Chain of thought : définition, exemples de prompts et différence avec le prompt chaining (2026)

Article publié le 16 septembre 2024, réécrit le 24 octobre 2026 et complété le 14 novembre 2026, établi à partir des publications de recherche d’origine (Wei et al. 2022, Kojima et al. 2022, Wang et al. 2022, Dhuliawala et al. 2023) et des guides de prompt d’OpenAI et d’Anthropic consultés ce jour-là.

Le chain of thought, ou « chaîne de pensée », est une technique de prompt qui demande à une IA de raisonner par étapes intermédiaires avant de donner sa réponse finale. Au lieu de sauter directement au résultat, le modèle pose les données, fait les calculs ou les déductions un à un, puis conclut. Sur les problèmes de logique, de calcul ou de décision, cela réduit nettement les erreurs, et cela rend le raisonnement relisible. En 2026, la technique a changé de statut : les modèles de raisonnement font désormais ce travail tout seuls. Voici ce qu’est le chain of thought, comment l’écrire, quand il sert encore, et en quoi il diffère du few-shot, du prompt chaining et de la chain of verification.

L’essentiel en cinq lignes

  • Définition : faire produire au modèle les étapes de son raisonnement avant la réponse, dans un seul échange.
  • Deux façons de le déclencher : une consigne du type « raisonne étape par étape » (zero-shot) ou des exemples résolus avec leur raisonnement (few-shot).
  • Origine : popularisé en 2022 par une équipe de Google (Wei et al.), puis par la formule « Let’s think step by step » (Kojima et al.).
  • En 2026 : avec les modèles de raisonnement (mode « réflexion » de ChatGPT, réflexion étendue de Claude, Gemini Thinking), la consigne « étape par étape » devient inutile ; le travail du prompt se déplace vers le contexte, les critères de réussite et la vérification.
  • À ne pas confondre : le prompt chaining enchaîne plusieurs prompts distincts, la chain of verification fait vérifier une réponse par des questions de contrôle.

Qu’est-ce que le chain of thought ?

Le chain of thought (CoT) est une technique d’ingénierie des prompts. Elle part d’un constat simple : un modèle de langage produit sa réponse mot après mot, et chaque mot écrit sert de point d’appui au suivant. Quand on lui demande d’écrire d’abord les étapes intermédiaires, il dispose de ces étapes pour construire la conclusion. Quand on lui demande la réponse tout de suite, il doit « deviner » le résultat d’un seul coup, ce qui échoue souvent dès que le problème comporte plusieurs opérations.

Le terme vient de l’article « Chain-of-Thought Prompting Elicits Reasoning in Large Language Models », publié en janvier 2022 par Jason Wei et ses collègues de Google. Ils ont montré qu’en ajoutant au prompt quelques exemples résolus accompagnés de leur raisonnement, un grand modèle progressait fortement en arithmétique, en raisonnement symbolique et en sens commun. Avec huit exemples de ce type, leur modèle PaLM de 540 milliards de paramètres a atteint le meilleur score de l’époque sur GSM8K, un banc d’essai de problèmes mathématiques de niveau scolaire.

Quelques mois plus tard, Takeshi Kojima et ses coauteurs ont montré qu’il n’était même pas nécessaire de fournir des exemples. Ajouter la seule phrase « Let’s think step by step » faisait passer le modèle d’OpenAI qu’ils testaient de 17,7 % à 78,7 % de bonnes réponses sur le banc MultiArith, et de 10,4 % à 40,7 % sur GSM8K. C’est la naissance du chain of thought « zero-shot », la version la plus connue.

Les deux façons d’écrire un prompt chain of thought

1. Le chain of thought zero-shot : une consigne suffit

On ajoute à la demande une instruction qui impose de détailler le raisonnement avant de conclure. Voici un cas de bureau typique, d’abord sans, puis avec chaîne de pensée.

Avant :

Notre équipe de 12 personnes passe à 4 jours de télétravail sur 5.
Nous louons 14 postes à 650 € par mois. Combien de postes garder
et quelle économie annuelle ?

Un modèle rapide répond souvent d’un trait, avec un chiffre plausible mais une hypothèse cachée (tout le monde vient le même jour ? personne ne vient ?).

Après :

Notre équipe de 12 personnes passe à 4 jours de télétravail sur 5.
Nous louons 14 postes à 650 € par mois chacun.
Combien de postes faut-il garder pour couvrir 90 % des jours de
présence, et quelle économie annuelle cela représente ?
Raisonne étape par étape : pose d'abord tes hypothèses de
répartition des présences, calcule ensuite, puis donne le résultat
dans un tableau. Signale toute hypothèse que je dois valider.

La réponse expose les hypothèses (présences réparties sur la semaine ou concentrées), le nombre de personnes présentes par jour, le nombre de postes nécessaires, puis l’économie. Vous pouvez contester une étape précise au lieu de rejeter tout le résultat.

2. Le chain of thought few-shot : montrer un exemple résolu

On fournit un ou plusieurs exemples traités, avec le raisonnement attendu, avant la vraie question. Le modèle reproduit la méthode. C’est la version d’origine de Wei et al., et la plus efficace quand vous voulez imposer un ordre de calcul ou une grille d’analyse.

Exemple. Facture de 1 200 € HT, remise de 5 % sur le HT, TVA 20 %.
Raisonnement : remise = 1 200 × 5 % = 60 € ; HT net = 1 140 € ;
TVA = 1 140 × 20 % = 228 € ; TTC = 1 368 €.

À toi, avec la même méthode : facture de 3 450 € HT,
remise de 8 % sur le HT, TVA 20 %.

Le même principe s’applique à une analyse qualitative : un exemple de réclamation client analysée selon votre grille (fait, impact, cause probable, réponse proposée) suffit pour que le modèle traite les suivantes dans le même ordre. Pour des prompts métier déjà structurés avec contexte, étapes et format de sortie, voir notre bibliothèque de prompts IA classés par métier.

Chain of thought, few-shot, prompt chaining, chain of verification : les différences

Ces termes reviennent souvent ensemble et sont souvent confondus. Ils désignent pourtant des leviers différents, que l’on combine.

TechniquePrincipeNombre d’échangesQuand l’utiliser
Chain of thoughtFaire écrire les étapes du raisonnement avant la réponseUn seulCalcul, logique, décision à plusieurs critères, avec un modèle rapide
Few-shotMontrer des exemples d’entrées et de sorties attenduesUn seulImposer un format, un ton ou une méthode ; combinable avec le chain of thought
Prompt chainingDécouper une tâche en plusieurs prompts ; la sortie de l’un nourrit le suivantPlusieursProcessus en étapes séparables, chacune relue avant la suivante
Chain of verificationFaire produire une réponse, puis des questions de contrôle, y répondre séparément, et corrigerUn ou plusieursRéponses factuelles où le risque d’invention (hallucination) est élevé
Self-consistencyGénérer plusieurs raisonnements et retenir la réponse la plus fréquentePlusieursProblèmes à réponse unique où la fiabilité compte plus que le coût

La self-consistency a été proposée en 2022 par Xuezhi Wang et ses collègues de Google, qui ont montré qu’un vote entre plusieurs chaînes de pensée améliorait encore les résultats du chain of thought simple. La chain of verification a été décrite en 2023 par une équipe de Meta (Dhuliawala et al.) pour réduire les hallucinations dans les réponses factuelles.

Exemples de chaînage de prompts : 6 chaînes de prompt chaining à copier

Le prompt chaining (on lit aussi « chain of prompt » ou « chain prompting ») ne demande pas au modèle de mieux raisonner : il découpe le travail. Chaque prompt a un objectif unique, et vous contrôlez le résultat avant de passer au suivant. Un exemple de chaînage de prompts tient en trois ou quatre demandes successives, chacune avec un objectif unique. Exemple 1, sur des retours clients :

  1. Prompt 1 : « Voici 40 verbatims clients. Classe-les par thème et compte les occurrences de chaque thème. »
  2. Prompt 2 : « À partir de ce classement, identifie les trois irritants principaux et cite deux verbatims représentatifs pour chacun. »
  3. Prompt 3 : « Rédige une note d’une page pour le comité de direction avec ces trois irritants et une recommandation par irritant. »

Si le classement du prompt 1 est faux, vous le corrigez avant qu’il ne contamine la note finale. C’est la raison d’être du chaining : limiter la propagation des erreurs. En 2026, les agents et les outils de délégation de type Cowork appliquent cette logique automatiquement : ils découpent une demande en étapes, enchaînent les traitements et ne reviennent vers vous qu’avec le livrable. Comprendre le prompt chaining aide à cadrer ce qu’on leur confie ; voir notre guide Claude Cowork.

Cinq autres chaînes, à reprendre telles quelles dans Copilot, ChatGPT, Claude ou Gemini en remplaçant les documents par les vôtres.

Exemple 2 : préparer un comité de pilotage

  1. Prompt 1 : « Voici les comptes rendus des trois dernières réunions projet et le planning. Liste les jalons tenus, en retard et à venir, avec leur date. »
  2. Prompt 2 : « À partir de cette liste, identifie les trois risques principaux et, pour chacun, la décision à demander au comité. »
  3. Prompt 3 : « Rédige l’ordre du jour du comité en cinq points, avec pour chacun le temps alloué et la décision attendue. »

Exemple 3 : répondre à un appel d’offres

  1. Prompt 1 : « Voici le cahier des charges. Extrais toutes les exigences, numérotées, en distinguant les obligatoires des optionnelles. »
  2. Prompt 2 : « Pour chaque exigence, indique si notre offre jointe y répond, en partie ou pas du tout, avec la page de référence. »
  3. Prompt 3 : « Rédige la note de synthèse de la réponse : points forts, écarts à traiter, questions à poser à l’acheteur. »

Exemple 4 : rédiger une offre d’emploi

  1. Prompt 1 : « Voici la fiche de poste interne. Reformule les missions en six phrases orientées résultat, sans jargon interne. »
  2. Prompt 2 : « Liste les compétences indispensables et souhaitables, en retirant tout critère qui pourrait être discriminatoire. »
  3. Prompt 3 : « Rédige l’annonce en 250 mots, dans le ton de notre charte éditoriale jointe, avec un titre et une phrase d’accroche. »

Exemple 5 : analyser un tableau de ventes

  1. Prompt 1 : « Voici l’export des ventes mensuelles par région. Vérifie les données : valeurs manquantes, doublons, mois incomplets. »
  2. Prompt 2 : « Calcule l’évolution de chaque région sur douze mois et classe-les de la plus forte hausse à la plus forte baisse. »
  3. Prompt 3 : « Propose trois explications possibles pour les deux régions en baisse, et indique quelles données permettraient de les vérifier. »
  4. Prompt 4 : « Rédige un commentaire de dix lignes pour le reporting mensuel, en séparant les faits des hypothèses. »

Exemple 6 : transformer une réunion en plan d’action

  1. Prompt 1 : « Voici la transcription de la réunion. Liste les décisions prises, avec la personne qui les a annoncées. »
  2. Prompt 2 : « Liste les actions, chacune avec un responsable et une échéance ; signale celles qui n’ont ni l’un ni l’autre. »
  3. Prompt 3 : « Rédige le mail de compte rendu aux participants : les décisions d’abord, puis le tableau des actions. »

Trois règles pour bien chaîner. Un seul objectif par prompt. Une sortie structurée, liste numérotée ou tableau, pour que le prompt suivant s’appuie dessus sans ambiguïté. Une relecture à chaque étape, avant de réutiliser la sortie. Ces chaînes s’apprennent mieux sur vos propres documents : c’est le principe de nos parcours Maîtriser l’IA générative, où chaque participant construit ses chaînes pour rédiger, synthétiser ou analyser. Pour la méthode d’écriture des consignes elles-mêmes, voir notre guide du prompt engineering.

La chain of verification : faire vérifier la réponse

La chain of verification s’attaque à un autre problème : une réponse bien raisonnée peut reposer sur un fait inventé. La méthode tient en quatre temps, que l’on peut écrire dans un seul prompt :

1. Réponds à la question : quelles obligations de l'article 50
   de l'AI Act s'appliquent à une entreprise utilisatrice ?
2. Liste ensuite 4 questions de vérification qui permettraient
   de contrôler les affirmations de ta réponse.
3. Réponds à chaque question indépendamment, sans t'appuyer
   sur ta première réponse.
4. Corrige ta réponse initiale si une vérification la contredit,
   et indique ce que tu as modifié.

Elle ne remplace pas la vérification humaine sur une source primaire, mais elle fait remonter une partie des erreurs avant qu’elles n’arrivent dans un document.

Le chain of thought à l’heure des modèles de raisonnement

Depuis fin 2024, les éditeurs proposent des modèles qui produisent eux-mêmes une chaîne de pensée interne avant de répondre : le mode « réflexion » de ChatGPT, la réflexion étendue de Claude, le mode Thinking de Gemini. Dans Copilot comme dans les autres assistants, il apparaît souvent sous la forme d’une option ou d’un modèle dédié dans le sélecteur. Le chain of thought n’a pas disparu : il est devenu une fonction du modèle plutôt qu’une astuce de prompt.

Les éditeurs en tirent des conseils explicites. OpenAI recommande d’éviter les consignes du type « réfléchis étape par étape » avec ses modèles de raisonnement, qui raisonnent déjà en interne, et de garder des prompts simples et directs. Anthropic observe qu’une consigne générale comme « réfléchis en profondeur » donne souvent un meilleur raisonnement qu’un plan détaillé écrit à la main, parce que le raisonnement du modèle dépasse fréquemment ce qu’un humain prescrirait. Les deux éditeurs maintiennent en revanche l’intérêt des exemples résolus et des étapes numérotées quand l’ordre compte.

En pratique, avec un modèle de raisonnement, le travail du prompt se déplace vers trois éléments :

  • Le contexte : les données, les contraintes et les hypothèses que le modèle ne peut pas deviner (votre politique de remise, votre règle d’arrondi, la population concernée). C’est l’objet du context engineering.
  • Les critères de réussite : ce qu’est une bonne réponse, et ce qui doit faire rejeter une solution.
  • La vérification : demander de contrôler le résultat (recalcul, cohérence des chiffres, sources) avant de le livrer, sauf avec les modèles les plus récents qui le font déjà d’eux-mêmes.

Quand utiliser encore le chain of thought explicite

SituationFaut-il écrire « étape par étape » ?Ce qu’il faut faire
Modèle rapide (sans réflexion) sur un calcul ou une décisionOuiDemander les étapes, les hypothèses et un tableau final
Modèle de raisonnement sur un problème ouvertNonDonner le contexte, l’objectif et les critères de réussite
Méthode imposée (grille d’analyse, ordre de calcul réglementaire)Oui, sous forme d’étapes numérotées ou d’un exemple résoluÉcrire la méthode, quel que soit le modèle
Réponse factuelle sensiblePeu utileChain of verification et vérification sur la source
Tâche longue en plusieurs livrablesNonPrompt chaining, ou délégation à un agent
Résultat à justifier devant un tiersOuiDemander le raisonnement visible dans la réponse, pour pouvoir le relire

Pour choisir entre modèle rapide et modèle de raisonnement selon la tâche, voir notre article Le bon modèle IA pour chaque tâche. Et pour replacer le chain of thought parmi l’ensemble des techniques d’écriture de prompts, notre guide du prompt engineering reprend la méthode complète.

Les limites du chain of thought

  • Un raisonnement plausible n’est pas un raisonnement juste. Le modèle peut dérouler des étapes convaincantes et se tromper à l’une d’elles ; chaque chiffre reste à recalculer.
  • Le raisonnement affiché n’est pas toujours le vrai. Les recherches sur la fidélité des chaînes de pensée montrent que l’explication écrite ne reflète pas toujours le calcul réellement effectué par le modèle.
  • Plus de texte, plus de coût et de délai. Une chaîne de pensée allonge la réponse ; sur une question simple, elle n’apporte rien.
  • Une erreur de contexte se propage. Si une donnée d’entrée est fausse, les étapes la répercutent fidèlement jusqu’à la conclusion.

C’est pourquoi nous enseignons le chain of thought comme une habitude de relecture autant que comme une technique de prompt. Dans nos ateliers Prompt Party, les participants comparent la même demande avec et sans chaîne de pensée, sur leurs propres cas, puis apprennent à repérer l’étape fautive dans un raisonnement.

Questions fréquentes

Quelle est la définition du chain of thought ?

Le chain of thought (chaîne de pensée) est une technique de prompt qui fait produire à un modèle de langage les étapes intermédiaires de son raisonnement avant sa réponse finale. Elle améliore les résultats sur les problèmes de calcul, de logique et de décision.

Quelle différence entre chain of thought et prompt chaining ?

Le chain of thought structure le raisonnement à l’intérieur d’une seule réponse. Le prompt chaining découpe une tâche en plusieurs prompts successifs, la sortie de l’un servant d’entrée au suivant, avec un contrôle possible entre chaque étape.

Faut-il encore écrire « réfléchis étape par étape » en 2026 ?

Avec un modèle rapide, oui, sur les tâches de calcul ou de logique. Avec un modèle de raisonnement, non : il raisonne déjà en interne, et OpenAI comme Anthropic conseillent plutôt des instructions générales, du contexte et des critères de réussite.

Qu’est-ce que le few-shot prompting ?

C’est le fait de donner au modèle quelques exemples d’entrées et de sorties attendues avant la vraie demande. Combiné au chain of thought, chaque exemple montre aussi le raisonnement à suivre.

Qu’est-ce que la chain of verification ?

Une méthode en quatre temps décrite par Meta en 2023 : répondre, formuler des questions de vérification, y répondre indépendamment, puis corriger la réponse initiale. Elle vise à réduire les faits inventés.

Le chain of thought fonctionne-t-il dans Copilot ou ChatGPT ?

Oui, dans tous les assistants. Si vous avez le choix du mode, activez la réflexion pour les problèmes complexes et donnez du contexte ; en mode rapide, demandez explicitement les étapes.

Quel est un exemple simple de chaînage de prompts ?

Analyser des retours clients en trois prompts : classer les verbatims par thème, identifier les trois irritants principaux, puis rédiger une note d’une page pour le comité de direction. Chaque sortie est relue avant de servir d’entrée au prompt suivant, ce qui évite qu’une erreur de classement se retrouve dans la note finale.

Sources

Pour aller plus loin : ce sujet fait écho à notre guide complet du prompt engineering, qui fait aussi le point sur le métier de prompt engineer.

Retour en haut
Toutes les offres NextStart.AIHuit missions de conseil, sept piliers, une vingtaine de formats, dix-huit métiers, cinq outils
Une trentaine de grandes organisations accompagnéesGrands groupes, agences publiques et réseaux, de l’acculturation à la mise en production

Assurance et protection sociale

Santé et sciences du vivant

Secteur public et recherche

Consommation et retail

Le collectif NextStart.AIConsultants, formateurs et experts métiers : plus de 5 350 professionnels formés depuis 2023
Toutes les ressources gratuitesDiagnostics, Finders, bibliothèque de prompts, kits par métier, par outil et pour piloter un programme IA
Le blog NextStart.AIGuides, prix et comparatifs de Copilot, Claude, ChatGPT, Gemini et Mistral, et analyses de terrain
Parlons de votre projet IARéponse sous 24 h ouvrées
Les agents IA en entrepriseComprendre, choisir l’outil, former les équipes, déployer
Déléguer des travaux completsClaude Cowork, Copilot Cowork, ChatGPT Work, Vibe Work