Erreurs de prompting courantes et comment les corriger
La plupart des mauvaises réponses d'IA remontent à une poignée d'erreurs de prompt évitables. Les voici, chacune avec un correctif rapide et concret.
La plupart des mauvaises sorties d'IA ne viennent pas d'un modèle idiot. Elles viennent d'un prompt qui a discrètement supposé que le modèle pouvait lire dans vos pensées, deviner votre format et déduire le contexte logé dans votre tête. La bonne nouvelle, c'est que les erreurs de prompting sont d'une répétitivité ennuyeuse. Une fois que vous savez les nommer, vous les repérez dans vos propres brouillons avant d'appuyer sur envoyer. Voici les dix qui font le plus trébucher, chacune avec un correctif applicable dans les cinq secondes et, quand ça aide, une réécriture du faible vers le corrigé.
Le modèle ne connaît que ce que vous mettez sur la page
Trois des erreurs les plus courantes partagent une racine unique : vous portez une information que le modèle n'a jamais reçue.
La première, c'est écrire une demande si ouverte qu'elle pourrait être satisfaite de cent façons. « Résume ça » — quelle longueur, pour qui, en gardant quels détails ? Vous connaissez déjà la réponse, alors le trou vous paraît invisible.
La deuxième, c'est sauter entièrement le rôle ou le contexte. Un modèle sans cadrage se rabat sur une voix fade, moyenne-de-l'Internet. Donnez-lui un métier et un public et le registre se met au point.
La troisième est la sournoise : supposer que le modèle connaît votre contexte privé. Le nom de votre produit, votre client, la décision de la semaine dernière, le ton que votre patron déteste — rien de tout ça n'existe pour le modèle tant que vous ne le tapez pas. Il inventera volontiers un substitut plausible à la place.
La version corrigée n'est pas plus longue pour le plaisir. Chaque clause ajoutée comble un trou que le modèle remplirait sinon en devinant. Quand les réponses reviennent génériques, le prompt est en général générique lui aussi, et le correctif consiste à livrer les précisions que vous gardiez pour vous. Si vous voulez un second regard sur la dose de contexte que vous fournissez réellement, passez un brouillon dans l'analyseur de prompts avant d'accuser le modèle.
- Nommez le public et l'objectif dans la même phrase.
- Collez les faits que le modèle ne peut pas connaître : noms, chiffres, décisions passées.
- Ne lui donnez un rôle que lorsque le rôle change la réponse (un avocat, un enseignant, un sceptique).
Dites-lui à quoi ressemble « terminé »
Vous pouvez décrire une tâche à la perfection et obtenir tout de même quelque chose d'inutilisable parce que vous n'avez jamais dit quelle forme la réponse devait prendre. Voulez-vous un tableau, trois puces, un objet JSON, un seul paragraphe ? Le modèle choisit pour vous, et il choisit rarement ce que vous aviez en tête.
De près, il y a le fait de s'appuyer sur des mots de qualité vagues. « Rends-le professionnel. » « Écris quelque chose de bien. » « Garde-le captivant. » Ces formules ressemblent à des consignes mais ne portent presque aucun signal, car « professionnel » pour vous peut vouloir dire concis et pour le modèle bourré de jargon d'entreprise. Remplacez l'adjectif par un trait observable.
Et quand le format voulu est inhabituel, décrivez-le puis montrez un exemple. Les règles seules laissent trop de jeu ; un seul échantillon fait s'effondrer l'ambiguïté à l'instant. C'est le cas d'usage quotidien du prompting few-shot contre zero-shot — pas besoin de dix exemples, un seul bien choisi fait en général le travail.
Un prompt, un rôle
Il y a une forte tentation d'écrire un méga-prompt : recherche le sujet, plane-le, rédige-le, vérifie les faits et mets-le en forme en newsletter. Le modèle tente les cinq à la fois et fait chacun à peut-être soixante-dix pour cent, puis en abandonne un entièrement faute d'attention. La qualité du raisonnement chute à mesure que vous entassez les rôles sur une seule demande.
Découpez le travail. Obtenez le plan, regardez-le, puis demandez le brouillon à partir de ce plan. Vous gardez un point de contrôle entre chaque étape où corriger le tir, et chaque étape reçoit toute l'attention du modèle. L'aller-retour supplémentaire vous coûte quelques secondes et vous évite de réécrire un bloc de sortie emmêlé qui a raté la moitié de votre intention.
- Un livrable en plusieurs parties ? Une étape par message.
- Gardez la sortie de chaque étape comme entrée de la suivante.
- Si un prompt a plus d'un « et ensuite », c'est probablement deux prompts.
Laissez-lui de la place pour sonner humain
L'échec inverse, c'est la surcorrection. Vous vous êtes brûlé sur des prompts flous, alors maintenant vous écrivez un mur de contraintes : exactement 100 mots, exactement quatre phrases, doit inclure ces six formules, pas de virgules, formel mais amical, et ainsi de suite. Le modèle obéit, et le résultat se lit comme s'il avait été assemblé par quelqu'un remplissant une déclaration d'impôts. Chaque contrainte ajoutée est un degré de liberté retiré, et passé un certain point l'écriture devient raide et sans vie.
Contraignez ce qui compte vraiment — longueur, format, un fait qui doit apparaître — et laissez le reste ouvert pour que le modèle puisse réellement écrire. Si vous ne savez pas lesquelles de vos règles sont porteuses, un optimiseur de prompts peut vous aider à ramener le prompt aux contraintes qui changent la sortie et à lâcher celles qui n'ajoutent que du bruit.
Prévoyez le moment où il ne sait pas
Les modèles détestent dire « je ne sais pas ». Laissés à leurs réglages par défaut, ils produiront une réponse sûre d'elle, bien mise en forme et complètement fabriquée plutôt que d'admettre un trou. L'erreur, c'est de ne jamais lui dire quoi faire quand il n'est pas sûr, si bien que l'hallucination devient le chemin de moindre résistance.
Donnez-lui une porte de sortie et la permission de l'emprunter.
Nommer le repli — « dis que tu n'es pas sûr », « signale-le », « liste ce qu'il te faudrait pour répondre » — transforme une réponse inventée en une réponse honnête. C'est le garde-fou le moins cher contre les absurdités assurées, et il coûte une phrase.
Corrigez le prompt, ne le brûlez pas
Quand la sortie déçoit, l'instinct est de tout jeter et de réécrire de zéro. C'est généralement du gaspillage. Un quasi-succès vous dit exactement la seule chose à ajuster. Si le ton cloche, corrigez le ton et gardez le reste. S'il a ignoré une contrainte, remontez-la en tête ou rendez-la plus forte. Traitez le prompting comme un dialogue à petites retouches, pas comme une machine à sous qu'on relance.
Itérer bat le redémarrage parce que chaque version vous apprend quelque chose sur la façon dont le modèle a lu vos mots. Enregistrez les prompts qui marchent, notez ce que vous avez changé, et votre prochain premier jet démarre mieux. Si vous voulez la méthode complète derrière cette boucle, comment écrire des prompts IA et les fondamentaux du prompt engineering expliquent comment construire des prompts qui demandent moins de tours dès le départ.
Aucun de ces correctifs n'est malin. Ce n'est que la différence entre dire au modèle ce que vous voulez et espérer qu'il devine. Faites-le systématiquement et les plaintes du type « l'IA est nulle à ça » disparaissent en grande partie.
