Prompt Engineering : comment se former à cette optimisation de l’IA ?
C’est devenu un sujet tendance : sur Internet, des vidéos, des formations et des guides de bonnes pratiques sont entièrement dédiées au « prompt engineering », cette manière d’adresser des prompts à une IA à langage naturel de la manière la plus optimisée possible. Devenu une compétence recherchée sur le marché, cet ensemble de techniques mérite d’être abordé par les ingénieurs IT. Tutorial pour s’y acculturer.
TUTORIAL
Étape 1 : connaître les besoins en prompt engineering sur le marché de l’emploi
Un petit tour sur un moteur de recherche dévolu aux offres d’emploi IT fait désormais apparaître une nouvelle notion : le « prompt engineering ». De plus en plus d’entreprises fixent en effet une expérience, ou tout au moins une connaissance, de cet ensemble de technique – qui consiste à améliorer et optimiser les prompts soumis à un modèle de langage naturel – comme prérequis avant de postuler à des emplois de machine learning engineer, de data scientist, mais aussi, plus naturellement de développeur IA/LLM métier – le prompt engineering est alors lié à une connaissance d’API éditées par OpenAI, Anthropic ou Mistral afin de concevoir des outils internes à base de modèle commercial de langage naturel.
Et si le buzz autour du métier de « prompt engineer » de 2023 (Anthropic avait publié une annonce mirobolante pour une personne chargée de rédiger uniquement des prompts) ne correspond pas, aujourd’hui, à une fonction recherchée sur le marché de l’emploi, savoir utiliser un LLM grand public de manière optimale est aujourd’hui valorisé dans les entreprises qui cherchent à augmenter leur productivité avec l’IA.
De prime abord, rédiger un prompt peut apparaître comme une expérience intuitive, mais, en réalité, la logique même des principaux modèles de langage s’apparente à une structure de code. Un ingénieur IT/développeur a ainsi la possibilité d’envisager un prompt comme autant de modules de code sur lesquels il peut appliquer sa philosophie de dév habituelle et ainsi les intégrer, les chaîner, les tester et les documenter de la même manière qu’un composant projet.
Étape 2 : analyser les besoins métier pour choisir une formation et une approche du prompt engineering
L’utilisation de l’IA en entreprise recouvre en 2025 des réalités très différentes. Et chacune de ces réalités correspond à des techniques spécifiques, à commencer par l’utilisation d’un modèle préentraîné ou la création de toute pièce d’un LLM métier.
De manière générale, les besoins métier se retrouvent dans les domaines d’application de l’IA professionnelle concernée : dans l’ecommerce, un chatbot requiert une bonne connaissance de la structuration JSON – l’IA vient récupérer des éléments spécifiques dans des logs de conversations – et des compétences en « génération augmentée de récupération », soit l’ensemble des techniques pour rendre une IA plus contextuelle, par le biais de récupération d’informations dans la conversation, par exemple. Les LLM typés pour l’industrie, tels que les modules spécialisés dans la collecte de datas capteurs, de monitoring avancé et d’aide à la prise de décisions, nécessitent plutôt de s’acculturer à un framework d’intégration, comme LangChain. Avant d’initier une démarche de prompt engineering, un développeur doit donc mesurer quel outil correspond le mieux aux besoins métier.
Étape 3 : apprendre à structurer, sécuriser et industrialiser le prompting
Il existe plusieurs prérequis nécessaires pour le prompt engineering en milieu IT : en premier lieu, la connaissance de certains langages, utilisés de manière générative par les LLM, permet de comprendre la logique des modèles. Il convient a minima de comprendre la structure et la logique de composants du Python avant de commencer à structurer des prompts. Des bibliothèques spécifiques, avec des rôles différents, sont également à intégrer à l’apprentissage de la structuration de prompt, qu’il s’agisse de LangChain, mais aussi d’outils de formatage de sortie, comme Outlines pour le Python ou TypeChat (Typescript voire JSON), qui adaptent les résultats des conversations à des besoins spécifiques.
Pour un développeur, les étapes de sécurisation et d’industrialisation du prompt ressemblent peu ou prou à ce qu’il pratique en matière de code : versionning, logs, tests, monitoring … Avec des dépôts GIT, les prompts peuvent être stockés comme des objets, et réutilisés ou modifiés en fonction de leur efficacité. Pour l’industrialisation, une suite comme LangSmith, adossée à LangChain, permet de réaliser des logs, des tests et un benchmark : pour affiner un modèle, chaque prompt fera l’objet d’une ligne dans les logs, puis sera comparé avec le réel en fonction des résultats donnés.
Étape 4 : choisir l’IA pour rédiger des prompts
Aujourd’hui, le prompt engineering en lui-même peut être amélioré grâce à… l’IA. Se former à cette technique, c’est donc aussi apprendre à automatiser la rédaction des prompts directement via un modèle de langage naturel.
C’est ce qu’on appelle le métaprompting : on peut par cette méthode générer automatiquement les prompts, puis les évaluer, et de recommencer le processus. Itératif, ce procédé permet notamment de dégager de grandes tendances lors de l’utilisation de LLM pré-entraînés, et ainsi faciliter la rédaction d’un guide d’utilisation des IA, ou de créer des templates de prompt optimisés.
Étape 5 : former au prompt engineering
Se former au prompt engineering et/ou développer soi-même un LLM métier requiert toujours une documentation importante, car le développeur/ingénieur/data scientist doit ensuite former l’utilisateur final des modèles, chatbots et autres outils de monitorings/prise de décision avec IA développés en fonction des besoins métier.
Dans un contexte de transformation digitale de nombre de métiers, dans la plupart des secteurs, l’apprentissage du prompt engineering fait son chemin parmi les développeurs, mais aussi et surtout chez les utilisateurs finaux, qui peuvent tirer parti des connaissances de leur service IT pour intégrer des templates de prompt à leurs besoins quotidiens. Le rôle des ingénieurs est donc crucial pour accroître l’optimisation des LLM en entreprise.
