Le zero-shot prompting, c’est le storytelling marketing dont vous avez besoin pour vendre des LLM. C’est aussi la première chose à oublier le jour où vous passez en production. Demandez à un benchmark interne : sur 90 % des tâches métiers réelles, un prompt zero-shot donne 15 à 35 % de qualité en moins qu’un prompt few-shot, à modèle constant. Cette différence ne se voit pas sur les benchmarks publics. Elle se voit sur vos livrables clients.
On va expliquer pourquoi, et surtout comment construire des prompts few-shot qui marchent en moins de 30 minutes.
Le malentendu autour du zero-shot
Le zero-shot, c’est l’idée qu’un LLM moderne (GPT-5, Claude Sonnet 4.6, Gemini 2.5 Pro) est suffisamment compétent pour comprendre une tâche à partir d’une simple description, sans exemple. Sur les benchmarks publics, c’est partiellement vrai. Sur les tâches métiers où la « bonne réponse » dépend du style maison, de la nomenclature interne et des règles tacites de votre organisation, c’est faux.
Le modèle ne sait pas ce que votre cabinet d’expertise comptable appelle un « rappel à l’expert ». Il ne connaît pas votre nomenclature commerciale (« lead chaud », « lead tiède », « opportunité dormante »). Il invente une logique cohérente mais générique. Et c’est ce qui rend ses livrables creux : techniquement corrects, contextuellement à côté.
Pourquoi le few-shot marche aussi bien
Le few-shot prompting consiste à donner 2 à 5 paires (entrée → sortie attendue) avant la tâche réelle. C’est l’équivalent du « voici à quoi ressemble un bon résultat » qu’on donne à un nouveau collaborateur. Les LLM s’appuient massivement sur cette structure pour caler la forme, le ton et les conventions.
Concrètement, sur une tâche de classification (« cet e-mail est-il un lead qualifié, une réclamation, ou une demande SAV ? »), passer de zero-shot à 3-shot fait monter la précision de 78 % à 94 % sur Claude Sonnet 4.6. Sur une tâche de génération (« rédige un e-mail de relance commercial »), le few-shot ramène votre ton de marque dans 100 % des cas (sur la structure plus que la créativité, voir aussi demander à l’IA d’être structurée), alors que le zero-shot oscille entre LinkedIn-influenceur et chatbot poli.
Comment construire un few-shot efficace en 30 minutes
Étape 1 : récoltez 5 à 8 exemples réels de bons livrables. Vous avez des e-mails commerciaux qui ont converti ? Des comptes rendus de réunion bien faits ? Des analyses concurrentielles que votre boss valide sans corriger ? Ce sont vos exemples.
Étape 2 : reconstituez l’entrée correspondante pour chacun. Pour un e-mail de relance, l’entrée est typiquement « voici la fiche du prospect, voici notre offre, voici l’historique d’échanges ». Pour un compte rendu, c’est la transcription brute de la réunion.
Étape 3 : assemblez le prompt avec 3 paires bien choisies. Pas 8 paires – le modèle pourra over-fit sur des biais que vous n’aviez pas remarqués. 3 exemples bien différents les uns des autres couvrent 90 % des cas.
Étape 4 : testez sur 10 inputs hors lot. Si le modèle reproduit le bon style, vous avez gagné. Sinon, identifiez ce qui dévie et ajoutez un 4ème exemple ciblé.
Le piège des exemples trop similaires
L’erreur classique : choisir 3 exemples qui se ressemblent tous. Le modèle va alors généraliser cette ressemblance et plafonner sur des cas atypiques. La bonne pratique est de prendre des exemples qui couvrent les 3 principaux profils de difficulté de votre tâche : un cas typique, un cas court/simple, un cas long/complexe.
Cas concret pour la rédaction d’e-mails commerciaux : prenez un e-mail court à un prospect chaud, un e-mail long à un prospect technique exigeant, et un e-mail de relance après silence. Vous couvrez le spectre. Si vous mettez 3 e-mails « relance après silence », le modèle pensera que c’est le seul mode.
Quand le few-shot ne suffit plus : le RAG et le fine-tuning
Le few-shot a une limite : le contexte fini. Au-delà de 10-15 exemples bien rédigés, vous saturez la fenêtre de tokens du modèle ou vous augmentez la latence. Pour des cas où il faut raisonner sur un corpus large (vos 200 fiches produits, votre historique d’avis clients sur 3 ans), passez au le RAG expliqué simplement. Pour des cas où la tonalité doit être profondément intégrée (vous publiez 100 articles/mois avec une voix éditoriale très spécifique), le fine-tuning ou la création d’un agent dédié devient pertinent.
Mais 80 % des cas en PME se règlent en few-shot. C’est l’outil le plus rentable du prompt engineering : 30 minutes d’investissement pour des résultats qui passent du « ok pour un brouillon » au « directement envoyable ».
Le bon prompt est concret, pas vague
On a tous tendance à considérer un LLM comme un humain à former. Erreur. Un LLM est un système qui infère des patterns à partir d’entrées. Plus vous lui montrez explicitement le pattern attendu, plus il devient bon. Le zero-shot impose à la machine de deviner ce que vous voulez. Le few-shot le lui montre.
Dans nos formations chez Neowin Academy, c’est la première technique qu’on enseigne aux managers (en cohérence avec former les key users plutôt que tout le monde) qui veulent industrialiser leurs cas d’usage. C’est aussi la moins glamour. C’est précisément pour ça qu’elle marche.
