L’intelligence artificielle et l’analyse de donn\u00e9es ont un angle mort que les guides grand public n’abordent jamais : le mod\u00e8le renvoie du SQL qui s’ex\u00e9cute proprement, sans erreur, et produit un chiffre faux que personne ne remarque. Jusqu’au jour o\u00f9 quelqu’un remet en question le dashboard trois semaines plus tard. La cause n’est presque jamais une limitation du mod\u00e8le, mais une requ\u00eate sous-sp\u00e9cifi\u00e9e.<\/p>\n\n\n\n
Ce guide couvre l’anatomie d’un prompt utilisable en production, huit patterns nomm\u00e9s avec des templates directement r\u00e9utilisables, et le moment o\u00f9 le prompting cesse d’\u00eatre le goulot d’\u00e9tranglement pour laisser la place au mod\u00e8le de donn\u00e9es comme vraie contrainte.<\/p>\n\n\n\n
Il est \u00e9crit pour les analystes qui \u00e9crivent du SQL au quotidien et ont d\u00e9sormais un LLM ouvert \u00e0 c\u00f4t\u00e9 de l’\u00e9diteur de requ\u00eates.<\/p>\n\n\n\n
A retenir :<\/strong><\/p>\n\n\n\n Un pattern de prompt est une structure reproductible. Elle produit un r\u00e9sultat comparable quand un autre analyste l’ex\u00e9cute le mois suivant, m\u00eame sur une table qui a \u00e9volu\u00e9 depuis. La formulation importe peu. Ce qui compte, c’est ce que la structure garantit d’inclure : le sch\u00e9ma, les r\u00e8gles m\u00e9tier, la forme attendue de la r\u00e9ponse, et un moyen de la v\u00e9rifier.<\/p>\n\n\n\n C’est cette garantie qui distingue un pattern des deux choses auxquelles on le confond le plus souvent : les biblioth\u00e8ques de prompts et le fine-tuning.<\/p>\n\n\n\n Voici le test. Prenez le prompt qui a produit votre meilleur r\u00e9sultat la semaine derni\u00e8re, collez-le dans une nouvelle session sans historique, et passez-le \u00e0 un coll\u00e8gue qui n’a pas vu la conversation. Si le r\u00e9sultat se d\u00e9grade, le prompt n’a jamais \u00e9t\u00e9 ce qui avait de la valeur, c’\u00e9tait la conversation et vous l’avez perdue en fermant l’onglet.<\/p>\n\n\n\n La plupart de ce qui circule en interne comme \u00ab\u00a0un super prompt\u00a0\u00bb \u00e9choue exactement de cette fa\u00e7on. Son auteur avait pass\u00e9 vingt minutes en amont \u00e0 d\u00e9crire les tables, corriger les trois premi\u00e8res tentatives du mod\u00e8le, et pr\u00e9ciser que les remboursements apparaissent comme des lignes n\u00e9gatives dans la table de d\u00e9tail plut\u00f4t que dans une table d\u00e9di\u00e9e. Rien de tout cela n’appara\u00eet dans le message final, qui est la seule partie que tout le monde copie.<\/p>\n\n\n\n Dans une application, les erreurs s’annoncent. En SQL analytique, elles se cachent. Les tests \u00e9chouent, le build casse, une exception remonte dans les logs. Une requ\u00eate, elle, renvoie des lignes. Ces lignes alimentent un graphique, le graphique arrive en r\u00e9union, et la seule couche de validation repose sur le fait que quelqu’un dans la salle sache \u00e0 peu pr\u00e8s \u00e0 quoi le chiffre devrait ressembler.<\/p>\n\n\n\n Les \u00e9checs o\u00f9 le mod\u00e8le produit du nonsense vous co\u00fbtent trente secondes. Les \u00e9checs co\u00fbteux, eux, paraissent parfaitement raisonnables. Quand l’\u00e9cart est de 8 % plut\u00f4t que de 80 %, personne ne le voit. Cette asym\u00e9trie fait du prompt engineering pour la business intelligence une discipline diff\u00e9rente du prompt engineering pour le d\u00e9veloppement logiciel. C’est aussi pour \u00e7a que les patterns ci-dessous s’appuient autant sur la v\u00e9rification.<\/p>\n\n\n\n Le Stack Overflow Developer Survey 2025<\/a>, qui s’appuie sur plus de 49 000 r\u00e9ponses, r\u00e9v\u00e8le que 84 % des d\u00e9veloppeurs utilisent ou pr\u00e9voient d’utiliser des outils IA, mais que seulement 33 % font confiance \u00e0 la fiabilit\u00e9 des r\u00e9sultats produits, contre 46 % qui s’en m\u00e9fient activement. Seuls 3 % d\u00e9clarent un niveau de confiance \u00e9lev\u00e9, et les r\u00e9pondants les plus exp\u00e9riment\u00e9s sont les plus sceptiques.<\/p>\n\n\n\n Deux autres chiffres \u00e9clairent pourquoi. Environ deux tiers citent des solutions IA qui s’approchent du bon r\u00e9sultat sans l’atteindre, et 45 % signalent que d\u00e9boguer du code g\u00e9n\u00e9r\u00e9 par IA leur prend plus de temps. Ce sont des d\u00e9veloppeurs, pas des analystes, ce qui m\u00e9rite d’\u00eatre gard\u00e9 en t\u00eate, m\u00eame si le constat s’applique directement \u00e0 quiconque \u00e9crit des prompts LLM pour du SQL. \u00ab\u00a0Presque juste\u00a0\u00bb est le pire r\u00e9sultat possible, parce que c’est \u00ab\u00a0presque juste\u00a0\u00bb qui passe en production.<\/p>\n\n\n\n Une condition de jointure incorrecte renvoie quand m\u00eame un r\u00e9sultat. Un DISTINCT manquant aussi. Un filtre appliqu\u00e9 apr\u00e8s l’agr\u00e9gation quand il aurait d\u00fb l’\u00eatre avant, \u00e9galement.<\/p>\n\n\n\n Un analyste demande le chiffre d’affaires mensuel par canal. Le mod\u00e8le r\u00e9cup\u00e8re les montants dans la table de d\u00e9tail, puis fait une jointure gauche vers les attributions de campagne pour obtenir le canal. Une m\u00eame commande peut porter deux ou trois attributions. Chaque ligne de d\u00e9tail est dupliqu\u00e9e autant de fois qu’il y a d’attributions avant que le SUM ne s’ex\u00e9cute, et le chiffre d’affaires ressort avec 8 % de trop. Le graphique s’affiche, le chiffre est plausible, et il reste dans le deck mensuel pendant six semaines, jusqu’\u00e0 ce que la finance r\u00e9concilie avec le grand livre et pose une question \u00e0 laquelle personne ne peut r\u00e9pondre imm\u00e9diatement.<\/p>\n\n\n\n Les erreurs de logique silencieuses correspondent \u00e0 la cat\u00e9gorie pr\u00e9c\u00e9dente : du SQL valide, un grain incorrect, un r\u00e9sultat qui a l’air juste.<\/p>\n\n\n\n La d\u00e9rive de d\u00e9finition survient quand le mod\u00e8le fournit sa propre interpr\u00e9tation d’une m\u00e9trique m\u00e9tier faute d’en avoir re\u00e7u une. Demandez le taux de churn dans trois sessions distinctes : vous obtiendrez trois formules d\u00e9fendables, aucune ne correspondant \u00e0 ce qui figure dans votre deck board.<\/p>\n\n\n\n L’effondrement de contexte prend les \u00e9quipes par surprise. Tout ce dont le mod\u00e8le avait besoin avait \u00e9t\u00e9 \u00e9tabli au fil des \u00e9changes pr\u00e9c\u00e9dents, dans une conversation qui n’existe plus. Le prompt partag\u00e9 reproduit la formulation, pas le contexte. Il fonctionne pour son auteur, qui comble mentalement les lacunes sans s’en rendre compte, et \u00e9choue pour tout le monde autour de lui.<\/p>\n\n\n\n Quatre composantes. Tous les patterns de la biblioth\u00e8que ci-dessous en appliquent une ou plusieurs.<\/p>\n\n\n\n La structure de chaque table concern\u00e9e : noms des colonnes, types de donn\u00e9es et cl\u00e9s, la signification de toute colonne dont le nom ne s’explique pas de lui-m\u00eame, et les r\u00e8gles m\u00e9tier qui gouvernent les donn\u00e9es. Les codes de statut, les flags de suppression logique, un exercice fiscal qui commence en avril, les comptes de test \u00e0 exclure. Tout ce qu’un coll\u00e8gue dirait \u00e0 un nouvel Le grain, le champ de date sur lequel filtrer, le traitement des cas limites, et la question exacte. Presque tous les mauvais r\u00e9sultats remontent \u00e0 une question qui admet plusieurs r\u00e9ponses correctes. \u00ab\u00a0Chiffre d’affaires par mois\u00a0\u00bb ne pr\u00e9cise pas si on utilise la date de commande ou la date d’exp\u00e9dition, si les remboursements sont d\u00e9duits, ni si une ligne repr\u00e9sente un mois ou un mois par canal.<\/p>\n\n\n\n Le dialecte, le format de sortie, les conventions de nommage, et ce qu’il ne faut pas retourner. C’est la composante que les analystes omettent le plus souvent, parce qu’elle donne l’impression de soigner la forme plut\u00f4t que le fond. Une requ\u00eate accompagn\u00e9e de trois paragraphes d’explication inutiles, en camelCase sur un entrep\u00f4t en snake_case, dans un dialecte qui ne supporte pas votre fonction fen\u00eatre : \u00e7a co\u00fbte du temps \u00e0 corriger \u00e0 chaque ex\u00e9cution.<\/p>\n\n\n\n Quelque chose qui permet de contr\u00f4ler la r\u00e9ponse sans la recalculer \u00e0 la main : des nombres de lignes attendus, des hypoth\u00e8ses explicitement pos\u00e9es, ou une seconde requ\u00eate sur un chemin de jointure diff\u00e9rent qui devrait retourner le m\u00eame chiffre. Cela transforme une r\u00e9ponse plausible en une r\u00e9ponse v\u00e9rifiable, et c’est ce qui distingue ceux qui font confiance \u00e0 leurs r\u00e9sultats assist\u00e9s par IA de ceux qui ont discr\u00e8tement arr\u00eat\u00e9 de l’utiliser.<\/p>\n\n\n\n Chaque pattern nomme l’\u00e9chec qu’il pr\u00e9vient et fournit un template \u00e0 adapter. Ce sont des templates de prompts pour analystes, pas des conseils de formulation : ils sont volontairement verbeux. Compressez-les une fois que vous savez quelles parties vous sont utiles.<\/p>\n\n\n\n Les prompts ci-dessous sont traduits en fran\u00e7ais. Si vous pr\u00e9f\u00e9rez travailler avec des prompts en anglais, vous pourrez les trouver sur la version anglaise de l\u2019article<\/a>.<\/p>\n\n\n\n Commencez par les tables et les r\u00e8gles, puis posez la t\u00e2che. L’ordre compte plus qu’on ne le pense : un mod\u00e8le qui lit la question en premier commence \u00e0 faire du pattern-matching sur des sch\u00e9mas g\u00e9n\u00e9riques avant m\u00eame d’avoir vu le v\u00f4tre.<\/p>\n\n\n\n\n
quelqu’un d’autre l’ex\u00e9cute, sur un sch\u00e9ma qui a chang\u00e9 entre-temps. Une biblioth\u00e8que de prompts collecte des formulations. Un pattern encode le contexte et les v\u00e9rifications qui rendent le r\u00e9sultat fiable.<\/li>\n\n\n\n
une fois : le contexte, la t\u00e2che, les contraintes, et la v\u00e9rification.<\/li>\n\n\n\nPattern, template, fine-tuning : faisons le tri<\/h2>\n\n\n\n
\n
Un prompt qui fonctionne vs. un prompt qui continue de fonctionner<\/h3>\n\n\n\n
Pourquoi le SQL g\u00e9n\u00e9r\u00e9 par IA \u00e9choue en silence<\/h2>\n\n\n\n
L’\u00e9cart de confiance est mesurable<\/h3>\n\n\n\n
Les erreurs silencieuses atteignent la production<\/h3>\n\n\n\n
Trois modes d’\u00e9chec \u00e0 conna\u00eetre<\/h2>\n\n\n\n
Ce que contient un prompt utilisable en production<\/h2>\n\n\n\n
Contexte<\/h3>\n\n\n\n
arrivant doit figurer ici, parce que le mod\u00e8le est en permanence dans sa premi\u00e8re semaine.<\/p>\n\n\n\nT\u00e2che<\/h3>\n\n\n\n
Contraintes<\/h3>\n\n\n\n
V\u00e9rification<\/h3>\n\n\n\n
Huit patterns de prompts utilisables en production<\/h2>\n\n\n\n
Le sch\u00e9ma avant la question<\/strong><\/h3>\n\n\n\n