Few-shot
Vous demandez la même chose à ChatGPT dix fois, et vous obtenez dix résultats de forme différente. La solution tient en un mot : le few-shot. Au lieu d'expliquer longuement ce que vous voulez, vous montrez deux ou trois exemples. L'IA copie le modèle et vous rend un résultat propre, prêt à l'emploi. Voici comment ça marche, concrètement.
Le few-shot consiste à glisser quelques exemples dans le prompt (souvent 2 à 5) pour montrer à l'IA le résultat attendu, plutôt que de le décrire. Le modèle s'aligne sur le modèle fourni : même format, même ton, même structure. C'est l'un des leviers les plus simples pour rendre les réponses fiables et reproductibles.
Le few-shot, qu'est-ce que c'est exactement ?
Le few-shot est une technique de rédaction de prompt où vous donnez à l'IA quelques exemples du résultat voulu avant votre vraie demande. Au lieu d'expliquer en mots ce que vous attendez, vous le montrez. Le modèle repère la logique commune aux exemples et l'applique à votre nouveau cas, avec le même format et le même style.
Le terme vient de l'anglais « few » (quelques) et « shot » (essai, exemple). Traduction fidèle : « quelques exemples ».
L'idée est celle d'un nouveau collègue. Vous pouvez lui décrire une tâche pendant dix minutes, ou lui montrer trois dossiers déjà traités. Souvent, les exemples parlent mieux que la consigne.
L'IA fonctionne pareil. Elle repère un motif dans vos exemples (« question → réponse en 2 lignes », « produit → accroche vendeuse ») et le reproduit sur votre demande.
Zero-shot, one-shot, few-shot : quelle différence ?
La différence tient au nombre d'exemples fournis. Le zero-shot ne donne aucun exemple, juste une consigne. Le one-shot en donne un seul. Le few-shot en donne plusieurs, en général deux à cinq. Plus vous ajoutez d'exemples pertinents, plus vous cadrez le format et le ton, au prix d'un prompt un peu plus long à préparer.
Le zero-shot suffit pour les demandes simples : « Résume ce texte en trois points. » Pas besoin d'exemple, l'IA sait faire.
Le one-shot aide dès qu'un format précis compte : un seul exemple montre la mise en forme voulue.
Le few-shot devient utile quand la tâche est subtile ou répétée : classer des e-mails par urgence, écrire dans un ton de marque précis, extraire des données dans un tableau constant. Les exemples verrouillent le résultat.
- Zero-shot : consigne seule, aucun exemple
- One-shot : un exemple pour montrer le format
- Few-shot : deux à cinq exemples pour cadrer format et ton
- Règle simple : plus la tâche est subtile, plus les exemples aident
Comment fonctionne le few-shot en pratique ?
Vous structurez votre prompt en deux blocs. D'abord, quelques paires « entrée → sortie » qui montrent exactement ce que vous voulez. Ensuite, votre vraie entrée, laissée sans réponse. Le modèle comprend qu'il doit compléter sur le même modèle. Il calque le format, la longueur et le style des exemples pour produire votre résultat.
Concrètement, un prompt few-shot ressemble à ceci. Vous écrivez : « Avis : “Livraison rapide, très satisfait” → Sentiment : Positif. Avis : “Produit cassé à l'arrivée” → Sentiment : Négatif. » Puis vous ajoutez votre nouvel avis à classer.
L'IA a vu deux exemples de la tâche. Elle en déduit la règle du jeu et applique le même étiquetage à votre cas, sans que vous ayez à définir « positif » ou « négatif ».
Le secret d'un bon few-shot tient à la qualité des exemples, pas à leur nombre. Trois exemples clairs et variés valent mieux que dix exemples flous ou tous identiques.
- Choisissez 2 à 5 exemples représentatifs de votre besoin
- Montrez chaque fois l'entrée et la sortie attendue
- Gardez un format identique d'un exemple à l'autre
- Terminez par votre vraie entrée, sans réponse
- Variez les cas pour couvrir les situations réelles
À quoi sert le few-shot dans une entreprise ?
Le few-shot brille dès qu'une tâche revient souvent et doit sortir dans un format constant. Classer des messages entrants, rédiger des réponses types dans le ton maison, extraire des informations d'un e-mail vers un tableau, écrire des accroches produit calibrées : partout où le résultat doit être régulier, quelques exemples évitent de tout réexpliquer à chaque fois.
Exemple vu en formation : un service client colle trois réponses validées par le manager comme exemples, puis demande à l'IA de traiter les nouveaux tickets sur le même modèle. Le ton reste homogène sur toute l'équipe.
Autre cas : une équipe commerciale montre deux fiches produit bien écrites, puis génère les suivantes au même format. Fini les descriptions qui changent de structure à chaque produit.
Le gain concret : moins d'allers-retours pour corriger la forme. On passe de « ce n'est pas tout à fait ça » à un résultat exploitable dès le premier jet, ce qui représente souvent 20 à 30 minutes économisées par lot de tâches.
- Classer et trier des e-mails ou tickets entrants
- Rédiger des réponses types dans le ton de la marque
- Extraire des données d'un texte vers un tableau
- Écrire des fiches produit ou accroches au même format
- Reformuler des textes selon un style de référence
Quelles erreurs et pièges éviter avec le few-shot ?
Les pièges les plus courants : donner des exemples trop peu variés, en mettre trop, ou fournir un format incohérent d'un exemple à l'autre. L'IA copie tout, y compris vos défauts. Si vos exemples contiennent une faute ou un biais, elle le reproduira. Des exemples propres et représentatifs valent bien plus qu'une longue série approximative.
Erreur fréquente : donner trois exemples qui se ressemblent tous. Le modèle apprend alors une règle trop étroite et bute sur les cas de bord. Variez volontairement vos exemples.
Autre écueil : l'incohérence de format. Si un exemple met la réponse sur une ligne et l'autre sur trois, l'IA ne sait plus quel modèle suivre. Restez rigoureusement identique dans la présentation.
Attention enfin à la fenêtre de contexte. Empiler quinze exemples longs alourdit le prompt, coûte plus de tokens et n'améliore pas forcément le résultat. Quelques bons exemples suffisent presque toujours.
- Exemples trop semblables : l'IA généralise mal
- Formats incohérents entre les exemples
- Fautes ou biais dans les exemples, copiés tels quels
- Trop d'exemples : prompt lourd, coût en tokens plus élevé
- Exemples non représentatifs des vrais cas rencontrés
Few-shot ou fine-tuning : que choisir ?
Le few-shot se fait dans le prompt, sans rien modifier au modèle : gratuit, immédiat, idéal pour tester et pour les volumes modestes. Le fine-tuning ré-entraîne le modèle sur vos données : plus lourd et coûteux, il vaut le coup quand la tâche est très répétée et qu'un exemple dans le prompt à chaque fois deviendrait trop cher ou trop long.
Pour 90 % des besoins d'une PME, le few-shot suffit largement. Vous ajustez vos exemples, vous testez, vous corrigez en direct. Aucune compétence technique lourde requise.
Le fine-tuning entre en jeu quand vous traitez des milliers de tâches identiques par mois, avec un besoin de format ultra-stable et un budget dédié. C'est un projet, pas un réglage de prompt.
Le bon réflexe : commencer toujours par le few-shot. Ce n'est que si vous atteignez ses limites, en volume ou en régularité, que le fine-tuning se justifie.
Quels termes sont liés au few-shot ?
Le few-shot appartient à la boîte à outils du prompt engineering. Il se comprend en regard du zero-shot et du one-shot, se combine avec le chain-of-thought pour les raisonnements, s'appuie sur la notion de prompt et de token, et s'oppose au fine-tuning comme méthode d'adaptation. Maîtriser ces termes ensemble, c'est savoir piloter une IA générative avec précision.
Le prompt engineering est la discipline qui englobe le few-shot : l'art de formuler des consignes fiables et reproductibles.
Le chain-of-thought se marie bien avec le few-shot : vos exemples montrent non seulement la réponse, mais aussi le raisonnement pas à pas qui y mène.
Le fine-tuning est l'alternative « lourde » : là où le few-shot guide par l'exemple dans le prompt, le fine-tuning grave la compétence dans le modèle lui-même.
- Prompt engineering : la discipline qui englobe le few-shot
- Zero-shot : la même tâche sans aucun exemple
- Chain-of-thought : montrer le raisonnement en plus du résultat
- Fine-tuning : l'alternative qui ré-entraîne le modèle
- Token : l'unité qui mesure la longueur de vos exemples
Pourquoi le few-shot est-il important pour votre entreprise ?
Le few-shot transforme une IA capricieuse en outil fiable. Sans lui, vos équipes passent leur temps à recorriger la forme des réponses. Avec lui, elles obtiennent un résultat constant dès le premier essai. C'est le geste qui fait passer l'IA du gadget au vrai gain de productivité, sans compétence technique ni budget supplémentaire.
Le calcul est simple. Une équipe qui maîtrise le few-shot arrête de rejouer la même demande jusqu'à obtenir le bon format. Sur des tâches répétées, cela représente souvent 30 à 45 minutes gagnées par jour et par personne.
Ce n'est pas qu'une astuce individuelle. Un prompt few-shot bien construit se partage dans l'équipe et devient un standard : tout le monde obtient le même rendu, dans le même ton.
C'est aussi une brique de la maîtrise de l'IA que l'AI Act attend des salariés depuis 2025. Savoir cadrer une IA par l'exemple fait partie des compétences de base à installer dans vos équipes.
Questions fréquentes
Le few-shot, c'est quoi en une phrase ?
Le few-shot consiste à donner quelques exemples du résultat attendu dans votre prompt, au lieu de le décrire avec des mots. En général deux à cinq exemples suffisent. L'IA repère le modèle commun et l'applique à votre demande, avec le même format, le même ton et la même structure. C'est l'une des techniques les plus simples pour obtenir des réponses fiables et régulières.
Quelle différence entre zero-shot et few-shot ?
Le zero-shot ne donne aucun exemple : vous écrivez une consigne et l'IA fait de son mieux. Le few-shot ajoute plusieurs exemples du résultat voulu avant votre vraie demande. Le zero-shot suffit pour les tâches simples comme un résumé. Le few-shot devient utile dès que le format doit être précis et constant, ou que la tâche est subtile et répétée.
Combien d'exemples faut-il mettre dans un prompt few-shot ?
En pratique, deux à cinq exemples suffisent dans la grande majorité des cas. Ce qui compte n'est pas la quantité mais la qualité : des exemples clairs, variés et représentatifs de vos vrais cas. Trois bons exemples valent mieux que dix approximatifs. Au-delà de cinq ou six, le prompt s'alourdit, coûte plus de tokens et n'améliore plus vraiment le résultat.
Le few-shot fonctionne-t-il avec ChatGPT et les autres IA ?
Oui, c'est une technique universelle. Elle marche avec ChatGPT, Claude, Gemini, Copilot et tous les grands modèles de langage. Le principe reste le même partout : montrer quelques exemples entrée-sortie, puis poser votre vraie question. Aucun outil ni réglage particulier n'est nécessaire, il suffit de structurer votre prompt avec les exemples au début.
Le few-shot demande-t-il des compétences techniques ?
Non, aucune. Le few-shot se fait entièrement dans le champ de saisie de l'IA, en écrivant des exemples avant votre demande. Pas de code, pas de configuration, pas de budget. C'est justement sa force : n'importe quel collaborateur peut l'utiliser après une courte prise en main. C'est l'une des premières techniques enseignées dans une formation au prompt engineering.
Quand faut-il préférer le fine-tuning au few-shot ?
Le fine-tuning se justifie quand vous traitez des milliers de tâches identiques par mois et qu'il devient trop lourd de répéter les exemples à chaque prompt. C'est un vrai projet, plus coûteux et plus technique. Pour la plupart des besoins d'une PME, le few-shot suffit. La règle : commencez toujours par le few-shot, et n'envisagez le fine-tuning qu'en cas de limite atteinte.
Peut-on combiner few-shot et raisonnement pas à pas ?
Oui, et c'est même très efficace. En combinant le few-shot avec le chain-of-thought, vos exemples ne montrent pas seulement la bonne réponse, mais aussi le raisonnement qui y mène étape par étape. L'IA apprend alors à raisonner comme dans vos exemples, ce qui améliore nettement la fiabilité sur les tâches d'analyse, de calcul ou de décision.
Quels sont les principaux pièges du few-shot ?
Le premier piège est de donner des exemples trop semblables : l'IA généralise mal et bute sur les cas de bord. Le deuxième est l'incohérence de format entre les exemples, qui brouille le modèle à suivre. Enfin, l'IA copie fidèlement vos défauts : une faute ou un biais dans un exemple sera reproduit. Des exemples propres, variés et cohérents règlent l'essentiel.
Le few-shot fait-il vraiment gagner du temps ?
Oui, de façon mesurable sur les tâches répétées. Sans few-shot, vos équipes relancent la même demande jusqu'à obtenir le bon format, ce qui multiplie les allers-retours. Avec un prompt few-shot bien construit, le résultat sort exploitable dès le premier jet. Sur des tâches récurrentes, cela représente souvent 30 à 45 minutes gagnées par jour et par personne.
Comment former mon équipe à la technique du few-shot ?
Une formation au prompt engineering donne la méthode complète : construire des exemples efficaces, choisir le bon format, combiner few-shot et raisonnement, et partager des prompts standards dans l'équipe. La formation « Prompt engineering » d'Ewolis est certifiée Qualiopi et finançable par votre OPCO, jusqu'à 100 % pour les PME. Nous montons le dossier de financement avec vous.
Faites de vos équipes des pros du prompt en une journée
La formation « Prompt engineering » d'Ewolis apprend le few-shot et toutes les techniques pour obtenir des réponses fiables et reproductibles dès le premier essai. Certifiée Qualiopi, finançable OPCO / FNE jusqu'à 100 %. On monte le dossier avec vous.