Le premier jour d’un nouveau poste, avant même votre première tâche, on vous a remis une fiche : votre rôle, votre périmètre, le ton attendu, ce que vous ne devez jamais faire. Personne ne la relit à voix haute à chaque dossier — mais elle colore tout ce que vous faites. Un modèle de langage reçoit la même chose avant votre tout premier message : le system prompt, sa fiche de poste invisible.
Définition : la même idée, à trois hauteurs
Ce sont des instructions cachées données à l’IA avant que votre conversation commence : elles fixent son rôle, son ton et ses règles. Vous ne les voyez pas, mais elles guident chacune de ses réponses.
Le system prompt est une couche de configuration qui façonne le comportement de l’assistant (persona, périmètre, format) en amont de toute demande. Il oriente sans réentraîner le modèle — on le change d’une application à l’autre.
C’est un segment d’instructions privilégié placé en tête du contexte, qui conditionne la génération. Il exploite la capacité de suivi d’instructions acquise à l’entraînement (instruction tuning, RLHF) pour biaiser les sorties vers un comportement spécifié.
L’analogie-maîtresse : la fiche de poste invisible
Une bonne fiche de poste tient en quelques lignes mais cadre tout : la mission (« vous êtes le conseiller clientèle »), le périmètre (ce que vous traitez, ce que vous transférez), le ton (chaleureux, concis), le public servi, et les règles (« ne promettez jamais de remboursement »). Le nouvel arrivant la lit avant le premier jour, et elle imprègne ensuite chacun de ses gestes — sans qu’on la répète.
Le system prompt fait exactement cela pour un modèle : un texte d’instructions posé tout en haut du contexte, avant votre premier message. Il dit « tu es X, ta mission est Y, garde ce ton, ne fais jamais Z ». Le modèle répond alors à chacune de vos demandes en restant façonné par ce brief que vous ne voyez pas.
Pourquoi ça fonctionne ? Parce que les modèles ont été entraînés à suivre des instructions formulées en langage naturel. Une simple consigne écrite suffit donc à orienter le comportement — c’est tout l’objet des travaux fondateurs cités plus bas. Concrètement, cette fiche occupe de la place : elle est faite de tokens et reste « dans la pièce » pendant toute la conversation.
Attention à ne pas confondre avec le fine-tuning : celui-ci modifie durablement le modèle (ses poids) ; le system prompt, lui, ne change rien de permanent — ce sont des instructions, remplaçables à volonté, propres à chaque application. C’est aussi une brique d’alignement légère : on cadre le comportement sans toucher au cerveau.
Là où l’analogie s’arrête. Un salarié peut contester une fiche de poste absurde, s’en souvenir des années, et exercer son jugement. Le modèle, lui, n’a pas de mémoire au-delà du contexte, ne suit le brief que dans la limite de son « suivi d’instructions » — et, surtout, cette fiche est écrite au crayon : un message utilisateur bien tourné peut parfois la réécrire ou la faire fuiter. C’est précisément le sujet de la sécurité des prompts.
Avant la première seconde, en un schéma
Déconstruction : ce que contient la fiche
| Notion technique | Dans notre analogie | En réalité, sans jargon |
|---|---|---|
| Rôle assigné | L’intitulé du poste | « Tu es un assistant juridique / un tuteur… » |
| Persona / ton | La posture attendue | Chaleureux ou formel, concis ou détaillé |
| Garde-fous | Les « ne jamais faire » | Sujets interdits, limites de responsabilité |
| Format de sortie | Le gabarit de livrable | « Réponds en liste », « toujours en français » |
| Contexte fourni | Le dossier remis d’avance | Infos sur l’entreprise, données de référence |
Ce que ça change pour vous
- La « personnalité » de l’assistant est réglable. Une grande part de ce qui ressemble au caractère du modèle vient en fait de sa fiche de poste. Changez la fiche, vous changez l’assistant — sans changer de modèle.
- Si vous construisez un outil, c’est votre levier n°1. Sur une API, le prompt se compose du system prompt (votre cadrage) et du message utilisateur. Un bon system prompt donne des réponses cohérentes et prévisibles.
- Ce n’est pas un coffre-fort. N’y mettez jamais de vrais secrets (clés, données confidentielles) : un message habile peut le faire fuiter. La fiche est cadrante, pas inviolable.
- Un même modèle, mille assistants. Support client, tuteur, rédacteur : souvent le même modèle, avec des fiches de poste différentes. Savoir cela aide à comprendre — et à comparer — les outils du marché.
FAQ pour débuter
Les deux articles fondateurs
1. Wei et al. — apprendre à suivre des instructions : FLAN (2022)
Contexte. Un modèle brut ne fait que prolonger du texte. Comment l’amener à obéir à une consigne formulée en langage naturel ?
Idée centrale. L’« instruction tuning » : entraîner le modèle sur une multitude de tâches décrites par des instructions. Il généralise alors à des consignes jamais vues — la base même d’un system prompt.
Pourquoi ça compte. Sans cette capacité de suivi d’instructions, écrire une « fiche de poste » à un modèle n’aurait aucun effet.
✅ Wei, J., Bosma, M., Zhao, V. Y., Guu, K., Yu, A. W., Lester, B., Du, N., Dai, A. M., & Le, Q. V. (2022). Finetuned Language Models Are Zero-Shot Learners. International Conference on Learning Representations (ICLR 2022). (arXiv:2109.01652)
2. Ouyang et al. — aligner sur l’intention : InstructGPT (2022)
Contexte. Les grands modèles suivaient mal l’intention réelle des utilisateurs, produisant des réponses hors sujet ou peu utiles.
Idée centrale. Affiner le modèle avec du retour humain (RLHF) pour qu’il suive fidèlement les instructions et les préférences — ce qui rend un brief écrit réellement opérant.
Pourquoi ça compte. C’est ce qui a transformé les modèles en assistants dociles à une consigne — la condition pour qu’un system prompt tienne.
✅ Ouyang, L., Wu, J., Jiang, X., Almeida, D., Wainwright, C. L., Mishkin, P., et al. (2022). Training Language Models to Follow Instructions with Human Feedback. Advances in Neural Information Processing Systems, 35, 27730–27744. (arXiv:2203.02155)
Trois prompts pour apprendre
Rédige-moi un system prompt pour un assistant qui répond aux clients d’une boulangerie : rôle, ton, 3 règles à ne jamais enfreindre.
🎯 Créer | 📚 Ce qu’on apprend : structurer une fiche de poste d’IA.
Réponds à « explique-moi la TVA » deux fois : une fois en te posant comme expert-comptable, une fois comme prof de CM2. Compare.
🎯 Tester sa compréhension | 📚 Ce qu’on apprend : voir le persona à l’œuvre.
Voici une fiche de poste d’IA que j’ai écrite : [colle]. Repère ce qui manque (ton, limites, format) et propose une version améliorée.
🎯 Cas pratique | 📚 Ce qu’on apprend : auditer un system prompt.
📝 Note méthodologique. Cet article a été rédigé avec l’aide d’une IA générative, sur la base d’un gabarit pédagogique et d’analogies conçus par l’autrice. Les deux références fondatrices ont été vérifiées manuellement. L’image d’illustration a été générée par IA. L’objectif reste pédagogique : rendre un concept technique accessible aux étudiants et cadres en management.
Related posts:
Entrez dans la cuisine de l’IA et goûtez au deep learning
La température d’un LLM — l’analogie du médecin face au diagnostic
Construire un agent IA de débutant à confirmé
La vision par ordinateur Vision Transformer
Comment les machines apprennent à voir
Comment une IA voit une image : la rivalité CNN versus Vision Transformer
Le surapprentissage : pourquoi une IA qui bachote échoue (l’analogie de l’étudiant qui révise les annales) Exercices et Prompts
RLHF : comment l’IA apprend nos préférences (l’analogie de l’apprenti cuisinier et du jury de dégustation) Exercices et Prompts
La mémoire des agents, le carnet de notes et le souvenir du client fidèle, Exercices et Prompts
