Exemples dans les prompts IA : combien en donner pour des résultats optimaux ?

Oui — inclure des exemples bien choisis dans votre prompt (technique dite du « few-shot prompting ») est l'une des méthodes les plus efficaces pour améliorer la qualité des réponses des IA génératives. Le few-shot prompting consiste à fournir des démonstrations dans le prompt pour guider le modèle vers de meilleures performances et conditionner sa réponse sur les exemples fournis . Le nombre idéal se situe généralement entre 2 et 5 exemples, les recherches montrant qu'au-delà, les gains s'amenuisent, voire deviennent négatifs .

Résultats clés

• Les exemples améliorent radicalement la précision. Claude 3 Haiku, par exemple, est passé de 11 % de réponses correctes sans exemple à 75 % avec seulement trois exemples — égalant les performances de modèles bien plus gros en mode zero-shot .
• 2 à 5 exemples : la fourchette optimale. Les guides de prompting s'accordent sur 2 à 5 exemples, et une étude d'arXiv identifie ce même intervalle comme le meilleur compromis .
• Plus n'est pas toujours mieux. Une étude d'arXiv a mis en lumière un problème de « sur-prompting » (ou « over-prompting ») : trop d'exemples peuvent réduire les performances du modèle, remettant en cause l'idée que davantage d'exemples est toujours bénéfique .
• La qualité prime sur la quantité. Des exemples diversifiés, de haute qualité et bien représentatifs de la tâche sont plus efficaces que d'ajouter simplement plus d'exemples. Des exemples incohérents peuvent enseigner au modèle des schémas erronés .
• Pour les tâches de raisonnement complexe, commencez sans exemple. Ne partez pas du principe que des exemples sont toujours nécessaires : comparez les performances en zero-shot et en few-shot, car le sur-prompting peut dégrader les résultats dans certains contextes .

Recommandations pratiques

Scénario	Approche recommandée
Tâches sensibles au format (JSON, étiquettes, ton)	Utilisez 2 à 5 exemples propres et diversifiés : les exemples ancrent le format, le ton et les étiquettes .
Génération de texte standard / classification	Commencez par 2 à 3 exemples de haute qualité. Les démonstrations aident à orienter le modèle vers de meilleures performances .
Tâches de raisonnement complexes	Démarrez en zero-shot ; n'ajoutez 1 à 2 exemples que si vous avez besoin d'un contrôle strict du format. Testez l'impact des exemples .
Tâches d'extraction complexes	Utilisez un petit ensemble d'exemples représentatifs qui reflètent fidèlement la tâche .
En cas de doute	Commencez avec 3 exemples, testez et ajustez. La fourchette 2 à 5 est la plus recommandée ; trop d'exemples peuvent provoquer un sur-prompting .

En résumé : Utilisez des exemples, mais limitez-vous à 2 à 5, et privilégiez la qualité et la diversité à la quantité . Testez si votre modèle spécifique tire profit du few-shot par rapport au zero-shot, en particulier pour les tâches de raisonnement où des exemples supplémentaires ne sont pas toujours utiles .