Nous avons tous vu des gens parler à ChatGPT ou Grok sur leur téléphone, posant des questions très simples, des requêtes connues dans l'industrie de l'IA sous le nom de prompts. Certains pensent même les utiliser mieux que la plupart parce qu'ils ont vu ce genre de publications sur les réseaux sociaux :
Mauvais : « Donne-moi 20 idées marketing pour mon entreprise. »
Bon : « Donne-moi 20 idées marketing créatives pour ma petite entreprise qui m'aideront à me démarquer de la concurrence. »
Excellent : « Pense comme un Directeur Marketing de classe mondiale dans l'industrie [à préciser]. Donne-moi 30 idées marketing hautement créatives et originales pour mon entreprise. Assure-toi qu'elles répondent aux plus grands points de douleur de mon public cible. »
Trois encadrés : mauvais prompt, bon prompt, excellent prompt. Le « avant » paraît plat et le « après » paraît affûté. C'est l'un des formats les plus partagés sur les réseaux sociaux, et la plupart de ces conseils n'apprennent aux gens qu'à échouer de façon plus élaborée.
Relisez ces trois exemples, dans l'ordre. Vingt idées sont devenues trente. « Créatives » est devenu « hautement créatives, originales ». Un « Directeur Marketing de classe mondiale » a été invoqué. Et dans les trois versions, rien n'est réellement défini. Personne ne dit ce que l'entreprise vend réellement, qui l'achète, ou à quoi ces acheteurs sont réellement confrontés. Pas une seule fois.
Alors, le modèle d'IA fait la seule chose à sa disposition : il invente un public plausible, attribue à ce public inventé un point de douleur plausible, et rédige trente idées pleines d'assurance pour une entreprise qui pourrait être n'importe quoi et un client qui n'existe pas. La version « excellente » paraît plus aboutie. Elle paraît plus crédible. Mais l'information est restée à zéro. Elle semble donc applicable à l'utilisateur, comme le paraîtrait n'importe quoi d'aussi générique.
Voici ce qui se passe réellement ensuite, et c'est le véritable coût de tout ce genre de conseils. Quelqu'un exécute la version « excellente », obtient trente idées génériques qui fonctionneraient tout aussi bien pour un cabinet dentaire, une taquería ou un cabinet d'avocats.
Alors, que contient un seul prompt qui fonctionne vraiment ? En voici un exemple :
Remarquez-vous ce qui fait vraiment le travail ? Ce n'est pas la longueur. Ce sont cinq éléments précis.
Premièrement, il nomme une spécialisation précise, une description de fonction plutôt qu'un titre de poste — « évalue des propriétés mixtes et commerciales dans les corridors centraux de Mexico ». Pas « un expert en immobilier ». Une spécialisation aussi étroite vous procure quelqu'un qui sait déjà que la « preventa » ne se valorise pas comme l'inventaire titré.
Deuxièmement, il fournit le vocabulaire sur lequel on ne peut pas compter que le modèle pense par lui-même : « uso de suelo », « preventa », prix de clôture par rapport au prix affiché. Ce sont les mots qu'un spécialiste de ce marché précis utilise réellement. Fournissez-les, et le modèle les utilise correctement. Retenez-les, et il évite le sujet ou simule la maîtrise — et on ne peut pas distinguer l'un de l'autre rien qu'en regardant le résultat.
Troisièmement, il nomme des sources réelles — CBRE México, JLL México, Softec, AMPI, l'indice de la Sociedad Hipotecaria Federal — plutôt que de laisser « renseigne-toi là-dessus » signifier tout ce que le modèle trouve en premier.
Quatrièmement, il fixe une limite de portée : « Ne recommandez pas encore de prix de vente. » Une seule tâche, pas cinq, et aucune conclusion prématurée déguisée en réponse.
Cinquièmement, il demande l'honnêteté. C'est la ligne à plus fort effet de levier de tout le prompt. Que ce soit à propos des suppositions de l'utilisateur ou des conclusions de l'IA. Et c'est celle que la plupart des gens sautent entièrement : dire au modèle d'être honnête. La plupart des prompts récompensent la confiance par défaut, parce que les réponses qui sonnent avec assurance semblent abouties. Celui-ci demande l'inverse, délibérément.
Voici une deuxième variable à laquelle la plupart des gens ne pensent pas : quel modèle d'IA utiliser. Même prompt, modèles différents, qualité différente, et la plupart des gens ne pourraient pas vous dire lequel ils devraient utiliser. Par exemple, la plupart des utilisateurs de Claude ne connaissent pas la différence entre Sonnet 5, Opus 5, Fable 5, et l'Opus 4.8 de génération précédente, ni quel niveau d'effort utiliser pour faire tourner l'un ou l'autre.
J'avais un PowerPoint construit selon les standards de nos supports de marque, et je voulais montrer à quelqu'un, en temps réel, l'écart pratique entre les outils d'IA. J'ai donné des instructions identiques à deux outils d'IA sur leurs versions gratuites et à un sur un plan payant faisant tourner son modèle le plus performant. Les versions gratuites ne vous donnent pas les meilleurs modèles. Elles vous orientent vers le modèle le plus léger. Les deux versions gratuites ont produit le même échec : du texte superposé, illisible. La version payante a produit un résultat propre dès le premier essai. Mêmes instructions, même fichier, moteur différent derrière le bouton.
Définir quel modèle, quel niveau, et quels paramètres, recherche web activée ou non, combien d'effort de raisonnement dépenser, quels fichiers le modèle peut réellement voir, est essentiel pour que l'IA produise un résultat fiable.
Il existe cependant un plafond au-dessus de tout ce qui a été décrit jusqu'ici, et aucune maîtrise du prompt ne vous permet de le dépasser. Même le prompt immobilier ci-dessus n'est qu'une seule question, posée une seule fois, dans une seule conversation. Or une seule conversation a des limites strictes : combien de fichiers vous pouvez joindre, combien d'images, combien de texte avant que le modèle ne commence à perdre ce que vous lui avez dit au départ. C'est très bien pour une question ponctuelle.
Cependant, c'est totalement le mauvais outil pour tout ce qui s'étale sur des semaines avec des documents qui s'accumulent, une analyse financière, une étude de marché, une négociation en cours, le développement d'un projet, etc. Ce n'est plus un problème de prompt. C'est un problème structurel. Et la solution n'est pas un meilleur prompt ponctuel. C'est ce qu'on appelle un « Agent ».
Un agent peut être un stratège (un chat à l'intérieur d'un dossier), ou il peut travailler pendant que vous dormez — connecté via une API, s'exécutant sur un déclencheur plutôt que sur une demande. Ils sont structurés selon les six sections suivantes :
- Rôle
- Définit qui il est — le même geste que le prompt immobilier ci-dessus, rendu permanent au lieu d'être retapé.
- Tâche
- Définit la seule chose qu'il produit, pour qui, et selon quel standard, pour que le résultat ne varie pas selon la façon dont la demande a été formulée ce jour-là.
- Spécifications
- Porte les règles — et le raisonnement derrière chacune, parce qu'une règle accompagnée d'un « pourquoi » s'applique correctement à des situations que personne n'avait anticipées par écrit. Une règle sans raison s'applique littéralement, et à tort, dès la première exception rencontrée.
- Contexte
- Lui donne l'entreprise à l'intérieur de laquelle il opère : le client, où va son résultat ensuite, ce qu'une réponse faible coûte réellement à la personne en aval.
- Exemples
- C'est celle des six qui a le plus fort effet de levier. Ces modèles imitent la qualité démontrée de façon bien plus fiable qu'ils ne suivent une description écrite de celle-ci. Un excellent exemple généralise mieux qu'un paragraphe d'instructions ne le fera jamais.
- Notes
- Porte les garde-fous — format, langue, et ce qu'il fait lorsqu'il ne sait pas quelque chose. Le même instinct que « donne-moi une fourchette, pas un chiffre plein d'assurance » du prompt immobilier, sauf qu'ici c'est construit de façon permanente plutôt que demandé à chaque fois.
Ensemble, ce n'est pas un gadget. C'est un spécialiste pleinement briefé — sans dérive, sans avoir à réexpliquer, sans réentraînement.
Voilà la forme de ce qui tourne réellement, en ce moment même, à l'intérieur de notre entreprise : des agents spécifiques et personnalisés, chacun détenant ses propres fichiers selon la situation de nos clients. Ce n'est pas un outil qui répond à une question une seule fois. C'est un système en qui on a confiance pour livrer dans la durée. Un spécialiste que l'on peut interroger de façon croisée, avec qui l'on peut converser et consulter dans les deux sens pour une efficacité maximale, parce qu'il sait qui vous êtes et quelle est votre situation.
L'exemple Deloitte.
En juillet 2025, Deloitte Australie a remis un rapport d'assurance indépendant de 237 pages au ministère fédéral de l'Emploi et des Relations de travail.
Le contrat était d'une valeur de 440 000 A$. Un chercheur de l'Université de Sydney l'a lu et a trouvé des références à des travaux académiques qui n'existaient pas, y compris un livre attribué à une professeure de droit constitutionnel sur un sujet hors de son domaine. Il a également trouvé une citation attribuée à un juge de la Cour fédérale. Le juge n'avait jamais dit cela.
Trois décisions ont produit ce résultat, et aucune n'a été prise par une machine.
La première fut de choisir le mauvais instrument : une chaîne d'outils d'IA générative, Azure OpenAI GPT-4o. La propre divulgation de Deloitte indique que l'outil a été utilisé pour combler des lacunes de traçabilité et de documentation — c'est-à-dire pour produire des sources. Un modèle génératif compose un texte qui ressemble à une citation. Il n'en récupère pas une. Lui demander de fournir des références revient à demander un manuel automobile à un romancier.
Deloitte a utilisé le mauvais outil.
La deuxième fut l'absence d'une étape de vérification. Personne dans la chaîne n'a vérifié si ces travaux cités existaient. Un universitaire externe l'a détecté en une seule lecture. L'échec ne fut pas que le modèle ait produit une affirmation non vérifiée, mais de ne pas avoir compris l'objectif de l'outil utilisé.
La troisième fut le silence. Le rapport original ne divulguait rien, il n'y avait donc rien à corriger. La divulgation n'est apparue qu'après que les erreurs ont été rendues publiques.
La sénatrice Deborah O'Neill a qualifié cela de « problème d'intelligence humaine ». Le chercheur qui l'a révélé n'a pas remis en cause la technologie, mais ce qu'il a appelé une « méthodologie non experte ».
Il n'y a eu ni exploit, ni manipulation, ni utilisateur malveillant. L'outil s'est comporté exactement comme il était configuré. Il a été dirigé vers la mauvaise tâche, par des personnes qui ignoraient que c'était la mauvaise tâche, et personne en aval ne vérifiait.
La partie instructive est ce que Deloitte a fait ensuite. L'entreprise n'a pas cessé d'utiliser l'IA. Au cours de la même période, elle a annoncé un déploiement de Claude auprès de près de 500 000 employés dans le monde. Le remède à une IA mal configurée n'est pas moins d'IA. C'est quelqu'un qui sait comment la configurer.
Ce qui nous ramène à notre point de départ. Savoir ce qui entre dans un prompt, savoir quel modèle l'exécute, savoir où s'arrête le prompt unique et où commence l'agent, voilà ce qui élimine l'aveuglement et fait de l'IA un outil précieux pour les entreprises.