombrer la fenêtre.

Voici ce que je mets dans mon propre contexte permanent :

• Qui je suis et ce que je fais, en trois lignes. Cela évite les réponses génériques dès le premier message.
• Mes contraintes d'écriture : la voix employée, les tournures que je refuse, la longueur habituelle.
• Des exemples de mon travail, deux ou trois textes qui donnent le ton.
• Ce qu'il ne faut jamais faire : c'est la partie la plus utile, et la moins renseignée par les utilisateurs.

Le gain est mesurable : sur des demandes répétitives, je passe d'environ quatre allers-retours à un seul. Sur vingt demandes par semaine, cela représente plusieurs heures récupérées, sans rien changer à ma façon de formuler.

Un piège, tout de même : une consigne permanente s'applique à tout, y compris là où elle n'a pas de sens. J'ai vu des utilisateurs exiger en permanence des réponses très courtes, puis s'étonner d'obtenir des analyses superficielles sur des sujets complexes. Mettez en permanent ce qui est vrai pour tout ce que vous faites, et laissez le reste dans la demande.

Exemple : le même prompt, sans et avec contexte

Voici une demande courante, d'abord telle qu'elle est souvent écrite, puis réécrite avec du contexte.

Sans contexte

Écris un article de blog sur l'entretien des chaudières.

Avec contexte

<contexte>
Je suis chauffagiste indépendant à Nantes. Mes clients sont des particuliers propriétaires, souvent âgés, qui reçoivent mon blog par e-mail.
</contexte>

<documents>
[Colle ici deux articles que tu as déjà écrits, pour le ton]
[Colle ici les questions que tes clients posent le plus souvent au téléphone]
</documents>

<instructions>
Rédige un article de 600 mots qui répond à la question : « Faut-il vraiment faire entretenir sa chaudière tous les ans ? »
Commence par la réponse, en deux phrases. Reprends le ton de mes articles. Pas de jargon : si un terme technique est indispensable, explique-le.
Si une information te manque, pose-moi la question avant d'écrire.
</instructions>

La seconde version n'a rien d'astucieux dans sa formulation. Elle contient simplement ce que le modèle ne pouvait pas deviner : qui écrit, pour qui, dans quel style, à partir de quelles questions réelles. J'ai filmé une démonstration du même principe, une demande envoyée avec et sans contexte : la vidéo est intégrée à mon article qui propose 40 exemples de prompts ChatGPT à copier.

Prompt engineer : un métier ou une compétence ?

Que fait un prompt engineer ?

Un prompt engineer conçoit, teste et améliore les instructions qu'une application d'IA envoie à un modèle : les consignes système d'un assistant client, les prompts d'un outil de rédaction, les instructions d'un agent. L'essentiel de son travail n'est pas l'écriture mais la mesure. La documentation d'Anthropic le pose en préalable : avant toute retouche, définir des critères de réussite et un moyen de les tester.

Dans les faits, il construit des jeux de cas réels, compare les versions d'un prompt sur ces cas, documente ce qui marche, et gère de plus en plus le contexte : quels documents injecter, quels outils exposer, quoi garder en mémoire.

Le métier de prompt engineer existe-t-il encore ?

Comme métier à part entière, il a reculé. En avril 2025, le Wall Street Journal titrait que le poste le plus en vogue de 2023 était déjà obsolète, en citant une enquête de Microsoft auprès de 31 000 salariés dans 31 pays : parmi les nouveaux postes que leurs entreprises envisageaient de créer, prompt engineer arrivait avant-dernier.

La compétence, elle, s'est diffusée. Elle fait désormais partie du travail des développeurs, des équipes data, des rédacteurs et des responsables marketing qui utilisent l'IA chaque jour. C'est ce que je vois en formation : les équipes n'ont pas besoin d'un spécialiste des prompts, elles ont besoin que chacun sache donner le bon contexte.

Quel est le salaire d'un prompt engineer ?

Le chiffre qui circule vient de l'offre d'Anthropic de 2023 : 175 000 à 335 000 dollars par an pour un poste basé à San Francisco, selon le magazine Fortune. C'était une exception, dans une entreprise d'IA de pointe et sur le marché américain. En France, je n'ai pas trouvé de grille fiable propre à ce métier : les rares annonces rattachent la compétence à un poste existant (développeur, ingénieur IA, chef de projet, rédacteur), et la rémunération suit celle de ce poste.

Comment devenir prompt engineer ?

1. Pratiquer sur de vrais cas, les vôtres ou ceux de votre équipe, plutôt que sur des exercices génériques.
2. Apprendre à évaluer : constituer une série de cas tests et comparer deux versions d'un prompt sur les mêmes cas. C'est ce qui distingue un professionnel d'un collectionneur de formules.
3. Maîtriser le contexte et les outils : instructions système, documents, serveurs MCP, skills, et la méthode pour créer un agent IA. C'est là que le métier se déplace.
4. Se former aux sources : les guides officiels d'Anthropic, d'OpenAI et de Google sont gratuits et tenus à jour, et Anthropic publie un tutoriel interactif sur GitHub.
5. Viser un métier existant (développement, data, contenu, produit) où cette compétence fait la différence, plutôt qu'un intitulé de poste qui se fait rare.

Les erreurs de prompt les plus fréquentes

1. Résumer un document de mémoire au lieu de le joindre. Le modèle travaille alors sur votre résumé approximatif.
2. Tout empiler dans une conversation unique. Le contexte se remplit de sujets sans rapport qui parasitent la réponse.
3. Repartir de zéro à chaque insatisfaction. Corriger dans la conversation en cours est presque toujours meilleur, parce que le contexte y est déjà.
4. Ne jamais donner d'exemples de son propre travail. C'est le seul moyen fiable de récupérer votre style plutôt qu'un style moyen.
5. Garder les contraintes pour soi. Budget, délai, ce qui est interdit : ces informations changent complètement la réponse, et elles restent souvent dans votre tête.

Une dernière remarque, qui vaut avertissement. Donner du contexte signifie transmettre de l'information à un service tiers. Avant de coller un contrat ou un fichier client, vérifiez le type de compte que vous utilisez et ce que ses conditions autorisent. C'est un contrôle de trente secondes, et il évite des questions désagréables ensuite.

Quand les mêmes demandes reviennent chaque semaine avec les mêmes documents, le prompt n'est plus la bonne réponse : c'est un candidat à l'automatisation. C'est le type de chantier que je mène en mission d'automatisation IA.

Écrit par

Anthony Courtin

Consultant SEO, GEO & automatisation IA

J'accompagne des PME et des indépendants sur la visibilité (Google, ChatGPT, Perplexity) et sur l'usage réel de l'IA au travail. J'interviens en entreprise pour former les équipes et repenser les process. Tout ce que j'écris ici, je l'utilise en mission.

Me suivre sur LinkedIn Ma chaîne YouTube