Prompt engineering : le guide pour Product Managers
Le prompt engineering est la pratique qui consiste à rédiger puis affiner les instructions données à un grand modèle de langage pour qu'il produise, de façon fiable, le résultat attendu. Un prompt combine en général une tâche, le contexte qui manque au modèle, des contraintes de format et de ton, et parfois des exemples de bonnes réponses. Dans un produit, le prompt fait partie de la spécification : il change le comportement autant que le code.
Définition rédigée par Alex Dionisio, Senior Product Manager. Mis à jour le 13 novembre 2026.
Pourquoi c’est important pour un PM
Le PM écrit des prompts dans deux situations : pour son propre travail (synthèse de retours clients, brouillon de spec, préparation d'entretiens) et dans le produit (prompt système d'un assistant, fonctionnalités IA). Dans les deux cas, la compétence ressemble à celle d'un bon brief à un collègue : dire à quoi ressemble la réussite, donner la matière nécessaire et contrôler le résultat au lieu de s'y fier.
Exemple
Un PM demande à un assistant de « résumer cette recherche utilisateur ». Le résultat est fade. La deuxième version précise le public (l'équipe design), le but (choisir deux problèmes pour le prochain trimestre), le format (un tableau problème, preuves, fréquence) et demande de signaler toute affirmation sans verbatim à l'appui.
Quelles techniques de prompt engineering fonctionnent vraiment ?
Quelques techniques ont fait leurs preuves sur la plupart des modèles. Préciser un rôle et un contexte oriente le vocabulaire et le niveau de détail. Demander au modèle de raisonner étape par étape avant de conclure améliore les tâches d'analyse, et les modèles dits de raisonnement le font désormais d'eux-mêmes. Exiger une sortie structurée, par exemple un JSON conforme à un schéma, rend la réponse exploitable par le code. Enchaîner plusieurs prompts spécialisés plutôt qu'un prompt géant facilite les tests et le diagnostic.
À l'inverse, les formules magiques qui circulent sur les réseaux (menaces, promesses de pourboire, majuscules partout) produisent des effets incertains qui varient selon le modèle. Elles ne remplacent jamais une consigne claire. Les exemples méritent aussi de l'attention : le modèle les imite de près, et une série d'exemples de même longueur ou de même structure pousse toutes les réponses vers ce moule. Variez-les volontairement.
Prompt engineering, RAG ou fine-tuning : par où commencer ?
Le prompt engineering vient presque toujours en premier : il ne coûte que du temps, se modifie en quelques minutes et se teste aussitôt. Si le modèle manque d'informations, le RAG ou des outils lui apportent les données. Si, malgré des prompts soignés et des exemples, le format ou le comportement reste instable sur de gros volumes, le fine-tuning devient une option, avec un coût de préparation des données et de maintenance.
On parle aussi de context engineering pour désigner l'étape d'après : concevoir non plus seulement la consigne, mais tout ce que le modèle reçoit à chaque appel (documents, historique, résultats d'outils) et l'ordre dans lequel il le reçoit.
Quel rôle pour le PM dans les prompts du produit ?
Dans une équipe, le PM peut naturellement prendre en charge ce qui ne relève pas du code : la définition d'une bonne réponse, les cas à couvrir, le ton, les refus attendus, la conduite à tenir quand l'information manque. Ces éléments forment une spécification que l'équipe traduit ensuite en prompt et en tests.
Le PM peut aussi proposer des modifications directement, à condition que le circuit soit clair : la nouvelle version passe sur le jeu de cas, ses résultats sont comparés à ceux de la version en place, et quelqu'un valide avant le déploiement. Un prompt modifié hors de ce circuit équivaut à un correctif poussé en production sans relecture.
Pour son propre travail, la même discipline s'applique à petite échelle : garder ses meilleurs prompts dans un document partagé, noter ce qui a marché, et les réutiliser plutôt que repartir de zéro à chaque synthèse.
Points clés
- La clarté bat les astuces : donnez l'objectif, le public, le format attendu et la conduite à tenir si une donnée fait défaut.
- Des exemples (few-shot prompting) enseignent un format et un ton plus vite qu'une longue description.
- Des délimiteurs, balises ou intertitres, séparent les instructions de la matière à traiter.
- Une tâche complexe donne de meilleurs résultats découpée en étapes ou en prompts successifs.
- Les prompts de production sont versionnés et évalués sur un jeu de cas avant chaque modification.
Erreurs fréquentes
- Modifier un prompt de production après un seul essai réussi, sans rejouer les cas qui fonctionnaient.
- Formuler des demandes vagues (« améliore ça ») puis reprocher au modèle une réponse générique.
- Empiler les consignes jusqu'à ce qu'elles se contredisent.
- Coller des données confidentielles dans un outil dont les conditions autorisent l'entraînement sur vos échanges.
Pour aller plus loin dans Module
Les formations et les leçons qui traitent cette notion :
Guides sur ce thème
- Claude Skills : créer et tester une skill
Anatomie d’un SKILL.md, installation, déclenchement, tests et sécurité, avec un modèle.
- RAG ou fine-tuning : comment choisir
Ce que règle chaque approche, les critères de choix et comment évaluer, avec une grille de décision.
- Évaluer une fonctionnalité d’IA (evals)
Jeu de cas, critères, LLM-juge, seuils de mise en production et suivi, avec un plan d’evals.