Zero-shot prompting — Instructions directes

Section 10.2.2 : Zero-shot prompting — Instructions directes

🎯 Objectif pédagogique

Maîtriser le zero-shot prompting : obtenir des résultats de qualité sans fournir d'exemple, en s'appuyant uniquement sur des instructions claires et le savoir pré-existant du modèle. C'est la technique la plus utilisée au quotidien.

Le zero-shot : la puissance de l'instruction pure

Le zero-shot prompting consiste à demander au modèle d'exécuter une tâche sans lui fournir d'exemple. Le modèle s'appuie uniquement sur ses connaissances acquises pendant l'entraînement — et avec les modèles de 2025-2026 (GPT-5, Claude Opus 4.6, Gemini 3.1), ces connaissances sont massives.

C'est la forme la plus naturelle d'interaction avec un LLM — vous posez une question ou donnez une instruction, et le modèle répond directement. 90% de vos interactions quotidiennes avec l'IA seront du zero-shot. La maîtriser est donc essentiel.

Pourquoi le zero-shot fonctionne si bien en 2026

La qualité du zero-shot s'est dramatiquement améliorée entre 2023 et 2026. Trois facteurs expliquent cette progression :

1. →

   Scaling des données d'entraînement : GPT-5 a été entraîné sur un corpus estimé à 15-20 trillions de tokens, couvrant quasiment tous les formats professionnels imaginables — emails, rapports, analyses, code, présentations, contrats. Le modèle a "vu" des millions d'exemples de chaque type de document.

2. →

   RLHF et alignement : le fine-tuning par renforcement humain (RLHF) a appris aux modèles à suivre les instructions de manière bien plus fidèle. Un prompt clair en 2026 obtient un résultat que même un prompt très élaboré n'aurait pas produit en 2023.

3. →

   Fenêtre de contexte étendue : avec 200K tokens (Claude Opus 4.6) ou 1M tokens (Gemini 3.1), vous pouvez fournir tout le contexte nécessaire directement dans votre prompt zero-shot — pas besoin d'exemples quand vous pouvez inclure le document complet, le brief marketing, ou l'historique de conversation.

Quand utiliser le zero-shot ?

Exemples de zero-shot efficaces par cas d'usage

Classification de sentiment :

Classe le sentiment de ce tweet comme POSITIF, NÉGATIF ou NEUTRE.
Justifie en 1 phrase.

Tweet : "Le nouveau MacBook Air est incroyable, meilleure 
autonomie que jamais !"

→ Sentiment : POSITIF
→ Justification : L'utilisateur exprime de l'enthousiasme 
  avec "incroyable" et "meilleure que jamais".

Extraction d'information structurée :

Extrais les informations suivantes de ce texte et présente-les 
en JSON : nom, entreprise, poste, email, téléphone (null si absent).

Texte : "Bonjour, je suis Sophie Durand, directrice marketing 
chez Databox (sophie@databox.fr). Appelez-moi au 06 12 34 56 78."

→ {"nom": "Sophie Durand", "entreprise": "Databox", 
   "poste": "Directrice marketing", 
   "email": "sophie@databox.fr", 
   "téléphone": "06 12 34 56 78"}

Reformulation par audience :

Reformule ce paragraphe technique pour 3 audiences différentes.
Garde les informations essentielles mais adapte le vocabulaire.

Texte original : "L'architecture microservices découple les 
composants applicatifs en services autonomes communicant via 
des APIs REST, permettant un scaling horizontal indépendant 
et un déploiement continu via des pipelines CI/CD."

1. Pour un CEO (focus business) :
2. Pour un recruteur non-technique (focus enjeux) :
3. Pour un étudiant en informatique (focus pédagogique) :

Résumé avec contraintes :

Résume ce document en exactement 5 bullet points.
Chaque point commence par un verbe d'action et fait < 20 mots.
Le premier point est le plus important.

[contenu du document]

Traduction contextuelle :

Traduis ce texte en anglais professionnel (business English).
Ne traduis pas mot-à-mot : adapte les expressions idiomatiques 
au contexte anglophone.

"Suite à notre dernier point de contact, je me permets de 
revenir vers vous concernant notre proposition commerciale."

Génération de données de test :

Génère 10 entrées fictives mais réalistes pour une base 
de contacts commerciaux français. Format CSV avec les colonnes :
nom, prénom, entreprise, poste, email, ville, CA_annuel (K€).
Les données doivent être variées (secteurs, tailles, villes).

Les 5 principes d'un prompt zero-shot efficace

Principe 1 : Spécifiez le format de sortie

Principe 2 : Décomposez les tâches complexes

Principe 3 : Précisez l'audience

Principe 4 : Ajoutez des contraintes négatives

Les contraintes "ne pas faire" sont aussi importantes que les instructions "faire" :

Rédige un pitch pour notre produit.
NE PAS utiliser de superlatifs ("le meilleur", "révolutionnaire").
NE PAS dépasser 50 mots.
NE PAS mentionner les concurrents.

Principe 5 : Demandez un niveau de confiance

Réponds à cette question et indique ton niveau de confiance 
(1-10) pour chaque partie de ta réponse.
Si ta confiance est < 7, indique-le explicitement et suggère 
comment je pourrais vérifier l'information.

Les 7 erreurs fatales en zero-shot (et comment les corriger)

Même avec un bon prompt, certaines erreurs structurelles sabotent systématiquement la qualité des réponses. Voici les plus fréquentes observées en entreprise :

Patterns avancés de zero-shot pour professionnels

Au-delà des 5 principes de base, les professionnels expérimentés utilisent des patterns plus sophistiqués :

Le meta-prompt (demander au modèle d'améliorer votre prompt) :

Je veux obtenir [objectif]. Voici mon prompt actuel : 
"[votre prompt]"

Analyse ce prompt et propose une version améliorée qui :
1. Sera plus précise dans ses instructions
2. Produira un output mieux structuré
3. Évitera les ambiguïtés

Donne-moi la version améliorée directement utilisable.

Ce pattern est particulièrement puissant pour les débutants : il transforme le modèle en coach de prompting. En mars 2026, GPT-5 et Claude Opus 4.6 sont capables de diagnostiquer les faiblesses de vos prompts avec une précision remarquable.

Le prompt chain-ready (sortie structurée pour chaînage) :

Analyse ce feedback client et retourne UNIQUEMENT un JSON avec :
{
  "sentiment": "positif|négatif|neutre",
  "urgence": 1-5,
  "catégorie": "technique|facturation|livraison|autre",
  "résumé": "1 phrase max",
  "action_suggérée": "1 phrase max"
}
Pas d'introduction, pas d'explication. Juste le JSON.

Ce pattern est essentiel dès que vous connectez l'IA à un workflow automatisé (Make, n8n, API). La sortie doit être parsable par une machine — d'où la contrainte "juste le JSON".

Exercice pratique : maîtriser le zero-shot

Durée : 20 minutes

1. →Classification : prenez 5 emails de votre boîte de réception et demandez à l'IA de les classer en catégories (urgent/important/informatif/action requise) avec justification
2. →Extraction : copiez une page web et demandez l'extraction structurée des informations clés en JSON
3. →Reformulation : prenez un texte technique que vous avez écrit et demandez 3 reformulations pour 3 audiences différentes
4. →Comparez les résultats avec et sans les 5 principes ci-dessus