Glossaire IA · Prompts
Chain of thought
En une phrase
Le chain of thought, ou chaîne de pensée, est une technique où le modèle d'IA écrit les étapes intermédiaires de son raisonnement avant de donner sa réponse finale. Elle améliore les résultats sur les calculs, les règles en cascade et les problèmes à plusieurs étapes.
Autres noms: chaîne de pensée · CoT · raisonnement pas à pas · chain-of-thought prompting
Qu’est-ce que le chain of thought ?
Si l’on vous demande de calculer de tête le prix d’une commande avec remise sur volume, TVA et frais de port, vous tomberez plus souvent juste en avançant étape par étape qu’en lançant un chiffre. Les modèles de langage fonctionnent un peu pareil. Ils produisent le texte token après token, et chaque mot écrit leur sert d’appui pour le suivant. S’ils écrivent d’abord les étapes, la conclusion s’appuie dessus.
Passez à la pratique
Des agents IA pour répondre à vos clients
Dès 49 €/mois + TVA
Voix, WhatsApp et e-mail avec la ligne incluse : agent, numéros et CRM dans le même abonnement.
Voir les tarifsLe chain of thought, c’est cela : faire raisonner le modèle par écrit avant qu’il réponde. On peut le demander dans le prompt (« réfléchis étape par étape ») ou le montrer avec des exemples qui incluent le raisonnement, en le combinant avec le few-shot. Les modèles de raisonnement actuels le font d’office, sans qu’on le leur demande.
En lien avec ce terme
Agents UTIO
- Disponibles 24h/24 en 26 langues
- Le monter vous-même : 0 €, à partir de votre site
- 14 jours d'essai sans carte
Dès 49 €/mois + TVA
Voir les tarifsComment ça marche
- Le modèle reçoit la question et la consigne de raisonner.
- Il écrit les étapes intermédiaires : données, règles applicables, calculs.
- Il donne la réponse finale, séparée du raisonnement.
Dans une application, l’étape 2 reste en général en coulisses : elle est conservée pour vérification, mais l’utilisateur ne reçoit que l’étape 3.
Cela a un coût. Le raisonnement occupe des tokens, qui se paient, et prend du temps à générer. Dans un chat écrit, quelques secondes de plus ne gênent pas. Au téléphone, si : le silence s’entend. En voix, on le réserve donc à ce qui en a vraiment besoin.
Et ce n’est pas infaillible. Un raisonnement bien construit peut partir d’une donnée fausse. Il réduit les erreurs, il ne les supprime pas.
Exemple
Un loueur d’utilitaires à Marseille utilise l’IA pour préparer des devis qu’une personne relit ensuite. Les tarifs varient selon la durée, le kilométrage et la saison. Sans raisonnement, le modèle applique parfois mal le supplément d’août. Avec ce prompt, il se trompe moins, et quand il se trompe, cela se voit tout de suite :
Calcule le devis à partir de la grille tarifaire jointe.
Avant le total, écris les étapes :
1) durée et saison, 2) prix par jour, 3) kilomètres en plus, 4) suppléments.
Écris ensuite « TOTAL : » et le montant.
S'il manque une donnée, ne la suppose pas : indique laquelle.
La personne qui relit n’a pas à refaire le calcul : elle vérifie les étapes.
Ce que cela change pour votre entreprise
Pour les tâches qui enchaînent plusieurs règles, demander les étapes améliore le résultat et facilite la relecture. Pour les réponses rapides aux clients, c’est superflu.
Chez UTIO, les réponses aux clients sont directes et, surtout avec l’agent vocal, elles doivent arriver sans attente. Ce qui n’est pas clair ne se calcule pas à l’aveugle : l’agent démarre en mode brouillon et peut passer la main à votre équipe selon les règles que vous définissez.
Questions fréquentes
Le raisonnement affiché reflète-t-il vraiment ce que pense le modèle ?
Pas toujours. C'est un texte qui aide le modèle à mieux répondre, mais il ne décrit pas forcément avec exactitude la façon dont la réponse a été produite. Il sert à vérifier, pas à prouver que la réponse est juste.
Faut-il demander un chain of thought aux modèles de raisonnement ?
En général, non. Les modèles de raisonnement réfléchissent déjà par étapes en interne avant de répondre. Le leur redemander apporte peu et allonge la réponse.
Montre-t-on le raisonnement au client ?
Dans une conversation avec un client, non. Le raisonnement est un brouillon interne : le client reçoit la réponse finale, claire et courte.
Termes associés
- Modèle de raisonnement
Un modèle de raisonnement est un modèle de langage entraîné à produire une suite d'étapes intermédiaires avant de donner sa réponse finale. Il réussit mieux les problèmes de logique, de calcul ou de planification, au prix d'un délai et d'une consommation de tokens plus élevés.
- Prompt engineering
Le prompt engineering, ou ingénierie de prompts, consiste à concevoir, tester et ajuster les instructions données à un modèle d'IA pour qu'il réponde correctement de façon stable, et pas seulement une fois.
- Few-shot
Le few-shot est une technique de prompt qui consiste à glisser quelques exemples déjà résolus dans la consigne, pour que le modèle d'IA reproduise le format, le ton ou le critère attendu sans avoir à le réentraîner.
- Latence
La latence est le temps qui s'écoule entre une requête et le début de la réponse. Pour un agent vocal, c'est le silence entre le moment où le client se tait et celui où il entend le premier mot de l'agent : c'est elle qui rend la conversation naturelle ou non.
- Hallucination
Une hallucination est une réponse d'un modèle d'IA qui paraît convaincante mais se révèle fausse ou ne repose sur aucune source : un chiffre, une citation, un prix ou une référence que le modèle invente en produisant le texte le plus probable.
Mis à jour le