Faire raisonner l'IA étape par étape : quand et comment

Un carreleur doit poser 34 m². Il compte 10 % de chutes, ses carreaux sont vendus en cartons de 1,44 m². Il demande à l'IA :

Combien de cartons je commande ?

Si le modèle répond juste « 26 cartons », le chiffre est bon, mais rien ne le prouve. Sur un autre chantier, une réponse sèche de ce genre peut être fausse, et tu n'auras aucun moyen de voir où ça a dérapé.

Demande maintenant le détail : 34 × 1,10 = 37,4 m², 37,4 ÷ 1,44 = 25,97, donc 26 cartons, soit 37,44 m² livrés. Tu vois chaque hypothèse, et tu découvres au passage une information utile : la marge restante est de 0,04 m². À la moindre casse supplémentaire, il manque un carton. La réponse courte cachait ça.

Pourquoi le détail améliore souvent la réponse

Un modèle de langage produit sa réponse mot après mot. S'il doit donner le résultat dès la première ligne, il s'engage sans avoir posé les étapes intermédiaires. En lui demandant de les écrire d'abord, chaque étape s'appuie sur la précédente et le résultat vient à la fin.

La technique s'appelle chain of thought, ou chaîne de pensée. Une équipe de chercheurs (Kojima et ses coauteurs, 2022) a montré que la seule phrase « Let's think step by step » améliorait nettement les résultats sur des problèmes de raisonnement de l'époque. Les modèles ont beaucoup changé depuis, et plusieurs outils proposent aujourd'hui un mode de réflexion intégré. Vérifie dans le tien au moment où tu lis ces lignes : si ce mode existe, active-le pour les problèmes difficiles, et la formule magique devient moins utile.

Le second bénéfice reste entier, et c'est lui qui compte le plus au quotidien : un raisonnement écrit se relit. Tu repères l'hypothèse fausse, le taux mal choisi, la donnée que l'IA a inventée pour combler un trou.

La formule courte ne suffit pas toujours

« Réfléchis étape par étape » fonctionne, mais tu obtiens mieux en disant quelles étapes tu attends et ce que l'IA doit faire quand une donnée manque.

Je dois résoudre ce problème : [DÉCRIS LE PROBLÈME AVEC TOUTES LES DONNÉES CHIFFRÉES]

Procède dans cet ordre :
1. Liste les données fournies, puis les hypothèses que tu dois faire, en les signalant comme telles.
2. Si une donnée indispensable manque, arrête-toi et pose-moi la question au lieu de l'estimer.
3. Fais le calcul étape par étape, une opération par ligne, avec les unités.
4. Vérifie le résultat par une autre méthode ou un calcul inverse.
5. Termine par une ligne « Réponse : » et indique ce qui ferait changer ce résultat.

L'étape 2 évite le défaut le plus gênant : un raisonnement impeccable bâti sur un chiffre inventé. L'étape 4 oblige à un contrôle, sans le garantir pour autant. Pour tout montant qui engage ton argent ou celui d'un client, refais le calcul dans un tableur : l'IA peut encore se tromper en arithmétique, surtout sur de longues opérations.

Là où ça aide, là où ça ne change rien

Demander un raisonnement rallonge la réponse. Inutile de le faire partout.

Attention au dernier cas. Sur un fait que le modèle ignore, un raisonnement bien présenté donne une impression de sérieux sans rien vérifier. Pour ce type de risque, lis plutôt comment réduire les hallucinations.

Séparer le raisonnement de la réponse

Quand le résultat doit être réutilisé tel quel, le raisonnement gêne. Tu peux le garder pour toi et obtenir une sortie propre, en lui donnant deux zones distinctes. Exemple pour une trésorière d'association qui prépare une décision pour son bureau :

Notre association hésite entre deux options pour [SUJET DE LA DÉCISION].
Option A : [DÉTAILS, COÛTS, CONTRAINTES]
Option B : [DÉTAILS, COÛTS, CONTRAINTES]
Nos critères, du plus au moins important : [CRITÈRES]

Réponds en deux parties.

Partie RAISONNEMENT : examine chaque critère un par un pour les deux options. Écris les calculs. Signale ce que tu ne peux pas évaluer avec ces informations.

Partie NOTE AU BUREAU : 6 lignes maximum, sans jargon, avec l'option recommandée, la raison principale, et le risque à surveiller.

Tu lis la première partie pour vérifier, tu transmets la seconde. Si tu travailles avec un format imposé, comme une sortie destinée à un tableur, garde la même logique et ne copie que la zone finale.

Faire relire le raisonnement par une seconde passe

Un modèle qui vient de produire une chaîne de raisonnement a tendance à la défendre si tu lui demandes simplement « tu es sûr ? ». Il peut aussi changer d'avis sans raison, juste parce que la question suggère un doute. Un meilleur contrôle consiste à ouvrir une nouvelle conversation et à présenter le travail comme celui de quelqu'un d'autre.

Voici un raisonnement écrit par un collègue. Je ne sais pas s'il est correct.

Énoncé d'origine : [ÉNONCÉ]
Raisonnement : [COLLE LE RAISONNEMENT]

Reprends-le ligne par ligne. Pour chaque ligne, indique « correct » ou explique l'erreur. Cherche en particulier les hypothèses non justifiées, les erreurs d'unité et les données absentes de l'énoncé. Si tu ne trouves aucune erreur, dis-le sans en inventer.

La dernière phrase limite la tentation de trouver un problème à tout prix. Un raisonnement relu deux fois peut quand même rester faux, mais les erreurs grossières tombent souvent à ce stade. Si le problème est long, découpe-le en une chaîne de prompts et fais contrôler chaque maillon plutôt que le tout.

À essayer sur ton prochain calcul

Prends un calcul que tu connais déjà de ton travail, avec une réponse que tu sais juste. Passe-le dans le premier prompt ci-dessus et lis les hypothèses de l'étape 1. Si l'IA en a ajouté une que tu n'avais pas donnée, tu sais ce qu'il faut préciser dans ton énoncé la prochaine fois.