Le nouveau guide de prompting d'OpenAI : privilégiez les résultats plutôt que les scripts étape par étape

OpenAI a publié un nouveau cadre de prompting qui remet en question l'obsession traditionnelle pour la « chaîne de pensée » (chain-of-thought), incitant les utilisateurs à donner la priorité aux résultats plutôt qu'à des instructions rigides. Ce changement marque une transition vers des interactions plus intuitives et axées sur le raisonnement, où le modèle bénéficie d'une certaine autonomie plutôt que de suivre un script strict.

Les quatre piliers d'un prompting efficace

Plutôt que de fournir un manuel complexe de paramètres d'API ou des schémas élaborés, OpenAI simplifie l'architecture de prompting en quatre composants optionnels : l'Objectif (Goal), le Contexte (Context), le Format de sortie (Output Format) et les Limites (Boundaries). Crucialement, aucun de ces éléments n'est obligatoire. Pour des requêtes simples, un prompt court donne souvent de meilleurs résultats qu'un ensemble d'instructions sur-conçu.

La philosophie centrale de ce guide est de « commencer petit ». OpenAI suggère que les utilisateurs devraient commencer par le résultat souhaité plutôt que par une séquence d'étapes granulaires. En décrivant l'objectif final plutôt que le processus, vous permettez à des modèles comme GPT-4o de rechercher, de comparer des informations et d'ajuster leur approche de manière autonome. Les descriptions détaillées du processus ne doivent être utilisées que lorsque la méthodologie spécifique est tout aussi importante que le résultat final.

Les contraintes plutôt que le scripting

Un enseignement majeur pour les développeurs et les utilisateurs avancés est que les contraintes sont plus efficaces que les scripts étape par étape. Au lieu de tenter de micro-gérer chaque mouvement de l'IA, OpenAI recommande de mettre en œuvre une ou deux « règles strictes » pour prévenir les comportements indésirables. Des exemples incluent des directives telles que « Ne modifiez pas les chiffres du budget approuvé » ou « Préparez ceci sous forme de brouillon ; ne l'envoyez pas ».

Cette approche du « moins c'est mieux » s'étend à la gestion du contexte. Le guide conseille de ne joindre que les fichiers — tels que des PDF, des feuilles de calcul ou des images — qui influenceront réellement la réponse. Pour les travaux professionnels à enjeux élevés, OpenAI suggère une boucle d'« auto-vérification », où vous demandez explicitement au modèle de vérifier sa propre production pour détecter des erreurs spécifiques, comme s'assurer que chaque point d'action possède un responsable et une échéance désignés.

Différencier le « Chat » du « Work » et améliorer Codex

OpenAI formalise également la distinction entre « Chat » et « Work ». Alors que le Chat est destiné aux requêtes rapides et à la reformulation, le « Work » fait référence aux tâches de fond qui puisent dans de multiples sources (comme Gmail, Slack ou GitHub) pour produire des livrables importants. Bien que les tâches de type Work consomment plus de crédits, elles sont conçues pour automatiser des flux de travail complexes et récurrents.

Pour les développeurs utilisant Codex, le guide introduit des capacités sophistiquées de pilotage (steering) et de sandboxing. Les utilisateurs peuvent désormais utiliser la commande « Steer » pour rediriger une exécution en cours ou « Queue » pour mettre en file d'attente la prochaine instruction. Pour gérer des projets de codage complexes, OpenAI a introduit des commandes slash spécifiques :

• /plan : Analyse le code et propose une approche avant l'exécution.
• /goal : Définit un objectif de haut niveau que le modèle suit à travers plusieurs étapes.
• /review : Permet des audits de sécurité et de logique, soit en local, soit intégrés à GitHub.

Points clés à retenir

• Prioriser les résultats : Commencez par le résultat souhaité ; ne définissez le processus que si les étapes spécifiques sont essentielles à la tâche.
• Utiliser des contraintes, pas des scripts : Utilisez des limites strictes pour prévenir les erreurs plutôt que de tenter de scripter chaque mouvement individuel du modèle.
• Tirer parti des commandes spécialisées : Utilisez les commandes slash de Codex comme /plan et /goal pour gérer des flux de travail techniques complexes et multi-étapes.