Notion · Dialoguer avec un modèle
Prompt chaining (enchaînement de prompts)
Découper une tâche complexe en plusieurs demandes successives, chacune nourrie par la précédente. Plus fiable qu’une seule demande fleuve.
Comment ça marche
Au lieu d’une demande qui fait tout, on construit une suite de demandes. La première reçoit l’entrée brute et produit un résultat intermédiaire, de préférence structuré. La deuxième reçoit ce résultat et en fait autre chose. Et ainsi de suite jusqu’au livrable. Chaque étape a un objectif unique, un format de sortie défini, et, idéalement, une vérification : le résultat est-il complet, cohérent, conforme au format ?
Les avantages s’accumulent. Chaque étape est simple, donc bien faite. Les résultats intermédiaires se relisent et se corrigent sans tout refaire. Chaque étape peut utiliser le modèle adapté à sa difficulté. Les erreurs se localisent : on sait quel maillon a failli. Et la chaîne se code naturellement dans un outil d’automatisation ou un programme, ce qui en fait la méthode de base des traitements automatiques avec IA.
Un exemple concret
- Extraction (petit modèle) : à partir du règlement de consultation, produire la liste structurée des exigences, chacune avec sa référence, son caractère obligatoire ou souhaité, et la pièce attendue.
- Vérification automatique : chaque exigence a-t-elle une référence et un caractère ? Les manques sont signalés avant de continuer.
- Rapprochement (modèle moyen) : pour chaque exigence, chercher dans la base des réponses passées de l’entreprise les passages réutilisables, et noter ce qui n’a pas de réponse existante.
- Rédaction (grand modèle) : pour chaque exigence avec une base, rédiger la réponse adaptée au contexte de cet appel d’offres. Pour les autres, produire une fiche de travail pour l’humain.
- Relecture (modèle moyen, consigne de relecteur) : comparer chaque réponse à son exigence : complète, cohérente, sans promesse non couverte. Signaler les écarts.
Le livrable : un dossier de réponse à 70 % rédigé, avec la liste précise des 30 % à traiter par l’équipe. Une seule demande « réponds à cet appel d’offres » aurait donné un texte fluide, incomplet, et impossible à vérifier.
Ce que ça change pour une équipe
- Les tâches complexes deviennent automatisables. Découpées, elles passent ; en bloc, elles ne passaient pas.
- Chaque étape est vérifiable. Les résultats intermédiaires sont des points de contrôle, humains ou automatiques.
- Les coûts se maîtrisent. Le bon modèle par maillon, et le grand modèle seulement là où il compte.
- La conception est lisible. Une chaîne dessinée se comprend, se discute et se modifie maillon par maillon.
Les limites et les erreurs fréquentes
- Des maillons trop gros. Un maillon qui fait trois choses a les défauts du bloc. Une chose par maillon.
- Pas de format entre les maillons. Du texte libre passé d’une étape à l’autre, et chaque étape réinterprète. Les sorties structurées font la fiabilité de la chaîne.
- Pas de vérification intermédiaire. Une erreur au premier maillon se propage à tous les suivants. Les contrôles se placent entre les étapes.
- Oublier les cas vides. Un maillon qui reçoit une liste vide doit le gérer, pas inventer. Chaque maillon a son comportement sur l’absence.
Pour aller plus loin
Chaque étape a un objectif, un format de sortie et une vérification. L’enchaînement se code dans un workflow ou un agent, et chaque maillon peut utiliser un modèle différent selon le coût et la difficulté.
Où ça se situe chez Opora
Programme 02 · AutomatiserAutomatiser les tâches répétitives
Découper une tâche en étapes de modèle, chacune avec son format et sa vérification, c’est le geste de conception de base du programme Automatiser.
Questions fréquentes
Pourquoi ne pas tout demander en une fois ?
Parce qu’une demande qui enchaîne extraction, analyse, rédaction et mise en forme donne un résultat moyen sur chaque partie, difficile à vérifier et impossible à corriger partiellement. En étapes séparées, chaque maillon fait une chose bien, produit un résultat contrôlable, et se corrige seul. La chaîne est plus fiable que le bloc.
Quelle différence avec un workflow ?
Le prompt chaining est la partie IA d’un workflow : l’enchaînement des appels au modèle. Le workflow ajoute les déclencheurs, les connecteurs, les règles classiques, les validations humaines. Un workflow contient souvent une ou plusieurs chaînes de prompts.
Faut-il le même modèle à chaque étape ?
Non, et c’est un des intérêts : l’extraction va à un petit modèle, l’analyse à un moyen, la rédaction finale à un grand si nécessaire. Chaque maillon a le modèle de sa difficulté. Le coût total baisse, et la qualité par étape monte.