Le contexte l’emporte sur les prompts
On accorde actuellement beaucoup d’attention à l’ingénierie des prompts. La bonne formulation. La bonne structure. L’idée qu’il existe quelque part une phrase parfaite qui permet d’obtenir de meilleures réponses d’un LLM.
Les prompts comptent. Mais ils sont rarement le levier principal.
En pratique, la qualité de ce que vous obtenez d’un système d’IA dépend bien davantage du contexte que vous lui fournissez que de l’habileté de votre formulation. Pour un responsable d’ingénierie, cette différence est importante.
Le contexte est le véritable levier
Un responsable d’ingénierie évolue dans un flux d’informations fragmentées : des pull requests étalées sur plusieurs mois, des revues de code, des fils de discussion et messages privés sur Slack, des notes de réunions individuelles, des objectifs qui évoluent et des attentes liées au rôle à moitié oubliées.
Personne ne peut garder tout cela de manière fiable en mémoire. Lorsque nous essayons, nous prenons des raccourcis : ce qui s’est passé récemment, ce qui a fait du bruit, ce qui semblait important.
Les LLM n’ont rien de magique. Mais ils savent absorber de grands volumes d’informations variées et faire émerger des tendances difficiles à percevoir morceau par morceau, à condition de leur donner suffisamment de matière.
Les prompts guident la structure. Le contexte permet de comprendre.
Un bon prompt reste utile. Il définit la structure du résultat : résumé, points forts et axes de développement, formulation neutre, affirmations étayées par des faits.
Mais aucun prompt ne compense un contexte absent. Une instruction bien conçue appliquée à des données superficielles produit un résultat superficiel. Une instruction simple appliquée à un contexte riche produit souvent quelque chose d’étonnamment utile.
Pour un manager, le levier n’est pas rhétorique. Il réside dans la sélection et l’organisation du contexte.
Un exemple concret : les évaluations de performance
Les évaluations de fin d’année rendent cela évident.
La plupart sont rédigées de mémoire, avec quelques faits marquants récents. Même avec de bonnes intentions, cela déforme le résultat. Les contributeurs discrets sont oubliés. Le travail réalisé en début d’année s’efface. Les comportements sont réduits à quelques anecdotes.
L’amélioration ne vient pas d’un meilleur prompt.
Elle vient de meilleures données d’entrée.
Donnez du contexte au système :
- Les pull requests rédigées ou auxquelles la personne a contribué de manière significative
- Les commentaires de revue de code
- Les discussions Slack pertinentes
- Les décisions ou le mentorat qui ont eu lieu en messages privés
- Les objectifs documentés
- Les attentes liées au parcours professionnel
Une fois ces éléments présents, l’IA peut aider à faire émerger des thèmes : les formes de prise de responsabilité, le style de collaboration, la régularité ou les axes de progression qui ne deviennent visibles qu’avec le temps.
À ce stade, le prompt façonne le format, mais la compréhension vient des données.
Le contexte réduit les biais, pas la responsabilité
Il ne s’agit pas de déléguer son jugement. Le manager continue de décider et d’assumer le feedback.
Le contexte élargit le champ de vision. Il réduit les angles morts créés par la mémoire et le bruit organisationnel. Il offre une base plus large pour raisonner avant de parler ou d’écrire.
La véritable limite n’est pas le modèle. C’est le peu de contexte que nous fournissons habituellement. Nous sommes habitués à des outils qui travaillent sur de petites quantités d’information. Les LLM récompensent davantage l’exhaustivité que l’ingéniosité.
Pour les responsables d’ingénierie, c’est une occasion non pas d’automatiser le management, mais de l’aborder avec plus de cohérence et de moins dépendre de la mémoire seule.
Le contexte l’emporte sur les prompts.