{"id":326368,"date":"2026-10-07T04:58:11","date_gmt":"2026-10-07T01:58:11","guid":{"rendered":"https:\/\/ceotudent.com\/fenetres-de-contexte-charge-cognitive-concevoir-prompts-adaptes-a-votre-facon-de-penser"},"modified":"2026-10-07T04:58:11","modified_gmt":"2026-10-07T01:58:11","slug":"fenetres-de-contexte-charge-cognitive-concevoir-prompts-adaptes-a-votre-facon-de-penser","status":"publish","type":"post","link":"https:\/\/ceotudent.com\/fr\/fenetres-de-contexte-charge-cognitive-concevoir-prompts-adaptes-a-votre-facon-de-penser","title":{"rendered":"Fen\u00eatres de contexte et charge cognitive : comment concevoir des prompts adapt\u00e9s \u00e0 votre fa\u00e7on r\u00e9elle de penser"},"content":{"rendered":"<p><strong>En bref.<\/strong> La fen\u00eatre de contexte est la partie d&rsquo;un mod\u00e8le d&rsquo;IA qui contient ce que vous lui fournissez dans une seule requ\u00eate, et en 2026 elle est immense. Anthropic, OpenAI et Google proposent tous des mod\u00e8les phares dot\u00e9s d&rsquo;environ un million de tokens de contexte, ce qui, selon le taux de conversion de Google lui-m\u00eame (100 tokens correspondent \u00e0 environ 60-80 mots anglais), repr\u00e9sente \u00e0 peu pr\u00e8s 600 000 \u00e0 800 000 mots. La tentation est de tout coller et de laisser le mod\u00e8le faire le tri. La recherche indique que c&rsquo;est une erreur. Dans le benchmark RULER, 17 mod\u00e8les annon\u00e7aient tous 32K tokens ou plus, mais seule la moiti\u00e9 maintenait des performances satisfaisantes \u00e0 32K (Hsieh et collaborateurs, 2024). Dans NoLiMa, un test qui supprime les correspondances litt\u00e9rales de mots-cl\u00e9s, 11 mod\u00e8les sur 13 sont tomb\u00e9s sous la moiti\u00e9 de leur score en contexte court \u00e0 32K, et GPT-4o est pass\u00e9 de 99,3 \u00e0 69,7 % (Modarressi et collaborateurs, 2025). La documentation d&rsquo;Anthropic qualifie d\u00e9sormais la fen\u00eatre de contexte de \u00ab m\u00e9moire de travail \u00bb du mod\u00e8le et avertit que la pr\u00e9cision et le rappel se d\u00e9gradent \u00e0 mesure que le nombre de tokens augmente. Les humains subissent la m\u00eame contrainte \u00e0 plus petite \u00e9chelle : la m\u00e9moire de travail retient environ quatre blocs d&rsquo;information nouvelle (Cowan, 2001), et la th\u00e9orie de la charge cognitive montre depuis 1988 que la mani\u00e8re de pr\u00e9senter l&rsquo;information compte autant que sa quantit\u00e9 (Sweller, van Merrienboer et Paas, 2019). Le r\u00e9flexe du CEO consiste \u00e0 traiter le contexte comme un budget avec un co\u00fbt par token. Le r\u00e9flexe de l&rsquo;\u00e9tudiant consiste \u00e0 \u00e9crire des prompts que vous pourriez v\u00e9rifier vous-m\u00eame, avec la m\u00e9thode Load-Fit Prompt pr\u00e9sent\u00e9e ci-dessous.<\/p>\n<p>Cet article fait partie de la s\u00e9rie Prompt and Context Craft. Si vous n&rsquo;avez pas encore r\u00e9dig\u00e9 une description permanente de votre m\u00e9tier pour vos outils d&rsquo;IA, commencez par <a href=\"\/fr\/fichier-de-contexte-document-30-minutes-outils-ia-plus-efficaces\">le fichier de contexte<\/a> et <a href=\"\/fr\/configurer-outils-ia-instructions-projets-memoire-contexte-metier\">la configuration des instructions personnalis\u00e9es, des projets et de la m\u00e9moire<\/a>. Ce texte porte sur la requ\u00eate unique : ce qu&rsquo;il faut y mettre, dans quel ordre et en quelle quantit\u00e9.<\/p>\n<div id=\"ez-toc-container\" class=\"ez-toc-v2_0_84 counter-hierarchy ez-toc-counter ez-toc-grey ez-toc-container-direction\">\n<div class=\"ez-toc-title-container\">\n<p class=\"ez-toc-title\" style=\"cursor:inherit\">Table of Contents<\/p>\n<span class=\"ez-toc-title-toggle\"><a href=\"#\" class=\"ez-toc-pull-right ez-toc-btn ez-toc-btn-xs ez-toc-btn-default ez-toc-toggle\" aria-label=\"Toggle Table of Content\"><span class=\"ez-toc-js-icon-con\"><span class=\"\"><span class=\"eztoc-hide\" style=\"display:none;\">Toggle<\/span><span class=\"ez-toc-icon-toggle-span\"><svg style=\"fill: #999;color:#999\" xmlns=\"http:\/\/www.w3.org\/2000\/svg\" class=\"list-377408\" width=\"20px\" height=\"20px\" viewBox=\"0 0 24 24\" fill=\"none\"><path d=\"M6 6H4v2h2V6zm14 0H8v2h12V6zM4 11h2v2H4v-2zm16 0H8v2h12v-2zM4 16h2v2H4v-2zm16 0H8v2h12v-2z\" fill=\"currentColor\"><\/path><\/svg><svg style=\"fill: #999;color:#999\" class=\"arrow-unsorted-368013\" xmlns=\"http:\/\/www.w3.org\/2000\/svg\" width=\"10px\" height=\"10px\" viewBox=\"0 0 24 24\" version=\"1.2\" baseProfile=\"tiny\"><path d=\"M18.2 9.3l-6.2-6.3-6.2 6.3c-.2.2-.3.4-.3.7s.1.5.3.7c.2.2.4.3.7.3h11c.3 0 .5-.1.7-.3.2-.2.3-.5.3-.7s-.1-.5-.3-.7zM5.8 14.7l6.2 6.3 6.2-6.3c.2-.2.3-.5.3-.7s-.1-.5-.3-.7c-.2-.2-.4-.3-.7-.3h-11c-.3 0-.5.1-.7.3-.2.2-.3.5-.3.7s.1.5.3.7z\"\/><\/svg><\/span><\/span><\/span><\/a><\/span><\/div>\n<nav><ul class='ez-toc-list ez-toc-list-level-1 ' ><li class='ez-toc-page-1 ez-toc-heading-level-2'><a class=\"ez-toc-link ez-toc-heading-1\" href=\"https:\/\/ceotudent.com\/fr\/fenetres-de-contexte-charge-cognitive-concevoir-prompts-adaptes-a-votre-facon-de-penser\/#Quest-ce-quune-fenetre-de-contexte-en-termes-simples\" >Qu&rsquo;est-ce qu&rsquo;une fen\u00eatre de contexte, en termes simples ?<\/a><\/li><li class='ez-toc-page-1 ez-toc-heading-level-2'><a class=\"ez-toc-link ez-toc-heading-2\" href=\"https:\/\/ceotudent.com\/fr\/fenetres-de-contexte-charge-cognitive-concevoir-prompts-adaptes-a-votre-facon-de-penser\/#Quelle-est-la-taille-des-fenetres-de-contexte-en-2026\" >Quelle est la taille des fen\u00eatres de contexte en 2026 ?<\/a><\/li><li class='ez-toc-page-1 ez-toc-heading-level-2'><a class=\"ez-toc-link ez-toc-heading-3\" href=\"https:\/\/ceotudent.com\/fr\/fenetres-de-contexte-charge-cognitive-concevoir-prompts-adaptes-a-votre-facon-de-penser\/#Une-fenetre-plus-grande-signifie-t-elle-que-le-modele-lutilise-entierement\" >Une fen\u00eatre plus grande signifie-t-elle que le mod\u00e8le l&rsquo;utilise enti\u00e8rement ?<\/a><\/li><li class='ez-toc-page-1 ez-toc-heading-level-2'><a class=\"ez-toc-link ez-toc-heading-4\" href=\"https:\/\/ceotudent.com\/fr\/fenetres-de-contexte-charge-cognitive-concevoir-prompts-adaptes-a-votre-facon-de-penser\/#Que-dit-la-science-cognitive-de-la-memoire-de-travail-humaine\" >Que dit la science cognitive de la m\u00e9moire de travail humaine ?<\/a><\/li><li class='ez-toc-page-1 ez-toc-heading-level-2'><a class=\"ez-toc-link ez-toc-heading-5\" href=\"https:\/\/ceotudent.com\/fr\/fenetres-de-contexte-charge-cognitive-concevoir-prompts-adaptes-a-votre-facon-de-penser\/#Ou-le-modele-et-lhumain-se-rejoignent-ils\" >O\u00f9 le mod\u00e8le et l&rsquo;humain se rejoignent-ils ?<\/a><\/li><li class='ez-toc-page-1 ez-toc-heading-level-2'><a class=\"ez-toc-link ez-toc-heading-6\" href=\"https:\/\/ceotudent.com\/fr\/fenetres-de-contexte-charge-cognitive-concevoir-prompts-adaptes-a-votre-facon-de-penser\/#Le-Load-Fit-Prompt-une-methode-en-cinq-etapes\" >Le Load-Fit Prompt : une m\u00e9thode en cinq \u00e9tapes<\/a><\/li><li class='ez-toc-page-1 ez-toc-heading-level-2'><a class=\"ez-toc-link ez-toc-heading-7\" href=\"https:\/\/ceotudent.com\/fr\/fenetres-de-contexte-charge-cognitive-concevoir-prompts-adaptes-a-votre-facon-de-penser\/#Pourquoi-est-ce-important-pour-votre-propre-reflexion\" >Pourquoi est-ce important pour votre propre r\u00e9flexion ?<\/a><\/li><li class='ez-toc-page-1 ez-toc-heading-level-2'><a class=\"ez-toc-link ez-toc-heading-8\" href=\"https:\/\/ceotudent.com\/fr\/fenetres-de-contexte-charge-cognitive-concevoir-prompts-adaptes-a-votre-facon-de-penser\/#Quand-faut-il-malgre-tout-utiliser-le-contexte-long\" >Quand faut-il malgr\u00e9 tout utiliser le contexte long ?<\/a><\/li><li class='ez-toc-page-1 ez-toc-heading-level-2'><a class=\"ez-toc-link ez-toc-heading-9\" href=\"https:\/\/ceotudent.com\/fr\/fenetres-de-contexte-charge-cognitive-concevoir-prompts-adaptes-a-votre-facon-de-penser\/#Une-verification-Load-Fit-en-10-minutes\" >Une v\u00e9rification Load-Fit en 10 minutes<\/a><\/li><li class='ez-toc-page-1 ez-toc-heading-level-2'><a class=\"ez-toc-link ez-toc-heading-10\" href=\"https:\/\/ceotudent.com\/fr\/fenetres-de-contexte-charge-cognitive-concevoir-prompts-adaptes-a-votre-facon-de-penser\/#Questions-frequentes\" >Questions fr\u00e9quentes<\/a><\/li><li class='ez-toc-page-1 ez-toc-heading-level-2'><a class=\"ez-toc-link ez-toc-heading-11\" href=\"https:\/\/ceotudent.com\/fr\/fenetres-de-contexte-charge-cognitive-concevoir-prompts-adaptes-a-votre-facon-de-penser\/#Sources\" >Sources<\/a><\/li><\/ul><\/nav><\/div>\n<h2 id=\"quest-ce-quune-fentre-de-contexte-en-termes-simples\"><span class=\"ez-toc-section\" id=\"Quest-ce-quune-fenetre-de-contexte-en-termes-simples\"><\/span>Qu&rsquo;est-ce qu&rsquo;une fen\u00eatre de contexte, en termes simples ?<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p>Une fen\u00eatre de contexte est la quantit\u00e9 maximale de texte, mesur\u00e9e en tokens, qu&rsquo;un mod\u00e8le peut lire et \u00e9crire dans une seule requ\u00eate. Tout y est d\u00e9compt\u00e9 : vos instructions, les documents que vous collez, la conversation jusque-l\u00e0 et la r\u00e9ponse du mod\u00e8le. Les tokens ne sont pas des mots. La documentation de Google donne la conversion dont la plupart des gens ont besoin : pour les mod\u00e8les Gemini, \u00ab un token \u00e9quivaut \u00e0 environ 4 caract\u00e8res \u00bb et \u00ab 100 tokens correspondent \u00e0 environ 60-80 mots anglais \u00bb. Les tokenizers des autres fournisseurs diff\u00e8rent l\u00e9g\u00e8rement ; consid\u00e9rez donc toute conversion comme une estimation.<\/p>\n<p>La documentation d&rsquo;Anthropic d\u00e9crit la fen\u00eatre en termes humains. Elle indique que la fen\u00eatre de contexte \u00ab repr\u00e9sente une &ldquo;m\u00e9moire de travail&rdquo; pour le mod\u00e8le \u00bb, que \u00ab davantage de contexte n&rsquo;est pas automatiquement mieux \u00bb et que \u00ab \u00e0 mesure que le nombre de tokens augmente, la pr\u00e9cision et le rappel se d\u00e9gradent, un ph\u00e9nom\u00e8ne appel\u00e9 context rot \u00bb. Il s&rsquo;agit d&rsquo;un cadrage de fournisseur, pas d&rsquo;une exp\u00e9rience, mais c&rsquo;est le bon point de d\u00e9part : la fen\u00eatre de contexte n&rsquo;est pas un disque dur. Elle ressemble davantage \u00e0 un bureau, et un bureau encombr\u00e9 ralentit tout le monde.<\/p>\n<h2 id=\"quelle-est-la-taille-des-fentres-de-contexte-en-2026\"><span class=\"ez-toc-section\" id=\"Quelle-est-la-taille-des-fenetres-de-contexte-en-2026\"><\/span>Quelle est la taille des fen\u00eatres de contexte en 2026 ?<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p>Le tableau ci-dessous recense les limites document\u00e9es des mod\u00e8les phares actuels, relev\u00e9es sur les pages de chaque fournisseur le 7 octobre 2026. Ces chiffres changent souvent ; consultez la page du fournisseur avant de vous y fier.<\/p>\n<table>\n<thead>\n<tr>\n<th>Fournisseur<\/th>\n<th>Mod\u00e8le<\/th>\n<th>Fen\u00eatre de contexte<\/th>\n<th>Sortie max. par requ\u00eate<\/th>\n<th>Source<\/th>\n<\/tr>\n<\/thead>\n<tbody>\n<tr>\n<td>Anthropic<\/td>\n<td>Claude Fable 5.1, Opus 5.5, Sonnet 5.5<\/td>\n<td>1M tokens<\/td>\n<td>128K tokens<\/td>\n<td>Vue d&rsquo;ensemble des mod\u00e8les Anthropic<\/td>\n<\/tr>\n<tr>\n<td>Anthropic<\/td>\n<td>Claude Haiku 4.5<\/td>\n<td>200K tokens<\/td>\n<td>64K tokens<\/td>\n<td>Vue d&rsquo;ensemble des mod\u00e8les Anthropic<\/td>\n<\/tr>\n<tr>\n<td>OpenAI<\/td>\n<td>GPT-6 Astra, GPT-6.1 Sol, GPT-6 Luna<\/td>\n<td>1,05M tokens<\/td>\n<td>128K tokens<\/td>\n<td>Page des mod\u00e8les OpenAI<\/td>\n<\/tr>\n<tr>\n<td>Google<\/td>\n<td>Gemini 3.1 Pro Preview<\/td>\n<td>1 048 576 tokens<\/td>\n<td>65 536 tokens<\/td>\n<td>Page du mod\u00e8le dans l&rsquo;API Gemini<\/td>\n<\/tr>\n<tr>\n<td>Google<\/td>\n<td>Gemini 3.8 Flash<\/td>\n<td>1 048 576 tokens<\/td>\n<td>65 536 tokens<\/td>\n<td>Page du mod\u00e8le dans l&rsquo;API Gemini<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n<p>Google donne un ordre de grandeur : en pratique, selon l&rsquo;entreprise, un million de tokens correspondrait \u00e0 \u00ab 50 000 lignes de code \u00bb, \u00ab 8 romans anglais de longueur moyenne \u00bb ou \u00ab les transcriptions de plus de 200 \u00e9pisodes de podcast de longueur moyenne \u00bb. En appliquant le ratio de Google lui-m\u00eame, une fen\u00eatre de 1 048 576 tokens correspond \u00e0 environ 629 000 \u00e0 839 000 mots anglais (calcul CEOtudent : 1 048 576 tokens x 0,60 \u00e0 0,80 mot par token).<\/p>\n<p>Le chiffre affich\u00e9 r\u00e9pond \u00e0 une seule question : combien pouvez-vous envoyer ? Il ne r\u00e9pond pas \u00e0 celle qui compte pour votre travail : quelle part le mod\u00e8le exploitera-t-il r\u00e9ellement bien ?<\/p>\n<h2 id=\"une-fentre-plus-grande-signifie-t-elle-que-le-modle-lutilise-entirement\"><span class=\"ez-toc-section\" id=\"Une-fenetre-plus-grande-signifie-t-elle-que-le-modele-lutilise-entierement\"><\/span>Une fen\u00eatre plus grande signifie-t-elle que le mod\u00e8le l&rsquo;utilise enti\u00e8rement ?<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p>Non, et c&rsquo;est le constat le plus constant de la recherche sur les contextes longs.<\/p>\n<p><strong>La position compte.<\/strong> Dans \u00ab Lost in the Middle \u00bb, Liu et collaborateurs (2024) ont constat\u00e9 que \u00ab les performances sont maximales lorsque l&rsquo;information pertinente se trouve tout au d\u00e9but (biais de primaut\u00e9) ou \u00e0 la fin du contexte d&rsquo;entr\u00e9e (biais de r\u00e9cence), et qu&rsquo;elles se d\u00e9gradent nettement lorsque les mod\u00e8les doivent acc\u00e9der \u00e0 une information situ\u00e9e au milieu et l&rsquo;utiliser \u00bb. Dans leur test de questions-r\u00e9ponses multi-documents, les performances de GPT-3.5-Turbo pouvaient \u00ab chuter de plus de 20 % \u00bb, et dans le pire des cas elles \u00e9taient inf\u00e9rieures \u00e0 ses performances sans aucun document (56,1 %). Il s&rsquo;agissait de mod\u00e8les de 2023 : les ordres de grandeur ne se transposent donc pas directement aux mod\u00e8les de 2026. La forme du probl\u00e8me, un milieu fragile, n&rsquo;a pourtant cess\u00e9 de r\u00e9appara\u00eetre.<\/p>\n<p><strong>La longueur annonc\u00e9e n&rsquo;est pas la longueur effective.<\/strong> RULER (Hsieh et collaborateurs, 2024) a test\u00e9 17 mod\u00e8les \u00e0 contexte long sur 13 \u00e9preuves. Presque tous obtenaient un score quasi parfait au test simple de \u00ab l&rsquo;aiguille dans une botte de foin \u00bb, mais \u00ab seule la moiti\u00e9 d&rsquo;entre eux parvient \u00e0 maintenir des performances satisfaisantes \u00e0 une longueur de 32K \u00bb. NoLiMa (Modarressi et collaborateurs, 2025) a durci le test en supprimant le recouvrement litt\u00e9ral de mots entre la question et la r\u00e9ponse, ce qui se rapproche du fonctionnement des vraies questions. Sur 13 mod\u00e8les annon\u00e7ant au moins 128K tokens, \u00ab 11 mod\u00e8les tombent sous 50 % de leurs solides scores de r\u00e9f\u00e9rence en contexte court \u00bb \u00e0 32K.<\/p>\n<p><strong>Le contexte non pertinent co\u00fbte en pr\u00e9cision, m\u00eame quand la r\u00e9ponse est pr\u00e9sente.<\/strong> Le rapport \u00ab Context Rot \u00bb de Chroma (2025), un rapport industriel publi\u00e9 par une entreprise de bases de donn\u00e9es de recherche et non \u00e9valu\u00e9 par les pairs, a \u00e9valu\u00e9 18 mod\u00e8les. Dans une exp\u00e9rience, il a compar\u00e9 des prompts cibl\u00e9s d&rsquo;environ 300 tokens avec la version compl\u00e8te de 113k tokens de la m\u00eame consigne conversationnelle, qui contenait du mat\u00e9riel non pertinent, et a observ\u00e9 \u00ab une d\u00e9gradation constante des performances avec l&rsquo;entr\u00e9e compl\u00e8te \u00bb.<\/p>\n<p><strong>Les fournisseurs disent la m\u00eame chose dans leurs propres guides.<\/strong> Le guide GPT-4.1 d&rsquo;OpenAI fait \u00e9tat de tr\u00e8s bonnes performances au test de l&rsquo;aiguille dans une botte de foin jusqu&rsquo;\u00e0 1M tokens, mais ajoute que \u00ab les performances en contexte long peuvent se d\u00e9grader lorsqu&rsquo;il faut retrouver davantage d&rsquo;\u00e9l\u00e9ments, ou mener un raisonnement complexe qui exige de conna\u00eetre l&rsquo;\u00e9tat de l&rsquo;ensemble du contexte \u00bb. La documentation de Google sur le contexte long note qu&rsquo;avec plusieurs \u00ab aiguilles \u00bb, le mod\u00e8le \u00ab n&rsquo;atteint pas la m\u00eame pr\u00e9cision \u00bb.<\/p>\n<h3 id=\"contexte-annonc-ou-contexte-effectif-ce-quont-trouv-les-benchmarks\">Contexte annonc\u00e9 ou contexte effectif : ce qu&rsquo;ont trouv\u00e9 les benchmarks<\/h3>\n<p>Les deux benchmarks d\u00e9finissent diff\u00e9remment la \u00ab longueur effective \u00bb. RULER retient la plus grande longueur \u00e0 laquelle un mod\u00e8le d\u00e9passe encore un seuil fixe (85,6 %, le score de Llama2-7B \u00e0 4K). NoLiMa retient la plus grande longueur \u00e0 laquelle un mod\u00e8le conserve au moins 85 % de son propre score en contexte court. La colonne du ratio est un calcul CEOtudent (effectif divis\u00e9 par annonc\u00e9, en prenant K pour 1 000).<\/p>\n<table>\n<thead>\n<tr>\n<th>Mod\u00e8le (ann\u00e9e du benchmark)<\/th>\n<th>Contexte annonc\u00e9<\/th>\n<th>Contexte effectif<\/th>\n<th>Part effective de l&rsquo;annonc\u00e9<\/th>\n<th>Benchmark<\/th>\n<\/tr>\n<\/thead>\n<tbody>\n<tr>\n<td>GPT-4 (2024)<\/td>\n<td>128K<\/td>\n<td>64K<\/td>\n<td>50 %<\/td>\n<td>RULER<\/td>\n<\/tr>\n<tr>\n<td>GPT-4o (2025)<\/td>\n<td>128K<\/td>\n<td>8K<\/td>\n<td>6,3 %<\/td>\n<td>NoLiMa<\/td>\n<\/tr>\n<tr>\n<td>Claude 3.5 Sonnet (2025)<\/td>\n<td>200K<\/td>\n<td>4K<\/td>\n<td>2 %<\/td>\n<td>NoLiMa<\/td>\n<\/tr>\n<tr>\n<td>Gemini 1.5 Pro (2025)<\/td>\n<td>2M<\/td>\n<td>2K<\/td>\n<td>0,1 %<\/td>\n<td>NoLiMa<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n<p><em>Synth\u00e8se originale du cadre \u00e9ditorial CEOtudent \u00e0 partir du tableau 3 de RULER et du tableau de r\u00e9sultats de NoLiMa. Il s&rsquo;agit de mod\u00e8les plus anciens, test\u00e9s sur des \u00e9preuves de recherche volontairement difficiles ; les mod\u00e8les actuels font probablement mieux, et aucun benchmark ind\u00e9pendant des mod\u00e8les de 2026 ci-dessus n&rsquo;\u00e9tait disponible au moment de la r\u00e9daction. Ce qui compte, c&rsquo;est l&rsquo;\u00e9cart, pas le chiffre exact.<\/em><\/p>\n<p>La le\u00e7on pour un travailleur du savoir est simple : la fen\u00eatre de contexte est un plafond, pas une garantie. Si votre r\u00e9ponse d\u00e9pend d&rsquo;un \u00e9l\u00e9ment enfoui \u00e0 la page 140 d&rsquo;un document coll\u00e9, le mod\u00e8le peut le manquer, et vous risquez de ne pas vous en apercevoir.<\/p>\n<h2 id=\"que-dit-la-science-cognitive-de-la-mmoire-de-travail-humaine\"><span class=\"ez-toc-section\" id=\"Que-dit-la-science-cognitive-de-la-memoire-de-travail-humaine\"><\/span>Que dit la science cognitive de la m\u00e9moire de travail humaine ?<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p>Le versant humain du probl\u00e8me est plus ancien et mieux \u00e9tudi\u00e9.<\/p>\n<p><strong>L&rsquo;empan est r\u00e9duit.<\/strong> L&rsquo;article de George Miller de 1956 observait que \u00ab cet empan compte environ sept \u00e9l\u00e9ments \u00bb, mais soulignait aussi que l&rsquo;empan se mesure en blocs, pas en bits bruts : \u00ab nous pouvons augmenter le nombre de bits d&rsquo;information qu&rsquo;il contient simplement en construisant des blocs de plus en plus grands \u00bb. La revue de Nelson Cowan de 2001 soutenait que le sept de Miller relevait \u00ab davantage d&rsquo;une estimation approximative et d&rsquo;un proc\u00e9d\u00e9 rh\u00e9torique que d&rsquo;une v\u00e9ritable limite de capacit\u00e9 \u00bb, et proposait \u00ab une limite de capacit\u00e9 centrale unique, d&rsquo;environ quatre blocs en moyenne \u00bb.<\/p>\n<p><strong>La charge se pr\u00e9sente sous trois formes.<\/strong> La th\u00e9orie de la charge cognitive, n\u00e9e des travaux de John Sweller sur la r\u00e9solution de probl\u00e8mes en 1988, distingue trois sources de charge. La revue de 2019 de Sweller, van Merrienboer et Paas les r\u00e9sume :<br \/>\n&#8211; <strong>La charge intrins\u00e8que<\/strong> est la complexit\u00e9 r\u00e9elle du travail demand\u00e9. Elle \u00ab ne peut \u00eatre modifi\u00e9e qu&rsquo;en changeant ce qui doit \u00eatre appris ou en changeant l&rsquo;expertise de l&rsquo;apprenant \u00bb.<br \/>\n&#8211; <strong>La charge extrins\u00e8que<\/strong> est le co\u00fbt d&rsquo;une mauvaise pr\u00e9sentation. Elle \u00ab n&rsquo;est pas d\u00e9termin\u00e9e par la complexit\u00e9 intrins\u00e8que de l&rsquo;information, mais par la mani\u00e8re dont l&rsquo;information est pr\u00e9sent\u00e9e et par ce que l&rsquo;on demande \u00e0 l&rsquo;apprenant de faire \u00bb.<br \/>\n&#8211; <strong>La charge essentielle<\/strong> (germane) \u00e9tait \u00e0 l&rsquo;origine d\u00e9finie comme la charge \u00ab n\u00e9cessaire pour apprendre \u00bb. La revue de 2019 la red\u00e9finit comme la m\u00e9moire de travail consacr\u00e9e au travail intrins\u00e8que plut\u00f4t que comme une charge distincte.<\/p>\n<p><strong>Le familier co\u00fbte peu.<\/strong> La m\u00eame revue note que la m\u00e9moire de travail \u00ab \u00e9tait limit\u00e9e en capacit\u00e9 et en dur\u00e9e face \u00e0 une information nouvelle, mais que ces limites disparaissaient de fait lorsque la m\u00e9moire de travail traitait une information transf\u00e9r\u00e9e depuis la m\u00e9moire \u00e0 long terme \u00bb. Les experts peuvent traiter des contenus longs et denses dans leur domaine, car ils les lisent comme quelques grands blocs.<\/p>\n<p><strong>L&rsquo;information fragment\u00e9e et redondante p\u00e9nalise.<\/strong> Chandler et Sweller (1991) ont constat\u00e9, au fil de six exp\u00e9riences, que \u00ab l&rsquo;information \u00e0 sources s\u00e9par\u00e9es peut g\u00e9n\u00e9rer une forte charge cognitive, car le mat\u00e9riel doit \u00eatre int\u00e9gr\u00e9 mentalement avant que l&rsquo;apprentissage puisse commencer \u00bb, et qu&rsquo;un \u00ab mat\u00e9riel explicatif apparemment utile mais non essentiel \u00bb pouvait avoir des \u00ab effets d\u00e9l\u00e9t\u00e8res \u00bb m\u00eame une fois int\u00e9gr\u00e9.<\/p>\n<p><strong>Ce qui aide les novices peut nuire aux experts.<\/strong> Kalyuga et collaborateurs (2003) ont nomm\u00e9 l&rsquo;effet de renversement de l&rsquo;expertise : des techniques \u00ab tr\u00e8s efficaces aupr\u00e8s d&rsquo;apprenants inexp\u00e9riment\u00e9s peuvent perdre leur efficacit\u00e9, voire avoir des cons\u00e9quences n\u00e9gatives, lorsqu&rsquo;elles sont utilis\u00e9es aupr\u00e8s d&rsquo;apprenants plus exp\u00e9riment\u00e9s \u00bb.<\/p>\n<h2 id=\"o-le-modle-et-lhumain-se-rejoignent-ils\"><span class=\"ez-toc-section\" id=\"Ou-le-modele-et-lhumain-se-rejoignent-ils\"><\/span>O\u00f9 le mod\u00e8le et l&rsquo;humain se rejoignent-ils ?<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p>Les deux litt\u00e9ratures se sont construites s\u00e9par\u00e9ment, mais elles d\u00e9crivent le m\u00eame probl\u00e8me de conception : un lecteur \u00e0 l&rsquo;attention limit\u00e9e, beaucoup de texte disponible et un travail qui d\u00e9pend de la capacit\u00e9 \u00e0 trouver et combiner les bons passages. L&rsquo;\u00e9quipe d&rsquo;ing\u00e9nierie d&rsquo;Anthropic a explicit\u00e9 la comparaison en septembre 2025 : \u00ab Comme les humains, dont la capacit\u00e9 de m\u00e9moire de travail est limit\u00e9e, les LLM disposent d&rsquo;un &ldquo;budget d&rsquo;attention&rdquo; \u00bb, et \u00ab chaque nouveau token introduit entame ce budget dans une certaine mesure \u00bb. Les auteurs du benchmark IFScale emploient le m\u00eame vocabulaire lorsqu&rsquo;ils d\u00e9crivent des mod\u00e8les qui \u00ab commencent \u00e0 peiner sous la charge cognitive \u00bb \u00e0 mesure que le nombre d&rsquo;instructions augmente. Ce sont des analogies, pas la preuve que mod\u00e8les et cerveaux fonctionnent de la m\u00eame fa\u00e7on. Elles sont utiles parce que les conseils de conception des deux camps convergent.<\/p>\n<table>\n<thead>\n<tr>\n<th>Probl\u00e8me de conception<\/th>\n<th>Donn\u00e9es sur l&rsquo;humain<\/th>\n<th>Donn\u00e9es sur le mod\u00e8le<\/th>\n<th>Ce que cela implique pour votre prompt<\/th>\n<\/tr>\n<\/thead>\n<tbody>\n<tr>\n<td>Trop d&rsquo;\u00e9l\u00e9ments \u00e0 la fois<\/td>\n<td>Environ quatre blocs d&rsquo;information nouvelle (Cowan, 2001)<\/td>\n<td>La moiti\u00e9 des 17 mod\u00e8les se d\u00e9gradent d\u00e8s 32K (RULER)<\/td>\n<td>Envoyez le plus petit ensemble de mat\u00e9riel qui r\u00e9pond \u00e0 la question<\/td>\n<\/tr>\n<tr>\n<td>Effets de position<\/td>\n<td>Non couverts par les sources examin\u00e9es ici<\/td>\n<td>Meilleurs au d\u00e9but ou \u00e0 la fin, milieu fragile (Liu et collaborateurs, 2024)<\/td>\n<td>Placez le mat\u00e9riel en premier et la question en dernier, ou r\u00e9p\u00e9tez les instructions cl\u00e9s<\/td>\n<\/tr>\n<tr>\n<td>Mat\u00e9riel non pertinent<\/td>\n<td>Une explication non essentielle peut nuire (Chandler et Sweller, 1991)<\/td>\n<td>L&rsquo;entr\u00e9e compl\u00e8te de 113k tokens fait moins bien qu&rsquo;une version cibl\u00e9e de 300 tokens (Chroma, 2025)<\/td>\n<td>Supprimez ce que vous sauteriez vous-m\u00eame<\/td>\n<\/tr>\n<tr>\n<td>Instructions contradictoires<\/td>\n<td>Les sources s\u00e9par\u00e9es doivent \u00eatre int\u00e9gr\u00e9es avant de commencer le travail<\/td>\n<td>GPT-5 \u00ab d\u00e9pense des tokens de raisonnement \u00e0 chercher un moyen de concilier les contradictions \u00bb (OpenAI)<\/td>\n<td>R\u00e9solvez les contradictions avant l&rsquo;envoi<\/td>\n<\/tr>\n<tr>\n<td>Trop de r\u00e8gles<\/td>\n<td>Limites de la m\u00e9moire de travail face \u00e0 des r\u00e8gles nouvelles<\/td>\n<td>Le meilleur de 20 mod\u00e8les atteint 68 % de pr\u00e9cision \u00e0 500 instructions (IFScale)<\/td>\n<td>Gardez peu de r\u00e8gles permanentes, et pr\u00e9cises<\/td>\n<\/tr>\n<tr>\n<td>Expertise<\/td>\n<td>Le familier co\u00fbte peu (Sweller et collaborateurs, 2019)<\/td>\n<td>Anthropic : \u00ab les balises XML aident Claude \u00e0 analyser sans ambigu\u00eft\u00e9 des prompts complexes \u00bb<\/td>\n<td>Structurez les entr\u00e9es pour qu&rsquo;elles se lisent comme quelques grands blocs<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n<p><em>Tableau comparatif : cadre \u00e9ditorial CEOtudent, construit \u00e0 partir des sources cit\u00e9es dans chaque cellule.<\/em><\/p>\n<h2 id=\"le-load-fit-prompt-une-mthode-en-cinq-tapes\"><span class=\"ez-toc-section\" id=\"Le-Load-Fit-Prompt-une-methode-en-cinq-etapes\"><\/span>Le Load-Fit Prompt : une m\u00e9thode en cinq \u00e9tapes<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p>La m\u00e9thode ci-dessous rel\u00e8ve du cadre \u00e9ditorial CEOtudent. Ce n&rsquo;est pas un protocole test\u00e9 ; elle traduit les donn\u00e9es ci-dessus en \u00e9tapes applicables \u00e0 tout prompt s\u00e9rieux. Son principe : un prompt doit tenir dans deux m\u00e9moires de travail \u00e0 la fois, celle du mod\u00e8le, pour qu&rsquo;il exploite bien le contexte, et la v\u00f4tre, pour que vous puissiez v\u00e9rifier la r\u00e9ponse.<\/p>\n<p><strong>\u00c9tape 1. Nommez la charge intrins\u00e8que en une phrase.<\/strong> \u00c9crivez ce qu&rsquo;est r\u00e9ellement le travail demand\u00e9 avant d&rsquo;ajouter quoi que ce soit. \u00ab D\u00e9terminer si la clause 7 de ce contrat entre en conflit avec notre politique de donn\u00e9es \u00bb est une consigne. \u00ab Regarde ce contrat \u00bb n&rsquo;en est pas une. Si vous ne parvenez pas \u00e0 \u00e9crire cette phrase, le probl\u00e8me ne vient pas du mod\u00e8le.<\/p>\n<p><strong>\u00c9tape 2. R\u00e9duisez la charge extrins\u00e8que.<\/strong> Passez en revue chaque document et chaque instruction que vous vous appr\u00eatiez \u00e0 coller, et demandez-vous : en aurais-je besoin pour faire ce travail moi-m\u00eame ? Supprimez le reste. Les ing\u00e9nieurs d&rsquo;Anthropic d\u00e9crivent l&rsquo;objectif comme \u00ab le plus petit ensemble possible de tokens \u00e0 fort signal qui maximise la probabilit\u00e9 d&rsquo;obtenir le r\u00e9sultat souhait\u00e9 \u00bb. Concr\u00e8tement, cela signifie des extraits plut\u00f4t que des fichiers entiers, une seule version d&rsquo;un document plut\u00f4t que trois brouillons, et aucun contexte que vous sauteriez si un coll\u00e8gue vous le remettait.<\/p>\n<p><strong>\u00c9tape 3. D\u00e9coupez ce qui reste en blocs.<\/strong> \u00c9tiquetez chaque bloc de mat\u00e9riel avec un court intitul\u00e9 ou une balise pour qu&rsquo;il se lise comme un seul bloc, \u00e0 la mani\u00e8re dont un expert lit un contenu familier. Limitez les r\u00e8gles permanentes \u00e0 une liste courte. L&rsquo;heuristique des quatre blocs, pas plus d&rsquo;environ quatre demandes distinctes par requ\u00eate, est une r\u00e8gle empirique \u00e9ditoriale tir\u00e9e de l&rsquo;estimation de Cowan pour les humains ; ce n&rsquo;est pas une limite mesur\u00e9e des mod\u00e8les.<\/p>\n<p><strong>\u00c9tape 4. Jouez sur la position.<\/strong> Pour les entr\u00e9es longues, Anthropic recommande de placer \u00ab vos longs documents et entr\u00e9es vers le haut du prompt, au-dessus de votre question \u00bb, et indique que \u00ab les questions plac\u00e9es \u00e0 la fin peuvent am\u00e9liorer la qualit\u00e9 des r\u00e9ponses jusqu&rsquo;\u00e0 30 % lors des tests \u00bb. Google donne le m\u00eame conseil. Le guide GPT-4.1 d&rsquo;OpenAI a constat\u00e9 que placer les instructions \u00ab \u00e0 la fois au d\u00e9but et \u00e0 la fin du contexte fourni \u00bb donnait les meilleurs r\u00e9sultats. Un choix par d\u00e9faut s\u00fbr qui satisfait les trois : une consigne d&rsquo;une ligne en haut, le mat\u00e9riel au milieu, et la question compl\u00e8te avec le format de sortie \u00e0 la fin.<\/p>\n<p><strong>\u00c9tape 5. Rendez la r\u00e9ponse v\u00e9rifiable.<\/strong> Demandez au mod\u00e8le de citer les passages sur lesquels il s&rsquo;appuie avant de r\u00e9pondre. Anthropic sugg\u00e8re pr\u00e9cis\u00e9ment cela pour les longs documents : \u00ab demandez \u00e0 Claude de citer d&rsquo;abord les parties pertinentes des documents \u00bb. Les citations transforment un long contexte en un contexte court pour vous, le relecteur, et r\u00e9v\u00e8lent quand le mod\u00e8le est all\u00e9 puiser dans le milieu fragile pour en revenir avec la mauvaise information.<\/p>\n<h3 id=\"la-carte-de-charge-du-prompt\">La carte de charge du prompt<\/h3>\n<table>\n<thead>\n<tr>\n<th>Type de charge<\/th>\n<th>Dans un prompt, cela ressemble \u00e0<\/th>\n<th>Signe qu&rsquo;elle est trop \u00e9lev\u00e9e<\/th>\n<th>Correctif<\/th>\n<\/tr>\n<\/thead>\n<tbody>\n<tr>\n<td>Intrins\u00e8que<\/td>\n<td>La difficult\u00e9 r\u00e9elle du travail demand\u00e9<\/td>\n<td>Vous ne parvenez pas \u00e0 formuler la consigne en une phrase<\/td>\n<td>D\u00e9coupez le travail en prompts successifs<\/td>\n<\/tr>\n<tr>\n<td>Extrins\u00e8que<\/td>\n<td>Fichiers coll\u00e9s, anciens brouillons, r\u00e8gles contradictoires, long historique de conversation<\/td>\n<td>La r\u00e9ponse cite la mauvaise section ou ignore un fait cl\u00e9<\/td>\n<td>R\u00e9duisez \u00e0 des extraits ; ouvrez une nouvelle conversation avec un r\u00e9sum\u00e9<\/td>\n<\/tr>\n<tr>\n<td>Essentielle (r\u00e9orient\u00e9e)<\/td>\n<td>\u00c9tiquettes, exemples, format de sortie explicite<\/td>\n<td>Vous passez plus de temps \u00e0 interpr\u00e9ter la r\u00e9ponse qu&rsquo;\u00e0 la lire<\/td>\n<td>Ajoutez de la structure : intitul\u00e9s, mod\u00e8le, un exemple r\u00e9solu<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n<p><em>Cadre \u00e9ditorial CEOtudent, adapt\u00e9 des trois cat\u00e9gories de charge de Sweller, van Merrienboer et Paas (2019).<\/em><\/p>\n<h2 id=\"pourquoi-est-ce-important-pour-votre-propre-rflexion\"><span class=\"ez-toc-section\" id=\"Pourquoi-est-ce-important-pour-votre-propre-reflexion\"><\/span>Pourquoi est-ce important pour votre propre r\u00e9flexion ?<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p>Chaque prompt contient une seconde m\u00e9moire de travail : la v\u00f4tre. Les longs prompts et les longues r\u00e9ponses d\u00e9placent l&rsquo;effort de la r\u00e9flexion vers la relecture, et les donn\u00e9es sugg\u00e8rent que les gens ne suivent pas toujours.<\/p>\n<ul>\n<li>Dans une enqu\u00eate aupr\u00e8s de 319 travailleurs du savoir ayant partag\u00e9 936 exemples, Lee et collaborateurs (CHI 2025) ont constat\u00e9 qu&rsquo;\u00ab une confiance plus \u00e9lev\u00e9e dans l&rsquo;IA g\u00e9n\u00e9rative est associ\u00e9e \u00e0 moins d&rsquo;esprit critique, tandis qu&rsquo;une confiance en soi plus \u00e9lev\u00e9e est associ\u00e9e \u00e0 davantage d&rsquo;esprit critique \u00bb. La nature de l&rsquo;esprit critique s&rsquo;est d\u00e9plac\u00e9e \u00ab vers la v\u00e9rification de l&rsquo;information, l&rsquo;int\u00e9gration des r\u00e9ponses et la supervision du travail \u00bb. Ces donn\u00e9es sont autod\u00e9clar\u00e9es et corr\u00e9lationnelles.<\/li>\n<li>Gerlich (2025) a interrog\u00e9 par questionnaire et entretien 666 participants et a rapport\u00e9 \u00ab une corr\u00e9lation n\u00e9gative significative entre l&rsquo;usage fr\u00e9quent d&rsquo;outils d&rsquo;IA et les capacit\u00e9s d&rsquo;esprit critique, m\u00e9di\u00e9e par un d\u00e9chargement cognitif accru \u00bb. L\u00e0 encore, il s&rsquo;agit de corr\u00e9lations.<\/li>\n<li>Dans une pr\u00e9publication du MIT Media Lab qui n&rsquo;a pas encore \u00e9t\u00e9 \u00e9valu\u00e9e par les pairs, Kosmyna et collaborateurs (2025) ont suivi 54 participants r\u00e9digeant des essais. Lors de la premi\u00e8re s\u00e9ance, 83,3 % du groupe assist\u00e9 par l&rsquo;IA (15 sur 18) n&rsquo;ont pas pu citer correctement leur propre essai, contre 11,1 % (2 sur 18) dans chacun des deux autres groupes. L&rsquo;\u00e9chantillon est r\u00e9duit et le cadre \u00e9troit.<\/li>\n<li>Dans une exp\u00e9rience de terrain pr\u00e9enregistr\u00e9e men\u00e9e aupr\u00e8s de 758 travailleurs du savoir, Dell&rsquo;Acqua et collaborateurs (Organization Science, 2026) ont constat\u00e9 que, sur 18 missions situ\u00e9es dans le champ des capacit\u00e9s de l&rsquo;IA, les utilisateurs de l&rsquo;IA ont accompli 12,2 % de missions en plus, 25,1 % plus vite, avec une qualit\u00e9 nettement sup\u00e9rieure. Sur une mission situ\u00e9e hors de ce champ, ils avaient \u00ab 19 % de probabilit\u00e9 en moins de produire des solutions correctes \u00bb. Savoir de quel c\u00f4t\u00e9 de la fronti\u00e8re se situe une mission reste un travail humain.<\/li>\n<\/ul>\n<p>Risko et Gilbert (2016) d\u00e9finissent le d\u00e9chargement cognitif comme le recours \u00e0 \u00ab une action physique pour modifier les exigences de traitement de l&rsquo;information d&rsquo;un travail afin de r\u00e9duire la demande cognitive \u00bb. Le d\u00e9chargement n&rsquo;est pas le probl\u00e8me ; c&rsquo;est ainsi que les humains ont toujours \u00e9tendu leur esprit. Le probl\u00e8me, c&rsquo;est de d\u00e9charger la v\u00e9rification. Un prompt que vous ne pouvez pas relire en quelques minutes est un prompt que vous approuverez sans le relire. Pour approfondir ce compromis, consultez <a href=\"\/fr\/lia-vous-rend-elle-moins-bon-en-reflexion-recherche-dechargement-cognitif\">si l&rsquo;IA vous rend moins bon en r\u00e9flexion<\/a> et <a href=\"\/fr\/budget-charge-cognitive-energie-mentale-2026\">le budget de charge cognitive<\/a>.<\/p>\n<h2 id=\"quand-faut-il-malgr-tout-utiliser-le-contexte-long\"><span class=\"ez-toc-section\" id=\"Quand-faut-il-malgre-tout-utiliser-le-contexte-long\"><\/span>Quand faut-il malgr\u00e9 tout utiliser le contexte long ?<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p>L&rsquo;objectif n&rsquo;est pas d&rsquo;\u00e9crire des prompts courts pour le principe. Le contexte long est le bon outil lorsque :<br \/>\n&#8211; <strong>Le travail consiste \u00e0 chercher dans un vaste ensemble que vous ne pouvez pas filtrer en amont<\/strong>, comme retrouver chaque mention d&rsquo;un fournisseur dans une ann\u00e9e de comptes rendus de r\u00e9union. Attendez-vous \u00e0 des oublis et demandez des citations.<br \/>\n&#8211; <strong>La coh\u00e9rence de l&rsquo;ensemble du document est l&rsquo;enjeu<\/strong>, comme v\u00e9rifier les contradictions d&rsquo;une proposition de 60 pages. D\u00e9coupez-la en sections et demandez au mod\u00e8le de r\u00e9sumer chacune avant de les comparer.<br \/>\n&#8211; <strong>Vous mettez en place un espace de travail r\u00e9utilisable<\/strong>, comme un projet dot\u00e9 de documents de r\u00e9f\u00e9rence permanents. Ici, la structure du mat\u00e9riel compte plus que sa taille : un fichier de contexte propre et \u00e9tiquet\u00e9 vaut mieux qu&rsquo;un dossier d&rsquo;exports bruts. Le choix du bon mod\u00e8le pour ce travail est trait\u00e9 dans <a href=\"\/fr\/quel-modele-ia-pour-quelle-tache-guide-routage-2026\">quel mod\u00e8le d&rsquo;IA pour quel usage<\/a>, et la r\u00e9utilisation de vos meilleurs prompts dans <a href=\"\/fr\/bibliotheques-de-prompts-pour-professionnels-construire-organiser-reutiliser-vos-meilleurs-prompts\">les biblioth\u00e8ques de prompts pour professionnels<\/a>.<\/p>\n<p>C&rsquo;est le mauvais outil lorsque la vraie raison pour laquelle vous collez tout est que vous n&rsquo;avez pas encore d\u00e9cid\u00e9 quelle est la question.<\/p>\n<h2 id=\"une-vrification-load-fit-en-10-minutes\"><span class=\"ez-toc-section\" id=\"Une-verification-Load-Fit-en-10-minutes\"><\/span>Une v\u00e9rification Load-Fit en 10 minutes<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p>Appliquez-la avant tout prompt dont la relecture vous prendra plus de cinq minutes :<\/p>\n<ol>\n<li>Puis-je formuler la consigne en une phrase ?<\/li>\n<li>Ai-je retir\u00e9 chaque document dont je n&rsquo;aurais pas besoin moi-m\u00eame ?<\/li>\n<li>N&rsquo;y a-t-il qu&rsquo;une seule version de chaque document ?<\/li>\n<li>Ai-je r\u00e9solu les instructions contradictoires ?<\/li>\n<li>Y a-t-il quatre demandes distinctes ou moins ?<\/li>\n<li>Chaque bloc de mat\u00e9riel est-il \u00e9tiquet\u00e9 ?<\/li>\n<li>Le mat\u00e9riel est-il en haut et la question \u00e0 la fin ?<\/li>\n<li>Ai-je pr\u00e9cis\u00e9 le format de sortie ?<\/li>\n<li>Ai-je demand\u00e9 des citations ou des r\u00e9f\u00e9rences aux passages sources ?<\/li>\n<li>Pourrais-je v\u00e9rifier la r\u00e9ponse dans le temps dont je dispose ?<\/li>\n<\/ol>\n<p><em>Liste de contr\u00f4le : cadre \u00e9ditorial CEOtudent.<\/em><\/p>\n<h2 id=\"questions-frquentes\"><span class=\"ez-toc-section\" id=\"Questions-frequentes\"><\/span>Questions fr\u00e9quentes<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p><strong>Une fen\u00eatre de contexte de 1M tokens est-elle donc inutile ?<\/strong><br \/>\nNon. Elle supprime une limite stricte, ce qui est pr\u00e9cieux pour la recherche et pour les espaces de travail r\u00e9utilisables. Les benchmarks montrent que la qualit\u00e9 d&rsquo;utilisation d\u00e9cro\u00eet bien avant la limite : il vaut donc mieux consid\u00e9rer la fen\u00eatre comme une marge que comme un objectif.<\/p>\n<p><strong>Ces r\u00e9sultats de benchmarks s&rsquo;appliquent-ils aux mod\u00e8les les plus r\u00e9cents ?<\/strong><br \/>\nPas directement. RULER et NoLiMa ont test\u00e9 des mod\u00e8les de 2024 et du d\u00e9but de 2025, et les mod\u00e8les plus r\u00e9cents feront probablement mieux. Les guides des fournisseurs pour les mod\u00e8les actuels recommandent toujours un contexte cibl\u00e9 et un placement soign\u00e9, et aucun benchmark ind\u00e9pendant des mod\u00e8les de 2026 cit\u00e9s plus haut n&rsquo;\u00e9tait disponible au moment de la r\u00e9daction de cet article.<\/p>\n<p><strong>Les instructions doivent-elles aller en haut ou en bas ?<\/strong><br \/>\nLes fournisseurs divergent l\u00e9g\u00e8rement. Anthropic et Google recommandent le mat\u00e9riel long en premier et la question en dernier. Le guide GPT-4.1 d&rsquo;OpenAI a constat\u00e9 que les instructions plac\u00e9es \u00e0 la fois au d\u00e9but et \u00e0 la fin donnaient les meilleurs r\u00e9sultats, et qu&rsquo;au-dessus du contexte valait mieux qu&rsquo;en dessous si vous ne les placez qu&rsquo;une fois. Une courte ligne de consigne en haut et la question compl\u00e8te \u00e0 la fin couvrent les deux cas.<\/p>\n<p><strong>\u00ab Sept plus ou moins deux \u00bb reste-t-il la r\u00e8gle pour la m\u00e9moire de travail ?<\/strong><br \/>\nMiller lui-m\u00eame pr\u00e9sentait sept comme une approximation, mesur\u00e9e en blocs. La revue de Cowan de 2001 situe la limite \u00e0 environ quatre blocs d&rsquo;information nouvelle. Le chiffre exact importe moins que le principe : des blocs moins nombreux, plus grands et bien \u00e9tiquet\u00e9s.<\/p>\n<p><strong>Cela signifie-t-il que l&rsquo;IA fait moins r\u00e9fl\u00e9chir les gens ?<\/strong><br \/>\nLes donn\u00e9es sont contrast\u00e9es et surtout corr\u00e9lationnelles. La lecture la plus prudente est que la confiance dans l&rsquo;outil tend \u00e0 r\u00e9duire l&rsquo;effort que les gens consacrent \u00e0 le v\u00e9rifier. Concevoir des prompts dont vous pouvez v\u00e9rifier les r\u00e9ponses permet de maintenir cet effort.<\/p>\n<h2 id=\"sources\"><span class=\"ez-toc-section\" id=\"Sources\"><\/span>Sources<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<ol>\n<li>Anthropic. Models overview; Context windows; Prompting best practices (long context prompting). Claude Platform Docs. Consult\u00e9 le 7 octobre 2026.<\/li>\n<li>Anthropic Applied AI team. Effective context engineering for AI agents. Anthropic Engineering, 29 septembre 2025.<\/li>\n<li>OpenAI. Models. Documentation de l&rsquo;API OpenAI. Consult\u00e9 le 7 octobre 2026.<\/li>\n<li>OpenAI. GPT-4.1 Prompting Guide; GPT-5 prompting guide. OpenAI Cookbook, 2025.<\/li>\n<li>Google. Pages des mod\u00e8les Gemini 3.1 Pro Preview et Gemini 3.8 Flash ; Long context ; Understand and count tokens. Documentation de l&rsquo;API Gemini. Consult\u00e9 le 7 octobre 2026.<\/li>\n<li>Liu NF, Lin K, Hewitt J, Paranjape A, Bevilacqua M, Petroni F, Liang P. Lost in the Middle: How Language Models Use Long Contexts. Transactions of the Association for Computational Linguistics. 2024;12:157-173.<\/li>\n<li>Hsieh CP, Sun S, Kriman S, Acharya S, Rekesh D, Jia F, Zhang Y, Ginsburg B. RULER: What&rsquo;s the Real Context Size of Your Long-Context Language Models? COLM 2024.<\/li>\n<li>Modarressi A, Deilamsalehy H, Dernoncourt F, Bui T, Rossi R, Yoon S, Schuetze H. NoLiMa: Long-Context Evaluation Beyond Literal Matching. ICML 2025.<\/li>\n<li>Hong K, Troynikov A, Huber J. Context Rot: How Increasing Input Tokens Impacts LLM Performance. Chroma Technical Report, 14 juillet 2025. Rapport industriel, non \u00e9valu\u00e9 par les pairs.<\/li>\n<li>Jaroslawicz D, Whiting B, Shah P, Maamari K. How Many Instructions Can LLMs Follow at Once? arXiv 2507.11538, 2025. Pr\u00e9publication.<\/li>\n<li>Miller GA. The magical number seven, plus or minus two: Some limits on our capacity for processing information. Psychological Review. 1956;63(2):81-97.<\/li>\n<li>Cowan N. The magical number 4 in short-term memory: A reconsideration of mental storage capacity. Behavioral and Brain Sciences. 2001;24(1):87-114. R\u00e9sum\u00e9.<\/li>\n<li>Sweller J. Cognitive load during problem solving: Effects on learning. Cognitive Science. 1988;12(2):257-285. R\u00e9sum\u00e9.<\/li>\n<li>Sweller J, van Merrienboer JJG, Paas F. Cognitive Architecture and Instructional Design: 20 Years Later. Educational Psychology Review. 2019;31:261-292.<\/li>\n<li>Chandler P, Sweller J. Cognitive Load Theory and the Format of Instruction. Cognition and Instruction. 1991;8(4):293-332. R\u00e9sum\u00e9.<\/li>\n<li>Kalyuga S, Ayres P, Chandler P, Sweller J. The Expertise Reversal Effect. Educational Psychologist. 2003;38(1):23-31. R\u00e9sum\u00e9.<\/li>\n<li>Risko EF, Gilbert SJ. Cognitive Offloading. Trends in Cognitive Sciences. 2016;20(9):676-688. R\u00e9sum\u00e9.<\/li>\n<li>Lee HP, Sarkar A, Tankelevitch L, Drosos I, Rintel S, Banks R, Wilson N. The Impact of Generative AI on Critical Thinking: Self-Reported Reductions in Cognitive Effort and Confidence Effects From a Survey of Knowledge Workers. CHI 2025.<\/li>\n<li>Gerlich M. AI Tools in Society: Impacts on Cognitive Offloading and the Future of Critical Thinking. Societies. 2025;15(1):6. R\u00e9sum\u00e9.<\/li>\n<li>Kosmyna N, Hauptmann E, Yuan YT, Situ J, Liao XH, Beresnitzky AV, Braunstein I, Maes P. Your Brain on ChatGPT: Accumulation of Cognitive Debt when Using an AI Assistant for Essay Writing Task. MIT Media Lab, arXiv 2506.08872, 2025. Pr\u00e9publication, non \u00e9valu\u00e9e par les pairs.<\/li>\n<li>Dell&rsquo;Acqua F, McFowland E III, Mollick E, Lifshitz-Assaf H, et collaborateurs. Navigating the Jagged Technological Frontier: Field Experimental Evidence of the Effects of Artificial Intelligence on Knowledge Worker Productivity and Quality. Organization Science. 2026;37(2). R\u00e9sum\u00e9.<\/li>\n<\/ol>\n<p><em>Le tableau contexte annonc\u00e9 ou effectif, le tableau comparatif humain-mod\u00e8le, la m\u00e9thode Load-Fit Prompt, la carte de charge du prompt et la v\u00e9rification en 10 minutes sont des analyses CEOtudent fond\u00e9es sur les sources ci-dessus. Tous les autres chiffres sont rapport\u00e9s tels qu&rsquo;ils figurent dans ces sources ; les sources consult\u00e9es uniquement sous forme de r\u00e9sum\u00e9 sont signal\u00e9es. Deux chiffres largement repris n&rsquo;ont pas \u00e9t\u00e9 utilis\u00e9s, faute d&rsquo;avoir pu \u00eatre retrouv\u00e9s dans les textes publi\u00e9s : un r\u00e9sultat de \u00ab qualit\u00e9 sup\u00e9rieure de 40 % \u00bb attribu\u00e9 \u00e0 l&rsquo;\u00e9tude sur la fronti\u00e8re technologique irr\u00e9guli\u00e8re, et une r\u00e8gle de \u00ab trois quarts de mot par token \u00bb attribu\u00e9e \u00e0 OpenAI.<\/em><\/p>\n<hr>\n<p><em>Ce contenu a \u00e9t\u00e9 compil\u00e9 avec le soutien de l&rsquo;IA \u00e0 la suite d&rsquo;une recherche approfondie, puis r\u00e9dig\u00e9 et pr\u00e9par\u00e9 pour publication par l&rsquo;\u00e9quipe \u00e9ditoriale de CEOtudent.<\/em><\/p>\n","protected":false},"excerpt":{"rendered":"<p>Les mod\u00e8les d&rsquo;IA de pointe acceptent d\u00e9sormais environ un million de tokens, soit \u00e0 peu pr\u00e8s 600 000 \u00e0 800 000 mots anglais. Cela ne signifie pas qu&rsquo;ils en font bon usage. Des benchmarks ind\u00e9pendants ont montr\u00e9 que les mod\u00e8les annon\u00e7ant 128K tokens ou plus ne conservent souvent leur pr\u00e9cision en contexte court que sur une petite fraction de cette longueur, et GPT-4o est pass\u00e9 de 99,3 \u00e0 69,7 % \u00e0 32K tokens sur un test sans raccourcis par mots-cl\u00e9s. La m\u00e9moire de travail humaine pose le m\u00eame type de probl\u00e8me \u00e0 une \u00e9chelle bien plus r\u00e9duite : environ quatre blocs. Ce guide transpose la th\u00e9orie de la charge cognitive \u00e0 la conception de prompts, compare dans un seul tableau le contexte annonc\u00e9 et le contexte effectif, et propose une m\u00e9thode identifi\u00e9e, le Load-Fit Prompt, pour \u00e9crire des prompts assez courts pour que vous puissiez les v\u00e9rifier et assez cibl\u00e9s pour que le mod\u00e8le les exploite.<\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[4599,5],"tags":[],"class_list":["post-326368","post","type-post","status-publish","format-standard","hentry","category-gelisim","category-is"],"_links":{"self":[{"href":"https:\/\/ceotudent.com\/fr\/wp-json\/wp\/v2\/posts\/326368","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/ceotudent.com\/fr\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/ceotudent.com\/fr\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/ceotudent.com\/fr\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/ceotudent.com\/fr\/wp-json\/wp\/v2\/comments?post=326368"}],"version-history":[{"count":0,"href":"https:\/\/ceotudent.com\/fr\/wp-json\/wp\/v2\/posts\/326368\/revisions"}],"wp:attachment":[{"href":"https:\/\/ceotudent.com\/fr\/wp-json\/wp\/v2\/media?parent=326368"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/ceotudent.com\/fr\/wp-json\/wp\/v2\/categories?post=326368"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/ceotudent.com\/fr\/wp-json\/wp\/v2\/tags?post=326368"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}