La plupart des travaux d’ingénierie de prompts se concentrent sur la précision et la couverture des instructions. En production, les gains les plus importants viennent du fait de traiter le dialogue lui-même comme le principal problème de conception.
La définition d’intentions associant déclencheur et action apprend au modèle comment décider, au lieu de lui fournir un script auquel il ne peut échapper. La position dans un prompt constitue elle-même une instruction. L’identité vient en premier, les nuances comportementales au milieu et les contraintes strictes à la fin ; tout élément véritablement essentiel figure aux deux endroits.
Rédiger le prompt dans le ton visé plutôt que de décrire celui-ci est l’un des changements ayant le plus d’impact.
Les agents les plus cohérents sont ceux dont les prompts traitent les différents moments d’une conversation comme des interactions distinctes, chacune ayant sa propre forme adaptée, tout en conservant un ton reconnaissable tout au long de l’échange.
Dans certains cas, séparer les agents qui réfléchissent de ceux qui s’expriment produit des réponses plus cohérentes et mieux ancrées, tout en empêchant le raisonnement interne de transparaître dans les réponses.
Nous avons précédemment présenté un nouveau paradigme de conception de prompts fondé sur des enseignements issus de la linguistique et de la psychologie cognitive. Nous avons expliqué l’importance de créer un espace de problème clair et bien délimité dans lequel notre agent peut opérer, ainsi que la nécessité pour cet espace d’intégrer la méta-tâche du dialogue inhérente à l’IA en contact avec les clients.
Examinons maintenant quelques façons concrètes dont nos prompts ont commencé à évoluer à mesure que nous avons appliqué ces principes en production.
Après des centaines d’itérations de prompts dans des systèmes en production en contact avec les clients, les gains les plus importants ne sont pas venus de l’ajout d’instructions ou d’exemples, ni de l’application des normes habituelles d’ingénierie de prompts. Ils sont plutôt venus du fait de placer le dialogue au cœur du problème.
L’exploration et les tests continus ont fait émerger plusieurs techniques efficaces. Nous modifiions un prompt, puis observions les réussites et les échecs de la conversation, en remontant jusqu’à l’efficacité des consignes, à la structure du prompt et à notre usage du langage. Le résultat est un ensemble de schémas reproductibles qui modifient la façon dont l’agent interprète son rôle dans la conversation, décide de sa prochaine intervention et maintient un ton cohérent malgré l’évolution du contexte.
Ce qui suit n’est ni un cadre universel ni l’affirmation que la conception de prompts est désormais « résolue ». Il s’agit d’une synthèse, en cinq schémas, de ce qui a résisté à l’épreuve de la production lorsque l’objectif n’était pas seulement la précision fonctionnelle, mais un meilleur dialogue : des réponses suffisamment cohérentes, naturelles et constantes pour incarner une marque.
Il existe de nombreuses façons de structurer un système agentique, mais les workflows orchestrés multi-agents restent populaires. Dans ces systèmes en particulier, l’amélioration la plus constante a consisté à séparer les agents qui réfléchissent de ceux qui parlent.
L’orchestration des intentions, la classification, l’extraction de connaissances et l’utilisation d’outils sont toutes des opérations effectuées en coulisses. Les réponses destinées aux clients relèvent de l’interface client. Lorsque le même agent fait les deux au cours d’un même tour, le raisonnement et la logique internes peuvent transparaître dans les réponses. Les réponses deviennent hésitantes, excessivement nuancées ou structurées selon la logique du processus plutôt que selon les besoins de la personne.
Cette seule contrainte accomplit un travail étonnamment important. Elle ancre les réponses dans la conversation réelle, évite la réinitialisation du contexte et produit quelque chose de plus proche de ce que nous appelons « fournir le delta ». En définitive, l’agent n’ajoute que le plus petit élément nouveau qui aide véritablement l’utilisateur à avancer.
Le choix du type de réponse à fournir compte également. Nous avons constaté que demander à l’agent chargé de s’exprimer de choisir un type d’intervention avant d’écrire quoi que ce soit — répondre, clarifier, réorienter, faire patienter — réduisait nettement l’échec conversationnel le plus fréquent : non pas une mauvaise prose, mais une réponse totalement inadaptée.
Il convient de noter que, dans de bonnes conditions, les derniers modèles de pointe commencent à remettre en cause le principe de ce schéma. Néanmoins, de nombreux concepteurs continuent d’utiliser des modèles plus petits ou plus anciens pour diverses raisons. Dans ces contextes, nous recommandons clairement de séparer les préoccupations liées aux coulisses de celles concernant l’interface client.
Pour les modèles sans raisonnement, les exemples few-shot fonctionnent parce qu’ils sont concrets, rapides et bien compris par les modèles. Le problème est le surapprentissage. Donnez un exemple à un modèle et il s’accrochera aux mots, au rythme et à la structure, produisant sans cesse des variantes très proches de la même réponse, même lorsque la situation aura changé.
Sans le vouloir, vous avez écrit un script auquel le modèle ne peut échapper.
Les intentions d’implémentation ou les heuristiques offrent une solution plus durable. Au lieu de montrer au modèle quoi dire dans des scénarios précis*,* nous lui fournissons une paire plus générale composée d’un déclencheur et d’une action : si X se produit, faire Y.
La principale différence est qu’au lieu de converger vers X et Y, un exemple après l’autre, ce qui les rend de plus en plus rigides, nous délimitons fermement chacun par une instruction si précise qu’elle rend les exemples superflus. Ainsi, l’agent reste sensible aux variations réelles de la conversation au lieu de chercher à les faire correspondre à un modèle prédéfini.
En pratique, cela ressemble moins à des exemples qu’à des règles empiriques exécutables :
S’il manque un détail essentiel, poser une seule question de clarification.
Si la réponse n’est pas étayée, le dire directement et proposer la meilleure étape suivante disponible.
Si la demande se heurte à un garde-fou, la refuser brièvement et réorienter sans cérémonie.
Ce n’est pas spectaculaire, mais c’est nettement plus robuste qu’une bibliothèque de réponses types, car le modèle apprend ainsi comment décider plutôt que quoi répéter.
La position d’un élément dans un prompt détermine le poids qui lui est accordé. C’est une tendance constante que nous avons observée parmi les modèles et les déploiements. Le début et la fin d’un prompt ressortent de manière disproportionnée. Le milieu est réservé aux nuances, précisément là où elles doivent se trouver.
Nous structurons nos prompts en conséquence. Le rôle et la perception de soi de l’agent figurent au début, afin d’établir son identité avant toute autre chose. Le milieu contient les détails comportementaux : le déroulement probable de la conversation, les heuristiques qui guident les réponses et l’éventail des situations que l’agent doit gérer. Les contraintes strictes et les éléments non négociables figurent à la fin, où ils restent « présents à l’esprit ».
Tout élément véritablement essentiel est placé aux deux endroits. Une règle de sortie précise — par exemple, une consigne stricte sur la ponctuation ou la mise en forme — peut facilement se perdre si elle n’apparaît qu’une fois au milieu d’un prompt dense. Répétée à la fin, elle est respectée.
Concernant l’effet de récence, il convient de noter que les sorties structurées, lorsqu’elles sont utilisées, constituent en pratique la toute dernière instruction de votre prompt. Les champs de description de vos sorties structurées ont une incidence qualitative sur les réponses et forment un contrat de sortie plus contraignant que le reste du prompt.
Nous avons appris à ne pas utiliser non plus d’exemples few-shot pour le ton, et c’est l’un des changements ayant eu le plus d’impact sur nos agents en contact avec les clients.
À la place, nous rédigeons l’intégralité du prompt dans le ton visé. Pas une description du ton ni une série d’adjectifs qui s’en approchent, mais le ton lui-même, dans une prose complète, de la première à la dernière ligne. Le prompt devient la démonstration. Nous appelons cela l’« anti-scénarisation » : guider le modèle pour qu’il imite son entrée, tout en lui permettant d’utiliser un éventail plus large de mots et de formulations appartenant au même registre que le prompt.
C’est ainsi que nous favorisons la variété tout en conservant un ton cohérent. Cela fait partie de notre stratégie pour placer le dialogue au cœur de la tâche de tout agent, sans multiplier les instructions explicites, que nous cherchons à réduire au minimum.
Si nous utilisons des exemples explicites sur le ton, ils illustrent « ce qu’il ne faut pas faire ». Par exemple : « Jamais de tirets cadratins. Aucun cliché. Aucun déballage de règles. Pas d’explication excessive lorsqu’une seule phrase suffit à clore le sujet. » Les contraintes négatives sont à la fois plus précises et moins restrictives que les aspirations positives, car elles désignent les écueils vers lesquels le modèle risque le plus de dériver.
La mise en forme compte également et donne le ton de la réponse. Un prompt rempli de listes à puces, de titres et d’instructions entre crochets oriente le modèle vers un résultat plus organisé et clinique. Si le résultat doit ressembler à une conversation, l’entrée ne doit pas prendre la forme d’un document de spécifications abrégé.
La plupart des prompts sur le ton finissent par se réduire à la personnalité. Ils fournissent une série d’adjectifs censés décrire la manière dont l’agent doit s’exprimer. Chaleureux. Professionnel. Convivial, mais concis. Ces qualificatifs ne sont pas erronés, mais ce qui détermine réellement la perception d’un ton dans une conversation, c’est le registre : la façon dont un même Personnage se comporte dans des situations sociales différentes.
Un message d’attente pendant le traitement d’une demande ne doit pas ressembler à une réponse définitive. Une réponse liée à un garde-fou ne doit pas avoir la même énergie qu’une conversation informelle. Un client frustré ne doit pas recevoir autant de charme ou d’humour qu’un autre qui consulte l’offre sans but précis.
Voilà ce qui distingue le ton de la marque de la conception conversationnelle. Le ton de la marque décrit souvent le Personnage, tandis que la conception conversationnelle détermine comment ce Personnage se comporte quand la situation évolue. Réussir cela signifie que nous ne sommes pas de simples rédacteurs travaillant sur des résultats d’IA. Nous concevons la manière dont un ton évolue au fil d’une conversation.
Vous remarquerez qu’aucun de ces modèles n’est techniquement complexe. C’est en partie le but. L’architecture d’un système agentique est importante, mais la qualité des conversations exige de consacrer beaucoup de temps à la conception et à l’amélioration de vos prompts.
L’écart entre une IA purement fonctionnelle et une IA véritablement conversationnelle ne se comble pas par la conception technique, mais par une compréhension plus claire du rôle du langage et de l’attention dans le dialogue humain, ainsi qu’en plaçant le dialogue au cœur de l’espace de problème de vos agents.
Pour les équipes produit IA, les ingénieurs et les concepteurs d’expérience, la conception conversationnelle mérite la même rigueur que l’excellence technique appliquée à l’IA en contact avec les clients. Pour les personnes à l’autre bout de ces conversations, il n’y a ni modèle, ni collaboration multi-agents, ni appel d’outil : seulement une interaction qui paraît juste ou non. Une interaction qui inspire confiance ou qui l’érode.
En définitive, personne ne fait l’expérience de l’architecture. Les utilisateurs font l’expérience de la conversation.
La conversation est le produit.