Chain-of-Thought (CoT) Prompting
(Raisonnement étape par étape)
Définition
Le Chain-of-Thought (CoT) est une technique de prompting qui consiste à demander explicitement à l’IA d’exposer son raisonnement avant de donner la réponse finale. Plutôt que d’aller droit au résultat, on l’invite à détailler les étapes logiques, les calculs intermédiaires ou les hypothèses utilisées. Cette mise au jour du « cheminement » permet de limiter les erreurs, de comprendre comment la réponse a été construite et de corriger plus facilement un éventuel décalage.
Contexte d’utilisation
Le CoT est particulièrement utile dès qu’une tâche implique plusieurs opérations successives : calculs, analyse de cas, classement multicritère, comparaison de scénarios, rédaction structurée. Il est aussi pertinent en formation, parce qu’il donne à voir le raisonnement au lieu de livrer seulement le résultat. En RH, cela permet par exemple de montrer comment on passe d’une donnée brute à un indicateur.
Exemples génériques
-
« Réponds en montrant d’abord ton raisonnement, puis la réponse finale. »
-
« Explique étape par étape comment tu arrives à ta conclusion. »
-
« Résous le problème en listant les étapes de calcul, puis donne le résultat. »
Application aux Ressources Humaines
En RH, le CoT est précieux pour les exercices chiffrés (turnover, absentéisme, coût de recrutement), pour l’analyse de situations managériales ou pour justifier une recommandation. On peut ainsi demander à l’IA de détailler le cheminement : données utilisées, formule choisie, interprétation et proposition. Le résultat devient alors exploitable pédagogiquement, car l’étudiant voit le “comment” autant que le “quoi”.
🧮 Exemple 1 – Calcul du taux de turnover
Prompt :
« Calcule le taux de turnover de l’entreprise Recyclum pour l’année 2024. Réfléchis étape par étape avant de donner la réponse finale : identifie les données nécessaires, la bonne formule, puis effectue le calcul et interprète le résultat. »
Objectif pédagogique :
Faire apparaître le raisonnement complet — données → formule → calcul → interprétation — pour ancrer la méthode de calcul dans la logique RH.
💬 Exemple 2 – Analyse d’un cas de désengagement
Prompt :
« Analyse les causes possibles du désengagement d’une équipe commerciale. Réfléchis étape par étape : liste d’abord les symptômes observables, puis les causes potentielles, ensuite les leviers d’action managériale. Termine par une recommandation synthétique. »
Objectif pédagogique :
Encourager le raisonnement causal (symptômes → causes → actions) plutôt qu’une réponse intuitive ou superficielle.
📈 Exemple 3 – Élaboration d’un plan de formation
Prompt :
« Propose un plan de formation annuel pour réduire les erreurs de paie. Réfléchis étape par étape : identifie les compétences manquantes, formule les objectifs pédagogiques, choisis les modalités adaptées et planifie les étapes du déploiement. »
Objectif pédagogique :
Amener l’IA à dérouler une logique de conception progressive (diagnostic → objectifs → solutions → planification), utile pour les projets RH structurés.