🟠 Accroche

Un mnémoniste professionnel peut mémoriser l’ordre de 52 cartes en quelques minutes. Pas parce qu’il a une mémoire hors norme, mais parce qu’il maîtrise une technique que tout le monde utilise sans le savoir : le chunking. George Miller l’a démontré dès 1956 dans l’une des publications les plus citées de toute la psychologie cognitive — et soixante-dix ans plus tard, les ingénieurs qui conçoivent des systèmes RAG pour les LLM ont redécouvert exactement le même principe pour faire fonctionner leurs bases de connaissances. Deux mondes, une même contrainte : l’information ne passe bien que par petits paquets cohérents.

🟠 Définitions & Histoire

Définition

Le chunking est un processus cognitif par lequel des unités d’information distinctes sont regroupées en une unité de sens plus large — le chunk — stockable comme un seul élément en mémoire à court terme. Le terme vient du verbe anglais to chunk (découper en morceaux), mais désigne précisément l’opération inverse : recoder plusieurs items en un seul bloc signifiant. Un chunk n’est pas une simple tranche d’information ; c’est une unité porteuse de sens pour celui qui la traite.

Auteur fondateur

Le concept est forgé par George Armitage Miller (1920-2012), psychologue cognitif à Harvard, dans son article fondateur : « The Magical Number Seven, Plus or Minus Two: Some Limits on Our Capacity for Processing Information » (Miller, 1956), publié dans Psychological Review. Miller y différencie les bits (unités d’information brutes) des chunks (unités de sens). L’apport central : la mémoire à court terme n’est pas limitée en bits, mais en nombre de chunks — environ 7 ± 2.

Chronologie : 5 jalons

Tension définition originelle / usage IA

Miller parlait d’un processus interne, subjectif, dépendant des connaissances préalables de la personne. Un chunk pour un expert n’est pas un chunk pour un novice. Dans le contexte des LLM, le chunking est devenu un processus externe et délibéré : le développeur découpe mécaniquement les documents en segments avant indexation vectorielle. La subjectivité experte a disparu — remplacée par des heuristiques de taille (500 tokens, 1 000 tokens) ou de structure sémantique. Ce glissement est porteur de malentendus : un découpage syntaxiquement régulier ne garantit pas la cohérence sémantique des chunks.

🟠 Contexte

Deux facteurs font du chunking un sujet critique en 2025.

Du côté de l’enseignement : la charge cognitive des étudiants est un problème mesurable. Une étude publiée dans la Revue internationale des technologies en pédagogie universitaire (2025) signale que 51 % des étudiants interrogés déclarent une dépendance croissante aux outils IA, et que plusieurs travaux (Bastani et al., 2024 ; Klarin et al., 2024) documentent un appauvrissement de l’effort intellectuel lié à leur usage. Dans ce contexte, comprendre comment le cerveau traite et mémorise l’information n’est pas anecdotique — c’est une condition pour concevoir des pédagogies qui résistent à la décharge cognitive.

Du côté des LLM : le chunking est devenu un levier de performance direct. Gao et al. (2023) montrent, dans leur enquête de référence sur les systèmes RAG, que la qualité de l’indexation — donc de la stratégie de découpage — détermine directement la fiabilité des réponses générées. Une étude comparative publiée dans PMC en 2025 (sur des applications cliniques RAG) confirme que changer uniquement la stratégie de chunking, à corpus, modèle et paramètres constants, produit des différences significatives en précision et en pertinence des réponses. Le chunking n’est plus un détail technique : c’est un point de contrôle qualité.

🟠 Explication

Mécanisme cognitif

La mémoire de travail opère comme un espace de traitement limité. Sans regroupement, un numéro de téléphone à 10 chiffres (0612345678) mobilise 10 emplacements. Découpé en 3 chunks (06 — 12 34 — 56 78), il n’en mobilise que 3. L’économie est réelle : les ressources libérées servent à raisonner, comparer, inférer. C’est la formule posée par la neuropédagogie :

Ressources cognitives disponibles − Charge cognitive = Disponibilité pour apprendre

Le chunking réduit la charge cognitive en augmentant la densité sémantique de chaque unité traitée. Cette opération est d’autant plus efficace que l’apprenant dispose de connaissances préalables : Ericsson & Kintsch (1995) montrent que les experts en échecs ne perçoivent pas 64 cases, mais une vingtaine de configurations tactiques connues — chacune constituant un chunk complexe.

Mécanisme technique (LLM / RAG)

Dans un système RAG, les documents sont découpés en segments, encodés en vecteurs, puis stockés dans une base vectorielle. À l’interrogation, la requête est transformée en vecteur, et le système récupère les k segments les plus proches sémantiquement, qu’il injecte dans le prompt avant génération. La qualité de ce processus dépend directement de la cohérence des chunks. Gao et al. (2023) distinguent trois niveaux de sophistication : le Naive RAG (découpage fixe), l’Advanced RAG (chevauchement, metadata, re-ranking), et le Modular RAG (architecture adaptative).

Analogie pédagogique

Le chunk cognitif et le chunk technique partagent la même logique : réduire l’entropie locale pour augmenter la capacité globale de traitement. Là où Miller cherchait à expliquer comment un humain mémorise « FBI-CIA-NASA » en un seul bloc, les ingénieurs cherchent à faire en sorte qu’un LLM retrouve le bon paragraphe dans 10 000 pages de documentation.

🟠 Exemple

Cas documenté : l’étude clinique sur le RAG adaptatif (PMC, 2025)

Une étude publiée dans PubMed Central en 2025 compare plusieurs stratégies de chunking pour un système RAG appliqué à l’aide à la décision clinique. Toutes les conditions sont maintenues identiques (modèle : Gemini 1.0 Pro ; base vectorielle : Chroma). Seule la stratégie de découpage varie : découpage fixe vs. découpage adaptatif par similarité cosinus (seuil 0,80, cible ~500 mots).

Résultat : le chunking adaptatif produit des réponses significativement plus précises, plus pertinentes et plus vérifiables. Les auteurs concluent que la qualité du retrieval — donc du chunking — est « le déterminant dominant de la factualité » dans un système RAG, indépendamment de la puissance du modèle génératif.

Ce cas illustre une leçon directement transposable en pédagogie : la granularité et la cohérence sémantique des unités d’information transmises conditionnent la qualité de leur traitement — qu’il s’agisse d’un cerveau humain ou d’un LLM.

🟠 Nuance

Le « magical number 7 » est une approximation, pas une loi

Miller lui-même admettait que le nombre 7 n’avait rien de « magique » et qu’il s’agissait d’une heuristique rhétorique. Cowan (2001) estime la capacité réelle de la mémoire de travail à 4 chunks (± 1) lorsque les effets de chunking sont contrôlés. Des expériences de Gobet & Clarkson suggèrent même que plus de la moitié des conditions de rappel testées ne dépassent pas 2 chunks effectifs.

Le chunking dépend du domaine et de l’expertise

Un chunk n’est pas un objet universel. Ce qui constitue un chunk pour un expert en comptabilité n’en constitue pas un pour un étudiant de première année. Cette relativité est souvent négligée dans les dispositifs e-learning qui appliquent mécaniquement la règle « 7 slides maximum » sans considérer le niveau d’expertise réel de l’audience.

En prompt engineering : la taille n’est pas tout

La documentation Anthropic (2025) rappelle explicitement que fractionner les tâches complexes « reste précieux non pas à cause des limites de contexte, mais parce que cela aide le modèle à concentrer ses efforts sur un ensemble de contraintes précises. » Un modèle avec 200 000 tokens de contexte peut tout tenir en mémoire, mais un prompt trop chargé sémantiquement dilue la focalisation du modèle. Le chunking en prompting n’est pas un palliatif aux fenêtres de contexte courtes — c’est une stratégie de qualité indépendante.

L’angle mort du chunking pédagogique numérique

Dans les formations e-learning, le chunking est parfois réduit à un découpage formel (vidéos de 5 minutes, modules de 15 slides) sans garantir la cohérence sémantique des unités créées. La charge cognitive ne dépend pas que du volume — elle dépend aussi de la densité des liens à construire entre les informations (Sweller, 1988).

🟠 Pratique

En pédagogie

• Identifier les unités de sens minimales du domaine enseigné, pas des tranches arbitraires de contenu.
• Calibrer la taille des chunks au niveau d’expertise réel de l’audience.
• Séquencer l’enseignement pour que chaque nouveau chunk puisse s’ancrer dans un chunk existant en mémoire à long terme.
• Dans un cours magistral, limiter le nombre d’idées nouvelles par séquence à 3-4 maximum (Cowan, 2001), et utiliser des pauses de consolidation entre chunks.

En prompt engineering

• Un prompt = une intention dominante. Ne pas mélanger reformulation, analyse et recommandation dans la même requête.
• Pour les tâches longues, utiliser une structure séquentielle : contexte → question → format de sortie (trois chunks distincts dans le prompt).
• Pour les systèmes RAG : préférer un chunking sémantique (par paragraphe thématique) au chunking par taille fixe, surtout sur des documents techniques ou argumentatifs.

En formation de cadres (MAE)

Les « 3 idées clés » d’un exposé ne sont pas un cliché de consultants — c’est une contrainte cognitive réelle. Trois chunks bien choisis et bien expliqués dépassent toujours neuf points de présentation survolés.

🟠 FAQ

Le chunking s’applique-t-il à tous les types d’apprentissage ?

Le chunking est particulièrement puissant pour les connaissances déclaratives (listes, définitions, règles) et les compétences procédurales séquentielles. Il l’est moins pour l’apprentissage de compétences complexes nécessitant une intégration simultanée de nombreux éléments, où d’autres stratégies (apprentissage par résolution de problèmes, simulation) sont plus adaptées.

Quelle différence entre chunking et microlearning ?

Le microlearning est un format pédagogique (courtes capsules) ; le chunking est un mécanisme cognitif. Un module de microlearning peut mal appliquer le chunking (contenu décousu, pas de cohérence sémantique). Le format court ne garantit pas le chunking efficace.

Comment choisir la bonne taille de chunk pour un système RAG ?

Il n’existe pas de taille universelle. Commencer par des chunks de 300-500 tokens avec chevauchement de 10-15 %, puis évaluer la pertinence du retrieval sur un jeu de questions représentatives. Ajuster selon la densité informationnelle du corpus.

Le chunking est-il utile même avec de grands contextes LLM ?

Oui. Anthropic (2025) le confirme : fragmenter les tâches complexes améliore la focalisation du modèle, indépendamment de la taille de la fenêtre de contexte.

Le chunking peut-il contrecarrer les hallucinations des LLM ?

En partie. Une bonne stratégie de chunking dans un système RAG améliore la précision du retrieval, ce qui réduit le risque que le modèle génère des réponses non ancrées dans le corpus de référence. Mais le chunking seul ne suffit pas.

🟠 Recherches Futures

1. Chunking adaptatif et profils d’expertise en e-learning
Comment modéliser dynamiquement la taille optimale des unités pédagogiques en fonction du niveau d’expertise réel et évolutif de l’apprenant ? Les outils d’eye-tracking et de mesure de la charge cognitive (EEG léger) ouvrent des pistes peu exploitées.

2. Équivalence cognitive entre chunking humain et chunking machine
Dans quelle mesure les stratégies de chunking optimales pour un LLM correspondent-elles aux unités de sens naturelles pour un humain expert du même domaine ? Une convergence signifierait qu’un bon découpage pédagogique est aussi un bon découpage RAG.

3. Impact du chunking de prompt sur la qualité du raisonnement des modèles
L’effet isolé du découpage séquentiel de la tâche (task chunking) sur la qualité du raisonnement des LLM reste sous-exploré. Les résultats seraient directement actionnables pour les praticiens.

4. Dérive du chunking dans les formations IA : vers une standardisation appauvrie ?
À mesure que les outils IA génèrent automatiquement des supports de formation « en chunks » (slides, flashcards, quiz), l’hyperfragmentation peut-elle constituer un obstacle à la construction de raisonnements complexes ?

🟠 Enseignement

📚 Niveau Master — Marketing Digital IAE Paris-Sorbonne

1. Prompt pédagogique

Tu es consultant en stratégie de contenu pour une entreprise B2B SaaS. On te demande de préparer une base de connaissances RAG pour un assistant commercial IA. Le corpus comprend 50 pages de documentation produit, 20 fiches cas clients et 15 articles de blog. Propose une stratégie de chunking détaillée pour chaque type de document : taille des chunks, chevauchement, métadonnées à conserver. Justifie chaque choix par les contraintes cognitives ou techniques correspondantes. Livrable attendu : un tableau de décision structuré.

2. Jeu de rôle

Sophie, 28 ans, est chargée de mission IA dans une PME industrielle de 200 personnes. Elle doit déployer un chatbot interne sur la documentation technique (400 pages de manuels) en 6 semaines, avec un budget de 5 000 €. Elle n’a pas de développeur dédié. Son responsable veut des résultats rapides. Jouez le rôle de son consultant IA et aidez-la à choisir sa stratégie de chunking en tenant compte de ces contraintes réelles. Objectif pédagogique : comprendre les compromis entre qualité sémantique et faisabilité technique.

3. Question socratique

Si un LLM peut tenir 200 000 tokens en contexte, pourquoi continuerait-on à découper les documents en chunks ? Et si la réponse à cette question révèle quelque chose sur la nature de la compréhension — humaine et machine ?

4. Mini-cas 10 min

Anthropic, dans sa documentation officielle sur le prompt engineering (2025), recommande de fractionner les tâches complexes en sous-tâches ciblées, même sur des modèles à très large contexte. (Source : claude.com/blog/best-practices-for-prompt-engineering)
Questions : (1) Quelle théorie cognitive sous-tend cette recommandation ? (2) Comment cette logique se distingue-t-elle de la simple limite de contexte ? (3) Que révèle cette recommandation sur l’analogie entre cognition humaine et traitement LLM ?

5. Benchmark outils

Comparer trois approches de chunking disponibles dans LangChain : RecursiveCharacterTextSplitter (taille fixe), MarkdownHeaderTextSplitter (structure documentaire), SemanticChunker (similarité cosinus). Corpus test : un article académique de 15 pages sur le marketing digital. Critères : cohérence sémantique des chunks produits, performance de retrieval sur 10 questions test, facilité d’implémentation. Livrable : tableau comparatif + recommandation argumentée.

🏢 Niveau MAE — Cadres en formation continue

1. Prompt pédagogique

Tu es DRH d’une entreprise de 500 collaborateurs. Tu dois former tes managers à l’utilisation d’un assistant IA interne. Conçois un plan de formation de 2 heures qui applique le principe du chunking : découpe les compétences à acquérir en unités d’apprentissage de 15-20 minutes, définit les liens entre chaque unité, et intègre des pauses de consolidation. Justifie tes choix par les contraintes cognitives des apprenants adultes en activité.

2. Jeu de rôle

Marc, 47 ans, directeur commercial dans le secteur pharmaceutique, utilise ChatGPT depuis 6 mois mais obtient des résultats inconsistants. En 15 minutes de coaching, montrez-lui que le problème vient de la structure de ses prompts — trop denses, trop multidimensionnels — et aidez-le à réécrire son prompt le plus fréquent en appliquant le principe de chunking de tâche. Objectif : qu’il reparte avec une méthode, pas juste un prompt corrigé.

3. Question socratique

Quand vous dites à votre équipe « soyez concis dans vos rapports », est-ce que vous parlez de longueur ou de structure ? Et si ce n’est pas la même chose, lequel compte vraiment ?

4. Mini-cas 10 min

Dans une formation sur l’IA générative dispensée auprès de 29 cadres dirigeants d’une grande école de management française (janvier 2026), les participants qui ont reçu les consignes de prompt en trois étapes séquentielles (contexte / tâche / format) ont produit des livrables significativement plus exploitables que ceux ayant reçu une consigne unique. Analysez ce résultat à la lumière des théories de Miller (1956) et de la charge cognitive (Sweller, 1988). Que recommanderiez-vous pour la prochaine session ?

5. Benchmark outils

Tester trois assistants IA (Claude, ChatGPT, Gemini) sur la même tâche complexe de synthèse stratégique, en comparant deux conditions : (A) prompt unique et dense, (B) prompt décomposé en 3 étapes séquentielles. Critères : complétude de la réponse, pertinence des recommandations, nombre d’erreurs factuelles. Identifier lequel des trois modèles bénéficie le plus du chunking de prompt.

🟠 Références APA

✅ Miller, G. A. (1956). The magical number seven, plus or minus two: Some limits on our capacity for processing information. Psychological Review, 63(2), 81-97.

✅ Cowan, N. (2001). The magical number 4 in short-term memory: A reconsideration of mental storage capacity. Behavioral and Brain Sciences, 24(1), 87-114. https://doi.org/10.1017/S0140525X01003922

✅ Sweller, J. (1988). Cognitive load during problem solving: Effects on learning. Cognitive Science, 12(2), 257-285. https://doi.org/10.1207/s15516709cog1202_4

⚠️ Baddeley, A. D., & Hitch, G. (1974). Working memory. In G. H. Bower (Ed.), The psychology of learning and motivation (Vol. 8, pp. 47-89). Academic Press.

⚠️ Ericsson, K. A., & Kintsch, W. (1995). Long-term working memory. Psychological Review, 102(2), 211-245.

✅ Gao, Y., Xiong, Y., Gao, X., Jia, K., Pan, J., Bi, Y., Dai, Y., Sun, J., & Wang, H. (2023). Retrieval-Augmented Generation for Large Language Models: A Survey. arXiv, 2312.10997. https://arxiv.org/abs/2312.10997

✅ Anthropic. (2025). Prompt engineering best practices. Claude Blog. https://claude.com/blog/best-practices-for-prompt-engineering

✅ Decamps, S., & Zanichelli, A. (2025). L’intelligence artificielle en enseignement supérieur : étude exploratoire des perceptions. Revue internationale des technologies en pédagogie universitaire, 22(3), article 1. https://doi.org/10.18162/ritpu