Écrire un bon prompt : ce qui compte vraiment pour un PM

Ce que le modèle voit, l'objectif réel, un dialogue avant la production : les gestes qui comptent quand un PM travaille un sujet d'équipe avec une IA.

· 12 min de lecture

Je fais du produit depuis quinze ans, dans une organisation où les sujets d'équipe arrivent avec leur historique, leurs documents et leurs décisions déjà prises. Ce que j'ai compris du prompting vient de là : une réponse très bien construite peut reposer sur une hypothèse fausse que rien, dans ta demande, ne permettait de corriger.

Le cas qui m'a fait changer de méthode tient en peu de mots. J'avais dicté à un assistant, tel qu'il me venait, un problème de cadrage sur lequel un collègue développeur se retrouvait seul. La réponse avait l'air très juste : elle séparait le sujet en plusieurs problèmes distincts et proposait de les traiter un par un. On a envie de transférer ce genre de réponse telle quelle. J'ai donné la même demande à un assistant qui pouvait lire la documentation de l'équipe. Il a d'abord trié le diagnostic, ce qui tenait et ce qui était plus générique qu'il n'en avait l'air. Je l'ai recadré sur mon objectif réel, qui était d'aider mon collègue, pas de produire le livrable à sa place. Sa réponse a été : « Ça change le livrable. » Puis il est allé lire, et il est revenu avec une information que le premier assistant ne pouvait pas avoir : une partie du travail existait déjà. Le diagnostic brillant supposait qu'on partait de zéro. J'ai retiré les détails du sujet, qui n'apportent rien à l'explication.

Cet article reprend ce qui s'en dégage : ce que le modèle voit, l'objectif qu'on lui donne, deux temps de travail, et sept gestes à répéter.

Ce que le modèle peut voir change la réponse plus que la formulation

Le premier assistant n'avait que mon paragraphe. Sans les documents de l'équipe, il pouvait produire une réponse précise dans la forme et très générale dans le fond. Il lui manquait de quoi distinguer un travail à lancer d'un travail déjà engagé.

Avant de soigner une formulation, la question utile est donc : qu'est-ce que le modèle pourra voir ?

  • Une conversation. Vérifie les instructions, fichiers et souvenirs auxquels l'application lui donne accès. Pour un sujet court, fournir les documents utiles peut suffire.
  • Un espace de projet. Tu y rassembles les références d'un sujet qui dure. Leur présence ne garantit pas que le modèle les ait toutes consultées : demande sur quels passages il s'appuie.
  • Un agent branché sur tes outils. Selon ses accès, il peut rechercher lui-même dans ta documentation, ton Drive ou tes tickets. Il faut alors vérifier aussi ce qu'il a trouvé et ce qui lui est resté inaccessible.

Ce dernier cas cache un mécanisme qu'on ne voit pas toujours. Dans la boucle décrite par la documentation d'Anthropic, le modèle demande un appel d'outil, l'application l'exécute puis lui rend le résultat. Le modèle peut alors demander une autre lecture. Les outils, les accès et cette boucle font partie de ce qu'on appelle le harnais.

Conséquence pratique : demande-lui ce qu'il a lu, et surtout ce qu'il n'a pas ouvert. Dans mon cas, il a lui-même dit ce qu'il n'avait pas consulté. Cette liste m'a indiqué jusqu'où je pouvais lui faire confiance. Elle vient de lui, donc elle se vérifie aussi.

Dire l'objectif réel avant de demander quoi que ce soit

Le prompt le plus important de la séance a été celui où j'ai dit ce que je voulais vraiment. Sans lui, la séance aurait produit un livrable de la mauvaise nature.

Voici un exemple inventé pour montrer le mécanisme, qui ne vient d'aucun cas réel. Imagine qu'un collègue développeur doit reprendre un export de données clients éparpillé dans des tableurs, et qu'il s'y perd. Tu dictes au modèle :

On doit remettre à plat nos exports clients, c'est un gros sujet, il y a des tableurs partout et mon collègue s'y retrouve mal. Comment on s'y prend ?

La question « comment on s'y prend » peut vouloir dire concevoir la structure de données à sa place. Un modèle qui n'en sait pas plus répondra à cette question-là. Avec l'objectif :

Je ne veux pas concevoir la structure. Je veux aider mon collègue, qui est seul face à ce sujet et qui n'est pas sûr d'aller dans la bonne direction. À la fin, il me faut quelque chose qui l'aide à avancer. Regarde d'abord ce qui existe déjà dans notre documentation avant de proposer quoi que ce soit.

Quatre éléments font la différence, même donnés dans le désordre : pour qui c'est, pour quoi faire, ce qui existe déjà, et ce qui est hors champ. Je trouve plus facile de les donner en dictant, parce que je ne trie pas encore.

Deux temps de travail : sparring partner, puis stagiaire

Je travaille en deux temps avec un modèle, et la bascule de l'un à l'autre se décide.

Le premier temps est un dialogue. Je lui pose des questions plutôt que de lui demander des choses : ce qu'il a compris, sous quel angle il voit le sujet, où sont les trous, ce qu'on pourrait ajouter. Je ne prends pas ses réponses pour argent comptant, et elles me servent à lui donner du contexte, parce que je le corrige en route. Un modèle qui décide à ma place, ça m'est déjà arrivé, et j'essaie de l'éviter au maximum. Dans ce temps-là, il est un sparring partner : il comble des trous et explore ce que je ne connais pas.

Le second temps commence quand le cadre est clair. Je suis à peu près sûr du travail, du périmètre et de ce que j'attends en sortie. Je lui demande alors de produire, et il passe en mode junior, presque stagiaire.

Voici à quoi la montée en charge peut ressembler sur un nouvel exemple inventé. Imagine qu'on te demande un récapitulatif automatique hebdomadaire des retours clients pour l'équipe. Trois messages, trois niveaux d'engagement :

  1. « Je veux qu'on explore ce récapitulatif un peu plus. » Tu cherches à faire apparaître ce que le mot recouvre : une synthèse pour piloter, une alerte sur un client très mécontent, un regard sur la qualité du support n'appellent ni le même format ni le même destinataire.
  2. « On pourrait spécifier rapidement la première version ? » Tu cherches ce qui existe déjà et ce qui risque de casser.
  3. « On fait une spec complète, de la demande à ce que tu proposes. » Le cadre est posé, tu passes à la production.

Ces messages gagnent à préciser la limite de chaque étape. « Spécifier rapidement » peut déjà être compris comme une commande de production. Si tu veux encore discuter, dis-le : « Propose le périmètre de la première version et les questions à trancher, sans rédiger la spec pour l'instant. » Puis annonce le moment où tu demandes le document complet.

Ce dialogue a deux limites. La première : une conversation ne peut pas durer indéfiniment. Anthropic parle de contexte comme d'une « ressource finie aux rendements décroissants » (traduction de « a finite resource with diminishing marginal returns », Effective context engineering, 29 septembre 2025), et le signe qui m'alerte, en pratique, est que le modèle redemande ce que je lui ai déjà dit. Ce symptôme ne suffit pas à en expliquer la cause. La seconde en découle : pendant les échanges, fais-lui écrire un document qui garde la trace de ce qui est décidé, de ce qui est écarté et pourquoi. Quand la conversation déraille, tu en ouvres une nouvelle à partir de cette note.

Sept gestes pour écrire un bon prompt

Rien de ce qui suit ne dépend d'un outil particulier.

  1. Donner la matière et le vrai objectif. Pour qui, pour quoi faire, ce qui existe déjà. Si l'outil peut lire ta documentation, laisse-le faire, et demande-lui à la fin ce qu'il a lu.
  2. Lui faire dire ce qu'il a compris, avant qu'il produise. « Avant d'aller plus loin, reformule avec tes mots ce que je cherche, et dis-moi ce qui te manque. » C'est là qu'on voit s'il est parti sur une hypothèse fausse, comme le départ de zéro.
  3. L'emmener sur des angles précis. « Quels sont mes biais ? » donne une liste générique. Une position d'où regarder donne mieux : « Imagine que ce projet a complètement échoué dans six mois : quelles sont les cinq raisons les plus probables, et pour chacune, le signe que je verrais dans les deux premières semaines ? » Ou, pour une simulation : « Du point de vue d'un utilisateur qui découvre cette fonctionnalité pour la première fois, quelles difficultés vois-tu ? Sépare ce qui vient de nos recherches de tes hypothèses. » Une simulation fait apparaître des questions à tester ; elle ne remplace pas la parole de cet utilisateur.
  4. Corriger en route. Quand il se trompe, dis-le, avec la raison si tu l'as. Même sans la solution, dire que ça ne colle pas lui donne de quoi repartir. C'est ce dialogue qui construit le contexte, bien plus que le premier message.
  5. Faire écrire la trace. Décisions, pistes écartées, questions ouvertes, dès qu'un point est acquis.
  6. Passer en mode stagiaire quand le cadre est clair. Dis le livrable, le lecteur, la forme attendue, ce qui est hors champ, et demande-lui de séparer ce qui vient des sources de ce qu'il en déduit. Une formule pour finir la demande : « Pose-moi les questions qui changeraient le livrable ou son périmètre ; pour le reste, indique tes hypothèses et avance. » Cela évite de transformer chaque détail en nouvel aller-retour.
  7. Relire en se demandant qui a décidé. Une sortie bien construite peut cacher une décision que tu n'as pas prise, ou une hypothèse que personne n'a vérifiée. Regarde d'où vient chaque affirmation importante, et ce qu'il a tranché sans qu'on le lui demande.

Si je ne devais en garder que deux, ce seraient les deux premiers.

Un brief que tu peux adapter

Sur l'exemple du récapitulatif de retours clients, le passage à la production pourrait donner ceci :

Prépare une proposition de récapitulatif hebdomadaire pour l'équipe produit, à partir du corpus de retours clients joint. Le but est de choisir les sujets à examiner ensemble, sans décider automatiquement du backlog. Commence par vérifier les dates et le périmètre des sources. Regroupe les retours qui parlent du même problème, conserve un lien vers les retours d'origine et distingue le nombre de messages du nombre de clients concernés. Si cette dernière information manque, dis-le. Je veux une page avec les problèmes repérés, les éléments qui les étayent et les questions à creuser. Ne modifie aucun ticket et n'envoie rien à l'équipe. Si une information manque au point de changer le résultat, demande-la avant de rédiger.

La première relecture peut rester très concrète : ouvre les sources de deux problèmes retenus, vérifie le regroupement et regarde si la proposition respecte le périmètre. Le prompt a posé les attentes ; ce contrôle permet de voir si elles ont été suivies.

Quand le modèle te donne raison trop vite

Un modèle a tendance à aller dans le sens de la personne qui lui parle, et on ne s'en rend pas compte quand ça nous arrange. Sharma et al. ont étudié cinq assistants IA de pointe dans Towards Understanding Sycophancy in Language Models (arXiv, 2023, mis à jour en 2025) : ils montrent que ce comportement se retrouve sur plusieurs tâches, et que les préférences humaines qui servent à entraîner ces modèles récompensent parfois l'accord plus que la vérité. Cette étude ne permet pas de conclure qu'une formule de prompt ferait disparaître ce comportement.

Deux réflexes aident. Quand une réponse m'arrange, c'est en général le moment de demander la position inverse : « Avant de me répondre, présente la meilleure version possible de la position opposée, celle qu'un collègue intelligent défendrait. » Et quand je veux comprendre une réponse, je pose une question plutôt que de donner un ordre : « Pourquoi tu dis ça ? Qu'est-ce qui te fait penser que… ? ». La réponse donne des justifications à examiner, pas un accès garanti à ce qui a produit la première réponse. Demande les faits ou les passages sources qui soutiennent la conclusion, puis vérifie-les.

Une réserve sur les angles que j'ai listés : demander au modèle de citer des gens qui ont réfléchi à un problème donne des pistes, mais il peut prêter une idée à la mauvaise personne ou inventer une citation. Je les prends comme des pistes, puis je vais lire les sources.

Ce que cette méthode ne garantit pas

Je n'ai pas mesuré de gain. C'est une façon de travailler que je pratique, pas un résultat chiffré, et je n'ai pas comparé ses sorties à celles d'une demande non préparée sur un même corpus. Deux angles bien choisis valent mieux que six enchaînés, mais c'est un constat de pratique, pas une mesure.

La reformulation montre ce que le modèle dit avoir compris, sans prouver que c'est exact. La liste de ce qu'il a lu vient de lui. Ce qu'il lit vaut ce que valent tes documents : une documentation périmée lui donne un contexte confiant et faux. Et la relecture finale ne se délègue pas entièrement : demander au modèle de lister ses propres décisions aide à les voir, mais il ne les trouve pas toutes.

Sources

Dans la bibliothèque

Des outils de la catégorie Compréhension. Voir toute la catégorie →

À lire ensuite

Recevoir la newsletter

Des tutos, des essais et des retours bruts sur ce que je construis. Le lien pour te désabonner est en bas de chaque édition.

L’inscription se termine sur Substack, dans un nouvel onglet.