iacarnetVous avez sûrement déjà remarqué que deux questions identiques posées à un LLM peuvent produire des réponses radicalement différentes selon la façon dont elles sont formulées. Donner un rôle à l'IA — lui dire qui elle est avant qu'elle réponde — est l'une des techniques les plus efficaces pour transformer des sorties génériques en contenus réellement utiles.
Ce que fait réellement le « role prompting »
Quand vous dites à un modèle de langage « tu es un juriste spécialisé en droit des contrats », vous ne lui donnez pas une personnalité au sens humain du terme. Vous faites quelque chose de plus précis : vous filtrez l'espace des réponses possibles.
Les LLMs sont entraînés sur des milliards de textes couvrant tous les domaines imaginables. Sans contexte, ils naviguent dans cet espace de façon diffuse — cherchant à produire une réponse statistiquement plausible pour une question donnée. Le rôle agit comme un entonnoir : il restreint le registre lexical, le niveau d'expertise attendu, le type de raisonnement mobilisé.
Ce n'est pas de la magie. C'est de la mécanique d'attention.
Le modèle cherche à être cohérent
Les LLMs sont fortement biaisés vers la cohérence interne. Si vous posez le cadre d'un expert en sécurité informatique en début de conversation, le modèle va maintenir ce cadre tout au long de l'échange — utiliser le vocabulaire approprié, anticiper les questions typiques d'un professionnel du domaine, éviter les simplifications excessives.
C'est ce mécanisme que le role prompting exploite. Il ne programme pas le modèle — il oriente son attention vers un sous-ensemble cohérent de ses connaissances.
La différence entre un bon rôle et un rôle inutile
Tous les rôles ne se valent pas. « Tu es un assistant utile » ne sert à rien — c'est la description par défaut de la plupart des LLMs. À l'inverse, un rôle trop contraignant ou incohérent peut produire des résultats étranges.
Un bon rôle contient trois éléments :
- La fonction : ce que la personne fait professionnellement ou dans quel contexte elle agit
- Le niveau d'expertise : débutant, praticien, expert, chercheur — ça change radicalement le registre
- L'objectif implicite : qu'est-ce que cette personne cherche typiquement à accomplir ?
Exemple médiocre : « Tu es un expert en marketing. »
Exemple efficace : « Tu es un directeur marketing dans une startup B2B SaaS de 30 personnes. Tu prépares le lancement d'un nouveau produit avec un budget limité et tu dois justifier chaque décision auprès d'un investisseur sceptique. »
La différence ? Le second rôle crée une situation, une contrainte, un interlocuteur implicite. Il génère automatiquement un cadre décisionnel que le modèle va reproduire.
Ce que le rôle ne peut pas faire
Le role prompting a des limites claires. Il ne donne pas au modèle des informations qu'il n'a pas — si vous demandez à un LLM d'incarner un médecin pour diagnostiquer une pathologie rare, il va halluciner avec la même assurance qu'un médecin fictif trop sûr de lui. Le rôle amplifie les capacités existantes ; il n'en crée pas de nouvelles.
De même, un rôle contradictoire avec les garde-fous du modèle ne les contourne pas. Les instructions de sécurité restent prioritaires, quelle que soit la sophistication du rôle défini.
Comment structurer un rôle efficacement
Il n'existe pas de format universel, mais quelques structures fonctionnent particulièrement bien selon le contexte.
Pour les tâches d'analyse
`` Tu es [fonction] avec [X années] d'expérience dans [domaine spécifique]. Tu travailles dans un contexte où [contrainte ou enjeu]. Ton approche est [caractéristique — rigoureuse, pragmatique, critique...]. ``
Pour les tâches créatives
`` Tu es [type de créateur] dont le style se caractérise par [3 traits distinctifs]. Ton audience est [description précise]. Tu évites [ce que le rôle n'aurait jamais fait]. ``
Pour les tâches pédagogiques
`` Tu es un formateur spécialisé dans [domaine], qui s'adresse à [niveau d'expertise de l'apprenant]. Tu privilégies les exemples concrets plutôt que les définitions abstraites. Tu vérifies systématiquement la compréhension avant de progresser. ``
La partie souvent oubliée ? Ce que le rôle n'est pas, ou ce qu'il évite. Définir les exclusions est aussi puissant que définir les inclusions.
Le rôle combiné au contexte : là où ça devient vraiment puissant
Le role prompting seul est efficace. Combiné à un contexte situationnel, il devient redoutable.
Prenez cette structure :
- Le rôle — qui vous êtes
- La situation — dans quel contexte précis vous vous trouvez
- L'objectif — ce que vous cherchez à accomplir
- Les contraintes — ce qui limite votre action
- Le format attendu — comment vous voulez la réponse
Cette structure transforme une question ouverte en un problème bien défini. Les LLMs répondent infiniment mieux à des problèmes bien définis qu'à des questions ouvertes.
Exemple complet :
Tu es un responsable RH dans une PME industrielle de 120 salariés. Tu dois rédiger une politique de télétravail pour la première fois — la direction veut du pragmatisme, pas du juridique. Tu as deux semaines et pas de budget consultant. Propose-moi un plan de travail en 5 étapes, avec pour chaque étape les questions clés à trancher.
Comparez avec la version sans rôle : « Aide-moi à créer une politique de télétravail. » La différence de qualité dans les réponses est systématique.
Ce que ça change dans la pratique quotidienne
Adopter le role prompting comme réflexe change la façon dont on interagit avec les LLMs. On arrête de penser à ces outils comme des moteurs de recherche améliorés, et on commence à les traiter comme des interlocuteurs qu'on brieffe.
Quelques cas d'usage concrets où le rôle fait une différence mesurable :
- Relecture de documents : « Tu es un lecteur critique qui n'a aucune raison d'être indulgent — identifie les incohérences, les imprécisions et les passages trop vagues. »
- Brainstorming : « Tu es un avocat du diable. Pour chaque idée que je propose, trouve les trois objections les plus sérieuses. »
- Préparation d'entretiens : « Tu es un recruteur senior qui a vu des centaines de candidats se planter sur cette question. Joue l'intervieweur le plus exigeant possible. »
- Rédaction technique : « Tu es un ingénieur senior qui relit la documentation d'un junior — elle doit être assez claire pour un développeur qui arrive demain matin sans contexte. »
Dans chacun de ces cas, le rôle ne remplace pas votre jugement. Il structure la réponse du modèle pour qu'elle soit immédiatement actionnable, sans retraitement.
La question que personne ne pose : quel rôle pour vous ?
On parle toujours du rôle qu'on attribue à l'IA. Mais certains systèmes de prompting vont plus loin : ils définissent aussi le rôle de l'utilisateur dans l'échange. « Tu es un expert en machine learning. Je suis un dirigeant non-technique qui doit prendre une décision d'investissement d'ici vendredi. » Ce double positionnement calibre à la fois le registre de l'IA et le niveau de détail attendu.
C'est particulièrement utile quand vous voulez éviter que le modèle sur-explique des concepts que vous maîtrisez, ou à l'inverse, qu'il suppose des connaissances que vous n'avez pas.
Le role prompting n'est pas une astuce parmi d'autres — c'est une façon de penser l'interaction avec les LLMs. Vous ne posez pas une question à une encyclopédie. Vous briefez un interlocuteur. Plus le brief est précis, meilleure est la réponse.
Si vous voulez aller plus loin dans la maîtrise du prompting, l'article sur comment bien prompter avec Claude couvre les techniques complémentaires — chaîne de pensée, few-shot, instructions négatives — avec des exemples directement applicables. Et si vous vous interrogez sur ce qui se passe réellement à l'intérieur du modèle quand vous formulez ces instructions, l'article sur le deep learning expliqué simplement donne les bases mécaniques sans jargon inutile.