Legal prompt library

L’âge des formules

ChatGPT est public depuis fin novembre 2022 et le prompt engineering devient une discipline à part entière, avec ses recettes : « agis comme un expert », « réfléchis étape par étape » (le chain-of-thought), deux ou trois exemples pour cadrer le résultat (le few-shot). Des entreprises recrutent des prompt engineers à des salaires à six chiffres. Ces techniques changeaient réellement les résultats : les modèles de l’époque étaient fragiles et chaque mot comptait.

Le contexte prend le dessus

Les fenêtres de contexte passent de quelques pages à plusieurs centaines. Le RAG (retrieval-augmented generation, la génération appuyée sur une recherche documentaire) se généralise : plutôt que de compter sur la mémoire du modèle, on le branche sur des documents fiables.

Étude Stanford « Hallucination-Free ? » (2024). Pour le droit, la bascule est mesurable : l’ancrage documentaire réduit l’erreur sans l’éliminer.

Les modèles apprennent à raisonner

Les modèles de raisonnement planifient leur réponse avant de l’écrire. La consigne « réfléchis étape par étape » devient inutile, parfois contre-productive, parce qu’elle interfère avec ce raisonnement interne. La bonne pratique s’inverse : décrire l’objectif, les contraintes et le contexte, puis laisser le modèle choisir sa méthode. En juin 2025, Andrej Karpathy (ex-OpenAI, ex-Tesla) popularise le terme de context engineering, l’art de remplir la fenêtre de contexte avec la bonne information au bon moment. L’attention se déplace de la formulation vers tout ce qui l’entoure : documents, outils, mémoire.

Le prompt devient un actif

Le prompt tapé à la volée dans une fenêtre de chat cède du terrain aux prompts systèmes, aux bibliothèques partagées en cabinet et aux agents connectés à des outils, notamment via le protocole MCP. Le prompt engineering ne disparaît pas pour autant : chaque agent, chaque outil, chaque étape d’un système repose sur des instructions écrites. Les deux disciplines s’empilent. Autre enseignement de la période, documenté par Anthropic sous le nom de context rot (pourrissement du contexte) : au-delà d’un certain volume, chaque information supplémentaire dilue l’attention du modèle. Un contexte court et dense bat un contexte exhaustif.