Ça fait maintenant plus de deux ans que j’utilise l’intelligence artificielle au quotidien. Pendant une bonne partie de ce temps, j’ai fait comme tout le monde : j’ai appris à mieux lui parler. Donner le contexte, préciser le rôle, expliquer le résultat attendu, fournir des exemples, ajouter des contraintes. En gros, apprendre à écrire de meilleurs prompts.
Et puis, à force de l’utiliser, ma pratique s’est progressivement déplacée. Aujourd’hui, quand une idée est encore floue, je ne commence presque jamais par essayer de rédiger le prompt parfait. Je parle. Je raconte ce que j’ai en tête, parfois dans le désordre. J’ajoute un détail. Je reviens en arrière. Je change d’avis en parlant. Je précise ce qui me gêne dans une première piste. Et seulement après, je demande à l’IA de me redire ce qu’elle a compris et de remettre tout ça en ordre.
Ce qui est amusant, c’est que je pensais au départ mal utiliser l’outil. J’avais simplement remplacé le prompt bien écrit par une espèce de conversation préparatoire un peu chaotique. Jusqu’à ce que je tombe sur un post d’Andrej Karpathy décrivant presque exactement la même chose : lorsqu’un problème est encore emmêlé, il préfère parfois activer la voix et parler pendant plusieurs minutes, avec ses détours et ses hésitations, plutôt que de commencer par rédiger une instruction parfaitement structurée. Son idée est assez simple : le modèle a parfois davantage besoin de matière que d’élégance.
Et si le prompt arrivait à la fin ?
Le prompt engineering repose sur une intuition qui reste parfaitement valable : une IA travaille mieux lorsqu’elle comprend clairement ce qu’on attend d’elle. Le problème, c’est qu’on a parfois transformé cette évidence en exercice de rédaction préalable. Avant même d’avoir réellement clarifié notre problème, nous cherchons déjà à l’exprimer proprement pour la machine.
C’est précisément là que la conversation change les choses. Quand je parle librement à une IA, je ne lui donne pas seulement une consigne. Je lui donne le contexte qui entoure cette consigne : ce que j’essaye de faire, pourquoi je le fais, ce que j’ai déjà tenté, les choses dont je ne suis pas certain, les contraintes auxquelles je pense seulement en cours de route. Une partie de cette matière aurait probablement disparu si j’avais essayé de condenser immédiatement tout cela en cinq lignes impeccables.
Le rôle de l’IA devient alors légèrement différent. Je ne lui demande pas encore d’exécuter. Je lui demande d’abord de reconstruire. Qu’est-ce que tu as compris ? Quel est selon toi le vrai problème ? Quelles contraintes ai-je évoquées ? Qu’est-ce qui reste contradictoire ou incomplet ? Et c’est à partir de cette reformulation que je peux commencer à corriger, compléter et arbitrer.
Dans un usage exploratoire, le prompt n’a donc plus forcément besoin de précéder la conversation. Il peut en devenir le livrable : une formulation stabilisée obtenue après avoir clarifié l’intention, le contexte, les contraintes et ce que l’on cherche réellement à produire.
Cette distinction me paraît plus intéressante que l’éternel débat sur la mort du prompt engineering. Le prompt ne disparaît pas. Il change simplement de place dans le processus.
Parler librement ne veut pas dire être imprécis
Il y a évidemment un piège. Dire qu’on peut parler naturellement à une IA ne signifie pas qu’une demande vague devient miraculeusement bonne parce qu’elle est prononcée au micro. Une conversation confuse peut rester confuse. Une intention mal pensée reste une intention mal pensée. Et une IA très à l’aise pour reformuler peut aussi donner à une mauvaise idée une apparence de cohérence qu’elle n’avait pas au départ.
La différence, pour moi, tient surtout à la façon dont on utilise le dialogue. Je ne demande pas à l’IA de prendre mon flot de paroles et de partir immédiatement produire quelque chose. Je m’en sers comme d’un intermédiaire de clarification. Elle reformule, je regarde ce qu’elle a conservé, ce qu’elle a surinterprété ou ce qu’elle a complètement raté. Puis la conversation continue.
C’est assez proche de ce que je racontais dans « Avec l’IA, mon cerveau travaille en dérivation, plus en série ». Une réponse n’est pas seulement une réponse ; elle devient un objet sur lequel rebondir. Mais il y a ici une différence importante : le sujet n’est plus seulement la manière dont ma pensée circule entre plusieurs pistes. Il concerne la répartition du travail entre moi et la machine.
Je peux fournir la matière sans avoir encore trouvé sa forme définitive. L’IA peut commencer par organiser cette matière. Et je peux conserver ce qui reste, à mes yeux, la partie la moins facilement délégable : décider si cette organisation correspond vraiment à ce que j’essayais de dire.
Le prompt engineering n’est pas mort. Heureusement.
Le problème serait de généraliser cette manière de faire à tous les usages. Une conversation exploratoire entre une personne et une IA n’a pas les mêmes contraintes qu’un système appelé des centaines ou des milliers de fois avec l’objectif de produire un comportement stable.
Dès qu’on veut rendre un usage répétable, transmissible ou automatisable, on retrouve immédiatement le besoin de formalisation. Il faut savoir ce que signifie un bon résultat, quelles contraintes sont impératives, quelles sources peuvent être utilisées, ce qui doit provoquer une question plutôt qu’une action et comment vérifier que le système fonctionne réellement. À ce moment-là, le prompt redevient un élément d’ingénierie parmi d’autres.
C’est d’ailleurs assez proche de la manière dont Anthropic présente aujourd’hui le prompt engineering : avant de chercher à optimiser une instruction, il faut disposer de critères de réussite suffisamment clairs et d’un moyen de tester le résultat. Tous les problèmes ne se résolvent pas en raffinant encore le prompt. OpenAI fait un constat complémentaire pour ses modèles récents : une meilleure compréhension de l’intention permet souvent d’alléger les prompts et d’éviter de prescrire toutes les étapes, à condition de continuer à fournir le contexte métier, les contraintes importantes et les critères de réussite.
Autrement dit, il faut probablement distinguer deux moments que nous avons un peu trop mélangés. Quand je cherche encore ce que je veux faire, la conversation peut précéder le prompt. Quand je sais ce que je veux reproduire, le prompt doit redevenir explicite, contrôlable et testable.
Cette frontière n’est évidemment pas parfaite. Elle dépend du sujet, du modèle et du niveau de risque. Mais elle évite au moins deux excès : croire qu’il faut devenir prompt engineer pour poser la moindre question à une IA, ou croire à l’inverse que les modèles comprennent désormais tellement bien l’intention qu’il n’est plus nécessaire de leur donner un cadre précis.
Une partie du travail change de camp
Ce qui m’intéresse le plus dans cette évolution n’est finalement pas la voix. J’en avais déjà parlé dans « À qui tu parles ? », où la question portait davantage sur le fait de penser à voix haute avec un nouvel interlocuteur. Ici, la voix n’est qu’un moyen très pratique de faire sortir rapidement beaucoup de contexte.
Le déplacement important concerne plutôt la mise en forme. Jusqu’ici, on considérait généralement que c’était à l’humain de traduire sa pensée dans une instruction suffisamment propre pour que l’IA puisse travailler. Plus les modèles deviennent capables de reconstruire une intention à partir d’un contexte imparfait, plus une partie de cette traduction peut passer de l’autre côté.
Je garde les idées, les contraintes, les hésitations, les contradictions et surtout le droit de dire que la reformulation est mauvaise. L’IA peut, elle, faire une partie du rangement. Ce n’est pas une disparition de la compétence humaine ; c’est un changement assez concret dans la répartition du travail.
Et ça explique peut-être pourquoi certaines démonstrations de prompt engineering vieillissent si vite. Elles mélangent parfois deux compétences différentes : comprendre ce qu’il est nécessaire de communiquer à une IA, ce qui me paraît durable, et apprendre une manière très particulière de formuler cette information pour une génération précise de modèles, qui l’est beaucoup moins.
Le premier savoir-faire reste essentiel. Le second est beaucoup plus provisoire.
Do you speak IA ?
Pendant un moment, j’ai cru qu’utiliser de mieux en mieux l’intelligence artificielle signifiait apprendre progressivement sa langue. Trouver les bonnes structures, les bonnes formulations, les petites astuces qui permettent d’obtenir exactement ce que l’on veut.
Je crois aujourd’hui que le mouvement peut aussi aller dans l’autre sens. Les modèles deviennent meilleurs pour récupérer nos intentions dans un langage beaucoup plus naturel, y compris quand celles-ci ne sont pas encore parfaitement organisées. Cela ne dispense ni de penser, ni de préciser, ni de contrôler. Cela nous évite simplement de faire tout le travail de traduction avant même que la conversation ait commencé.
Le prompt reste donc utile. Parfois indispensable. Mais dans une partie croissante de mes usages, je ne le considère plus comme la première chose à produire.
Je commence par parler du problème.
Et quand la conversation a fait son travail, je demande à l’IA de m’écrire le prompt.
Sources
Andrej Karpathy — X, 21 juillet 2026
Post décrivant l’usage de longues sessions vocales exploratoires pour fournir davantage de contexte à un LLM avant de lui demander de structurer la pensée.
https://x.com/karpathy/status/2079610838143623371
Tafreshipour et al. — “Prompting in the Wild: An Empirical Study of Prompt Evolution in Software Repositories”, MSR 2025
Étude de l’évolution des prompts dans des projets logiciels, montrant qu’une fois intégrés à des systèmes, ils deviennent des artefacts d’ingénierie qui doivent être maintenus, testés et adaptés.
https://2025.msrconf.org/details/msr-2025-technical-papers/10/Prompting-in-the-Wild-An-Empirical-Study-of-Prompt-Evolution-in-Software-Repositorie
Krishna, Agarwal & Lakkaraju — “Understanding the Effects of Iterative Prompting on Truthfulness”, ICML 2024
Étude montrant que l’itération avec un modèle ne garantit pas automatiquement une meilleure réponse et peut, selon la manière dont elle est conduite, dégrader la véracité.
https://proceedings.mlr.press/v235/krishna24a.html
