CRAFT : rédiger des prompts efficaces

L'art de formuler des requêtes efficaces aux modèles de langage reste l'une des compétences les plus sous-estimées dans l'écosystème de l'IA générative. Beaucoup d'utilisateurs se contentent de poser leurs questions de manière spontanée, obtenant des réponses génériques qui ne correspondent pas vraiment à leurs attentes. La différence entre un prompt approximatif et un prompt bien structuré peut transformer une réponse médiocre en résultat directement exploitable.

La méthode CRAFT propose un cadre structuré pour concevoir des prompts qui obtiennent systématiquement de meilleurs résultats. Cet acronyme regroupe cinq piliers fondamentaux : Contexte, Rôle, Action, Format et Target (cible). Plutôt que de laisser le LLM deviner ce que vous attendez, cette approche l'équipe de toutes les informations nécessaires pour produire une réponse pertinente et adaptée.

Ce qui rend CRAFT particulièrement efficace, c'est sa capacité à couvrir les angles morts habituels des prompts improvisés. Un utilisateur qui demande simplement "Explique-moi le machine learning" obtiendra une réponse très différente de celui qui précise qu'il s'adresse à des managers non techniques, qu'il souhaite une explication en trois paragraphes avec des analogies du quotidien, et que l'objectif est de les convaincre d'investir dans un projet data. Le modèle dispose alors d'un cadre clair pour calibrer sa réponse.

Dans cet article, nous allons explorer chacun des cinq piliers de la méthode CRAFT, comprendre pourquoi ils contribuent à l'efficacité des prompts, et voir comment les appliquer concrètement pour améliorer vos interactions avec les modèles de langage.

Les cinq piliers de la méthode CRAFT

La force de CRAFT réside dans sa couverture systématique des informations dont un LLM a besoin pour produire une réponse optimale. Chaque pilier adresse un aspect spécifique de la communication qui, s'il est négligé, laisse le modèle dans l'incertitude et le pousse à faire des choix par défaut souvent inadaptés.

Contexte : poser le décor

Le contexte établit le cadre dans lequel s'inscrit votre demande. Il s'agit de fournir les informations de fond que le modèle ne peut pas deviner : la situation actuelle, les contraintes existantes, les tentatives précédentes, ou tout élément qui influence la nature de la réponse attendue.

Un prompt sans contexte force le LLM à formuler des hypothèses génériques. Si vous demandez "Comment améliorer mes ventes ?", le modèle ne sait pas si vous vendez des logiciels B2B ou des croissants dans une boulangerie, si votre problème vient de l'acquisition ou de la conversion, ni si vous avez déjà un budget marketing conséquent ou aucune ressource disponible.

Le contexte efficace inclut généralement :

• La situation actuelle et ses caractéristiques clés
• Les contraintes (budget, temps, ressources, réglementations)
• L'historique pertinent (ce qui a déjà été essayé, les résultats obtenus)
• Les éléments spécifiques au domaine ou à l'entreprise

Rôle : définir l'expertise attendue

Le rôle indique quel type d'expert le modèle doit incarner pour répondre à votre demande. Cette dimension influence profondément le ton, le niveau de technicité, les angles privilégiés et les recommandations proposées.

Demander au modèle d'agir "en tant que consultant senior en stratégie digitale" ne produira pas la même réponse que "en tant que développeur full-stack expérimenté" ou "en tant que journaliste spécialisé en économie". Chaque rôle active un ensemble de connaissances, de pratiques et de perspectives différentes.

Le choix du rôle doit correspondre à la nature de votre besoin. Pour une analyse technique, un rôle d'expert du domaine sera approprié. Pour rendre un concept accessible, un rôle de pédagogue ou de vulgarisateur produira de meilleurs résultats.

Action : préciser la tâche

L'action constitue le cœur de votre demande : ce que vous attendez concrètement du modèle. C'est l'élément que la plupart des utilisateurs incluent naturellement, mais souvent de manière trop vague ou trop large.

Une action bien formulée est spécifique et délimitée. "Aide-moi avec mon projet" est trop flou. "Rédige un plan d'action en 5 étapes pour lancer une campagne d'emailing" ou "Identifie les trois principales faiblesses de cette stratégie et propose des alternatives" donnent au modèle une direction claire.

Les verbes d'action précis orientent efficacement le travail du modèle :

• Analyser : examiner en détail, identifier les composantes
• Comparer : mettre en parallèle plusieurs options
• Synthétiser : condenser l'information essentielle
• Critiquer : évaluer les forces et faiblesses
• Proposer : générer des solutions ou alternatives
• Structurer : organiser des éléments en framework cohérent

Format : structurer la sortie

Le format définit comment la réponse doit être présentée. Cette dimension est souvent négligée alors qu'elle détermine directement l'utilisabilité du résultat. Un contenu pertinent mais mal formaté nécessite un travail de restructuration qui aurait pu être évité.

Spécifier le format permet d'obtenir des réponses directement exploitables :

• Longueur souhaitée (un paragraphe, 500 mots, une page)
• Structure (liste à puces, tableau comparatif, sections avec titres)
• Style (formel, conversationnel, technique)
• Éléments à inclure ou exclure (exemples, chiffres, citations)

# Exemple de spécification de format
"Présente ta réponse sous forme d'un tableau comparatif avec trois colonnes : 
Option, Avantages, Inconvénients. Limite chaque cellule à 2-3 phrases maximum."

Le format influence également la densité informationnelle. Demander "une réponse concise en 3 points clés" produit un résultat très différent de "une analyse détaillée avec exemples pour chaque aspect".

Target : identifier l'audience

La cible (target) précise pour qui la réponse est destinée. Cette information permet au modèle d'ajuster le niveau de technicité, le vocabulaire employé, les références utilisées et les aspects mis en avant.

Une explication de la blockchain destinée à des développeurs pourra inclure des détails sur les protocoles de consensus et les structures de données. La même explication pour des dirigeants d'entreprise mettra l'accent sur les applications business, les avantages compétitifs et les considérations stratégiques.

Les caractéristiques de la cible à considérer incluent :

• Niveau d'expertise sur le sujet (novice, intermédiaire, expert)
• Fonction ou rôle (technique, managérial, opérationnel)
• Objectifs et préoccupations (décision d'achat, apprentissage, mise en œuvre)
• Contexte culturel ou sectoriel si pertinent

À découvrir : notre formation LLM Engineering

Appliquer CRAFT en pratique

La théorie des cinq piliers prend tout son sens lorsqu'on observe la différence entre un prompt classique et sa version structurée selon CRAFT.

Prenons un exemple concret. Un utilisateur souhaite obtenir de l'aide pour rédiger un email important. Voici ce qu'il pourrait écrire spontanément :

Aide-moi à écrire un email pour relancer un client.

Ce prompt fonctionnera, mais le résultat sera générique. Le modèle ne connaît pas le contexte de la relation client, le ton approprié, ni ce qui est réellement attendu. Voici la même demande enrichie avec CRAFT :

**Contexte** : Je suis commercial dans une entreprise de logiciels B2B. 
J'ai envoyé une proposition commerciale de 45 000€ il y a deux semaines 
à un prospect qui semblait très intéressé lors de notre démo, mais je 
n'ai eu aucune réponse depuis.

**Rôle** : Agis comme un expert en vente consultative B2B avec 15 ans 
d'expérience dans le secteur tech.

**Action** : Rédige un email de relance qui ravive l'intérêt sans paraître 
insistant, en apportant une valeur ajoutée plutôt qu'une simple relance.

**Format** : Email court (150 mots maximum), avec un objet accrocheur. 
Inclus un appel à l'action clair mais non pressant.

**Target** : Le destinataire est un DSI de PME industrielle, pragmatique, 
qui reçoit beaucoup de sollicitations commerciales.

La différence de qualité dans les réponses obtenues est significative. Le second prompt permet au modèle de calibrer le ton professionnel B2B, d'éviter les formulations trop commerciales qui rebuteraient un DSI sollicité, et de proposer un contenu qui apporte de la valeur plutôt qu'une simple demande de nouvelles.

L'application de CRAFT ne nécessite pas de suivre un ordre rigide ni d'inclure systématiquement tous les piliers avec la même profondeur. Certaines situations demandent un contexte détaillé, d'autres peuvent se contenter d'une mention rapide. L'essentiel est de se poser les bonnes questions avant de formuler son prompt : qu'est-ce que le modèle a besoin de savoir pour me donner exactement ce que j'attends ?

Limites et complémentarité avec d'autres approches

La méthode CRAFT constitue un excellent point de départ pour structurer ses prompts, mais elle s'inscrit dans un écosystème plus large de techniques d'interaction avec les LLM.

Pour les tâches complexes nécessitant un raisonnement en plusieurs étapes, CRAFT se combine naturellement avec des techniques comme le chain-of-thought (demander au modèle de raisonner étape par étape) ou le few-shot prompting (fournir des exemples de ce qui est attendu). Le cadre CRAFT structure la demande globale, tandis que ces techniques optimisent le processus de génération lui-même.

Il faut également reconnaître que l'évolution des modèles de langage réduit progressivement la sensibilité aux formulations précises. Les LLM actuels comme GPT-4o ou Claude 3.5 sont devenus remarquablement robustes face aux variations de formulation. C'est d'ailleurs ce qui a conduit à l'émergence du Context Engineering, qui déplace l'attention de la formulation des instructions vers l'orchestration des informations fournies au modèle.

CRAFT reste néanmoins pertinent car il garantit que les informations essentielles sont présentes. Un modèle moderne comprendra une demande mal formulée, mais il ne peut pas deviner un contexte que vous n'avez pas mentionné ou produire un format que vous n'avez pas spécifié. La méthode fonctionne comme une checklist mentale qui évite les oublis coûteux.

Pour les équipes qui construisent des applications d'IA avec des frameworks comme LangChain ou LlamaIndex, les principes de CRAFT se traduisent naturellement dans la conception des templates de prompts. Chaque pilier correspond à une variable qui peut être injectée dynamiquement selon le contexte de l'utilisateur, créant des prompts personnalisés et efficaces à grande échelle.

À lire : découvrez notre formation LLM Engineering

Conclusion

La méthode CRAFT offre un cadre simple et mémorisable pour structurer ses interactions avec les modèles de langage. En s'assurant de couvrir le Contexte, le Rôle, l'Action, le Format et la Target, on élimine les principales sources d'ambiguïté qui conduisent à des réponses génériques ou inadaptées.

L'efficacité de cette approche ne réside pas dans une formule magique, mais dans la discipline qu'elle impose : se poser les bonnes questions avant de formuler sa demande. Quel contexte le modèle doit-il connaître ? Quelle expertise serait la plus pertinente ? Qu'est-ce que j'attends précisément ? Comment la réponse sera-t-elle utilisée ? Pour qui est-elle destinée ?

Avec la pratique, cette réflexion devient automatique et ne ralentit plus la formulation des prompts. Au contraire, elle accélère l'obtention de résultats exploitables en évitant les allers-retours pour clarifier ou reformuler. Le temps investi dans un prompt bien structuré est largement compensé par la qualité de la première réponse obtenue.

Pour ceux qui souhaitent aller plus loin dans la maîtrise des interactions avec les LLM, CRAFT constitue une fondation solide sur laquelle construire. Les techniques avancées de prompt engineering, le context engineering, et la conception de systèmes RAG ou agentiques s'appuient toutes sur cette capacité fondamentale à communiquer clairement ses attentes à un modèle de langage.