Anatomie d’un JSON Prompting

Dans l’univers du prompting, la plupart des utilisateurs s’appuient encore sur des instructions textuelles classiques : quelques lignes, des consignes, parfois une liste. Cette approche fonctionne pour des demandes simples, mais elle atteint vite ses limites dès qu’il faut produire un contenu précis, cohérent et reproductible.
C’est là qu’intervient le JSON prompting, une méthode structurée qui transforme une demande en véritable “plan d’exécution” pour l’IA.

Au lieu d’exprimer son intention de manière libre, l’utilisateur organise sa demande sous forme de blocs logiques : contexte, objectifs, inputs, modalités, contraintes, livrables… Chaque section joue un rôle spécifique et réduit considérablement l’ambiguïté. Résultat : des réponses plus fiables, mieux structurées et adaptées exactement au besoin.

Dans cet article, nous allons décortiquer ensemble un exemple simple de JSON prompting et analyser, bloc par bloc, à quoi sert chacune de ses parties. L’objectif est de montrer comment un bon JSON prompt fonctionne, pourquoi il est si puissant et comment il peut s’intégrer dans vos pratiques quotidiennes.

Bienvenue dans l’anatomie d’un JSON prompting : un guide pour comprendre comment structurer vos demandes comme un architecte, et non plus comme un simple utilisateur.

1. Exemple de JSON Prompting – Recrutement 3.0

Vous pouvez présenter ce bloc sous le titre :

💡 Exemple : JSON prompting pour générer un article simple sur le recrutement 3.0

{
« meta »: {
« prompt_name »: « Article_Recrutement30_Simple »,
« version »: « 1.0 »,
« language »: « fr-FR »
},
« context »: {
« goal »: « Créer un article court expliquant les bases du recrutement 3.0 »,
« audience »: « Professionnels RH débutants en transformation digitale »,
« domain »: « Recrutement, expérience candidat, marque employeur »
},
« inputs »: {
« keywords »: [
« recrutement 3.0 »,
« expérience candidat »,
« digitalisation RH »
]
},
« task »: {
« type »: « content_creation »,
« subtype »: « article_de_blog »,
« description »: « Générer un article structuré en 3 parties expliquant simplement le recrutement 3.0. »
},
« modalities »: {
« text »: {
« enabled »: true,
« style »: « clair, pédagogique, structuré »,
« tone »: « professionnel mais accessible »,
« sections »: [
« Introduction »,
« Pourquoi parle-t-on de recrutement 3.0 ? »,
« Ce que cela change pour les RH »
]
}
},
« constraints »: {
« general »: [
« Ne pas inventer de chiffres ou d’études. »,
« Utiliser un vocabulaire simple, compréhensible par des non-spécialistes. »,
« Rester strictement centré sur le recrutement (pas sur toute la fonction RH). »
],
« output_format »: « markdown »
},
« output »: {
« expected »: « article_de_blog »
}
}

2. Anatomie d’un JSON Prompting – Décryptage bloc par bloc

L’idée est de montrer à vos lecteurs que chaque bloc a un rôle précis.
Vous pouvez structurer la suite de l’article comme ceci.

2.1. meta – L’identité du prompt

« meta »: {
« prompt_name »: « Article_Recrutement30_Simple »,
« version »: « 1.0 »,
« language »: « fr-FR »
}

À quoi ça sert ?
Ce bloc contient les métadonnées du prompt :

  • prompt_name : le nom interne du prompt
    → Ici, il indique qu’il sert à générer un article simple sur le recrutement 3.0.

  • version : la version du prompt
    → Utile si vous améliorez le prompt au fil du temps (1.0, 1.1, 2.0…).

  • language : la langue de sortie souhaitée
    → Ici, fr-FR pour du français de France.

Intérêt pédagogique :
Cela permet d’organiser une bibliothèque de prompts et de savoir “qui fait quoi” sans avoir à relire tout le code.

2.2. context – Le cadre général

« context »: {
« goal »: « Créer un article court expliquant les bases du recrutement 3.0 »,
« audience »: « Professionnels RH débutants en transformation digitale »,
« domain »: « Recrutement, expérience candidat, marque employeur »
}

À quoi ça sert ?
Ce bloc décrit le pourquoi et le pour qui :

  • goal : l’objectif final
    → Ici : produire un article court et pédagogique sur les bases du recrutement 3.0.

  • audience : le public cible
    → Professionnels RH débutants en transformation digitale, donc on évite le jargon.

  • domain : le périmètre thématique
    → Recrutement, expérience candidat, marque employeur (pas de dérive vers paie, formation, etc.).

Intérêt :
Vous donnez à l’IA la boussole : elle sait dans quel univers elle doit rester et pour qui elle écrit.

2.3. inputs – Les matières premières

« inputs »: {
« keywords »: [
« recrutement 3.0 »,
« expérience candidat »,
« digitalisation RH »
]
}

À quoi ça sert ?
Ce bloc fournit les éléments de base sur lesquels l’IA doit s’appuyer :

  • keywords : les mots-clés à intégrer dans le contenu
    → Ils servent d’ancrage : l’IA sait que ces notions doivent apparaître.

On pourrait aussi y mettre (dans d’autres cas) :

  • un source_text (texte de départ),

  • des data_points (chiffres),

  • des verbatims, etc.

Intérêt :
Ce bloc évite les réponses trop abstraites :
vous guidez le contenu vers des notions précises.

2.4. task – La mission donnée à l’IA

« task »: {
« type »: « content_creation »,
« subtype »: « article_de_blog »,
« description »: « Générer un article structuré en 3 parties expliquant simplement le recrutement 3.0. »
}

À quoi ça sert ?
Ce bloc décrit ce que l’IA doit faire concrètement :

  • type : la grande famille de tâche
    → Ici, content_creation.

  • subtype : le format ciblé
    → article_de_blog (on aurait pu mettre script_video, fiche_pedagogique, etc.).

  • description : une phrase claire qui résume l’attendu
    → Article en 3 parties, simple, explicatif.

Intérêt :
Vous ne laissez pas l’IA “imaginer” le type de réponse :
vous cadrez la mission comme un cahier des charges.

2.5. modalities – Le format d’expression (ici : texte)

« modalities »: {
« text »: {
« enabled »: true,
« style »: « clair, pédagogique, structuré »,
« tone »: « professionnel mais accessible »,
« sections »: [
« Introduction »,
« Pourquoi parle-t-on de recrutement 3.0 ? »,
« Ce que cela change pour les RH »
]
}
}

À quoi ça sert ?
Ce bloc décrit comment l’IA doit s’exprimer.

Ici, on active uniquement la modalité texte :

  • enabled: true → on demande bien du texte.

  • style : le style d’écriture attendu
    → Clair, pédagogique, structuré.

  • tone : la tonalité
    → Professionnel mais accessible.

  • sections : les titres ou parties que l’IA doit suivre
    → L’article est automatiquement structuré selon ce plan en 3 parties.

Intérêt :
Vous décidez de l’architecture de la réponse.
L’IA ne choisit pas son plan, elle respecte le vôtre.

2.6. constraints – Les règles et limites

« constraints »: {
« general »: [
« Ne pas inventer de chiffres ou d’études. »,
« Utiliser un vocabulaire simple, compréhensible par des non-spécialistes. »,
« Rester strictement centré sur le recrutement (pas sur toute la fonction RH). »
],
« output_format »: « markdown »
}

À quoi ça sert ?
Ce bloc pose les garde-fous :

  • general : les règles à respecter
    → pas de chiffres inventés, vocabulaire simple, périmètre limité au recrutement.

  • output_format : le format de sortie
    → Ici, markdown, pratique pour un blog, un CMS ou un éditeur moderne.

Intérêt :
Vous réduisez les dérives possibles :

  • pas de faux chiffres,

  • pas de hors-sujet,

  • pas de texte illisible pour votre audience.

2.7. output – Le livrable attendu

« output »: {
« expected »: « article_de_blog »
}

À quoi ça sert ?
Ce bloc indique ce que vous voulez récupérer au final.

  • expected : le type de livrable
    → Ici, un article_de_blog.

Dans une version plus avancée, on pourrait préciser une structure plus détaillée, par exemple :

  • titre

  • chapeau

  • parties

  • conclusion

  • call_to_action

Intérêt :
Vous indiquez clairement à l’IA :
“Je ne veux pas un plan, ni un résumé, ni une liste d’idées.
Je veux un article de blog complet.”

3. Résumé pédagogique

Vous pouvez terminer votre article par un encadré de synthèse, du type :

En résumé :

  • meta décrit l’identité du prompt.

  • context pose le cadre : objectif, audience, domaine.

  • inputs fournit les matières premières (mots-clés, texte source, données).

  • task définit la mission de l’IA.

  • modalities précise le format d’expression (ici, le texte : style, ton, sections).

  • constraints fixe les règles et les limites.

  • output indique le type de livrable attendu.

Un JSON prompting bien construit, c’est un prompt où rien n’est laissé au hasard : chaque bloc a une fonction, et l’IA sait exactement quoi produire, pour qui, et comment.