Introduction :
Le Few-shot prompting est une technique d’ingénierie de prompt qui consiste à fournir à un modèle de langage quelques exemples (généralement entre 2 et 5) de la tâche à accomplir avant de lui soumettre la requête finale. Cette méthode permet à l’IA de comprendre le format, le ton et la logique attendus par analogie, sans nécessiter de réentraînement complet.
Pourquoi est-ce important ?
Pour un employeur, le Few-shot prompting est l’outil de précision par excellence pour personnaliser l’IA à moindre coût. Dans les RH, chaque entreprise possède son propre jargon et sa propre culture. En donnant à l’IA trois exemples de fiches de poste rédigées selon vos standards, le modèle produira une quatrième fiche parfaitement alignée sur votre marque employeur. L’enjeu est la réduction des erreurs et des hallucinations : en montrant “comment faire” plutôt qu’en l’expliquant simplement avec du texte, vous cadrez la réponse de l’IA. Pour le recruteur, cela permet de transformer un modèle généraliste en un expert de niche capable de trier des CV selon des critères très spécifiques ou de répondre à des questions complexes en respectant scrupuleusement le formalisme juridique de l’entreprise. C’est la clé de l’efficacité opérationnelle immédiate pour toute organisation qui souhaite des résultats “sur-mesure” sans avoir recours à des développements informatiques lourds.
Comment le mettre en œuvre ?
La mise en œuvre est simple : dans votre fenêtre de chat ou via API, commencez votre prompt par une série de paires “Entrée/Sortie”. Par exemple : “Exemple 1 : [Texte brut] -> [Synthèse attendue]”. Répétez l’opération trois fois, puis insérez la commande : “Maintenant, traite ce texte : [Nouvelle donnée]”. Techniquement, cette méthode utilise la “capacité d’apprentissage en contexte” (In-context learning) du modèle. Il est conseillé de choisir des exemples variés mais représentatifs du résultat final souhaité. Il faut toutefois veiller à ne pas saturer la fenêtre de contexte avec trop d’exemples longs, ce qui pourrait augmenter la latence et le coût en tokens. Un bon dosage entre instructions textuelles et exemples visuels (exemples de tableaux ou de listes) garantit le meilleur taux de succès.
Exemples concrets :
Pour automatiser la rédaction de mails de refus bienveillants, un RH insère dans le prompt trois modèles de mails qu’il a lui-même écrits par le passé. L’IA générera ensuite des refus pour les nouveaux candidats en imitant parfaitement ce style empathique. Autre exemple : pour extraire des compétences techniques de CV au format très divers, on donne à l’IA deux exemples de CV suivis de la liste des compétences extraites correctement structurée en JSON ; l’IA appliquera alors ce schéma rigoureux à tous les CV suivants.