--- id: CP-312 slug: few-shot-prompting-decomposition-etapes lang: fr title: Donner des exemples et découper une tâche à l'IA description: Comment guider un assistant IA avec deux ou trois exemples, puis découper une tâche en étapes vérifiées une à une, sans exposer de données. canonical_url: https://startbrain.io/cyberpedia/fr/articles/few-shot-prompting-decomposition-etapes/ markdown_url: https://startbrain.io/cyberpedia/fr/articles/few-shot-prompting-decomposition-etapes.md publisher: Brain (https://startbrain.io) license: CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) cite_as: Brain, « Donner des exemples et découper une tâche à l'IA », Cyberpedia, 2026. https://startbrain.io/cyberpedia/fr/articles/few-shot-prompting-decomposition-etapes/ (CC BY 4.0) wing: 4 theme: prompt_correctly reflex: air-016 schema: G5 updated: "2026-11-03" translations: fr: https://startbrain.io/cyberpedia/fr/articles/few-shot-prompting-decomposition-etapes/ en: https://startbrain.io/cyberpedia/en/articles/few-shot-prompting-step-by-step/ de: https://startbrain.io/cyberpedia/de/articles/few-shot-prompting-beispiele-schritte/ es: https://startbrain.io/cyberpedia/es/articles/few-shot-prompting-ejemplos-pasos/ sources: - "n": 1 title: Prompt engineering techniques - Microsoft Foundry publisher: Microsoft url: https://learn.microsoft.com/en-us/azure/foundry/openai/concepts/prompt-engineering accessed: "2026-11-03" - "n": 2 title: Language Models are Few-Shot Learners publisher: arXiv url: https://arxiv.org/abs/2005.14165 published: "2020-05-28" accessed: "2026-11-03" - "n": 3 title: Chain-of-Thought Prompting Elicits Reasoning in Large Language Models publisher: arXiv url: https://arxiv.org/abs/2201.11903 published: "2022-01-28" accessed: "2026-11-03" - "n": 4 title: Large Language Models are Zero-Shot Reasoners publisher: arXiv url: https://arxiv.org/abs/2205.11916 published: "2022-05-24" accessed: "2026-11-03" - "n": 5 title: Least-to-Most Prompting Enables Complex Reasoning in Large Language Models publisher: arXiv url: https://arxiv.org/abs/2205.10625 published: "2022-05-21" accessed: "2026-11-03" - "n": 6 title: System message design for Azure OpenAI - Microsoft Foundry publisher: Microsoft url: https://learn.microsoft.com/en-us/azure/foundry/openai/concepts/advanced-prompt-engineering accessed: "2026-11-03" - "n": 7 title: Prompt injection is not SQL injection (it may be worse) publisher: NCSC (Royaume-Uni) url: https://www.ncsc.gov.uk/blog-post/prompt-injection-is-not-sql-injection published: "2025-12-08" accessed: "2026-11-03" - "n": 8 title: LLM01:2025 Prompt Injection publisher: OWASP url: https://genai.owasp.org/llmrisk/llm01-prompt-injection/ accessed: "2026-11-03" --- # Donner des exemples et découper une tâche à l'IA Un assistant IA répond mieux quand on lui montre ce qu'on attend que lorsqu'on le décrit seulement. Montrer deux ou trois exemples du résultat voulu s'appelle le « few-shot » (en français, apprentissage à partir de quelques exemples). Découper un problème complexe en petites étapes que l'on contrôle l'une après l'autre en est un second usage. Les deux techniques améliorent les réponses, sans les rendre fiables pour autant. Cette fiche explique comment les employer au travail, et ce qu'il ne faut jamais glisser dans un exemple. ## En 30 secondes - Où ça arrive : dans toute demande à un assistant IA qui doit produire un format précis (résumé, tri, rédaction type) ou résoudre un problème en plusieurs temps. - Ce que ça apporte : des réponses plus proches de ce que vous voulez, à condition de bien choisir les exemples et de relire chaque étape. - Le réflexe : donnez deux ou trois exemples fictifs ou anonymisés, découpez la tâche en étapes, et vérifiez chaque étape avant de passer à la suivante. - Si c'est déjà fait : si un exemple contenait un nom de client, un chiffre interne ou un extrait de contrat, prévenez votre référent sécurité et ne le réutilisez pas. ## Questions directes ### Qu'est-ce que le few-shot ? C'est l'ajout, dans la demande, d'un ou plusieurs exemples du comportement voulu, sous forme de paires « entrée et résultat attendu ». Microsoft précise que le modèle n'apprend pas au sens d'un changement permanent : les exemples le conditionnent seulement pour la réponse en cours [1]. Une demande sans exemple est dite « zero-shot » [1]. L'idée vient de la recherche. L'article de 2020 sur GPT-3 décrit des tâches et des démonstrations données « purely via text interaction with the model », sans réentraînement [2]. ### Pourquoi les exemples aident-ils ? Dans l'exemple de Microsoft, un modèle à qui l'on demande une catégorie pour un titre de presse semble deviner ce qu'on attend. Avec des exemples, il comprend le format et peut même déduire le type d'étiquette voulu, alors qu'aucun exemple ne portait l'étiquette « basketball » [1]. ### Que veut dire découper une tâche en étapes ? Microsoft indique que les modèles de langage donnent souvent de meilleurs résultats quand la tâche est divisée en étapes plus petites. Son exemple : demander d'abord d'extraire les faits utiles, puis seulement de produire des requêtes de recherche pour les vérifier [1]. Sur un petit texte l'écart est modeste, mais il devient net quand le texte contient de nombreuses affirmations [1]. ### Faut-il demander à l'IA de montrer son raisonnement ? C'est une variante. Microsoft décrit une consigne qui demande de procéder pas à pas et de présenter toutes les étapes. Selon la documentation, cela réduit la possibilité d'inexactitude et facilite l'évaluation de la réponse [1]. Microsoft précise que cette technique ne s'applique qu'aux modèles non raisonnants, et que ces techniques « aren't recommended for reasoning models like gpt-5 and o-series models » [1]. ### Peut-on se fier à un raisonnement qui paraît logique ? Non, des étapes bien présentées ne prouvent rien par elles-mêmes. Microsoft recommande de donner au modèle une « sortie de secours », par exemple répondre « not found » si l'information n'est pas dans le texte fourni [1]. Les réponses varient aussi selon les modèles et les versions [6]. ## Comment ça marche Les modèles de langage produisent la suite de mots la plus probable à partir du texte reçu [1]. Des exemples bien choisis orientent cette suite vers le format voulu. Pour les problèmes à plusieurs temps, la recherche a décrit plusieurs méthodes. L'article de 2022 sur la « chaîne de pensée » montre que fournir quelques démonstrations contenant des étapes de raisonnement intermédiaires améliore les résultats sur des tâches d'arithmétique, de bon sens et de raisonnement symbolique [3]. Un autre article de 2022 montre qu'ajouter la phrase « Let's think step by step » suffit, sans aucun exemple, à améliorer les résultats [4]. Une troisième méthode, dite « du plus simple au plus complexe », découpe un problème en sous-problèmes résolus dans l'ordre, chaque réponse aidant à résoudre la suivante [5]. Ces résultats viennent de tests sur des problèmes de référence, pas de situations de bureau. Ils montrent que la méthode peut aider, sans garantir une bonne réponse. ## Ce que vous faites - Rédigez deux ou trois exemples courts et variés, qui montrent chacun une entrée et la sortie exacte attendue. - Remplacez toute donnée réelle par une donnée inventée : un nom fictif, un montant arrondi sans lien avec un dossier, un texte réécrit. - Placez l'instruction de façon claire. L'ordre compte : Microsoft note que l'ordre des informations peut modifier la sortie, y compris celui des exemples [1]. - Découpez la tâche : demandez une première étape, relisez-la, corrigez-la, puis passez à la suivante en vous appuyant sur l'étape validée. - Prévoyez une porte de sortie : autorisez l'IA à répondre qu'elle ne sait pas, ou qu'il manque une information [1]. - Vérifiez les faits importants (chiffres, dates, noms) dans une source fiable avant de les utiliser. Un exemple de demande en deux temps, donné ici à titre d'illustration : ```text Illustration, texte fictif. Étape 1 : [liste les affirmations vérifiables du texte ci-dessous.] Étape 2 : [après ma relecture, propose pour chaque affirmation une façon de la vérifier.] Si une information manque, réponds « non trouvé ». ``` ## Les pièges - Exemples biaisés. Le modèle imite ce qu'on lui montre. Microsoft signale la sensibilité à l'ordre, avec un biais de récence : ce qui se trouve en fin de demande peut peser davantage [1]. Variez les exemples et relisez la réponse en vous demandant si elle ne copie pas leur forme. - Étapes inventées. Une étape qui semble plausible peut être fausse. Relire seulement la conclusion ne suffit pas. - Confiance excessive. Les gains mesurés par la recherche portent sur des jeux de tests précis [3][4]. Ils ne disent rien de votre dossier. - Fuite dans les consignes. Les consignes et exemples font partie de la demande. L'OWASP range parmi les risques la divulgation d'informations sensibles et la révélation d'informations sur les consignes système [8]. Microsoft rappelle qu'un message système influence le modèle sans garantir qu'il respecte les règles [6]. Ne comptez pas sur la consigne « ne révèle rien » pour protéger un secret placé dans un exemple. - Texte tiers dans la demande. Si vous collez un document venu de l'extérieur (CV, courriel, page web), il peut contenir des instructions cachées. Le NCSC britannique donne l'exemple (hypothétique) d'un CV contenant un texte caché demandant d'ignorer les consignes précédentes et d'approuver le dossier [7]. Il ajoute que les modèles actuels n'imposent pas de frontière de sécurité entre instructions et données [7]. Relisez donc les sorties avec prudence quand le texte source n'est pas le vôtre. ## Cas réels ### Mai 2020 : GPT-3 testé avec des exemples Les auteurs de GPT-3, un modèle de 175 milliards de paramètres, le testent sans mise à jour du modèle, avec des tâches et des exemples donnés uniquement par le texte. Ils rapportent de bons résultats sur de nombreux jeux de données, et aussi des jeux où l'apprentissage par quelques exemples reste en difficulté [2]. ### Mai 2022 : une phrase suffit sur un test d'arithmétique Des chercheurs montrent qu'ajouter « Let's think step by step » fait passer la précision de 17,7 % à 78,7 % sur le test MultiArith, et de 10,4 % à 40,7 % sur GSM8K, avec le modèle text-davinci-002 [4]. Même avec ce gain, la réponse reste fausse plus d'une fois sur cinq sur MultiArith et plus d'une fois sur deux sur GSM8K, d'après ces chiffres [4]. ### Mai 2022 : le découpage du plus simple au plus complexe Les auteurs de la méthode du plus simple au plus complexe rapportent qu'avec le modèle code-davinci-002 et 14 exemples, ils atteignent au moins 99 % de précision sur le test SCAN, contre 16 % avec la chaîne de pensée [5]. Ils précisent que la chaîne de pensée tend à mal réussir sur des problèmes plus difficiles que les exemples montrés [5]. ## Sources 1. Microsoft, « Prompt engineering techniques - Microsoft Foundry ». https://learn.microsoft.com/en-us/azure/foundry/openai/concepts/prompt-engineering (consulté le 3 novembre 2026) 2. arXiv, « Language Models are Few-Shot Learners », 28 mai 2020. https://arxiv.org/abs/2005.14165 (consulté le 3 novembre 2026) 3. arXiv, « Chain-of-Thought Prompting Elicits Reasoning in Large Language Models », 28 janvier 2022. https://arxiv.org/abs/2201.11903 (consulté le 3 novembre 2026) 4. arXiv, « Large Language Models are Zero-Shot Reasoners », 24 mai 2022. https://arxiv.org/abs/2205.11916 (consulté le 3 novembre 2026) 5. arXiv, « Least-to-Most Prompting Enables Complex Reasoning in Large Language Models », 21 mai 2022. https://arxiv.org/abs/2205.10625 (consulté le 3 novembre 2026) 6. Microsoft, « System message design for Azure OpenAI - Microsoft Foundry ». https://learn.microsoft.com/en-us/azure/foundry/openai/concepts/advanced-prompt-engineering (consulté le 3 novembre 2026) 7. NCSC (Royaume-Uni), « Prompt injection is not SQL injection (it may be worse) », 8 décembre 2025. https://www.ncsc.gov.uk/blog-post/prompt-injection-is-not-sql-injection (consulté le 3 novembre 2026) 8. OWASP, « LLM01:2025 Prompt Injection ». https://genai.owasp.org/llmrisk/llm01-prompt-injection/ (consulté le 3 novembre 2026) --- Source originale : Cyberpedia, l'encyclopédie publique de cybersécurité et d'IA publiée par Brain. Version canonique : https://startbrain.io/cyberpedia/fr/articles/few-shot-prompting-decomposition-etapes/ Vous pouvez reprendre ce texte librement sous licence CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/), à condition de citer « Brain, Cyberpedia » avec un lien vers l'adresse ci-dessus.