Few-shot prompting : guider l'IA avec des exemples concrets
Le few-shot prompting consiste à ajouter deux à cinq exemples de ce que vous attendez dans votre demande, pour que l'IA en reproduise le format, le ton et la logique. Là où une consigne décrit, un exemple montre, et le modèle imite généralement mieux qu'il n'interprète. Cet article explique quand cette technique vaut le coup, comment la mettre en place et où elle se trompe. Elle prolonge notre guide du prompt engineering pour PME.
Few-shot, zero-shot : quelle différence ?
Un prompt zero-shot ne contient aucun exemple, un prompt few-shot en contient quelques-uns. Dans le premier cas, vous décrivez la tâche et le modèle se débrouille avec ce qu'il a appris. Dans le second, vous ajoutez des paires « entrée / sortie attendue » avant de poser votre vraie question.
Un exemple simple. En zero-shot : « Classe cet avis client en positif, neutre ou négatif. » Le modèle répondra, parfois avec une phrase d'explication que vous n'avez pas demandée. En few-shot, vous fournissez trois avis déjà classés, chacun suivi d'une seule étiquette. Le modèle comprend alors le format exact : un mot, sans commentaire.
Le terme vient de la recherche sur les grands modèles de langage : l'article de 2020 consacré à GPT-3 (« Language Models are Few-Shot Learners ») a popularisé l'idée qu'un LLM peut apprendre une tâche à partir de quelques exemples donnés dans la conversation, sans réentraînement. [À vérifier avant envoi : référence exacte de la publication]
Quand le few-shot est utile (et quand il ne l'est pas)
Le few-shot sert surtout quand le résultat doit respecter un format précis, un ton maison ou une règle difficile à expliquer en mots. Si la tâche est simple et que le modèle la maîtrise (traduire une phrase, résumer un paragraphe), un bon prompt zero-shot suffit et les exemples alourdissent la demande pour rien.
Les situations où les exemples font la différence :
- Un format de sortie strict, par exemple une fiche produit en quatre champs ou un JSON destiné à un outil d'automatisation.
- Un ton propre à votre entreprise, difficile à décrire (« chaleureux mais pas familier »).
- Une classification avec des cas limites : un avis ambigu, un ticket de support à cheval entre deux catégories.
- Une extraction de données dans des documents qui ne se ressemblent pas tout à fait.
À l'inverse, évitez le few-shot quand vous n'avez pas d'exemple fiable sous la main. Un mauvais exemple est pire que pas d'exemple, parce que le modèle le copiera avec zèle.
Comment écrire un prompt few-shot en 5 étapes
La méthode tient en cinq étapes : cadrer la tâche, choisir les exemples, les structurer, les séparer de la vraie demande, puis tester.
- Cadrer la tâche en une phrase. C'est le même travail que pour tout prompt, décrit dans notre article sur l'anatomie d'un bon prompt : rôle, contexte, tâche, contraintes, format.
- Choisir deux à cinq exemples. C'est une règle de départ courante, pas une loi. Trois exemples bien choisis battent dix exemples redondants.
- Structurer chaque exemple de la même façon. Mêmes étiquettes, même ordre, même ponctuation. Le modèle repère les régularités et les prolonge.
- Séparer clairement les exemples de la demande réelle. Un titre « Exemples » puis un titre « À traiter » évite que le modèle confonde les deux.
- Tester sur des cas que vous connaissez. Lancez le prompt sur cinq éléments dont vous savez déjà la bonne réponse, et corrigez les exemples si le résultat dérape.
Exemple 1 : classer des demandes de support
Pour trier des emails entrants, trois exemples couvrant des catégories différentes suffisent à fixer le format de réponse.
Voici un prompt prêt à adapter (les demandes sont fictives) :
Tu classes les emails reçus par le support d'une PME. Réponds uniquement par la catégorie : FACTURATION, TECHNIQUE ou COMMERCIAL.
Email : « Je n'ai pas reçu ma facture de septembre. » -> FACTURATION Email : « L'application plante quand j'ouvre le planning. » -> TECHNIQUE Email : « Pouvez-vous m'envoyer un devis pour 12 postes ? » -> COMMERCIAL
Email à classer : « Le tarif sur votre devis ne correspond pas à votre site. »
Le cas final est volontairement ambigu (commercial ou facturation ?). C'est là que le few-shot montre sa limite : si vous avez une règle interne, ajoutez un exemple qui la matérialise. Sinon, le modèle tranchera à sa façon, et il faut le savoir avant d'automatiser.
Exemple 2 : garder le ton de votre marque
Pour un ton maison, collez deux ou trois textes que vous avez réellement validés, et demandez au modèle de s'en inspirer sans les recopier.
Prenez une association qui publie une lettre d'information mensuelle. Plutôt que d'écrire « ton chaleureux, sobre, sans jargon », elle colle deux anciens paragraphes qu'elle juge réussis et demande : « Rédige l'introduction de la lettre de novembre dans le même registre. Ne reprends aucune phrase des exemples. »
Cette précaution compte. Sans elle, le modèle recycle parfois des tournures entières. Et relisez toujours : un ton imité n'est pas un ton compris, et certaines expressions sonneront faux dès qu'on change de sujet.
Exemple 3 : extraire des données de documents hétérogènes
Pour extraire des informations de documents qui diffèrent d'un fournisseur à l'autre, montrez un cas simple et un cas difficile.
Un cabinet comptable veut extraire de factures le nom du fournisseur, le montant HT et la date. Premier exemple : une facture propre, tout est lisible. Second exemple : une facture où le montant HT figure dans un tableau et la date dans l'en-tête, avec la réponse correcte. Le modèle apprend que l'information n'est pas toujours au même endroit.
Pour tout traitement automatisé, imposez un format strict (par exemple un JSON avec trois champs) et prévoyez une valeur « inconnu » quand une donnée manque. Sans cela, le modèle peut inventer une valeur plausible, ce qui relève de l'hallucination. Et ne collez jamais de données personnelles dans un outil non validé : voyez notre article sur la confidentialité des données avec l'IA.
Les erreurs fréquentes du few-shot
La plupart des échecs viennent des exemples eux-mêmes : trop semblables, mal choisis ou incohérents entre eux.
| Erreur | Effet observé | Correction |
|---|---|---|
| Exemples tous identiques | Le modèle suppose que tout est comme cela | Varier les cas, inclure un cas limite |
| Étiquettes incohérentes | Réponses incohérentes | Relire les exemples comme un correcteur |
| Un seul type de réponse | Biais vers cette réponse | Équilibrer les catégories |
| Exemples trop longs | Consigne diluée, coût plus élevé | Garder des exemples courts |
| Aucun test | Erreurs découvertes en production | Valider sur 5 à 10 cas connus |
Un point souvent négligé : l'ordre des exemples peut influencer la réponse, notamment le dernier. Si vos résultats penchent toujours du même côté, changez l'ordre avant de réécrire tout le prompt.
Few-shot, prompt système et automatisation
Dans un outil d'entreprise, les exemples se placent généralement dans le prompt système, pour que chaque utilisateur en bénéficie sans les retaper. Si vous construisez un assistant interne ou un GPT personnalisé, la différence entre prompt système et prompt utilisateur est utile à connaître : les exemples stables vont dans le premier, les données du jour dans le second.
Dans un scénario d'automatisation, les exemples sont aussi un moyen de verrouiller le format de sortie, donc d'éviter qu'un champ mal nommé casse la suite du traitement. Pensez à les versionner comme n'importe quel élément de votre outil : un exemple modifié change le comportement de tout l'assistant.
Côté conformité, rappelons que l'article 4 du règlement UE 2024/1689 (AI Act) demande aux organisations qui utilisent des systèmes d'IA de veiller à un niveau suffisant de maîtrise de l'IA de leur personnel. Notre article sur l'obligation de formation de l'article 4 détaille ce point. [À vérifier avant envoi : formulation exacte de l'article 4 sur eur-lex.europa.eu]
Comment GrowthPerf accompagne vos équipes
GrowthPerf apprend à vos équipes à construire des prompts few-shot à partir de leurs propres documents, pas d'exemples génériques. Nous sommes organisme de formation certifié Qualiopi, ce qui ouvre en principe la possibilité d'un financement par votre OPCO selon votre situation (éligibilité à confirmer au cas par cas).
En atelier, chaque participant choisit une tâche qu'il répète chaque semaine (tri d'emails, comptes rendus, fiches), assemble trois exemples issus de son travail, teste le résultat et l'enregistre dans une bibliothèque partagée. Le programme est détaillé dans notre formation prompt engineering. Si vous utilisez surtout ChatGPT, voyez aussi la formation ChatGPT en entreprise, et pour les petites structures la formation IA pour les TPE.
Pour savoir où les exemples feraient gagner du temps chez vous, réservez un audit formation IA gratuit de 30 minutes. Vous retrouverez ensuite toute la démarche dans le guide du prompt engineering.
Questions fréquentes
Combien d'exemples faut-il donner à l'IA ? Deux à cinq pour démarrer. Au-delà, le gain diminue souvent et le prompt coûte plus cher à traiter. Ajoutez un exemple uniquement s'il couvre un cas que les autres ne couvrent pas.
Quelle est la différence entre one-shot et few-shot ? Le one-shot fournit un seul exemple, le few-shot en fournit plusieurs. Un seul exemple suffit pour fixer un format simple, mais plusieurs sont nécessaires dès qu'il faut montrer des variations.
Le few-shot fonctionne-t-il avec ChatGPT, Claude et Gemini ? Oui, le principe est le même sur ces outils. Les résultats varient d'un modèle à l'autre, donc testez sur l'outil que vos équipes utilisent réellement.
Le few-shot supprime-t-il les hallucinations ? Non. Il cadre le format et le ton, mais le modèle peut toujours inventer un contenu. Fournissez les données sources, prévoyez une valeur « inconnu » et relisez.
Faut-il utiliser de vrais documents clients comme exemples ? Seulement si l'outil est validé par votre organisation et que le cadre RGPD le permet. Sinon, anonymisez ou inventez des cas fictifs proches de la réalité.
Le few-shot remplace-t-il le fine-tuning ? Pour la plupart des usages en PME, oui dans la pratique : quelques exemples dans le prompt coûtent beaucoup moins qu'un réentraînement. Le fine-tuning se justifie pour de très gros volumes ou des besoins très spécifiques. [À vérifier avant envoi]
Où ranger ses exemples pour que toute l'équipe en profite ? Dans le prompt système d'un assistant partagé, ou dans une bibliothèque de prompts documentée, avec un responsable qui valide les modifications.