Prompt engineering 2026 : miser sur vos données IA | Uptonum

Par Uptonum — Conseil & Accompagnement en Transformation Digitale et Intelligence Artificielle

Catégories : IA pour les PME | Conseil intelligence artificielle Lyon | Accompagnement IA PME Lyon

En 3 phrases. Les IA comprennent aujourd’hui suffisamment bien une demande formulée simplement, et elles posent des questions quand un point n’est pas clair. La compétence qui fait vraiment la différence n’est donc plus de savoir bien prompter, mais de savoir choisir les bonnes données à lui donner en contexte. C’est ce choix de données, plus que la formulation du prompt, qui détermine aujourd’hui la qualité d’une réponse.

« Prompter aujourd’hui ne sert plus à grand-chose »

La formule est volontairement un peu abrupte. Mais elle prend de plus en plus de sens, et je le constate tous les jours dans mes accompagnements.

Elle n’est pas de moi. Sam Altman, PDG d’OpenAI, a expliqué début 2025 que les techniques de prompting utilisées en 2023 n’étaient plus pertinentes, et que certaines ne seraient plus jamais nécessaires (propos rapportés par Forbes, juin 2025). Le secteur a d’ailleurs suivi ce glissement de vocabulaire : on parle de moins en moins de « prompt engineering » et de plus en plus de « context engineering », soit l’art de structurer et de fournir le bon contexte à un modèle plutôt que de peaufiner la formulation d’une instruction.

Ce qui a changé : les IA comprennent, et elles posent des questions

Pendant des années, on s’est raconté des règles de structuration de prompt : qui je suis, ce que je veux, dans quel ordre le dire, quel ton adopter. Ces règles avaient du sens quand les modèles comprenaient mal une demande formulée naturellement.

Ce n’est plus vraiment le cas aujourd’hui :

  • Les IA comprennent une demande même formulée de façon informelle ou imprécise.
  • Quand elles n’ont pas bien compris, elles posent des questions plutôt que de partir dans la mauvaise direction.
  • Elles s’auto-promptent, en quelque sorte : elles reformulent, elles clarifient, elles proposent.

La structuration millimétrée du prompt est donc moins déterminante qu’avant. Ce n’est pas qu’il faille arrêter de soigner ses demandes. C’est que le vrai goulot d’étranglement s’est déplacé ailleurs.

Faut-il pour autant arrêter de se former au prompting ?

Non. Même si le prompt bien tourné n’est plus le facteur décisif, apprendre à prompter reste utile pour comprendre comment fonctionne une IA.

C’est un peu comme savoir faire une division à la main. Ce n’est plus ça qui va vous faire calculer plus vite : une calculatrice le fait pour vous. Mais savoir comment fonctionne une division vous permet de comprendre ce que fait la calculatrice, de repérer une erreur de saisie, et de sentir quand un résultat ne peut pas être bon.

C’est la même logique avec le prompting. Se former, comprendre les mécanismes, savoir pourquoi une IA réagit d’une certaine façon à une demande : ça reste utile, non pas pour écrire le prompt parfait, mais pour mieux piloter l’outil, mieux juger ses réponses, et mieux comprendre ce qu’il faut lui donner en contexte.

Le vrai sujet, ce n’est plus le prompt : c’est la donnée

La vraie difficulté aujourd’hui n’est plus de savoir comment demander. C’est de donner à l’IA les bons éléments pour qu’elle comprenne le contexte, et qu’elle pose les bonnes questions en retour.

Il est utile qu’une IA vous pose des questions. Mais si vous ne lui donnez pas le bon contexte au départ, ses questions elles-mêmes seront moins pertinentes.

Concrètement, sur un projet ou une activité donnée, la question à se poser devient :

  • Quelles sont les données pertinentes pour ce sujet, et lesquelles ne le sont pas ?
  • Quelles données sont à jour, et lesquelles sont périmées ?
  • Comment est-ce que je sélectionne mes données au moment où je fais ma demande ?

Le choix des données que l’on met en contexte devient, à mon sens, plus important que le prompt lui-même.

Ma méthode en deux temps

Voici comment j’aborde ce sujet dans mes accompagnements, avec deux réflexes complémentaires.

1. Un travail de fond sur le stockage des données. Quand vous enregistrez un fichier, un Excel, une note ou n’importe quel document, la question à se poser n’est plus seulement « où je le range », mais « comment je le range pour que ce soit exploitable par une IA ». Un dossier structuré, des fichiers nommés clairement, des documents à jour : c’est ce travail de fond qui rend vos futures demandes à l’IA plus efficaces.

2. Utiliser les fonctions « projet » de vos IA. La plupart des grands LLM proposent aujourd’hui une fonction projet, qui permet de regrouper au même endroit une bibliothèque de documents et d’informations. Cette bibliothèque sert ensuite de contexte permanent à toutes vos requêtes sur ce sujet. Le gain de précision est considérable, sans commune mesure avec une simple amélioration du prompt.

Le petit conseil en plus : préférez le Markdown au PDF

Si vous déposez des documents dans les fonctions projet de vos IA, privilégiez le format Markdown (.md), un format de texte enrichi organisé en chapitres, plutôt que le PDF.

Le PDF consomme beaucoup plus de tokens, donc de capacité de traitement, pour un résultat identique : ce qui intéresse l’IA, c’est le texte, pas la mise en page. Le Markdown va directement à l’essentiel.

En résumé

Le prompt bien écrit ne disparaît pas, mais il n’est plus le facteur limitant. Ce qui fait la différence aujourd’hui, c’est la qualité et la pertinence des données que vous donnez en contexte à l’IA : comment vous les stockez, comment vous les sélectionnez, et où vous les regroupez au moment de la requête.

Vous vous demandez comment structurer les données de votre entreprise pour en tirer parti avec l’IA ? C’est un sujet que j’aborde régulièrement avec les dirigeants que j’accompagne à Lyon et en Auvergne-Rhône-Alpes.

👉 Contactez-nous pour échanger sur votre projet de déploiement de l’intelligence artificielle.

Laisser un commentaire

Votre adresse e-mail ne sera pas publiée. Les champs obligatoires sont indiqués avec *