L’essentiel. La plupart des professionnels utilisent désormais l’IA au travail, et presque aucun ne conserve ce qui fonctionne. L’enquête Gallup de mai 2026 a établi que 52 pour cent des salariés américains utilisent l’IA dans leur poste au moins quelques fois par an, 30 pour cent quelques fois par semaine ou plus et 15 pour cent chaque jour, contre 40, 19 et 8 pour cent un an plus tôt. Seuls 25 pour cent disent que leur organisation a communiqué un plan clair pour l’intégrer. La série d’enquêtes de la Federal Reserve Bank of St. Louis chiffre le temps gagné par les travailleurs qui utilisent l’IA générative à 5,4 pour cent de leurs heures, soit environ 2,2 heures sur une semaine de 40 heures, et la part de l’ensemble des heures de travail économisées est passée de 1,6 pour cent à 2,2 pour cent entre fin 2024 et mi-2026. Trois courants de recherche montrent pourquoi une bibliothèque de prompts personnelle est le moyen le moins coûteux de faire fructifier ce temps. Les prompts sont fragiles : dans une étude de référence, le simple changement des séparateurs, des espaces ou de la casse a fait varier la précision jusqu’à 76 points, et un seul modèle de prompt produit des classements peu fiables des modèles d’IA sur de nombreuses taches. Les gens conçoivent mal leurs prompts par défaut : dans une étude de Berkeley, des non-experts ont itéré de façon opportuniste et crié victoire après une seule bonne sortie. Et la qualité du prompt compte : dans un échantillon contrôlé d’étudiants, elle expliquait 53 à 78 pour cent de la variance de la qualité des résultats. Une analyse CEOtudent croise les enquêtes d’adoption avec huit expériences de terrain dans un Indice de priorité des modèles qui vous dit quelles familles de taches méritent d’abord leur propre modèle de prompt, puis fournit la fiche de prompt, la structure de dossiers et les règles de maintenance. Le réflexe du CEO consiste à traiter vos prompts comme des actifs versionnés. Le réflexe de l’étudiant consiste à traiter chacun d’eux comme une hypothèse assortie de cas de test.
Cet article est le volet « système » de notre dossier sur la pile de compétences IA. Ce dossier soutenait que le prompting n’est qu’une couche parmi plusieurs. Celui-ci porte sur la couche que la plupart des professionnels sautent : stocker, tester et réutiliser les prompts qui fonctionnent déjà pour eux.
Pourquoi une bibliothèque compte-t-elle plus qu’un meilleur prompt ?
Quatre résultats, issus chacun d’un type d’étude différent, convergent vers la même conclusion.
Les prompts sont fragiles, réutilisez donc exactement celui qui a fonctionné. Dans un article présenté à l’ICLR 2024, Sclar, Choi, Tsvetkov et Suhr n’ont modifié que la mise en forme de prompts few-shot (séparateurs, espacement, casse des noms de champs) et ont constaté « des écarts de performance allant jusqu’à 76 points de précision » pour LLaMA-2-13B, avec environ 10 points de variation en moyenne sur plus de 50 taches et plusieurs modèles. La sensibilité diminuait sans disparaître pour les modèles plus grands et ajustés par instructions ; GPT-3.5 affichait un écart médian de 0,064 et un maximum de 0,562 sur 53 taches. Mizrahi et ses collègues, qui ont évalué 20 modèles sur 39 taches avec plus de 5 000 paraphrases d’instructions, ont constaté qu’un seul modèle de prompt « conduit à des classements peu fiables pour nombre des taches », la plupart des scores d’accord se situant sous 0,85. La lecture pratique n’est pas qu’il faut concevoir le prompt parfait. C’est qu’une fois qu’un format fonctionne pour votre tache, le retaper de mémoire à chaque fois revient à jeter le résultat.
Par défaut, les gens itèrent mal. Zamfirescu-Pereira, Wong, Hartmann et Yang ont observé 10 non-experts concevoir des prompts de chatbot pour CHI 2023. Les participants « exploraient les conceptions de prompts de façon opportuniste, et non systématique », généralisaient à l’excès « à partir d’observations isolées de succès et d’échec », et « la plupart des participants déclarent le succès après une seule occurrence, puis passent à autre chose ». Plusieurs tenaient à commencer chaque instruction par « s’il vous plaît ». Une bibliothèque assortie de cas de test est la contre-mesure directe : un prompt n’est pas promu tant qu’il n’a pas fonctionné sur plus d’une entrée.
La qualité du prompt prédit la qualité du résultat. Dans une étude de 2024 menée auprès de 45 étudiants universitaires par Knoth, Tolzin, Janson et Leimeister, la qualité du prompt (notée sur six composantes) expliquait 53 pour cent de la variance de la qualité des résultats sur une tache de planification de voyage et 78 pour cent sur une tache de planification de projet. L’échantillon est petit et les taches sont académiques, mais la direction est cohérente avec chacune des expériences de terrain ci-dessous.
Les gains sont réels mais inégaux, il vous faut donc une carte pour savoir où ils se trouvent. Les expériences de terrain résumées dans la section suivante rapportent des effets de productivité importants sur des familles de taches précises et une pénalité mesurable quand l’IA est utilisée hors de son domaine de compétence. Une bibliothèque est l’endroit où vous consignez les deux faces : à quoi sert un prompt, et à quoi il ne doit pas servir.
Qu’ont réellement mesuré les expériences de terrain ?
| Étude (source primaire) | Cadre et échantillon | Famille de taches | Effet vérifié | Réserve consignée dans l’article |
|---|---|---|---|---|
| Noy et Zhang, 2023, Science | 453 professionnels diplômés du supérieur, taches d’écriture rémunérées à la performance, la moitié avec accès à ChatGPT | Rédaction professionnelle | Temps moyen en baisse de 40 %, qualité en hausse de 18 % ; les travailleurs exposés étaient 2 fois plus susceptibles de l’utiliser dans leur emploi deux semaines plus tard | Taches courtes notées par des évaluateurs ; un seul outil et une seule génération de modèle |
| Dell’Acqua et ses collègues, 2023, document de travail de la Harvard Business School | 758 consultants d’un même cabinet, 18 taches réalistes à l’intérieur de la frontière de l’IA, une tache à l’extérieur | Analyse, rédaction, notes de stratégie | À l’intérieur de la frontière : 12,2 % de taches en plus, 25,1 % plus rapides, qualité supérieure de plus de 40 % ; les performeurs sous la moyenne ont gagné 43 %, ceux au-dessus 17 %. Le groupe ayant reçu une initiation au prompt engineering a relevé les scores de qualité de 25,1 % contre 17,9 % pour l’IA seule | À l’extérieur de la frontière, les utilisateurs d’IA avaient 19 points de pourcentage de moins de chances d’avoir raison (groupe témoin environ 84,5 %, groupes IA 60 et 70 %) |
| Brynjolfsson, Li et Raymond, 2025, Quarterly Journal of Economics (version arXiv) | 5 172 agents de support client, déploiement échelonné d’un assistant IA | Support client par chat | Problèmes résolus par heure en hausse de 15 % en moyenne ; environ 30 % pour les agents les moins expérimentés, 36 % dans le quintile de compétence le plus bas ; les agents ont suivi les recommandations 35 % du temps | Gains minimes et légères baisses de qualité pour les agents les plus expérimentés |
| Peng, Kalliamvakou, Cihon et Demirer, 2023, arXiv | 95 programmeurs professionnels, une tache de serveur HTTP | Programmation | Groupe traité 55,8 % plus rapide (71,17 contre 160,89 minutes), intervalle de confiance de 21 à 89 % | Une seule tache et un petit échantillon, d’où un intervalle de confiance large |
| Cui, Demirer, Jaffe, Musolff, Peng et Salz, 2025 (Microsoft, Accenture et une entreprise du Fortune 100) | 4 867 développeurs répartis sur trois déploiements randomisés | Programmation | 26,08 % de taches terminées en plus (erreur type 10,3) ; les développeurs juniors ont gagné 21 à 40 %, les seniors 7 à 16 % | Chaque expérience est bruitée prise isolément ; l’adoption parmi les développeurs traités allait de 42,5 à 75,6 % selon les moments, les effets sont donc par utilisateur |
| Chatterji et ses collègues, 2025, NBER (usage de ChatGPT) | Environ 1,1 million de conversations échantillonnées, mai 2024 à juin 2025 | Tout usage professionnel | La rédaction représente 40 % des messages professionnels ; environ deux tiers des messages de rédaction demandent au modèle de modifier un texte fourni par l’utilisateur plutôt que de rédiger à partir de zéro ; environ 81 % des messages professionnels relèvent de deux grandes activités, traiter l’information et prendre des décisions ou résoudre des problèmes | Offres grand public uniquement ; fondé sur un classifieur |
Le schéma qui se dégage du tableau est le socle de l’indice ci-dessous. Les gains sont maximaux lorsque la tache est fréquente, bien spécifiée et à l’intérieur du domaine de compétence du modèle, et ils sont maximaux pour les personnes ayant le moins d’expérience de la tache. La seule étude qui a testé directement un accompagnement au prompting (le groupe « initiation » de Dell’Acqua) a constaté qu’il améliorait encore la qualité. La seule étude qui a testé une tache hors de la frontière a trouvé une pénalité suffisante pour annuler le bénéfice.
Quelle est l’ampleur de l’usage de l’IA, et combien de temps fait-elle gagner ?
Deux programmes d’enquête indépendants suivent la même question avec des définitions différentes ; nous les gardons donc sur des lignes séparées et ne les fusionnons pas.
| Source | Mesure | Dernières valeurs vérifiées | Tendance |
|---|---|---|---|
| Panel trimestriel Gallup sur la population active (salariés américains, 19 043 à 23 717 répondants par vague) | Utilise l’IA dans son poste quelques fois par an ou plus / quelques fois par semaine ou plus / chaque jour | 52 / 30 / 15 % (mai 2026) | 40 / 19 / 8 % en mai 2025 ; usage quotidien à 4 % en mai 2024 |
| Gallup, même panel | L’organisation a communiqué un plan IA clair | 25 % (mai 2026) | 22 % en mai 2025 ; 47 % disent que leur organisation a intégré des outils d’IA |
| Gallup, même panel | Usages les plus courants parmi les utilisateurs d’IA | Rédaction et révision 51 %, recherche d’information ou documentation 49 %, assistance générale ou résolution de problèmes 39 % | Vague de mai 2026 |
| Bick, Blandin et Deming, Real-Time Population Survey, document de travail NBER 32966 | Part des travailleurs américains utilisant l’IA générative au travail ; temps gagné | 26,5 % tout usage, 9,0 % chaque jour de travail, 22,9 % chaque semaine (août et novembre 2024) ; les utilisateurs économisent 5,4 % de leurs heures de travail, 1,4 % sur l’ensemble des travailleurs | Taches classées dans le top deux : rédaction 39,5 %, administratif 25,6, interprétation ou synthèse 22,7, recherche de faits 18,0, génération d’idées 13,2, programmation 12,9, documentation 12,7 |
| Generative AI Adoption Tracker de la Fed de St. Louis (même enquête, définitions révisées) | Usage professionnel hebdomadaire ; heures assistées ; heures économisées | 39,2 % d’usage hebdomadaire (T2 2026) ; 6,3 % des heures assistées ; 2,2 % des heures économisées | Contre 28,2, 4,1 et 1,6 % au T3 2024 |
Deux chiffres de ces tableaux fixent l’enjeu. Un travailleur qui utilise l’IA générative économise environ 2,2 heures par semaine selon sa propre estimation, et trois travailleurs sur quatre n’ont aucun plan organisationnel pour les aider. Quel que soit le système qui existe, il sera personnel.
L’Indice de priorité des modèles
Le tableau ci-dessous est un cadre éditorial CEOtudent. Il croise trois sources vérifiées qui n’avaient jamais été combinées : les parts d’usage de Gallup parmi les utilisateurs d’IA, les taches professionnelles les mieux classées de l’enquête de la Fed, et les preuves issues des expériences de terrain par famille de taches. La priorité est attribuée selon une règle explicite, et non par le seul jugement : la priorité 1 signifie que la famille de taches est à la fois fréquente (top trois dans l’une ou l’autre enquête) et étayée par au moins une étude de terrain randomisée ou quasi randomisée ; la priorité 2 signifie l’un des deux ; la priorité 3 signifie ni l’un ni l’autre, ou que les preuves portent un avertissement de vérification.
| Famille de taches | Part des utilisateurs d’IA (Gallup, mai 2026) | Part la classant dans le top deux (enquête Fed, 2024) | Preuve de terrain la plus solide | Répétabilité (éditoriale) | Priorité |
|---|---|---|---|---|---|
| Réviser et réécrire un texte que vous fournissez | 51 % (rédaction et révision) | 39,5 % (rédaction) | Noy et Zhang : 40 % plus rapide, qualité supérieure de 18 % ; deux tiers des messages de rédaction sur ChatGPT sont des révisions | Élevée : mêmes entrées, même public, chaque semaine | 1 |
| Rédiger des documents de routine et des textes administratifs | Compris dans les 51 % | 25,6 % (administratif), 12,7 % (documentation) | Brynjolfsson, Li et Raymond : 15 % de problèmes résolus en plus dans un travail de support scripté | Élevée | 1 |
| Résumer, interpréter et traduire | Non rapporté séparément | 22,7 % | Dell’Acqua : les taches à l’intérieur de la frontière comprenaient l’analyse et la synthèse, 12,2 % de taches en plus, qualité supérieure de plus de 40 % | Moyenne : les entrées varient | 2 |
| Analyse structurée et résolution de problèmes | 39 % (assistance générale ou résolution de problèmes) | Non rapporté séparément | Dell’Acqua : gains importants à l’intérieur de la frontière, 19 points de pourcentage de moins à l’extérieur | Moyenne, avec un signal de frontière sur chaque fiche | 2 |
| Recherche et recherche de faits | 49 % | 18,0 % | Aucune étude de terrain randomisée n’a mesuré la précision de la recherche par IA au travail | Faible : chaque sortie doit être vérifiée | 3 |
| Programmation | Non rapporté séparément | 12,9 % | Peng : 55,8 % plus rapide ; Cui : 26,08 % de taches en plus | Élevée pour les développeurs | 1 pour les développeurs, sinon sans objet |
| Génération d’idées | Non rapporté séparément | 13,2 % | Aucune étude de terrain ne l’a isolée ; Noy et Zhang décrivent un glissement des taches vers la génération d’idées et la révision | Faible : les sorties ne sont pas comparables | 3 |
Lisez l’indice comme un ordre de construction. Vos trois premières fiches doivent couvrir la révision des textes que vous avez écrits, les documents de routine que vous produisez chaque semaine et (si vous programmez) votre tache de programmation la plus courante. Les prompts de recherche viennent en dernier et comportent, à dessein, une étape de vérification.
La fiche de prompt : un modèle, neuf champs
Une bibliothèque ne vaut que par son unité de stockage. Nous recommandons une fiche à neuf champs, conservée en texte brut pour survivre à tout changement d’outil. Les champs répondent à la recherche : le format figé répond à Sclar et Mizrahi, les cas de test répondent à l’étude de Berkeley, la ligne de frontière répond à Dell’Acqua.
| Champ | Ce qu’il contient | Pourquoi il existe |
|---|---|---|
| Nom et version | Famille-verbe-objet plus un numéro de version, par exemple « edit-exec-summary-v3 » | Vous aurez cinq variantes en un mois ; les noms arrêtent la dérive |
| Déclencheur | La situation concrète qui appelle cette fiche, par exemple « tout brouillon de plus de 300 mots destiné à un décideur » | Les fiches se retrouvent par situation, pas par ingéniosité |
| Entrées requises | Les éléments exacts à coller ou à joindre : brouillon, public, décision attendue, plafond de longueur | Les entrées manquantes sont la cause la plus fréquente d’un résultat faible |
| Corps du prompt (figé) | Le texte intégral, séparateurs et casse compris, jamais retapé de mémoire | Les seuls changements de mise en forme modifient les résultats |
| Modèle et réglages | Le modèle et le mode sur lesquels vous l’avez testé, avec un renvoi vers votre règle de routage | Les résultats ne se transfèrent pas d’un modèle à l’autre sans changement |
| Cas de test | Trois entrées avec la sortie que vous avez acceptée, sauvegardées à côté | Une fiche n’est promue qu’après trois réussites, pas une |
| Modes de défaillance connus | Ce que ce prompt fait de travers quand il échoue, par exemple « ajoute des faits absents du brouillon » | Transforme une mauvaise surprise en garde-fou permanent |
| Ligne de frontière | La phrase explicite « ne pas utiliser pour », par exemple « pas pour une formulation juridique ou financière » | La pénalité hors frontière est le plus grand risque documenté |
| Dernière vérification et responsable | La date de votre dernière exécution des cas de test ; qui maintient la fiche dans une équipe | Les modèles changent ; une fiche sans date est une rumeur |
Une fiche remplie
Nom et version : edit-exec-summary-v3 (révision d’une synthèse pour la direction).
Déclencheur : Tout brouillon de plus de 300 mots qui sera lu par quelqu’un qui décide de quelque chose.
Entrées requises : Le brouillon ; le rôle du lecteur ; la décision unique que le lecteur doit prendre ; le plafond de longueur en mots.
Corps du prompt (figé) : « Vous révisez, vous n’écrivez pas. Conservez chaque affirmation factuelle exactement telle qu’elle est donnée et n’ajoutez aucun fait, chiffre ou exemple qui ne figure pas dans le brouillon. Lecteur : [rôle]. Décision que le lecteur doit prendre après lecture : [décision]. Réécrivez le brouillon de sorte que le premier paragraphe énonce la recommandation et le chiffre unique qui la soutient, que le deuxième paragraphe donne les deux raisons les plus fortes, et que le dernier paragraphe nomme le risque et ce qui ferait changer la recommandation. Maximum [N] mots. Là où le brouillon manque d’un fait dont le lecteur aura besoin, insérez le marqueur [LACUNE : ce qui manque] au lieu de le combler. Renvoyez uniquement le texte réécrit. »
Modèle et réglages : Le modèle généraliste prévu par notre règle de routage pour la rédaction ; sans navigation web.
Cas de test : Une note budgétaire, un e-mail d’avancement de projet, un jeu de notes de présentation, chacun avec la sortie acceptée sauvegardée.
Modes de défaillance connus : Supprime des qualificatifs comme « préliminaire » en compressant ; fusionne parfois deux raisons en une.
Ligne de frontière : Pas pour le langage contractuel, les dépôts réglementaires ni rien ayant un effet juridique ; pas pour les brouillons sans aucun chiffre (utilisez la fiche de rédaction à la place).
Dernière vérification et responsable : 2026-10, vous.
Remarquez que la fiche encode le constat tiré des données d’usage de ChatGPT : deux tiers des demandes de rédaction professionnelle sont des révisions d’un texte que l’utilisateur possède déjà. La fiche la plus précieuse de la plupart des bibliothèques est une fiche de révision, pas une fiche de rédaction.
Comment organiser la bibliothèque ?
Classez par famille de taches, pas par outil. Les outils changent ; les familles de taches de l’indice ci-dessus sont restées stables dans toutes les enquêtes depuis 2024. Utilisez les sept familles comme dossiers de premier niveau et laissez le dossier programmation vide si vous ne programmez pas.
Trois niveaux dans chaque famille. Les fiches Essentielles sont celles que vous exécutez chaque semaine ; elles ont trois cas de test et une date. Les fiches Situationnelles servent une fois par mois ou moins ; elles ont un cas de test. Les fiches Expérimentales sont tout ce que vous avez essayé une fois ; elles vivent dans le dossier mais ne portent aucun numéro de version tant qu’elles ne sont pas promues. Le constat de Berkeley justifie ce système de niveaux : le comportement humain par défaut consiste à promouvoir après un seul succès.
Un seul fichier d’index. Une page unique listant chaque fiche Essentielle avec son déclencheur. On retrouve une fiche par son déclencheur (« brouillon destiné à un décideur »), car c’est ainsi que vous vous en souviendrez réellement sous la pression du temps.
Stockez les entrées séparément. Votre contexte permanent (rôle, public, charte rédactionnelle, contraintes) a sa place dans un document de contexte, pas dans chaque fiche. Nos articles sur le fichier de contexte et sur la configuration des instructions personnalisées, des projets et de la mémoire couvrent cette couche ; les fiches restent ainsi courtes et portables. Le modèle sur lequel une fiche est testée découle de votre règle de routage.
Six règles de fonctionnement tirées des preuves
- Figez le format. Copiez le corps du prompt mot pour mot. Ne « nettoyez » pas les séparateurs, les majuscules ou les espaces entre deux exécutions. Sclar et ses collègues notent que, pour ceux qui construisent des systèmes au-dessus d’un modèle, choisir un format qui fonctionne et s’y tenir est une méthode valable.
- Trois cas avant promotion. Un prompt passe d’Expérimental à Essentiel seulement après que trois entrées différentes ont produit une sortie acceptée. L’évaluation multi-prompts de Mizrahi est la version recherche de la même règle.
- Écrivez la ligne de frontière en premier. Avant d’enregistrer une fiche, écrivez la phrase qui dit ce pour quoi elle ne doit pas servir. Les consultants de Dell’Acqua ont perdu 19 points de pourcentage de précision sur la seule tache que l’outil ne savait pas faire, et ils ne s’en sont pas aperçus.
- Consignez les échecs dans des champs, pas dans votre mémoire. Chaque fois qu’une fiche échoue, l’échec va dans le champ des défaillances connues le jour même. Les participants de Berkeley généralisaient à l’excès à partir d’échecs isolés aussi volontiers qu’à partir de succès isolés ; une trace écrite prévient les deux.
- Datez et retestez chaque trimestre. Réexécutez les trois cas de test sur le modèle courant chaque trimestre. Si la sortie change de façon significative, incrémentez la version.
- Partagez le niveau Essentiel. Gallup constate que trois salariés sur quatre n’ont aucun plan IA organisationnel et, dans l’enquête Microsoft de 2024 auprès de 31 000 travailleurs du savoir, 78 pour cent des utilisateurs apportaient leurs propres outils d’IA au travail. Un dossier Essentiel partagé en équipe est la plus petite unité de plan IA qui existe réellement. Il comble aussi l’écart d’expérience que les expériences de terrain ne cessent de constater : les novices ont gagné 30 à 43 pour cent dans les études sur le support et le conseil, et une fiche partagée est le moyen pour un novice d’emprunter le prompt d’un expert.
Le regard du CEO et le regard de l’étudiant
Gérez la bibliothèque comme un registre d’actifs. Chaque fiche a un responsable, une version, une date de dernière vérification et une règle de retrait (aucun usage en six mois signifie archivage). Mesurez-la une fois par trimestre avec l’étalon de l’enquête de la Fed elle-même : combien d’heures les fiches Essentielles vous ont-elles fait gagner cette semaine, selon votre estimation honnête ? Si la réponse est inférieure aux 2,2 heures par semaine que rapporte l’utilisateur moyen, la bibliothèque ne couvre pas vos taches fréquentes et l’indice ci-dessus vous dit quelle famille manque.
Apprenez-en comme d’un cahier de laboratoire. Chaque fiche est une hypothèse sur ce qui fonctionne ; les cas de test sont l’expérience ; le champ des défaillances connues est le résultat que vous ne vouliez pas. La recherche offre à l’étudiant un fait rassurant : dans chaque expérience de terrain, les personnes qui ont le plus gagné avec l’assistance de l’IA étaient les moins expérimentées, et le mécanisme était l’accès à de bonnes pratiques codifiées. Une bibliothèque, ce sont de bonnes pratiques codifiées que vous avez écrites pour vous-même. Elle se marie naturellement avec le cadre de qualité des questions : la fiche porte le format, le cadre vérifie si la question qu’elle contient vaut la peine d’être posée.
Ce que ces preuves ne peuvent pas vous dire
- Aucune étude randomisée n’a testé « tenir une bibliothèque de prompts » comme intervention. L’argumentaire présenté ici est assemblé à partir d’études sur la fragilité des prompts, le comportement des novices, la qualité des prompts et la productivité par tache. Considérez-le comme une inférence bien étayée, pas comme un effet mesuré.
- Les expériences de terrain ont utilisé des modèles de 2023 à 2025 sur des taches précises dans des entreprises précises. Les tailles d’effet différeront pour vos taches et pour les modèles actuels ; c’est exactement pourquoi la fiche porte une date et des cas de test.
- Les résultats sur la fragilité ont été mesurés surtout sur des modèles à poids ouverts en configuration few-shot. Les modèles plus récents sont peut-être moins sensibles, mais l’article de Sclar a constaté que la sensibilité subsistait après mise à l’échelle et ajustement par instructions, et le coût de figer un format est proche de zéro.
- Les chiffres d’enquête sont auto-déclarés et les deux programmes d’enquête définissent l’usage différemment. Nous ne combinons jamais un chiffre Gallup et un chiffre de la Fed dans une même phrase.
- L’étude de Knoth compte 45 étudiants et des taches académiques ; l’étude de Berkeley compte 10 participants. Toutes deux servent ici à éclairer le mécanisme, pas l’ampleur.
Questions fréquentes
Une bibliothèque de prompts est-elle la même chose qu’un guide de prompt engineering ?
Non. Un guide vous donne des principes ; une bibliothèque contient les prompts précis qui ont passé vos cas de test sur vos taches. L’expérience de Dell’Acqua suggère qu’une courte initiation au prompt engineering améliore les résultats, et la bibliothèque est l’endroit où cette initiation se transforme en pratique réutilisable.
De combien de fiches ai-je besoin ?
Moins que vous ne le pensez. Commencez avec trois fiches Essentielles issues des familles de priorité 1. L’usage hebdomadaire de l’IA de la plupart des professionnels se concentre sur la révision, les documents de routine et la recherche, raison pour laquelle l’indice les place en premier.
Dois-je stocker les fiches dans la fonction de prompts enregistrés de l’outil d’IA lui-même ?
Stockez la copie maîtresse en texte brut sous votre contrôle et dupliquez-la dans les fonctions des outils par commodité. Les fonctions des outils changent, et les cas de test et les champs de défaillance de la fiche n’y ont généralement pas de place.
Et les prompts destinés aux agents IA plutôt qu’au chat ?
La même fiche fonctionne, la ligne de frontière faisant davantage de travail. Nos articles sur la délégation à un agent IA et sur l’ingénierie de contexte couvrent les champs supplémentaires dont un brief d’agent a besoin.
Comment savoir si une fiche est encore bonne après une mise à jour de modèle ?
Réexécutez les trois cas de test. Si deux sorties sur trois changent d’une manière que vous n’auriez pas acceptée, la fiche repasse en Expérimentale jusqu’à ce qu’elle réussisse de nouveau.
Sources
- Gallup, « AI Use at Work Has Nearly Doubled in Two Years » (juin 2025), « Organizational AI Adoption Jumps Six Points » (juillet 2026) et le Gallup Indicator on Artificial Intelligence (données arrêtées à mai 2026).
- Bick, Blandin et Deming, « The Rapid Adoption of Generative AI », National Bureau of Economic Research Working Paper 32966 (révisé en février 2025) ; Federal Reserve Bank of St. Louis, « The Impact of Generative AI on Work Productivity » (février 2025) et FRED Blog, « Does generative AI save time at work? » (août 2026).
- Chatterji, Cunningham, Deming, Hitzig, Ong, Shan et Wadman, « How People Use ChatGPT », National Bureau of Economic Research Working Paper 34255, septembre 2025.
- Sclar, Choi, Tsvetkov et Suhr, « Quantifying Language Models’ Sensitivity to Spurious Features in Prompt Design », International Conference on Learning Representations 2024.
- Mizrahi, Kaplan, Malkin, Dror, Shahaf et Stanovsky, « State of What Art? A Call for Multi-Prompt LLM Evaluation », Transactions of the Association for Computational Linguistics, volume 12, 2024.
- Zamfirescu-Pereira, Wong, Hartmann et Yang, « Why Johnny Can’t Prompt: How Non-AI Experts Try (and Fail) to Design LLM Prompts », Proceedings of CHI 2023.
- Knoth, Tolzin, Janson et Leimeister, « AI literacy and its implications for prompt engineering strategies », Computers and Education: Artificial Intelligence, volume 6, 2024.
- Noy et Zhang, « Experimental evidence on the productivity effects of generative artificial intelligence », Science, 381(6654), 2023, pages 187 à 192.
- Dell’Acqua, McFowland, Mollick, Lifshitz-Assaf, Kellogg, Rajendran, Krayer, Candelon et Lakhani, « Navigating the Jagged Technological Frontier », Harvard Business School Working Paper 24-013, 2023.
- Brynjolfsson, Li et Raymond, « Generative AI at Work », Quarterly Journal of Economics, 140(2), 2025 (chiffres issus de la version arXiv de novembre 2024).
- Peng, Kalliamvakou, Cihon et Demirer, « The Impact of AI on Developer Productivity: Evidence from GitHub Copilot », arXiv 2302.06590, 2023.
- Cui, Demirer, Jaffe, Musolff, Peng et Salz, « The Effects of Generative AI on High-Skilled Work: Evidence from Three Field Experiments with Software Developers », 2025 (version des auteurs, juin 2025) ; Microsoft et LinkedIn, 2024 Work Trend Index Annual Report (pour le chiffre sur les outils d’IA apportés par les salariés eux-mêmes).
Ce contenu a été compilé avec le soutien de l’IA à la suite d’une recherche approfondie, puis rédigé et préparé pour publication par l’équipe éditoriale de CEOtudent.
This post is also available in:
