Chain of Thought prompting : définition, exemples et différence avec le prompt chaining

Article publié en septembre 2024, mis à jour en octobre 2026 : exemples de prompts, place du Chain of Thought face aux modèles de raisonnement, prompt chaining dans les agents.

Le Chain of Thought prompting désigne une technique qui structure une tâche de raisonnement en étapes intermédiaires. Elle est utilisée pour les problèmes nécessitant logique, calcul ou décomposition. Elle ne doit pas être confondue avec le prompt chaining, qui consiste à enchaîner plusieurs prompts distincts afin de faire progresser une tâche étape par étape.

Qu’est-ce que le Chain of Thought prompting ?

Le Chain of Thought prompting (CoT, « chaîne de pensée ») est une technique d’ingénierie des prompts visant à améliorer les performances des modèles de langage sur des tâches nécessitant de la logique, des calculs et de la prise de décision, en décomposant le problème en étapes.

Comment fonctionne le Chain of Thought ?

Face à un problème complexe, une stratégie consiste à le décomposer en sous-problèmes plus simples. Le prompting peut reproduire cette structure en demandant au modèle de traiter successivement les éléments nécessaires avant de produire le résultat attendu.

Les travaux publiés en 2022 sous le titre « Chain-of-Thought Prompting Elicits Reasoning in Large Language Models » ont contribué à populariser cette approche pour différents problèmes de raisonnement arithmétique, symbolique et de sens commun.

Exemples de prompts Chain of Thought

On distingue généralement deux façons de déclencher une chaîne de pensée.

1. Le CoT « zero-shot » : on demande simplement au modèle de détailler son raisonnement avant de conclure.

Notre équipe de 12 personnes passe à 4 jours de télétravail sur 5.
Nous louons aujourd'hui 14 postes à 650 € par mois chacun.
Combien de postes faut-il garder pour que 90 % des présences
soient couvertes, et quelle économie annuelle cela représente ?
Raisonne étape par étape, puis donne le résultat dans un tableau.

2. Le CoT « few-shot » : on montre au modèle un ou deux exemples résolus, avec leur raisonnement, avant de poser la vraie question. Le modèle reproduit la structure de résolution montrée.

Exemple : une facture de 1 200 € HT avec 20 % de TVA et 5 % de remise
sur le HT. Raisonnement : remise = 60 €, HT net = 1 140 €,
TVA = 228 €, TTC = 1 368 €.
À toi : une facture de 3 450 € HT, TVA 20 %, remise 8 % sur le HT.

À quoi sert le Chain of Thought prompting ?

• Décomposer un problème complexe en sous-tâches.
• Structurer une résolution logique ou un calcul.
• Organiser les informations nécessaires avant la réponse finale.
• Rendre le raisonnement relisible, donc vérifiable par un humain.
• Réduire certaines erreurs liées à une résolution trop directe.

Le Chain of Thought à l’heure des modèles de raisonnement (2026)

Depuis 2024, les principaux éditeurs proposent des modèles dits « de raisonnement » ou des modes de réflexion étendue : ils produisent eux-mêmes une chaîne de pensée interne avant de répondre. Dans les assistants grand public et professionnels, ce mode apparaît souvent sous la forme d’une option « réflexion » ou d’un modèle dédié dans le sélecteur.

Conséquence pratique : avec ces modèles, ajouter « raisonne étape par étape » apporte beaucoup moins qu’en 2023. Les éditeurs recommandent plutôt de donner des instructions de haut niveau et de laisser le modèle organiser son 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.
• Les critères de réussite : ce qu’est une bonne réponse, et ce qui doit faire rejeter une solution.
• La vérification : demander au modèle de contrôler son résultat (recalcul, cohérence des chiffres, sources) avant de le livrer.

Le Chain of Thought explicite reste utile avec les modèles rapides, qui ne raisonnent pas en interne, et chaque fois qu’on veut imposer une méthode précise : une grille d’analyse, une procédure de contrôle, un ordre de calcul réglementaire.

Pour choisir entre modèle rapide et modèle de raisonnement selon la tâche, voir notre article Le bon modèle IA pour chaque tâche.

Limites du Chain of Thought

Une réponse structurée ne signifie pas qu’un modèle raisonne comme un humain. Un modèle peut produire une explication plausible tout en arrivant à une conclusion incorrecte, et le raisonnement affiché ne reflète pas toujours fidèlement le calcul réellement effectué par le modèle. La décomposition d’une tâche doit donc rester associée à la vérification des faits, des calculs et du résultat final.

Chain of Thought et Prompt Chaining : quelle différence ?

Le prompt chaining est particulièrement utile lorsqu’une tâche comporte plusieurs opérations séparables, par exemple rechercher des informations, les synthétiser, puis transformer la synthèse en livrable. Le Chain of Thought concerne davantage la structuration d’un problème nécessitant un raisonnement séquentiel.

Exemple de prompt chaining

1. Prompt 1 : « Voici 40 verbatims clients. Classe-les par thème et compte les occurrences. »
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. »

Chaque étape peut être relue et corrigée avant de passer à la suivante, ce qui limite 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 l’utilisateur qu’avec le livrable. Comprendre le prompt chaining aide à mieux cadrer ce qu’on leur confie. Voir notre guide Cowork.

Pour aller plus loin : ce sujet fait écho à notre réflexion sur l’avenir du métier de prompt engineer et à notre article sur le métier de Prompt Designer.