Notion · Dialoguer avec un modèle
Chain of thought (chaîne de pensée)
Une expression utilisée pour désigner des étapes de raisonnement intermédiaires. Une explication détaillée produite par un modèle ne constitue pas une preuve que sa réponse est correcte.
Comment ça marche
Posez à un modèle un problème à plusieurs étapes, et demandez-lui la réponse directement : il devine, souvent bien, parfois mal. Demandez-lui d’abord d’écrire les étapes, puis de conclure : il se trompe moins, parce que chaque étape s’appuie sur la précédente, et parce qu’il peut se corriger en route. C’est la chaîne de pensée, une technique découverte en 2022 et devenue depuis un mode intégré dans les modèles de raisonnement.
Elle s’obtient de plusieurs façons. Par une consigne : « raisonne étape par étape avant de répondre ». Par un exemple : montrer un problème résolu avec ses étapes. Ou par un modèle de raisonnement, qui produit sa chaîne de pensée seul, parfois visible, parfois résumée. Le coût est réel : plus de tokens, plus de temps. Le gain aussi, sur les calculs, les plans, les diagnostics, les comparaisons. Sur une reformulation, rien.
Un exemple concret
La question : « Une commande passée le jeudi 23 octobre après 16 h, avec un délai de préparation de 3 jours ouvrés et une livraison en 48 h ouvrées, arrive quand ? Le 1er novembre est férié. »
Réponse directe : « Le mercredi 29 octobre. » Faux : la coupure de 16 h décale le départ, et le raisonnement a ignoré le week-end.
Réponse avec raisonnement : « Commande après 16 h le jeudi : prise en compte le vendredi 24. Préparation 3 jours ouvrés : vendredi 24, lundi 27, mardi 28, expédition mardi soir. Livraison 48 h ouvrées : mercredi 29 et jeudi 30. Le 1er novembre ne tombe pas dans la période. Arrivée : jeudi 30 octobre. »
La seconde réponse est juste, et surtout vérifiable : chaque étape peut être contrôlée. Si la règle de coupure à 16 h avait été fausse, on l’aurait vu à la première ligne.
Ce que ça change pour une équipe
- Les problèmes à étapes deviennent fiables. Délais, calculs, règles enchaînées, plans : le raisonnement explicite réduit nettement les erreurs.
- Les erreurs se repèrent. Un raisonnement affiché se relit étape par étape. On corrige la prémisse fausse au lieu de rejeter la conclusion.
- Le choix devient un réglage. Raisonnement ou pas, selon la tâche : un réflexe qui économise du temps et des tokens.
- Les consignes s’enrichissent. Pour les tâches logiques récurrentes, « montre tes étapes » entre dans la skill ou le gabarit.
Les limites et les erreurs fréquentes
- L’appliquer partout. Pour résumer, reformuler, traduire, le raisonnement n’apporte rien et ralentit tout.
- Prendre le raisonnement pour une preuve. Des étapes bien écrites peuvent partir d’une donnée fausse. On vérifie les prémisses, pas seulement la logique.
- Ne pas lire les étapes. Si on saute à la conclusion, on perd le principal intérêt de la méthode.
- Confondre avec l’ancrage. Raisonner ne donne pas accès aux faits. Pour une question qui dépend d’une information précise, il faut la fournir ; le raisonnement vient ensuite.
Pour aller plus loin
Certains modèles utilisent des mécanismes internes de raisonnement qui ne sont pas exposés intégralement. Pour une application, il est préférable de demander des éléments vérifiables, des hypothèses et des sources plutôt que de considérer une narration du raisonnement comme une garantie.
Où ça se situe chez Opora
Programme 01 · Mieux utiliserUn usage responsable et sobre de l’IA
Savoir quand faire raisonner le modèle, et relire son raisonnement pour attraper les erreurs, c’est un réflexe que nous travaillons dans le programme Un usage responsable.
Questions fréquentes
Pourquoi réfléchir étape par étape change-t-il la réponse ?
Parce qu’un modèle produit son texte mot après mot, et que chaque mot s’appuie sur les précédents. S’il écrit d’abord les étapes d’un raisonnement, la conclusion s’appuie sur ces étapes au lieu d’être devinée directement. C’est comme poser un calcul plutôt que de donner le résultat de tête.
Est-ce que ça marche sur tous les modèles ?
Sur les modèles classiques, la demande explicite (« raisonne étape par étape ») améliore nettement les problèmes logiques. Les modèles de raisonnement récents le font d’eux-mêmes, avec un budget de réflexion réglable. Dans les deux cas, l’effet est fort sur les problèmes structurés et nul sur la rédaction courante.
Le raisonnement affiché est-il le vrai raisonnement du modèle ?
Pas exactement. C’est un texte produit par le modèle, qui aide sa réponse et qu’on peut lire. Il peut contenir des erreurs, ou justifier après coup. Mais il reste très utile : une erreur dans les étapes se voit, alors qu’une erreur dans une conclusion directe ne se voit pas.