2.4 — Règle n°3 — Obtenir une réponse vérifiable

🟢 En clair — pour une tâche complexe, ne demandez pas seulement « réfléchis plus ». Donnez un objectif précis, les données autorisées, les contraintes et les critères qui permettront de vérifier la réponse.

La Chain-of-Thought ou « chaîne de pensée » désigne le raisonnement intermédiaire d’un modèle. Les premiers travaux de prompting ont montré que des étapes intermédiaires pouvaient aider certains modèles sur des problèmes de calcul ou de logique. Mais une règle pédagogique doit rester valable avec les modèles actuels : vous n’avez pas besoin d’exiger leur raisonnement interne complet.

De gauche à droite : on guide de plus en plus le modèle.

La méthode pratique

Pour obtenir une réponse plus fiable :

1. Définissez le résultat attendu.
2. Fournissez les données ou sources autorisées.
3. Ajoutez les contraintes importantes : budget, délai, format, règles métier.
4. Demandez une réponse finale, une justification concise et les incertitudes.
5. Pour un calcul, demandez les opérations utiles à la vérification, pas un monologue interne.
6. Testez la réponse sur plusieurs cas et utilisez un outil de calcul ou de recherche si nécessaire.

Compare les options A et B pour notre besoin.

Critères obligatoires : coût mensuel, hébergement des données, délai de mise en œuvre.
Sources autorisées : <sources>…</sources>

Réponds avec :
1. un tableau comparatif ;
2. une recommandation ;
3. trois raisons factuelles ;
4. les informations manquantes et ton niveau d'incertitude.

Pourquoi ne pas demander « montre toute ta pensée » ?

Les modèles de raisonnement récents raisonnent déjà en interne. Leur demander « pense étape par étape » peut être inutile ou parfois dégrader le résultat. De plus, une trace de production ne doit pas être confondue avec le raisonnement caché du modèle. Ce que vous devez contrôler, ce sont les entrées, sources, appels d’outils, sorties et critères de réussite.

La documentation OpenAI recommande des prompts simples et directs pour les modèles de raisonnement et indique que demander explicitement la chaîne de pensée est inutile : Reasoning best practices.

✅ En résumé

• Pour une tâche complexe : objectif + données + contraintes + critères de réussite.
• Demandez une justification concise et vérifiable, pas la pensée interne complète.
• Utilisez des outils et un jeu de tests pour vérifier les résultats importants.
• La qualité se mesure sur la sortie, pas sur l’impression que le modèle « a bien réfléchi ».