Des prompts IA testés, structurés et conçus pour le quotidien réel des avocats et juristes. Pas des one-liners génériques — des outils de travail.
Un prompt est l'instruction que vous donnez à une IA générative pour obtenir un résultat : une question, une consigne, un brief complet avec pièces jointes. Le français dispose d'un terme officiel depuis septembre 2024, la Commission d'enrichissement de la langue française ayant retenu « instruction générative » : la consigne, généralement rédigée en langage courant, qu'un utilisateur adresse à un modèle génératif pour décrire la tâche attendue. Dans les cabinets comme ailleurs, tout le monde continue de dire prompt.
La définition officielle contient le point essentiel : le prompt décrit la tâche. Une bonne instruction dépasse donc la simple question et rassemble jusqu'à cinq éléments :
Pourquoi ce niveau de précision ? Un grand modèle de langage (LLM) génère du texte en prédisant la suite la plus probable de votre demande. Il n'a accès ni à votre dossier, ni à votre stratégie, ni à l'état du droit au jour où vous l'interrogez, sauf si vous les lui fournissez.
Chaque information absente du prompt est remplacée par une supposition statistique. En droit, une supposition statistique devient vite une erreur.
Analyse de licenciement, calcul d'indemnités, argumentaire prud'homal, conformité RH, veille jurisprudentielle.
Baux commerciaux, transactions, copropriété, urbanisme, construction, contentieux immobilier.
Due diligence, SPA, GAP, earn-out, locked-box, pacte d'associés, LBO, closing memo.
Qualification, garde à vue, nullités, plaidoirie, exécution des peines, pénal des affaires.
Divorce, autorité parentale, pension alimentaire, prestation compensatoire, protection des majeurs.
Les techniques qui faisaient la différence en 2023 sont devenues inutiles, parfois nuisibles. Voici ce qui a bougé, et ce qui tient.
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.
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 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 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.
Trois ans de recul permettent de trier. Les formules et les astuces ont une durée de vie de 12 à 18 mois. Quatre fondamentaux traversent les générations de modèles :
Chaque prompt assigne un rôle juridique spécifique à l'IA
Les paramètres métier sont intégrés, pas laissés au hasard
Instructions explicites pour limiter les réponses inventées
Tableaux, plans structurés, checklists — pas de prose vague
Ces prompts sont un point d'entrée. Pour comprendre vraiment comment fonctionnent les LLM en pratique juridique, retrouvez nos parcours sur la Zevra School ou notre étude complète sur la formation IA des Avocats en France (11 EDA analysées, AI Act, panorama des formations).
Découvrez nos formations pour maîtriser l'IA dans votre pratique juridique, ou contactez-nous pour un accompagnement sur mesure.