# Qu'est-ce que le prompt engineering ? Définition et enjeux pour l'entreprise

> Le prompt engineering est la discipline d'écriture méthodique des prompts. Il ne s'agit pas d'un métier rare mais d'une compétence transversale, qui consiste à formaliser, tester et standardiser les instructions adressées à un LLM pour obtenir des sorties fiables et reproductibles à l'échelle d'une organisation.

## Définition
Le prompt engineering recouvre l'ensemble des techniques permettant de transformer une requête vague en une instruction structurée qui produit une sortie fiable. Les techniques principales incluent : l'assignation de rôle (« Tu es expert en... »), la fourniture d'exemples (one-shot, few-shot), la décomposition de la tâche en étapes (chain of thought), la spécification du format de sortie (JSON, markdown, plan numéroté), et l'introduction de contraintes négatives (« ne pas mentionner... »). En 2023, le terme désignait un métier émergent et bien rémunéré (jusqu'à 335 000 dollars annuels dans une offre d'Anthropic publiée en 2023). Depuis 2024-2025, cette segmentation s'est largement effondrée : les modèles sont devenus plus tolérants aux prompts imprécis, et les bonnes pratiques se sont diffusées. Le prompt engineering n'est plus un métier, c'est une compétence intégrée aux rôles métier (commercial, juriste, marketeur), au même titre que la maîtrise d'Excel ou de la recherche Google.

## Exemple
L'étude NBER de Brynjolfsson, Li et Raymond (2023, *Generative AI at Work*) a observé 5 179 agents de support client équipés d'un assistant IA. Le gain de productivité moyen était de 14 %, mais variait fortement selon le niveau d'expérience : 34 % de gain pour les agents novices ou peu qualifiés, et un effet minime pour les plus expérimentés. L'enseignement central pour les dirigeants : la productivité issue de l'IA n'est pas une propriété du modèle, mais de la pratique d'usage. Sans discipline de prompting collective, les gains restent inégaux et non capitalisables.

Cas à plus grande échelle, contexte support client : Klarna, février 2024. Le groupe fintech suédois annonce que son assistant IA (basé sur OpenAI) a traité en un mois 2,3 millions de conversations, soit les deux tiers de son service client, dans plus de 35 langues : l'équivalent du travail de 700 agents à temps plein. Les demandes sont résolues en moins de 2 minutes contre 11 auparavant, avec une satisfaction au niveau de celle des agents humains. En mai 2025, Klarna corrige le tir. Son PDG, Sebastian Siemiatkowski, reconnaît que le coût a trop pesé dans l'organisation du service et que la qualité en a souffert. L'entreprise recrute de nouveau des conseillers humains, tandis que l'IA traite toujours environ deux tiers des demandes. L'enseignement : un assistant IA ne se pilote pas au seul volume traité. La qualité des réponses se mesure, se teste et se corrige dans la durée.

## Pour un dirigeant
Recruter un « prompt engineer » comme métier dédié, ou inversement laisser chaque collaborateur improviser ses prompts au coup par coup. La première voie est obsolète depuis 2024 : les modèles sont devenus tolérants aux instructions imprécises, et la compétence n'est plus rare. La seconde fragmente l'usage, empêche la capitalisation, et produit des résultats hétérogènes selon les individus, sans piste d'amélioration possible. | Bâtir une bibliothèque interne de prompts-types par cas d'usage, partagée, versionnée, testée. Identifier les 5 à 10 tâches récurrentes par fonction (rédaction commerciale, synthèse de réunion, analyse de CV), formaliser un prompt-type pour chacune, mesurer la qualité moyenne des sorties, itérer. Cette bibliothèque devient un actif documentaire de l'entreprise, transférable, et chaque amélioration profite à tous les utilisateurs simultanément. La compétence se diffuse au lieu de rester captive de quelques individus.

*Prompt engineering, fine-tuning et RAG : trois façons d'adapter un LLM à un cas d'usage*

| Technique | Ce qu'elle change | Coût typique | Quand la choisir |
| --- | --- | --- | --- |
| Prompt engineering | Instructions et exemples donnés au modèle à chaque appel : le modèle reste identique | Faible : quelques heures à quelques semaines par cas d'usage | Défaut à privilégier : rapide à itérer, réversible, aucun réentraînement. |
| RAG (Retrieval-Augmented Generation) | Le modèle reçoit des extraits pertinents d'une base documentaire à chaque question | Moyen : infrastructure de recherche vectorielle + curation des sources | Quand la connaissance métier vit hors du modèle (documents internes, catalogue produits, base de connaissance qui évolue). |
| Fine-tuning | Le modèle est ré-entraîné sur un corpus propriétaire : comportement et style modifiés durablement | Élevé : dataset annoté + coût de calcul + maintenance à chaque nouveau modèle de base | Style éditorial très spécifique, vocabulaire de niche non couvert, ou baisse de latence sur une tâche unique et bien cadrée. |

## Questions fréquentes

**Faut-il un expert pour faire du prompt engineering ?**
Non. Le prompt engineering en entreprise est d'abord une discipline de rédaction : clarté du contexte, exigence sur le format de sortie, exemples courts. Les gains documentés (14 % de productivité moyenne selon l'étude NBER 2023 sur 5 179 agents support) viennent de bonnes pratiques diffusables, pas d'une expertise technique.

**Comment structurer un bon prompt ?**
Quatre briques : rôle (à qui parle le modèle), contexte (données, contraintes, ton attendu), tâche (verbe d'action et critère de succès), format de sortie (structure explicite). Ajouter un ou deux exemples (few-shot) améliore la fidélité au format. Itérer sur 3-5 versions avant de fixer un prompt utilisé en production.

**Prompt engineering ou fine-tuning : quelle différence ?**
Le prompt engineering ajuste ce qu'on demande au modèle à l'inférence : rapide, sans coût de modèle, réversible. Le fine-tuning ré-entraîne le modèle sur des données propriétaires : coûteux, plus lent, mais utile pour un style ou une expertise très pointue.

**Combien coûte un mauvais prompt ?**
Sur un cas de génération à volume (support, extraction, résumé), un prompt mal calibré gonfle les tokens en entrée et produit des réponses hors format qu'il faut retraiter. Mesurez le coût par requête et la part de sorties à reprendre avant et après chaque modification du prompt.

**Le prompt engineering devient-il obsolète ?**
Non, il évolue. Les modèles récents (par exemple Claude Opus 5.5, GPT-6) tolèrent mieux les prompts flous, mais la performance différentielle entre un prompt médiocre et un prompt travaillé reste importante en production. Les techniques évoluent (chain-of-thought, tools use, structured output), la discipline reste.

**Faut-il documenter les prompts en entreprise ?**
Oui, dans une bibliothèque interne versionnée. Chaque prompt production doit avoir : un identifiant, une date, un cas d'usage, la version du modèle cible, la métrique de qualité mesurée, et un exemple de sortie attendue. Sans cette discipline, les prompts se dupliquent, dérivent et ne sont plus auditables : c'est un actif à traiter comme du code.

## À lire aussi

- [Prompt](https://wyp.agency/glossaire/prompt/)
- [Patterns de prompting](https://wyp.agency/glossaire/patterns-prompting/)
- [LLM (Large Language Model)](https://wyp.agency/glossaire/llm/)
- [Hallucination](https://wyp.agency/glossaire/hallucination/)
- [Discipline d'usage](https://wyp.agency/glossaire/discipline-usage/)
- [Carte et territoire](https://wyp.agency/glossaire/carte-et-territoire/)
- [Context engineering (ingénierie du contexte)](https://wyp.agency/glossaire/context-engineering/)

## Sources

- Generative AI at Work, Brynjolfsson, Li & Raymond, NBER Working Paper 31161, 2023 (https://www.nber.org/papers/w31161)
- Prompt engineering overview, documentation Claude (Anthropic) (https://platform.claude.com/docs/en/build-with-claude/prompt-engineering/overview)
- Klarna AI assistant handles two-thirds of customer service chats in its first month, communiqué Klarna, 27 février 2024 (https://www.prnewswire.com/news-releases/klarna-ai-assistant-handles-two-thirds-of-customer-service-chats-in-its-first-month-302072740.html)
- Klarna reinvests in human talent for customer service, Customer Experience Dive, 9 mai 2025 (https://www.customerexperiencedive.com/news/klarna-reinvests-human-talent-customer-service-AI-chatbot/747586/)
- Fortune, offre d'emploi «  Prompt engineer & librarian » d'Anthropic, 9 mars 2023 (https://fortune.com/2023/03/09/new-ai-jobs-chatgpt-like-assistants/)

---
Fiche du glossaire IA de WYP.agency · https://wyp.agency/glossaire/prompt-engineering/ · Dernière mise à jour : 2026-10-14