Six mots. C’est tout ce qui sépare une réponse bancale d’une réponse fiable sur ChatGPT, Claude ou Gemini. Des chercheurs de l’université de Tokyo et de Google DeepMind l’ont démontré avec des chiffres qui font mal : la précision passe de 17,7 % à 78,7 % sur les tâches complexes, juste en ajoutant une consigne de six mots en fin de prompt.
Quand on interroge un chatbot, le réflexe est toujours le même : on pose sa question et on attend la réponse. Mais derrière l’écran, le modèle génère le texte le plus probable, en zappant les étapes de raisonnement. Sur un calcul, une comparaison ou une analyse en plusieurs temps, les erreurs s’empilent comme des dominos.
Une formulation redoutablement simple corrige cette tendance. Il suffit d’écrire, à la toute fin de sa requête : « Réfléchis étape par étape. » Rien de plus. Six mots. Et la machine change de registre.
Tokyo, 2022 : l’étude qui a tout changé
En 2022, une équipe de l’université de Tokyo (Kojima, Gu, Reid, Matsuo et Iwasawa) publie l’article Large Language Models are Zero-Shot Reasoners sur arXiv. Leur découverte est aussi simple que brutale : en forçant le modèle à détailler chaque maillon du raisonnement avant de conclure, la consigne « étape par étape » crée un effet de cascade. Chaque étape correcte renforce la probabilité que la suivante le soit aussi. Résultat : un bond de 17,7 % à 78,7 % de précision sur des tâches arithmétiques.
Ce n’est pas de la magie. Dans les corpus d’entraînement, les tournures qui précèdent un raisonnement structuré sont statistiquement corrélées à des réponses justes. Le modèle reproduit le schéma, et la précision suit mécaniquement.
Google DeepMind : quand l’IA optimise elle-même le prompt
Un an plus tard, Google DeepMind pousse le concept plus loin avec OPRO, un système qui confie à l’IA la mission de trouver le prompt parfait. En septembre 2023, le verdict tombe : la formulation qui surpasse toutes les variantes imaginées par des ingénieurs humains est « Respire un grand coup et résous ce problème étape par étape. »
Adressée à une machine, l’injonction de respirer semble absurde. Pourtant, elle fonctionne mieux que les alternatives purement techniques. La raison est la même : dans les données d’entraînement, les instructions du type « prends une grande inspiration » sont presque toujours suivies de résolutions posées et méthodiques.
Ce qui marche, et ce qu’il faut éviter
La technique fonctionne sur l’ensemble des grands modèles du marché : ChatGPT, Claude, Gemini, Mistral, Perplexity. Elle excelle sur les calculs, le débogage, la planification, les arbitrages ou toute tâche qui exige plus d’une étape de réflexion.
Mais attention : sur les questions factuelles simples, une date, une définition, un chiffre unique, l’effet est marginal, voire contre-productif. Des travaux menés à Stanford ont montré que forcer un raisonnement pas à pas sur une question triviale peut diluer la réponse ou introduire des erreurs là où il n’y en avait pas. Le bon réflexe : réserver « Réfléchis étape par étape » aux prompts qui mobilisent plusieurs niveaux de logique, et laisser tomber pour les requêtes en une phrase.
En pratique, voici ce que ça donne. Prompt classique : « Quelle est la meilleure stack pour monter une app React avec backend serverless en 2026 ? » Réponse probable : une liste générique. Prompt amélioré : « Quelle est la meilleure stack pour monter une app React avec backend serverless en 2026 ? Réfléchis étape par étape. » Résultat : le modèle compare les options, évalue les trade-offs, justifie chaque choix. Même logique pour un arbitrage entre PostgreSQL et MongoDB sur un cas d’usage hybride, ou pour débugger une fonction Python qui ne retourne pas le bon résultat : la consigne force le modèle à poser le diagnostic au lieu de cracher une solution hasardeuse.
Un détail important : cette technique ne remplace pas un prompt bien construit. Si votre requête initiale manque de contexte, de contraintes ou de format de sortie attendu, « Réfléchis étape par étape » n’y changera rien. La consigne augmente la fiabilité du raisonnement, pas la qualité intrinsèque de votre question. Autrement dit, elle transforme un mauvais raisonnement en bon raisonnement, mais elle ne transforme pas une mauvaise question en bonne question.
Et si vous voulez pousser le curseur plus loin, combinez-la avec d’autres techniques éprouvées. Ajoutez un format de sortie explicite (« réponds en trois paragraphes »), précisez le rôle (« tu es un architecte cloud senior »), et terminez par votre « Réfléchis étape par étape ». L’empilement est additif : chaque couche réduit la surface d’erreur du modèle. C’est du prompt engineering de base, mais quand on voit que la plupart des utilisateurs se contentent de poser leur question en une ligne et d’espérer le meilleur, il y a une marge de progression considérable.
Un raccourci qui ne coûte rien
Six mots. Pas d’abonnement premium, pas de plugin, pas de formation avancée au prompt engineering. Juste une consigne qui force le modèle à raisonner au lieu de deviner. Dans un monde où chaque point de précision compte, que vous debuggez du code, rédigiez un brief stratégique ou arbitriez entre deux architectures, c’est le levier le plus rentable que vous puissiez actionner ce matin.
