Chain-of-Thought Prompting : Guide Pratique (2026)

Dans sa forme la plus simple, chain-of-thought (CoT) signifie demander au modèle de montrer son travail. Au lieu de « Quelle est la réponse ? », vous demandez « Raisonne étape par étape, puis donne la réponse. » Le modèle génère une séquence d'étapes intermédiaires, et la réponse finale en découle.

Il y a deux formes courantes. Le CoT zéro-shot ajoute une phrase déclencheur comme « Pensons étape par étape » sans exemples. Le CoT few-shot montre au modèle un ou plusieurs exemples travaillés qui incluent le raisonnement, puis lui demande de résoudre un nouveau problème de la même manière. L'article original Wei et al. 2022 a démontré la forme few-shot ; le déclencheur zéro-shot est venu peu après et est maintenant la norme quotidienne.

Le mécanisme est simple : générer des tokens intermédiaires donne au modèle plus de calcul à allouer au problème et force chaque conclusion à être conditionnée par une étape antérieure explicite. Les erreurs qui glissent dans une réponse unique surgissent souvent — et se corrigent — quand le raisonnement est détaillé.

CoT justifie son existence sur les problèmes avec plusieurs étapes dépendantes. Les gains les plus clairs, cohérents avec les conclusions du Wei et al. 2022 :

**Arithmétique et problèmes textuels.** Tout ce où la réponse dépend d'une chaîne de calculs. Montrer les étapes capture les erreurs de décalage et d'ordre des opérations que les réponses uniques font.

**Raisonnement multi-sauts.** Questions qui demandent de combiner plusieurs faits (« X s'est produit avant Y, et Y a causé Z, donc... »). Énumérer les sauts empêche le modèle de sauter un maillon.

**Déduction logique et problèmes de contrainte.** Énigmes, planification, règles d'admissibilité — partout où la réponse doit satisfaire plusieurs conditions à la fois.

**Décisions avec critères explicites.** Quand vous voulez que le modèle pèse les options par rapport aux critères énoncés plutôt que de trouver une correspondance avec une réponse plausible, lui demander d'évaluer chaque critère à tour de rôle améliore la cohérence.

CoT n'est pas gratuit et n'est pas toujours utile. Évitez-le — ou attendez-vous à peu d'avantages — dans ces cas :

**Simples recherches et tâches à une seule étape.** Demander à un modèle de « raisonner étape par étape » sur un fait à une étape dépense simplement des tokens et de la latence sans aucun gain de précision.

**Travail créatif ouvert.** Forcer un raisonnement explicite peut aplatir le ton et rendre la sortie mécanique. Les tâches créatives veulent généralement des instructions fortes, pas une chaîne de déduction visible.

**Les modèles de raisonnement modernes le font déjà en interne.** C'est le plus grand changement de 2026. Les modèles de raisonnement de pointe d'aujourd'hui — incluant les modèles orientés raisonnement d'OpenAI et Claude Opus 4.8 et Sonnet 4.6 d'Anthropic — effectuent un raisonnement étape par étape interne extensif avant de répondre. Ajouter une instruction explicite « pense étape par étape » à ces modèles ajoute souvent peu, car le travail se fait déjà sous le capot. Consultez l'aperçu du prompt engineering Claude et le guide de prompting d'OpenAI pour les conseils actuels spécifiques au modèle.

La règle pratique pour 2026 : recherchez CoT explicite quand vous êtes sur un modèle rapide sans raisonnement (les niveaux plus bon marché et à latence inférieure) et la tâche a plusieurs étapes. Sur un modèle de raisonnement dédié, commencez par une déclaration de problème claire et laissez le modèle raisonner ; ajoutez des instructions d'étapes explicites seulement si la sortie saute toujours des étapes.

Utilisez CoT explicite quand : la tâche a plusieurs étapes dépendantes (mathématiques, logique, multi-sauts), ET vous êtes sur un niveau de modèle rapide sans raisonnement où le raisonnement n'est pas déjà interne. Également utile quand vous avez besoin du raisonnement visible pour l'audit ou le débogage.
Ignorez CoT explicite quand : la tâche est une simple recherche à une étape, la sortie est créative/stylistique, ou vous êtes déjà sur un modèle de raisonnement de pointe qui fait du raisonnement étape par étape en interne — auquel cas une déclaration de problème claire surpasse généralement un « pense étape par étape » collé.

Voici un prompt de réponse en une étape qui trompe souvent les modèles rapides sans raisonnement sur les mathématiques multi-étapes :

``` Un magasin vend des carnets à 3 $ chacun. Si vous en achetez 10 ou plus, vous obtenez 15% de réduction sur toute la commande. J'en achète 12. Quel est le total ? ```

Les réponses directes appliquent parfois la réduction à seulement une partie de la commande ou mal calculer le pourcentage. Maintenant la version chain-of-thought :

``` Un magasin vend des carnets à 3 $ chacun. Acheter 10 ou plus donne 15% de réduction sur toute la commande. J'en achète 12. Raisonne étape par étape : 1. Calcule le sous-total avant réduction. 2. Vérifie si la réduction 10+ s'applique. 3. Applique la réduction au sous-total complet. 4. Indique le total final. Ensuite, donne le total final sur sa propre ligne comme : TOTAL : $X.XX ```

L'échafaudage numéroté force chaque étape et épingle le format de sortie pour que la réponse soit facile à extraire. Raisonnement attendu :

> 1. Sous-total = 12 x 3 $ = 36,00 $ > 2. 12 >= 10, donc la réduction de 15% s'applique. > 3. Réduction = 36,00 $ x 0,15 = 5,40 $ ; 36,00 $ - 5,40 $ = 30,60 $ > 4. TOTAL : 30,60 $

---

Un deuxième modèle : CoT few-shot pour une tâche de classification-avec-raisonnement. Montrez un exemple travaillé, puis demandez la même structure :

``` Classifie chaque ticket de support comme URGENT, NORMAL, ou BAS. Explique ton raisonnement en une phrase, puis donne l'étiquette. Ticket : « Le checkout jette une erreur 500 pour tous les utilisateurs depuis 20 minutes. » Raisonnement : Une panne de checkout totale bloque les revenus pour chaque client, c'est donc la plus haute sévérité. Étiquette : URGENT Ticket : « Peux-tu changer la police sur mon facture PDF ? » Raisonnement : Étiquette : ```

L'exemple travaillé enseigne le style de raisonnement et la forme de sortie à la fois — bien plus fiable que de décrire le format en prose.

Chain-of-thought est la fondation pour plusieurs modèles plus avancés. Self-consistency échantillonne plusieurs chaînes de raisonnement et prend la réponse majoritaire. Tree of Thoughts (arXiv:2305.10601) explore un arbre de chemins de raisonnement et élagage de branches faibles. ReAct (arXiv:2210.03629) entrelaçe les étapes de raisonnement avec les appels d'outils, qui est la colonne vertébrale de la plupart des agents modernes.

Pour le travail quotidien, vous avez rarement besoin de variantes exotiques. Le CoT zéro-shot simple (« raisonne étape par étape, puis réponds ») sur une tâche multi-étapes couvre la grande majorité des cas réels. Ajoutez un exemple travaillé (CoT few-shot) quand vous avez aussi besoin d'épingler un style de raisonnement ou un format de sortie particulier.