Analyseur de prompts IA

Comment lire le score honnêtement

Le nombre entre 0 et 100 est un diagnostic, pas une note. Il mesure la quantité de devinettes que votre prompt laisse au modèle — pas la qualité future du résultat. Un prompt peut scorer 92 et produire quelque chose que vous détestez, parce que l'analyseur ne connaît ni votre goût ni votre marque.

Ce qu'il vous dit en revanche, c'est où le modèle comble les trous à votre place. Les grandes plages :

• Sous 40. Le modèle invente la forme de la réponse. Attendez-vous à du générique et à plusieurs allers-retours « non, plutôt comme ça ».
• 40-65. La demande est claire, les contraintes ne le sont pas. Bon sujet, mauvaise longueur ou mauvais format.
• 65-85. Prompt solide et opérationnel. Ce qui reste tient à la précision du format et aux exemples.
• Au-dessus de 85. Rendements décroissants. Arrêtez d'optimiser, commencez à tester en conditions réelles.

Viser 100 est un piège. Passé 85, vous ajoutez des instructions qui coûtent des tokens et enferment le modèle dans une prose raide et surspécifiée. Un 78 testé trois fois vaut mieux qu'un 96 jamais envoyé.

Les sept critères, et l'utilité de chacun

Chacune des sept dimensions correspond à une façon précise dont les prompts échouent.

• Clarté. Une action sans ambiguïté ? Les prompts à deux verbes reliés par « et » reçoivent une demi-réponse à chacun.
• Rôle. Un point de vue qui change le vocabulaire et la profondeur. Sans rôle, le texte tombe dans le style encyclopédie.
• Contexte. Public, produit, tentatives passées. C'est ici que les scores chutent le plus, et que les corrections rapportent le plus.
• Contraintes. Longueur, exclusions, règles fermes. Sans elles, le modèle applique sa longueur moyenne, qui n'est jamais la vôtre.
• Format de sortie. Tableau, JSON, puces. Non précisé signifie prose, à chaque fois.
• Précision. Noms concrets et chiffres plutôt qu'adjectifs de remplissage. « Améliorer l'engagement » score mal ; « augmenter le taux de réponse aux emails à froid » score bien.
• Exemples. Un échantillon de sortie vaut mieux que trois paragraphes de description. Few-shot ou zero-shot explique quand ça vaut le coup.

Deux dimensions basses expliquent en général tout un mauvais score. Corrigez celles-là en premier.

Ce que coûte vraiment le flou

Des mots comme « engageant », « professionnel », « complet » ou « moderne » ressemblent à des instructions mais ne portent presque aucune information. Le modèle les résout vers le milieu statistique de ses données d'entraînement. C'est pour ça que tant de textes générés se ressemblent : tout le monde demande la même moyenne.

La facture arrive de trois façons. Vous réécrivez la sortie, donc un aller-retour perdu. Vous récupérez une longueur non demandée, parce que « complet » se lit « long ». Et vous ne pouvez pas itérer : quand la réponse est mauvaise, impossible de pointer l'instruction fautive. Remplacez chaque mot vague par quelque chose de vérifiable :

• « engageant » → « commence par un chiffre précis ou une question »
• « professionnel » → « pas de contractions, pas de points d'exclamation »
• « complet » → « couvre ces quatre points, 150 mots chacun »
• « moderne » → « phrases courtes, aucun jargon »

Le test : deux personnes pourraient-elles lire votre consigne et être en désaccord sur le fait qu'elle a été respectée ? Si oui, ce n'est pas une contrainte.

Redresser un score bas, et boucler

Dans l'ordre — les deux premiers points récupèrent l'essentiel.

1. Ajoutez du contexte. Deux ou trois phrases que le modèle ne pouvait pas deviner : qui lit, à quoi ça sert, ce qui a déjà échoué.
2. Nommez le format. « Sortie : tableau markdown, trois colonnes » vaut mieux qu'un paragraphe de description.
3. Ajoutez un rôle qui change quelque chose. Si le remplacer ne change rien, passez.
4. Convertissez les adjectifs mous en règles. Voir plus haut.
5. Ajoutez un exemple seulement si le format compte plus que le fond.

Si le prompt est confus plutôt que simplement pauvre, ne le rafistolez pas — passez-le à l'optimiseur de prompt pour reconstruire la structure, ou au réécrivain pour resserrer la formulation sans toucher à l'intention. Pour des sorties structurées, le générateur de prompt JSON gère les contraintes de schéma mieux que la prose.

Puis bouclez. Analysez, appliquez uniquement les deux corrections prioritaires, réanalysez. Deux à la fois, c'est ainsi que vous apprenez quel changement a fait bouger le chiffre — changez-en cinq et vous n'apprenez rien.

Surveillez le détail par dimension plutôt que le total. Passer de 51 à 74 vous en dit moins que voir le contexte grimper de 2/10 à 8/10, parce que le second révèle une habitude. La plupart des gens ont une faiblesse chronique qui se retrouve dans tous leurs prompts. Trouvez la vôtre et l'outil vous deviendra inutile sur ce point. Les erreurs de prompting courantes recense les suspects habituels.

Arrêtez quand le score stagne ou dépasse 80. Testez ensuite en conditions réelles et gardez le gagnant dans la bibliothèque de prompts pour ne pas le réécrire le mois prochain.

Un exemple traité

Un prompt qui score dans les 30 :

La clarté va : c'est un email. Tout le reste manque : pas de rôle, pas de contexte, pas de longueur, pas de format, deux adjectifs qui ne veulent rien dire. Vous obtenez une annonce polie qui pourrait appartenir à n'importe quelle entreprise du monde. La réécriture score dans les 85 :

Chaque ligne ajoutée referme un trou que le modèle comblait seul. Pour les particularités d'un modèle donné, le générateur de prompts ChatGPT et le générateur de prompts Claude vous placent d'emblée dans la bonne forme, et comment écrire des prompts IA détaille chaque bloc.