Le problème
En 2024, tout le monde parlait de "prompt engineering" et de "voici comment utiliser ChatGPT". Apprenez à formuler vos requêtes et l'IA fera des miracles. Sauf que non.
Un bon prompt ne suffit plus. Les modèles et usages ont évolué. Pendant que la majorité peaufine ses prompts, les plus initiés ont compris qu'il existe trois autres compétences — souvent plus décisives que le prompt lui-même.
Ce qui suit est le fruit de plusieurs itérations — des méthodes affinées au fil des retours d'expérience, des lectures, et de l'observation de ce qui fonctionne ou pas.
En mai 2024, IEEE Spectrum publiait "Prompt Engineering Is Dead", citant une recherche de VMware : les LLM optimisent mieux leurs propres prompts que les humains. En juin 2025, Andrej Karpathy et Tobi Lutke (CEO de Shopify) enterraient le terme au profit de quelque chose de plus large.
Voici ce qui l'a remplacé.
Les 4 piliers
1. Prompt Engineering — la base que tout le monde connaît
C'est le seul pilier que 95 % des utilisateurs pratiquent. Formuler une bonne requête, un Chain-of-thought, des Few-shot examples... "Agis comme un expert en X."
Ça a été utile un moment, mais en 2026, ce n'est plus de l'efficience. Le prompt, c'est une instruction ponctuelle. Vous la tapez, vous obtenez une réponse, vous recommencez. Pas de mémoire. Pas de structure. Pas de cohérence d'un échange à l'autre.
C'est comme donner des ordres à un amnésique toutes les cinq minutes. Que vous soyez seul ou dans une équipe de 200, le problème est le même.
Le piège : beaucoup passent 1h à optimiser leurs prompts ("sois plus précis", "agis comme un expert en...", "pense étape par étape", "utilise le format JSON", etc.) alors que 3 secondes à référencer le bon fichier ou document à l'IA produirait un meilleur résultat.
2. Context Engineering — le vrai levier
Karpathy le définit ainsi : "l'art délicat de remplir la fenêtre de contexte avec exactement la bonne information pour l'étape suivante."
Lutke va plus loin : "Le context engineering décrit la compétence centrale mieux que le prompt engineering — c'est l'art de fournir tout le contexte pour que la tâche soit plausiblement résoluble par le LLM."
Traduction : l'IA est aussi bonne que ce que vous lui donnez à lire. Pas ce que vous lui demandez — ce que vous lui montrez.
Un prompt sans contexte, c'est comme demander à un chirurgien d'opérer les yeux bandés. Le résultat risque d'être très approximatif.
La tactique : remplacer le prompt par des couches de contexte qui se chargent automatiquement.
On peut structurer ça en trois niveaux :
- Niveau 1 — les règles permanentes. Identité de l'entreprise, contraintes réglementaires du secteur, règles de sécurité...
- Niveau 2 — le contexte de domaine. Pour un pitch commercial, l'IA charge la grille tarifaire, les objections fréquentes des prospects, les spécificités du marché local. Pour de la conformité réglementaire, elle charge les normes du secteur, les obligations en cours, les deadlines administratives. Pour du code, elle charge l'architecture technique et les conventions.
- Niveau 3 — la mémoire. L'IA se souvient des décisions passées, classées par importance. Les règles critiques se chargent systématiquement. Les détails se chargent à la demande.
Concrètement : vous dites "on reprend le dossier réglementaire", et l'IA sait déjà quels agréments sont obtenus, lesquels sont en attente, quelles pièces manquent. Vous passez au commercial, elle connaît les marges, l'historique de prospection, le profil des derniers clients signés. Zéro re-briefing.
La question que personne ne pose : combien de couches de contexte avez-vous dans votre setup ? Si la réponse est zéro ou une (c'est encore le cas dans la majorité des entreprises), c'est que chaque collaborateur travaille avec un amnésique. Multipliez ça par 50 personnes, 5 départements, et 12 mois. Le gaspillage est colossal.
3. Intent Engineering — dire pourquoi, pas juste quoi
Le pilier le plus sous-estimé. Et le plus confondu avec le précédent.
La différence : le context évite les hallucinations de contenu (l'IA dit des choses fausses). L'intent évite les hallucinations de direction (l'IA fait des choses inutiles).
La plupart des gens disent à l'IA quoi faire. Peu lui disent pourquoi. Encore moins définissent les critères de succès avant de commencer.
L'intent engineering, c'est clarifier votre intention avec assez de précision pour que l'IA puisse travailler en autonomie — et que vous puissiez évaluer son résultat.
La différence en commercial :
La différence en conformité :
Le pattern : l'IA reçoit le terrain de jeu — qui décide, quel frein, quel levier, quel résultat concret, et ce qu'on ne traite pas. Elle prend des décisions intelligentes au lieu de poser des questions à chaque ligne.
La tactique : avant tout projet significatif, rédiger un brief structuré. Pas un prompt — un document. Contexte, objectif, contraintes, critères d'acceptation, hors scope. 15 minutes de rédaction, des heures d'économisées.
Un brief par domaine : commercial, juridique, technique, marketing, financier. Chacun vit dans un dossier dédié. L'IA s'y réfère à chaque étape. Si elle dévie, on pointe le brief : "là, vous vous éloignez de l'intention."
Le test : si vous ne pouvez pas expliquer en 3 phrases ce que vous attendez de l'IA et comment vous mesurerez le résultat, vous n'avez pas fait d'intent engineering.
4. Flow Engineering — orchestrer, pas juste demander
Le papier fondateur vient de CodiumAI (janvier 2024). Leur découverte : GPT-4 passait de 19 % à 44 % de réussite sur des problèmes de code en remplaçant un prompt unique par un flux multi-étapes. Plus du double.
Le prompt unique, c'est un one-shot. Le flow, c'est un process.
En pratique : au lieu de demander "fais-moi X", vous découpez en phases. Chaque phase a un objectif, un livrable, et une validation avant de passer à la suivante.
La tactique : construire des pipelines pour chaque type de tâche récurrente. Pas des scripts — des séquences que l'IA suit, adaptées au domaine.
Pipeline contenu — de la recherche à la publication :
Pipeline déploiement — du code à la production :
Pipeline décision — stress-test avant d'agir :
Le point commun : chaque étape produit un livrable vérifiable. Si la dernière échoue, on revient au début — pas à l'étape d'avant. On ne patche pas, on comprend.
Le niveau d'après : les agents spécialisés.
Le vrai saut, ce n'est pas d'utiliser un seul LLM plus intelligemment. C'est de faire collaborer plusieurs agents, chacun spécialiste de son domaine.
Pour créer un contenu, on ne demande pas à une seule IA de tout faire. On lance une équipe coordonnée : un chercheur qui fouille les sources, un analyste qui identifie les points clés, un spécialiste, un vérificateur de conformité... Chacun produit un rapport. Un agent de consolidation croise les résultats, identifie les contradictions. Le résultat vient après avec une matière première vérifiée et recoupée.
Même logique pour une décision stratégique : on fait "débattre" des agents avec des rôles distincts — l'architecte, le commercial, le financier, l'avocat du diable. Chacun attaque le plan sous son angle. Ce qui survit au débat est solide.
C'est du management d'équipe. Sauf que l'équipe tourne en parallèle et scale à volonté.
Le parallèle : un bon manager ne dit pas à son équipe "faites quelque chose de bien". Il recrute des profils complémentaires, structure le travail, définit les livrables, place des checkpoints. Le flow engineering, c'est d'appliquer cette logique à l'IA.
C'est précisément ce qui manque dans la plupart des organisations. Chaque département bricole ses propres usages. Le marketing utilise ChatGPT. La tech utilise Copilot. Le juridique un troisième outil. Personne ne partage de contexte, personne n'a de pipeline reproductible, personne ne définit d'intention claire. Résultat : 200 collaborateurs qui font du prompt engineering basique en silos.
Ce que ça donne quand on maîtrise les 4 piliers
Les 4 piliers se renforcent mutuellement :
- Le context simplifie le prompt (plus de contexte = requêtes plus courtes)
- L'intent guide le flow (objectif clair = étapes cohérentes)
- Le flow structure le context (chaque étape charge l'information pertinente)
Vous passez du commercial au juridique au technique dans la même journée ? Les 4 piliers permettent ça sans friction. Pas de "on en était où déjà ?". Pas de "vous avez oublié que...". Vous avez des pipelines prêts à l'emploi, des contextes chargés, des intentions claires.
Exemple : lancer une campagne commerciale.
On ne demande pas à l'IA "fais-moi une campagne". Le brief définit l'intention : toucher des professionnels d'un secteur précis, pendant une période spécifique, avec un objectif mesurable. Le contexte charge automatiquement le catalogue, les marges, les retours clients précédents, les contraintes réglementaires du secteur. Le flow découpe le travail : d'abord l'analyse du marché cible, puis le pitch adapté, puis les supports (email, fiche, argumentaire), puis le plan de suivi post-contact.
X agents travaillent en parallèle sur tous les angles (marketing, commercial, juridique, financier, etc.). Le résultat est cohérent parce que tous partagent le même socle de contexte.
Les couches de contexte se construisent une fois et servent partout. Une grille tarifaire alimente le BP, le pitch commercial et la stratégie de pricing. Une étude de marché nourrit le BP, le SEO local et le ciblage pub. Un seul effort, des usages multiples.
Ce framework s'applique à n'importe quelle échelle. Un fondateur solo qui structure ses 4 piliers opère comme une équipe de 5. Une équipe de 50 qui les structure opère comme une de 200. Le multiplicateur est le même — et plus l'organisation est grande, plus le coût de ne pas le faire est visible.
Le pilier qui vous manque
Voici les symptômes les plus fréquents :
"Nos propales se ressemblent toutes." → Il vous manque le Context. L'IA n'a pas votre catalogue, vos marges, le profil du client en face. Elle sort une proposition générique que n'importe quel concurrent pourrait envoyer. Même problème pour les emails commerciaux, les fiches produits, les posts LinkedIn...
"On produit du bon contenu mais ça prend des heures." → Il vous manque le Flow. Vous faites tout dans un seul chat : recherche, rédaction, vérification, SEO. Aucune étape n'est réutilisable. Le prochain contenu repart de zéro. Avec un pipeline, la recherche tourne en parallèle et la qualité est constante.
"L'IA fait ce qu'on demande, pas ce qu'on veut." → Il vous manque l'Intent. Vous lui dites "rédige nos CGV" au lieu de "CGV e-commerce alimentaire, livraison J+1, RGPD, ton accessible mais juridiquement solide." Sans intention claire, l'IA exécute littéralement — et le résultat est techniquement correct mais stratégiquement à côté.
"Chaque département bricole dans son coin." → Il vous manque le Context unifié. Le contexte manque de partage, très peu de capitalisation. L'entreprise paie 50 licences IA et obtient 50 usages individuels non reproductibles. C'est le problème le plus répandu — et le plus coûteux.
"On a formé les équipes au prompting, mais rien n'a changé." → Il vous manque le Flow + l'Intent. Former au prompting sans structurer les pipelines, c'est apprendre à quelqu'un à écrire des emails sans lui donner de process commercial. La compétence individuelle ne suffit pas — il faut des workflows reproductibles que toute l'équipe peut suivre.
"Je gère tout seul et je perds le fil." → Il vous manque le Flow + la mémoire. Vous passez du code au commercial au marketing dans la même journée. Sans pipeline par domaine et sans mémoire persistante, vous perdez 30 minutes à chaque changement de sujet. Multipliez par 5 changements par jour.
Par où commencer
Si vous ne retenez qu'une chose : le context engineering est le levier le plus puissant et le moins exploité.
Anthropic a publié en septembre 2025 un guide complet : "Effective Context Engineering for AI Agents". LangChain y a consacré un article fondateur. Simon Willison l'a disséqué en profondeur.
Commencez par là. Construisez vos couches de contexte. Le reste suivra.
Si vous êtes fondateur et que vous voulez structurer votre usage IA, commencez par le context engineering. Le ROI est immédiat.
Si vous pilotez une équipe ou une organisation et que vous voyez vos collaborateurs bricoler chacun dans leur coin, le problème vient très probablement d'un manque d'architecture. Les 4 piliers ne sont pas des compétences individuelles. C'est un système qui se conçoit au niveau de l'organisation.
Quel pilier vous manque ?
Si vous voulez un regard extérieur sur vos workflows IA actuels ou adapter ce framework à votre contexte, prenons 30 minutes pour en discuter.
Réserver un appel découverteGratuit · 30 minutes · Sans engagement
Sources
- Karpathy, A. — "Context Engineering" (tweet, 25 juin 2025)
- Lutke, T. — "Context engineering over prompt engineering" (tweet, 19 juin 2025)
- Willison, S. — "Context Engineering" (simonwillison.net, 27 juin 2025)
- Anthropic Engineering — "Effective Context Engineering for AI Agents" (septembre 2025)
- Chase, H. — "The Rise of Context Engineering" (blog.langchain.com, 23 juin 2025)
- Ridnik, T. et al. — "From Prompt Engineering to Flow Engineering" (arXiv:2401.08500, janvier 2024)
- Genkina, D. — "AI Prompt Engineering Is Dead" (IEEE Spectrum, mai 2024)