Selon les propres développeurs d’Anthropic, de meilleurs résultats avec l’IA commencent par vos angles morts, pas par des prompts plus longs

Si les résultats de votre IA sont toujours presque justes, sans l’être tout à fait, le problème ne vient peut-être plus de l’IA. Thariq Shihipar, développeur chez Anthropic, soutient qu’avec Fable 5, le tout dernier modèle de Claude, la qualité des réponses est surtout limitée par ce que le modèle ne peut pas voir : les éléments que vous n’avez pas pensé à mentionner.

Shihipar répartit en quatre catégories ce que vous apportez à un prompt. Les éléments connus et reconnus sont ceux qui figurent dans votre prompt. Les inconnues connues sont les questions ouvertes dont vous avez conscience. Les connaissances inconnues sont les choses qui vous paraissent si évidentes que vous ne les écririez jamais. Et il reste la catégorie dangereuse : les inconnues inconnues, les considérations auxquelles vous n’avez pas du tout pensé. Son constat : être trop précis est aussi préjudiciable qu’être trop vague. Les prompts excessivement détaillés enferment le modèle dans un plan imparfait ; les prompts vagues produisent des réponses génériques fondées sur les normes du secteur, qui ne correspondent pas à votre situation.

Sa solution consiste à utiliser l’IA pour repérer vos propres lacunes avant de commencer le véritable travail. Lors d’une « recherche des angles morts », vous demandez littéralement à Claude de déterminer ce qui vous échappe, par exemple : « Je ne sais rien des modules d’authentification de cette base de code. Peux-tu rechercher mes angles morts pour m’aider à mieux formuler mon prompt ? » Il recommande également des entretiens structurés, au cours desquels Claude vous pose des questions une par une en commençant par celles qui pourraient modifier toute l’approche, ainsi que de courtes séances de réflexion produisant plusieurs prototypes radicalement différents auxquels vous pourrez réagir.

Ce qui se joue derrière tout cela : ce n’est pas seulement la méthode de travail d’un développeur, elle reflète une évolution dans la façon dont Anthropic dirige ses propres modèles. Lors d’une récente conférence, Shihipar a révélé que l’entreprise avait réduit de 80 % le prompt système de Claude Code, c’est-à-dire les instructions permanentes que l’outil transmet au modèle. Les modèles récents « veulent un prompt système plus court », a-t-il expliqué, tandis que les exemples « ont tendance à le contraindre, parce qu’il est en réalité plus imaginatif que les exemples que nous lui donnons ». Pendant des années, le conseil était d’ajouter des instructions et des exemples. Cette époque semble toucher à sa fin : les modèles savent bien combler les lacunes, à condition que vous leur ayez indiqué votre véritable point de départ.

Ce que cela signifie pour vous : Si vous découvrez les outils d’IA, c’est une bonne nouvelle, vous n’avez pas besoin de maîtriser des formules de prompt élaborées. Expliquez simplement d’où vous partez (« Je n’ai jamais fait cela, demande-moi ce que tu dois savoir ») et laissez le modèle vous interroger. Si vous êtes un utilisateur avancé, essayez la recherche des angles morts lors de votre prochaine tâche délicate et envisagez d’alléger les méga-prompts que vous avez soigneusement accumulés. Une réserve s’impose : ces conseils sont adaptés aux modèles les plus récents d’Anthropic ; les modèles plus anciens ou plus petits continuent à tirer parti d’instructions plus explicites.

Sources

• Guide de Thariq Shihipar sur les inconnues
• The Decoder sur les techniques de prompting
• The Decoder sur la réduction du prompt système