Chain-of-thought prompting : définition et exemples

Le chain-of-thought prompting (chaîne de pensée) demande au modèle d'écrire ses étapes avant de répondre. Exemples, variantes, limites et modèles de prompts.

Le chain-of-thought prompting (CoT, en français « chaîne de pensée ») est une technique de prompting qui consiste à demander à un modèle d'IA d'écrire son raisonnement en étapes intermédiaires avant de donner sa réponse finale. Au lieu d'annoncer directement un résultat, le modèle décompose la tâche, calcule ou pèse les éléments pas à pas, puis conclut. La technique aide surtout pour les tâches en plusieurs étapes de calcul ou de raisonnement, et elle montre où une erreur apparaît. Pour les tâches simples et avec les modèles de raisonnement récents, elle n'apporte rien ou presque.

Cet article explique comment elle fonctionne, quelles variantes existent, quand elle vaut la peine et en quoi elle diffère du chaînage de prompts, avec lequel on la confond souvent.

Un exemple : avec et sans chaîne de pensée

La tâche : un client commande 240 pièces à 12,50 € HT l'unité. À partir de 200 pièces, une remise de 8 % s'applique. En cas de paiement sous dix jours s'ajoute un escompte de 2 % sur le montant remisé. Quel est le montant HT à payer si le client règle au bout de sept jours ?

Sans chain-of-thought :

Un client commande 240 pièces à 12,50 € HT l'unité. À partir de 200 pièces,
une remise de 8 % s'applique et, en cas de paiement sous dix jours, un
escompte de 2 % sur le montant remisé. Quel est le montant HT à payer si le
client règle au bout de sept jours ? Réponds uniquement par le montant.

Le modèle doit donner le résultat d'un seul coup. Erreurs typiques : additionner les deux réductions pour arriver à 10 %, ou calculer l'escompte sur le montant d'origine.

Avec chain-of-thought :

Un client commande 240 pièces à 12,50 € HT l'unité. À partir de 200 pièces,
une remise de 8 % s'applique et, en cas de paiement sous dix jours, un
escompte de 2 % sur le montant remisé. Quel est le montant HT à payer si le
client règle au bout de sept jours ?

Procède étape par étape : écris chaque étape du calcul sur une ligne et ne
donne le montant qu'à la fin, sur une ligne commençant par « Résultat : ».

Une réponse correcte ressemble à ceci :

1. Prix catalogue : 240 × 12,50 € = 3 000,00 €
2. La remise s'applique (240 ≥ 200) : 3 000,00 € × 0,92 = 2 760,00 €
3. L'escompte s'applique (7 jours ≤ 10 jours) : 2 760,00 € × 0,98 = 2 704,80 €
Résultat : 2 704,80 €

Le gain est double : le modèle se trompe moins sur les tâches en plusieurs étapes et, s'il se trompe, vous le voyez tout de suite à la ligne 2 ou 3.

D'où vient la technique

Le chain-of-thought s'est fait connaître avec l'article de 2022 « Chain-of-Thought Prompting Elicits Reasoning in Large Language Models », de Jason Wei et ses coauteurs. Ils ont montré que les modèles de langage résolvent mieux des tâches d'arithmétique, de sens commun et de raisonnement symbolique quand les exemples du prompt contiennent non seulement la question et la réponse, mais aussi le raisonnement rédigé. Peu après, Takeshi Kojima et ses coauteurs ont montré dans « Large Language Models are Zero-Shot Reasoners » qu'une seule phrase placée avant la réponse suffit souvent : « Let's think step by step ».

Les variantes

Variante	À quoi ressemble le prompt	Adaptée à
CoT zero-shot	La tâche, plus la consigne de procéder étape par étape	Un essai rapide quand les réponses directes sont peu fiables
CoT few-shot	Deux ou trois exemples avec leur raisonnement rédigé, puis la nouvelle tâche	Les tâches récurrentes dont le raisonnement suit un schéma fixe
Chaîne guidée	Vous imposez les étapes : « 1. Vérifie… 2. Calcule… 3. Compare… »	Les tâches dont la logique de contrôle ou de calcul est connue
Raisonner d'abord, décider ensuite	Des champs de sortie fixes : d'abord « Raisonnement », puis « Décision »	Les classements et évaluations qui doivent pouvoir s'expliquer

En entreprise, la variante guidée est le plus souvent la meilleure : vous savez comment se contrôle une note de frais ou comment se qualifie une réclamation, vous donnez donc au modèle exactement cet ordre. Pour le CoT few-shot, les règles sur les bons exemples de notre article sur le few-shot prompting s'appliquent.

Avec « raisonner d'abord, décider ensuite », surveillez l'ordre des champs. Si la décision vient en premier, le modèle s'est déjà engagé et le raisonnement n'arrive qu'après, pour la justifier.

Quand la technique aide

Les calculs en plusieurs étapes : remises, délais, commissions, conversions.
Les règles à conditions : « si A et non B, alors C », comme une politique de geste commercial ou des seuils de validation.
Les comparaisons sur plusieurs critères : confronter des offres ou des candidatures à une grille.
Les classements avec des cas limites : le raisonnement montre quel élément a fait pencher la balance.
Le débogage : quand un prompt renvoie de mauvais résultats, la chaîne de pensée montre où le modèle bifurque.

Quand elle n'apporte rien, ou nuit

Les tâches simples. Traduire, résumer brièvement, corriger une formule de politesse : la chaîne ne fait qu'allonger la réponse.
Les questions de pure connaissance. Si l'information manque au modèle, réfléchir n'y change rien ; il lui faut la source dans le prompt. Voir réduire les hallucinations de l'IA.
Les formats de sortie stricts. Si seul du JSON doit revenir, le texte rédigé gêne. Séparez raisonnement et résultat dans des champs distincts ou dans deux prompts.
Les modèles de raisonnement. Voir la partie suivante.

Modèles de raisonnement : la chaîne est déjà intégrée

Beaucoup de modèles actuels disposent d'un mode de réflexion dans lequel ils parcourent des étapes intermédiaires en interne avant de répondre. Une autre règle s'applique alors. OpenAI indique dans ses bonnes pratiques pour les modèles de raisonnement que des consignes comme « réfléchis étape par étape » peuvent ne pas améliorer les performances et parfois les dégrader, et recommande des prompts simples et directs.

En pratique :

Avec un modèle de raisonnement, décrivez clairement l'objectif, le contexte et les critères, et renoncez aux consignes pas à pas.
Avec un modèle classique, plus rapide et sans mode de réflexion, le chain-of-thought reste un levier simple.
En cas de doute, testez les deux variantes sur dix à vingt cas réels et comparez les résultats, pas l'impression.

La variante guidée garde son intérêt avec les modèles de raisonnement, mais pour une autre raison : elle décrit votre logique métier de contrôle, pas le fait de réfléchir.

Chain-of-thought et chaînage de prompts : la différence

Les termes se ressemblent mais désignent deux choses.

	Chain-of-thought	Chaînage de prompts
Ce qui est enchaîné	Des étapes de raisonnement dans une réponse	Plusieurs prompts à la suite
Appels au modèle	Un seul	Plusieurs
Qui fixe les étapes	Le modèle, ou vous dans la variante guidée	Vous, à l'avance
Contrôle entre les étapes	Aucun : le modèle écrit d'une traite	Possible : vérifier, corriger, intercaler du code
Usage typique	Un calcul, un arbitrage, un classement	Un processus d'extraction, de vérification et de rédaction

Les deux se combinent bien : dans une chaîne de prompts, l'étape de vérification peut elle-même utiliser le chain-of-thought. L'article sur le chaînage de prompts montre comment construire une chaîne.

Coût et rapidité

Une chaîne de pensée, ce sont des tokens de sortie, et chez la plupart des fournisseurs la sortie coûte plus cher que l'entrée. Une réponse avec dix lignes de raisonnement coûte plusieurs fois le prix d'une réponse réduite à un chiffre, et elle prend plus de temps. Pour des demandes isolées, peu importe ; pour dix mille classements par mois, cela compte. L'article sur la tarification des API LLM explique comment la facture se construit. Limitez la longueur (« cinq étapes au maximum, une ligne chacune ») et réservez la technique aux cas où elle aide de façon mesurable.

La limite : un raisonnement n'est pas une preuve

Les étapes rédigées sont un texte produit par le modèle. Elles peuvent contenir des erreurs de calcul, mal restituer une règle, ou paraître cohérentes et mener malgré tout à un mauvais résultat. Une explication longue et assurée incite en outre à regarder de moins près. Pour tout ce qui compte :

Faites refaire les calculs par du code ou un tableur, ne les faites pas confirmer par le modèle.
Contrôlez par sondage le raisonnement, pas seulement le résultat.
Ne transmettez pas le raisonnement tel quel comme explication à un client ou à une personne concernée.

Trois modèles à reprendre

Contrôle guidé d'une facture

Contrôle la facture ci-dessous par rapport au bon de commande.
Suis cet ordre et écris une ligne par point :
1. Les articles et les quantités correspondent-ils ?
2. Les prix unitaires correspondent-ils à la commande ?
3. Le total est-il exact ?
4. La remise et le délai de paiement sont-ils ceux convenus ?
Écris ensuite une ligne « Résultat : » avec « valider » ou « à clarifier »
et, dans ce second cas, le motif.

Bon de commande : """[texte]"""
Facture : """[texte]"""

Raisonner d'abord, classer ensuite

Classe la demande du client dans une catégorie : réclamation, question sur
la facture, suivi de livraison, autre.
Indique d'abord sous « Raisonnement : », en deux phrases au maximum, quelles
formulations de la demande sont déterminantes. Indique ensuite sous
« Catégorie : » une seule catégorie.

Demande : """[texte]"""

Arbitrage sur critères

Compare les deux offres selon ces critères : prix total sur trois ans,
préavis de résiliation, horaires du support, localisation des données.
Procède critère par critère et cite l'endroit de l'offre où figure chaque
information. Rédige seulement ensuite une recommandation de trois phrases
au maximum. Si une offre ne précise pas un point, écris « non précisé » et
ne devine pas.

Offre A : """[texte]"""
Offre B : """[texte]"""

Vous pouvez assembler ce type de prompt avec le générateur de prompt IA ; la suite d'étapes se place dans le champ des règles.

Les erreurs fréquentes

Le chain-of-thought par défaut. La technique coûte des tokens et du temps. Employez-la à bon escient.
La décision avant le raisonnement. L'ordre de la sortie détermine si le raisonnement fonde la réponse ou la justifie après coup.
Croire le texte parce qu'il est long. Vérifiez les chiffres à part.
Des consignes pas à pas pour un modèle de raisonnement. Des objectifs et des critères clairs y sont plus utiles.
Attendre une chaîne là où il manque une source. Réfléchir ne remplace pas une information absente.

Checklist

La tâche comporte plusieurs étapes de calcul ou de raisonnement.
Vous savez si votre modèle est un modèle de raisonnement.
Les étapes sont imposées quand vous connaissez la logique de contrôle.
Le raisonnement précède le résultat, et le résultat figure sur une ligne à part, clairement repérée.
La longueur du raisonnement est limitée.
Les chiffres sont recalculés indépendamment.
Vous avez comparé sur des cas réels si la technique améliore les résultats.

La méthode d'ensemble pour écrire de bons prompts se trouve dans notre guide pratique de l'ingénierie de prompt en entreprise.

Sources

Wei et al. (2022) : Chain-of-Thought Prompting Elicits Reasoning in Large Language Models
Kojima et al. (2022) : Large Language Models are Zero-Shot Reasoners
OpenAI : Reasoning best practices

FAQ

Qu'est-ce que le chain-of-thought prompting ?

C'est une technique de prompting qui consiste à demander au modèle d'écrire son raisonnement en étapes intermédiaires avant de donner la réponse. Avec beaucoup de modèles, elle améliore les tâches en plusieurs étapes de calcul ou de raisonnement et rend le cheminement vérifiable.

Quelle différence entre chain-of-thought et chaînage de prompts ?

Le chain-of-thought se déroule dans un seul prompt : le modèle raisonne pas à pas à l'intérieur d'une réponse. Le chaînage de prompts répartit une tâche sur plusieurs prompts, le résultat de l'un servant d'entrée au suivant.

« Réfléchis étape par étape » fonctionne-t-il avec tous les modèles ?

Non. Avec les modèles de langage classiques, la consigne aide souvent. Les modèles de raisonnement raisonnent déjà en interne ; la documentation d'OpenAI déconseille de leur donner des consignes pas à pas, qui peuvent ne pas améliorer les résultats, voire les dégrader.

Le raisonnement écrit prouve-t-il que la réponse est juste ?

Non. Le raisonnement est un texte produit par le modèle. Il peut contenir des erreurs ou paraître plus convaincant qu'il ne l'est. Il facilite la vérification, il ne la remplace pas.