Tu poses une question à ChatGPT, tu obtiens une réponse correcte mais plate, trop longue ou mal formatée. Tu réécris ta consigne trois fois et le résultat bouge à peine. Le problème vient rarement du modèle : il vient du fait que tu décris ce que tu veux au lieu de le montrer.

Le few-shot prompting règle exactement ça. La technique tient en une phrase : avant de poser ta vraie demande, tu glisses deux à cinq exemples du résultat attendu. L'IA repère le motif et le reproduit. C'est la façon la plus rapide d'obtenir un format stable, un ton constant et des réponses utilisables sans retouche.

Tu trouveras plus bas la définition en langage simple, la différence entre zero-shot, one-shot et few-shot, la structure en quatre blocs d'un prompt qui fonctionne, cinq prompts complets à copier tel quel, trois façons de t'entraîner et les erreurs qui font échouer la méthode. Aucune compétence technique n'est nécessaire : tout se passe dans une fenêtre de conversation normale.

Le few-shot prompting, c'est quoi exactement ?

Le few-shot prompting consiste à insérer dans ton prompt quelques exemples de paires « demande / réponse idéale », pour que l'IA copie ce modèle au lieu d'improviser le sien.

Le mot anglais shot signifie ici « exemple ». On parle donc de prompt avec zéro exemple, un exemple ou plusieurs exemples. Rien de plus compliqué que ça.

Technique Exemples fournis Quand l'utiliser
Zero-shot 0 Demande simple, réponse libre : « Résume ce texte en 5 lignes »
One-shot 1 Tu veux imposer un format précis sur une tâche simple
Few-shot 2 à 5 Ton, style, classement, vocabulaire métier, format répétitif

Le terme s'est répandu avec l'article de recherche Language Models are Few-Shot Learners, publié en 2020, qui montrait qu'un grand modèle de langage pouvait accomplir une tâche nouvelle uniquement à partir de quelques exemples placés dans la consigne, sans aucun réentraînement. Aujourd'hui, la technique fonctionne sur tous les assistants grand public : ChatGPT, Claude, Gemini, Mistral.

À retenir : tu n'entraînes pas l'IA. Tes exemples valent pour la conversation en cours, un peu comme un modèle de document que tu poserais sur le bureau d'un nouveau collègue avant de lui confier une tâche.

Pourquoi quelques exemples valent mieux qu'une longue consigne

Un exemple transmet en trois lignes ce qu'une consigne écrite mettrait un paragraphe entier à expliquer, et sans laisser de place à l'interprétation.

Prends une instruction du type « réponds de façon professionnelle mais chaleureuse, en restant concis ». Chacun a sa définition de « chaleureux » et de « concis ». L'IA aussi. Montre-lui une réponse de quatre lignes qui commence par un remerciement et se termine par une question ouverte, et l'ambiguïté disparaît.

Concrètement, un bon exemple transporte d'un coup six informations que tu n'aurais pas pensé à écrire :

  • la longueur attendue, au mot près ;
  • le format exact (liste, tableau, paragraphe, une seule phrase) ;
  • le ton et la personne employée (tu, vous, nous) ;
  • le vocabulaire de ton secteur, y compris tes formules maison ;
  • la structure interne (accroche, argument, appel à l'action) ;
  • le traitement des cas limites (que faire quand l'information manque).

Ces modèles fonctionnent par continuation de motifs : quand ils voient trois blocs construits sur la même logique, produire le quatrième sur le même moule devient le chemin le plus naturel. C'est le complément direct des fondamentaux détaillés dans notre méthode complète pour écrire un bon prompt : le contexte dit quoi, les exemples montrent comment.

La structure d'un prompt few-shot qui fonctionne

Quatre blocs, toujours dans le même ordre : le contexte, la consigne, les exemples étiquetés de façon identique, puis ta vraie demande laissée volontairement en suspens.

Bloc 1, le contexte. Deux lignes suffisent : qui parle, pour qui, dans quel cadre. « Tu es responsable du service client d'une boutique de matériel de randonnée. »

Bloc 2, la consigne. Ce que tu veux obtenir, en une phrase. « Rédige une réponse publique à chaque avis client déposé sur Google. »

Bloc 3, les exemples. Deux à cinq paires, toutes construites avec les mêmes étiquettes. C'est le cœur de la technique et c'est là que la plupart des gens se trompent : si tu écris « Avis : » dans le premier exemple et « Commentaire client : » dans le second, tu casses le motif.

Bloc 4, la nouvelle entrée. Tu poses ton cas réel avec la même étiquette, puis tu écris l'étiquette de sortie et tu t'arrêtes. Ce vide est un signal fort : l'IA comprend qu'elle doit le remplir.

Avis : Livraison rapide, mais la taille ne correspond pas au guide. Réponse : Merci pour ce retour, et ravis que la livraison ait été à la hauteur. Nous sommes désolés pour l'écart de taille : notre guide vient d'être corrigé. Écris-nous à contact@exemple.fr, nous organisons l'échange sans frais.

Avis : Produit conforme, emballage abîmé à l'arrivée. Réponse : Merci d'avoir pris le temps de nous écrire. L'emballage abîmé n'est pas normal, nous remontons le problème au transporteur dès aujourd'hui. Si le produit a souffert, réponds à ce message et nous te remplaçons l'article.

Avis : Trois semaines d'attente et aucune réponse au service client. Réponse :

Deux règles de forme font la différence. D'abord, garde des séparateurs rigoureusement identiques d'un exemple à l'autre. Ensuite, varie les cas : un avis positif, un avis mitigé, un avis négatif. La documentation d'Anthropic sur le multishot prompting recommande trois à cinq exemples pertinents et variés, précisément pour que le modèle comprenne la règle générale et non un cas particulier.

Cinq exemples de few-shot prompting à copier

Voici cinq prompts complets, sur des tâches que tu peux tester dans les dix minutes qui viennent ; remplace simplement les contenus par les tiens.

1. Répondre aux avis clients

C'est l'exemple ci-dessus. Trois avis couvrant les trois tonalités possibles, et tu obtiens des réponses homogènes que n'importe qui dans l'équipe peut publier. Gain typique : d'une dizaine de minutes par avis à moins d'une minute de relecture.

2. Trier des messages par niveau d'urgence

Classe chaque message en URGENT, NORMAL ou INFO, puis donne l'action à faire en cinq mots maximum.

Message : Le site de commande affiche une erreur 500 depuis 9 h. Classement : URGENT | Action : prévenir l'équipe technique

Message : Peux-tu m'envoyer le compte rendu de la réunion de mardi ? Classement : NORMAL | Action : envoyer le document

Message : La newsletter de septembre est partie ce matin. Classement : INFO | Action : aucune

Message : Un client menace de résilier son contrat demain. Classement :

Le pipe et les majuscules ne sont pas décoratifs : ils rendent la sortie facile à coller dans un tableur.

3. Transformer une caractéristique en bénéfice client

Caractéristique : Batterie 5000 mAh Bénéfice : Deux jours complets sans chercher une prise

Caractéristique : Coque en aluminium recyclé Bénéfice : Aussi robuste qu'un modèle classique, avec une empreinte réduite

Caractéristique : Écran 120 Hz Bénéfice :

Trois lignes, et le modèle a compris que tu veux une formulation courte, orientée usage, sans adjectif marketing. Une consigne écrite aurait demandé un paragraphe entier.

4. Extraire des informations d'un texte

Extrais les informations sous forme de ligne de tableau : Nom | Entreprise | Besoin | Échéance. Écris « non précisé » si l'information manque.

Texte : Bonjour, je suis Marc Dupuis de chez Verlaine SARL, nous cherchons une formation IA pour six commerciaux avant décembre. Ligne : Marc Dupuis | Verlaine SARL | formation IA pour 6 commerciaux | décembre

Texte : Salut, c'est Léa, je voudrais des infos sur vos tarifs. Ligne : Léa | non précisé | informations tarifaires | non précisé

Texte : [colle ici ton email] Ligne :

Le deuxième exemple sert uniquement à montrer comment gérer l'information manquante. Sans lui, l'IA invente des noms d'entreprise. C'est le type d'exemple le plus rentable : celui qui traite le cas bancal.

5. Écrire dans ton style

Colle trois de tes propres textes (trois posts, trois emails, trois introductions) précédés de leur sujet, puis ajoute le sujet du quatrième et arrête-toi. Aucune description de style ne fera mieux que tes propres phrases. C'est la meilleure façon d'éviter les textes lisses qu'on repère à dix mètres.

Où t'entraîner au few-shot prompting : trois méthodes

Le plus efficace est de t'exercer sur des cas réels avec un retour structuré, puis de tester librement dans les outils grand public.

Méthode 1 : le programme et le Lab IA de Skilzy

Skilzy est une plateforme e-learning française pour apprendre l'IA et surtout s'en servir. Le programme sur les bases du prompt couvre le few-shot pas à pas, avec des exercices corrigés et des modèles réutilisables pour tes propres tâches. La particularité tient au Lab IA intégré : tu écris tes prompts sur les vrais outils, crédits inclus, sans multiplier les abonnements à côté.

La plateforme compte plus de quinze programmes (images, vidéos, UGC, chaînes faceless, avatars, voix off, musique, automatisation avec n8n, codage assisté par IA) et prépare à deux certifications reconnues par l'État et finançables : la RS7439 en marketing de contenus IA et la RS6792 en IA et vente. L'abonnement démarre à 29,90 € par mois sans engagement, et une offre B2B existe pour les organismes de formation.

Pour tester avant de payer, la démo découverte donne 7 jours avec 1 image, 1 vidéo, 1 musique et 10 messages, sans carte bancaire (un compte suffit).

Méthode 2 : directement dans ChatGPT, Claude ou Gemini

Les versions gratuites de ces trois assistants suffisent largement pour t'entraîner au few-shot. La méthode : choisis une tâche que tu répètes chaque semaine, écris trois exemples de sortie parfaite à la main, et compare le résultat avec et sans exemples. L'écart te convaincra en une session.

Garde tes prompts qui marchent dans un simple document, classés par tâche. Un prompt few-shot bien construit se réutilise pendant des mois : tu ne changes que le dernier bloc.

Méthode 3 : les bibliothèques de prompts des éditeurs

Anthropic, OpenAI et Google publient des bibliothèques de prompts et des guides d'ingénierie de prompt en accès libre. L'intérêt n'est pas de copier les prompts tels quels, mais d'observer comment les exemples y sont étiquetés et séparés. Attention toutefois : ces ressources sont majoritairement en anglais et pensées pour des développeurs, ce qui les rend moins confortables quand on débute.

Les erreurs qui font rater un prompt few-shot

La plupart des échecs viennent de trois choses : des exemples incohérents entre eux, des exemples tous identiques, ou des exemples médiocres que l'IA reproduit fidèlement.

  • Changer les étiquettes en cours de route. « Avis : » puis « Commentaire : » suffit à brouiller le motif. Copie-colle ta structure.
  • Donner des exemples trop semblables. Trois avis positifs, et le modèle répondra gentiment à une réclamation furieuse. Couvre les cas extrêmes.
  • Fournir des exemples approximatifs. L'IA imite ce que tu montres, fautes comprises. Un exemple bâclé produit dix réponses bâclées.
  • En mettre quinze. Au-delà de cinq, tu allonges le prompt sans gagner en précision, et tu risques de figer le modèle sur des détails inutiles.
  • Oublier la consigne. Les exemples montrent le comment, pas le pourquoi. Garde une phrase qui explique l'objectif.
  • Rédiger la sortie à la place de l'IA. Termine sur l'étiquette vide. Si tu commences la réponse, tu obtiendras une variation de ta propre phrase.

Ces réflexes rejoignent les pièges recensés dans notre article sur les erreurs de prompting qui ruinent tes résultats. Et quand la tâche demande un raisonnement plutôt qu'un format (calcul, analyse, décision), combine le few-shot avec le chain-of-thought, qui fait raisonner l'IA étape par étape : tu montres alors non seulement la réponse, mais le chemin pour y arriver.

À retenir

Montrer coûte moins cher qu'expliquer. Deux à cinq exemples bien choisis, étiquetés de la même façon, variés, et se terminant sur un blanc à remplir : c'est toute la technique. Prends une tâche que tu répètes chaque semaine, construis le prompt une fois, réutilise-le cent fois.