Le few-shot prompting : la technique simple qui change la qualité de vos réponses IA

Le few-shot prompting consiste à montrer à une IA 3 à 5 exemples de ce que vous attendez, plutôt que de lui expliquer avec des mots. C'est la technique la plus rentable pour un dirigeant non technique : elle ne demande aucune compétence de programmation, juste la discipline de coller de bons exemples avant de demander une nouvelle production.

Qu'est-ce que le few-shot prompting ?

Le few-shot prompting est une méthode qui consiste à fournir à un modèle de langage plusieurs exemples concrets du résultat attendu, en plus de la consigne. Le modèle observe le patron commun entre ces exemples (ton, structure, longueur, vocabulaire) et le reproduit pour la nouvelle demande.

Anthropic appelle cette technique le « multishot prompting » dans sa documentation officielle et la présente comme l'un des leviers les plus efficaces pour orienter le comportement de Claude. La recommandation précise : utiliser 3 à 5 exemples pertinents et diversifiés, capturant les cas de figure importants de la tâche. Source : documentation Anthropic, section « Use examples effectively ».

Le Prompt Engineering Guide présente la même idée sous l'angle pédagogique classique : en donnant quelques exemples avant la tâche réelle, on améliore nettement la qualité de sortie par rapport à une simple instruction sans exemple (zero-shot). C'est une des techniques fondatrices du prompt engineering, largement documentée.

En quoi le few-shot diffère-t-il du zero-shot prompting ?

En zero-shot, l'IA reçoit une instruction sans aucun exemple : « Rédige un email de relance client. » En few-shot, la même instruction s'accompagne de 2 à 3 emails de relance déjà écrits, dont l'utilisateur est satisfait. Le modèle ne devine plus le style attendu, il l'observe directement dans les exemples fournis.

Cette différence compte particulièrement pour tout ce qui touche au ton d'une entreprise : un email signé par une PME familiale n'a pas le même registre qu'un email signé par un cabinet de conseil. Décrire ce ton par des adjectifs (« chaleureux mais professionnel ») fonctionne moins bien que montrer trois emails qui l'incarnent déjà.

Comment appliquer le few-shot prompting concrètement en PME ?

Le geste tient en une minute et ne demande aucun outil particulier : coller directement dans le prompt 2 à 3 exemples de production passée dont vous êtes satisfait, avant de formuler la demande. Trois cas d'usage reviennent le plus souvent en entreprise.

Email type. Avant de demander à l'IA de rédiger un email de relance, collez 2 à 3 emails de relance déjà envoyés qui ont bien fonctionné. Le modèle reprend la structure, la longueur, la formule de politesse et le degré de fermeté du ton, plutôt qu'un style générique.

Réponse client type. Pour traiter des demandes de support ou des avis clients, collez quelques réponses déjà validées en interne, y compris sur des cas difficiles (réclamation, retard, erreur de facturation). L'IA apprend le registre attendu et évite les formulations trop scolaires ou trop familières.

Compte-rendu de réunion. Collez un ou deux comptes-rendus passés jugés bien structurés (mêmes rubriques, même niveau de détail, même façon de noter les décisions et les actions). La nouvelle production suit ce gabarit sans qu'il soit nécessaire de le décrire en détail à chaque fois.

Dans les trois cas, la logique est identique : montrer plutôt que décrire. C'est un des repères pratiques qui font partie du socle de littératie IA attendu d'un dirigeant, détaillé dans l'article de référence sur l'obligation de littératie IA de l'AI Act.

Quel est le principal piège du few-shot prompting ?

Le piège le plus fréquent est de mélanger des exemples incohérents entre eux. Si un exemple est très formel et un autre familier, si un exemple fait trois lignes et un autre trois paragraphes, le modèle ne peut pas dégager un patron clair. Il moyenne les signaux contradictoires au lieu de reproduire fidèlement le meilleur style, et le résultat final ressemble à un compromis flou, pas à une bonne réponse.

La règle pratique tirée de la documentation Anthropic tient en trois critères pour choisir ses exemples : qu'ils soient pertinents pour la tâche exacte demandée, qu'ils couvrent une diversité de cas réels (pas trois variantes du même cas), et qu'ils soient cohérents entre eux dans le ton et la structure. Trois bons exemples homogènes valent mieux que cinq exemples disparates.

Un second piège, signalé par le Prompt Engineering Guide, concerne les tâches de raisonnement complexe : sur ce type de tâche, montrer des exemples ne suffit pas toujours. Il vaut mieux demander à l'IA de détailler son raisonnement étape par étape (une autre technique, le chain-of-thought) plutôt que de compter uniquement sur des exemples de résultat final.

Faut-il aller plus loin que le few-shot pour bien utiliser l'IA au quotidien ?

Le few-shot prompting est un point d'entrée, pas un aboutissement. Il fait partie d'un socle de compréhension plus large que tout dirigeant est aujourd'hui invité à acquérir, entre l'obligation réglementaire de littératie IA posée par l'article 4 de l'AI Act et la nécessité opérationnelle de tirer un usage réel des outils déployés dans l'entreprise. Une bonne maîtrise du few-shot prompting change déjà, seule, la qualité perçue des réponses d'un assistant IA au quotidien, sans nécessiter la moindre compétence technique.

Pour situer cette technique dans un parcours de montée en compétence plus complet, voir également littératie IA des dirigeants de PME : par où commencer, qui détaille le socle minimal attendu d'un profil décisionnel.