J’aime bien l’IA. Vraiment. Mais il y a un moment où elle te sort une réponse ultra confiante… et totalement fausse. Et ça, c’est pas juste « un petit bug ». C’est le piège classique des hallucinations.
Le truc, c’est que la plupart du temps, on les provoque nous mêmes. Prompt trop vague. Contexte absent. Demande irréaliste du genre « cite moi 12 sources vérifiées » alors qu’on n’en a donné aucune.
Donc je te propose un truc simple et actionnable : 9 patterns de prompts anti-hallucinations que j’utilise dans mes workflows (veille, productivité, sysadmin, contenus). Ils sont pas magiques. Mais ils réduisent drastiquement les réponses inventées, et surtout ils rendent l’IA plus honnête.
Et si tu veux garder ce genre de patterns sous le coude, tu peux aussi passer sur Le Blog Tech Pro de Samyn-Antoy ABASSE (monblog-sa-abasse.blogspot.com). J’y empile des checklists, des méthodes et des ressources orientées « build/scale/sell », sans chichi.
Pourquoi l’IA hallucine (et pourquoi ça t’arrive même si tu es bon)
Un modèle de langage, au fond, ne « sait » pas. Il prédit. Il complète. Il assemble des morceaux plausibles.
Donc si tu demandes :
- « donne moi les ports ouverts par défaut sur Ubuntu Server 24.04 »
- « cite les nouveautés exactes de systemd version X »
- « résume moi ce papier scientifique mais je te donne pas le lien »
… tu invites le modèle à combler les trous. Et il va le faire. Avec aplomb.
L’objectif des patterns ci dessous, c’est toujours le même : forcer le modèle à travailler avec des contraintes, à distinguer ce qui est certain de ce qui est supposé, et à te demander des infos quand il en manque.
Pattern 1 : le mode « je ne sais pas » obligatoire
Celui là, c’est la base. Tu explicitement autorises, même tu exiges, le « je ne sais pas ».
Prompt type
« Si une information n’est pas certaine à 100 % ou si tu n’as pas assez de contexte, tu dois répondre : “je ne sais pas avec certitude” puis me poser les questions nécessaires. N’invente rien. »
Pourquoi ça marche
Parce que beaucoup de modèles sont entraînés à être utiles. Donc ils préfèrent répondre plutôt que d’admettre un manque. Ici, tu changes le contrat.
Exemple usage sysadmin
« Je veux durcir SSH sur Debian. Donne moi des recommandations. Règle : si tu n’es pas sûr d’une directive sshd_config ou de son nom exact, dis “je ne sais pas avec certitude” et demande la version d’OpenSSH. »
Tu vas voir la différence : au lieu d’inventer des options, il te demande ton contexte.
Pattern 2 : la réponse en trois couches (certain, probable, à vérifier)
On le sous estime, mais c’est un pattern très robuste.
Prompt type
« Réponds en 3 sections :
- certain (je suis sûr)
- probable (fortement plausible mais pas garanti)
- à vérifier (points incertains + comment vérifier) »
Pourquoi ça marche
Tu forces l’IA à auto qualifier son niveau de confiance. Et toi, tu sais où tu mets les mains.
Exemple usage veille outil
Tu demandes :
« Est ce que l’outil X propose un plan gratuit et une API publique ? Réponds en 3 sections (certain, probable, à vérifier) et dis moi comment vérifier sur le site officiel. »
Même si l’IA se trompe, elle te donne au moins un chemin de validation.
Pattern 3 : le « cite, ou tais toi » (sources obligatoires, sinon abstention)
Ce pattern est brutal, mais utile dès que tu veux des faits.
Prompt type
« Toute affirmation factuelle doit être accompagnée d’une source. Si tu ne peux pas citer une source fiable, ne réponds pas sur ce point. Remplace par : “source manquante”. »
Important
Si ton modèle n’a pas accès au web, il ne pourra pas vraiment « citer » au sens strict. Donc adapte : tu peux demander des types de sources à consulter, ou tu peux travailler en mode « je te fournis les sources ».
Variante pratique sans web
« Si tu ne peux pas citer une source vérifiable dans les documents que je t’ai fournis, indique : “non couvert par les sources”. »
Exemple usage documentation interne
Tu colles tes notes, tes liens, tes extraits, puis :
« Réponds uniquement à partir de ces sources. Si une info n’est pas dans les sources : “non couvert par les sources”. »
Ça, c’est un vrai anti hallucination.
Pattern 4 : l’IA en mode auditeur (elle critique avant de produire)
Ici tu changes le rôle : au lieu de produire directement, elle doit d’abord auditer la demande et signaler les zones à risque.
Prompt type
« Avant de répondre, fais un audit :
- quelles infos manquent ?
- quels mots sont ambigus ?
- quels points risquent de provoquer une hallucination ?
Puis propose 3 questions de clarification. Ensuite seulement, réponds avec des hypothèses explicites. »
Pourquoi ça marche
Parce que tu ralentis le modèle. Tu le mets dans un rôle « qualité ».
Exemple growth
« Je veux une stratégie pour vendre un service Linux en freelance. Fais d’abord l’audit (cible, pays, budget, canal, contrainte de temps), puis seulement propose une stratégie. »
Résultat : moins de blabla générique. Plus de concret.
Pattern 5 : le format « tableau de traçabilité » (claim → preuve → action)
C’est mon préféré quand je fais de la veille ou quand je compare des outils.
Prompt type
« Organise la réponse en tableau avec colonnes :
- affirmation
- niveau de confiance (haut, moyen, bas)
- preuve (où le vérifier)
- action (ce que je dois faire pour valider) »
Pourquoi ça marche
Tu transformes un texte flou en checklist vérifiable.
Exemple outils IA
« Compare NotebookLM, Perplexity, ChatGPT pour la veille. Tableau : affirmation, confiance, preuve, action. »
Tu finis avec un plan de test, pas juste des opinions.
Pattern 6 : l’ancrage par corpus (RAG maison, même simple)
Un modèle hallucine surtout quand il n’a rien à quoi se raccrocher. Donc tu lui donnes un corpus. Même un mini corpus.
Prompt type
« Utilise uniquement les informations ci dessous (corpus). Tu n’as pas le droit d’ajouter des faits externes. Si tu ne trouves pas : réponds “absent du corpus”.
Corpus :
… (notes, liens, extraits, logs, doc) »
Exemple sysadmin
Tu colles un extrait de journalctl, un bout de nginx.conf, et tu dis :
« Diagnostique la cause probable de l’erreur 502. Utilise uniquement les logs ci dessous. Si une info manque : “absent du corpus” et dis moi quoi collecter. »
Tu obtiens une réponse beaucoup plus propre, et souvent une vraie procédure de collecte.
Pattern 7 : la contrainte de non invention sur les commandes, options, chemins
Celui là évite un classique : les commandes Linux « presque vraies ». Un flag inventé. Un chemin approximatif. Et tu te retrouves à déboguer un truc qui n’existe pas.
Prompt type
« Pour toute commande, option, chemin de fichier, nom de paquet : si tu n’es pas certain, ne propose pas. Marque : “à confirmer” et propose une méthode pour vérifier (man, --help, dpkg -L, rpm -ql, which, etc.). »
Exemple
« Donne moi une procédure pour activer UFW et ouvrir uniquement SSH. Règle : pas d’options inventées. Tout ce qui est incertain : “à confirmer”. »
C’est plus lent à lire. Mais c’est nettement plus sûr.
Pattern 8 : la boucle de vérification (plan → exécution → check → conclusion)
Ici tu demandes une démarche. Pas une réponse finale directe.
Prompt type
« Réponds en 4 étapes :
- hypothèses
- plan de vérification (commandes, tests)
- résultats attendus (ce que je dois voir)
- conclusion conditionnelle (si A alors…, sinon…) »
Pourquoi ça marche
Parce que tu forces l’IA à être conditionnelle. Donc moins de certitudes inventées.
Exemple incident prod
« Mon serveur Linux swap en permanence. Donne moi une démarche en 4 étapes : hypothèses, plan de vérification, résultats attendus, conclusion conditionnelle. »
Tu peux presque suivre ça comme un runbook.
Pattern 9 : le « prompt contrat » (règles, périmètre, sortie, interdits)
Quand tu bosses souvent, tu finis par te créer un prompt système perso. Un contrat.
Prompt type (template)
« Rôle : assistant technique (Linux, productivité, growth).
Objectif : réponses utiles et vérifiables, pas de fiction.
Périmètre : si tu sors du périmètre, tu le dis.
Interdits : inventer des chiffres, des citations, des fonctionnalités produit, des options de commande.
Méthode : poser des questions si contexte manquant, proposer un plan de vérification.
Format : titres courts, listes, commandes en bloc code, et une section “à vérifier”. »
Tu peux le réutiliser partout. Et tu peux l’adapter à ton blog, tes services, ton audience.
Sur Le Blog Tech Pro de Samyn-Antoy ABASSE, c’est typiquement le genre de « templates réutilisables » que j’aime publier dans mes pages méthodes, trackers, et ressources. Ça évite de repartir de zéro à chaque fois.
9 patterns, ok… mais comment je les combine en vrai ?
Je vais être honnête : j’utilise rarement un seul pattern. Souvent c’est un mix léger, sinon ça devient lourd.
Deux combos simples qui marchent très bien :
Combo A (veille et outils)
- pattern 2 (certain, probable, à vérifier)
- pattern 5 (tableau de traçabilité)
- pattern 3 (source manquante sinon abstention)
Tu obtiens une veille exploitable, pas un article de brochure.
Combo B (sysadmin et dépannage)
- pattern 8 (boucle de vérification)
- pattern 7 (non invention commandes)
- pattern 1 (je ne sais pas obligatoire)
Tu obtiens un runbook, pas une incantation.
Mini bibliothèque de prompts prêts à copier
Tu peux les copier tels quels, puis remplacer les crochets.
Prompt 1 : réponse factuelle stricte
« Sujet : [ton sujet]
Règles :
- si tu n’es pas sûr, écris “je ne sais pas avec certitude”
- sépare : certain / probable / à vérifier
- pour chaque point à vérifier, donne une méthode concrète de vérification (commande, doc officielle, page produit)
Réponds maintenant. »
Prompt 2 : diagnostic Linux basé sur logs
« Tu es un assistant sysadmin.
Tu n’as pas le droit d’inventer des options de commandes ou des chemins.
Utilise uniquement les logs ci dessous. Si une info manque : “absent du corpus” et dis moi quoi collecter.
Logs :
[colle ici] »
Prompt 3 : comparaison d’outils sans bullshit
« Compare [outil A] vs [outil B] pour [usage].
Format : tableau (affirmation, confiance, preuve, action).
Interdit : inventer des fonctionnalités. Si tu ne sais pas : “à confirmer” et dis où vérifier. »
Les erreurs qui ruinent tout (même avec de bons patterns)
Rapide, mais important.
- Tu demandes trop large : le modèle remplit.
- Tu ne donnes pas de contexte : version, environnement, objectifs.
- Tu veux une réponse finale immédiate : alors qu’il faut une démarche.
- Tu confonds plausibilité et vérité : l’IA est championne du plausible.
- Tu ne testes pas : la meilleure arme anti hallucination, c’est encore la validation terrain.
Conclusion : l’anti-hallucination, c’est surtout une discipline
Les prompts anti hallucinations, ce n’est pas une formule secrète. C’est une façon de bosser.
Tu mets des garde fous. Tu demandes des incertitudes explicites. Tu transformes la réponse en plan de vérification. Et tu acceptes que parfois, la meilleure réponse, c’est « on n’a pas assez d’infos ».
Si tu veux, je peux aussi publier une version « fiche mémo imprimable » de ces 9 patterns sur Le Blog Tech Pro de Samyn-Antoy ABASSE (monblog-sa-abasse.blogspot.com), avec des variantes orientées productivité, growth, et administration Linux. C’est le genre de ressource qui fait gagner du temps, et qui évite les erreurs bêtes.
Questions fréquemment posées
Pourquoi l'IA génère-t-elle parfois des réponses fausses avec beaucoup de confiance ?
L'IA, en particulier les modèles de langage, ne 'sait' pas vraiment les informations. Elle prédit et assemble des morceaux plausibles basés sur ses données d'entraînement. Quand elle manque de contexte ou qu'on lui pose une question trop vague ou irréaliste, elle comble les trous avec des réponses inventées appelées hallucinations.
Qu'est-ce qu'un 'pattern de prompt anti-hallucinations' et pourquoi est-il utile ?
Un pattern de prompt anti-hallucinations est une méthode structurée pour formuler ses demandes à l'IA afin de réduire les réponses inventées et améliorer la fiabilité. Ces patterns imposent des contraintes au modèle, comme exiger qu'il admette quand il ne sait pas ou cite ses sources, rendant ainsi l'IA plus honnête et précise.
Comment fonctionne le pattern 'mode je ne sais pas obligatoire' ?
Ce pattern consiste à demander explicitement à l'IA de répondre 'je ne sais pas avec certitude' lorsqu'elle manque d'informations sûres, puis de poser des questions pour obtenir plus de contexte. Cela évite que l'IA invente des réponses et la pousse à être transparente sur ses limites.
En quoi consiste le pattern 'réponse en trois couches (certain, probable, à vérifier)' ?
Ce pattern invite l'IA à structurer sa réponse en trois sections : ce dont elle est certaine, ce qui est probable mais non garanti, et ce qui nécessite une vérification avec des indications pour valider ces points. Cela permet à l'utilisateur d'évaluer la fiabilité des informations fournies.
Que signifie le pattern 'cite ou tais-toi' dans les prompts ?
Ce pattern exige que toute affirmation factuelle soit accompagnée d'une source fiable. Si l'IA ne peut pas fournir cette source, elle doit s'abstenir de répondre sur ce point en indiquant 'source manquante'. Cela garantit que les informations sont vérifiables et limite les inventions.
Où puis-je trouver plus de ressources et méthodes pour réduire les hallucinations de l'IA ?
Vous pouvez consulter Le Blog Tech Pro de Samyn-Antoy ABASSE (monblog-sa-abasse.blogspot.com), où sont partagées des checklists, méthodes et ressources pratiques orientées vers la construction, l'évolution et la vente dans le domaine tech, incluant des patterns anti-hallucinations pour améliorer vos workflows avec l'IA.
0 Commentaires