Pourquoi deux marketeurs qui tapent le même prompt dans le même modèle obtiennent-ils des textes à des années-lumière l’un de l’autre ? La différence tient à une variable simple : le niveau de spécificité du brief. Aucune formule magique glanée sur LinkedIn n’entre en jeu. Un prompt vague ne transmet aucun signal d’expertise au modèle, qui produit alors la réponse moyenne de son espace d’entraînement, jamais la meilleure. « Mon équipe utilise ChatGPT au feeling, on a aucune cohérence de sortie » : la plainte revient dans presque toutes les équipes marketing qui ont scalé leurs usages sans jamais cadrer leurs briefs.
Le mythe de la formule magique
« Écris un post LinkedIn sur notre nouvelle fonctionnalité. » Six mots, zéro contexte. Le résultat tombe en quelques secondes : ton motivationnel, trois emojis, un CTA générique qui pourrait vendre n’importe quoi, aucune mention du produit réel. La tentation, face à ce ratage, consiste à chercher LA technique qui débloque tout, une formule de chain-of-thought prompting glanée sur X, un énième guide « 50 prompts marketing à copier ». Ces listes ne sont pas inutiles. Elles s’accumulent surtout dans des Notion qu’on ne rouvre jamais, sans jamais expliquer pourquoi le prompt d’hier a raté.
Sean Goedecke, ingénieur chez GitHub, a documenté un mécanisme différent en 2026 en observant une conversation entre le mathématicien Terence Tao et ChatGPT sur un contre-exemple récent à la conjecture jacobienne. Tao obtient des réponses d’un niveau que Goedecke, pourtant habitué au même modèle, ne parvient jamais à atteindre. Aucune formule secrète là-dedans. Tao connaît les mathématiques.
Ce que révèle la conversation de Terence Tao
Un modèle change de registre dès qu’il détecte un interlocuteur qui maîtrise le sujet. Les messages de Tao sont courts, presque elliptiques. Il ne répond jamais point par point aux longs paragraphes du modèle, seulement au fond. Les réponses de ChatGPT, en retour, gagnent en densité et perdent leur ton pédagogique habituel, comme si le modèle basculait dans un registre réservé aux mathématiciens plutôt qu’aux amateurs. Tao pousse le modèle quand une piste lui paraît fausse sans jamais le contredire frontalement ; il écrit plutôt « ça a l’air plus compliqué que ce que j’espérais », puis propose lui-même une reformulation. À aucun moment il ne suit une suggestion du modèle sans la retravailler.
« La compétence la plus importante en prompting, c’est l’expertise du domaine qu’on interroge », écrit Sean Goedecke dans son analyse de la conversation de Tao, publiée en 2026.
Ce comportement relève avant tout de sa maîtrise des mathématiques. Goedecke code en production chez GitHub. L’observation vient de son usage quotidien du modèle sur des systèmes qu’il connaît par cœur, loin d’un post LinkedIn qui théorise sans preuve. Une équipe de recherche a testé une version plus simple de cette intuition à l’échelle : conditionner chaque réponse sur une identité d’expert générée automatiquement plutôt que sur un prompt neutre suffit à faire grimper le modèle ExpertLLaMA à 96 % de la capacité perçue de ChatGPT, selon une évaluation croisée par GPT-4 (Xu et al., 2023). Le signal d’expertise, même synthétique, suffit à faire basculer le registre de la sortie.
Ce qu’un signal d’expertise change dans un brief marketing
Un brief marketing vague ressemble à ceci : « Rédige un post LinkedIn sur notre nouvelle fonctionnalité. » Le modèle comble le vide avec la réponse la plus probable de son espace d’entraînement, le post LinkedIn moyen d’internet entier. Rien dans le prompt ne signale un rôle, un contexte métier, une contrainte de sortie ou un exemple de ce qui fonctionne déjà chez vous.
Le même brief, réécrit avec un signal d’expertise métier, mobilise plusieurs leviers concrets :
- un rôle assigné et situé, « responsable content d’un éditeur SaaS B2B qui vend à des DSI », plutôt qu’un rôle générique comme « expert marketing »
- un contexte métier chiffré, positionnement produit et objection principale des prospects sur ce trimestre
- une contrainte de sortie précise sur la longueur et la structure, sans emoji ni CTA générique
- un exemple de sortie qui a déjà fonctionné, collé directement dans le prompt, la technique connue sous le nom de few-shot prompting
Chacun de ces éléments referme un peu plus l’espace des réponses plausibles que le modèle peut produire. En pratique, un context window de plusieurs centaines de milliers de tokens sur Claude Opus 4.7 ou GPT-5 absorbe sans peine quelques centaines de tokens de contexte supplémentaires. Le calcul de token cost penche largement du côté du brief détaillé : quelques secondes de rédaction en plus contre plusieurs relances évitées, chacune coûtant elle-même des tokens.
Le vrai frein arrive à l’échelle de l’équipe
La variance de qualité explose dès qu’une équipe dépasse trois personnes qui promptent chacune à sa manière. « J’ai 14 prompts différents dans des Notion, je m’y retrouve plus » : la plainte est devenue banale dans les équipes qui ont laissé chacun bricoler son propre brief. Le résultat, une variance de qualité énorme d’une personne à l’autre : la même marque produit des posts qui pourraient venir de deux entreprises différentes selon qui a tapé le prompt ce jour-là.
Les équipes techniques ont réglé un point structurel voisin avec un fichier de contexte partagé. Sur les projets qui utilisent Claude Code, un fichier CLAUDE.md encode une fois pour toutes l’architecture, les conventions du dépôt et les pièges déjà rencontrés ; chaque nouvelle session en hérite sans qu’un développeur ait à retaper le contexte. Rien n’empêche un service marketing de construire l’équivalent : un system prompt d’équipe, versionné dans un dépôt partagé, qui embarque le positionnement produit, l’audience cible et, parfois, la liste des mots interdits. Le prompt individuel n’a plus qu’à ajouter la tâche du jour à une base déjà experte.
Certaines équipes vont plus loin en indexant leur documentation produit dans un système de RAG, pour que le modèle retrouve lui-même le contexte pertinent au lieu qu’un humain le retape à chaque session. La rédaction du brief individuel compte alors moins que la qualité de la base qu’il interroge.
Ce que l’expertise ne résout pas seule
Une étude de terrain menée en 2024 auprès de journalistes nuance ce tableau. Les chercheurs ont mesuré, sur des articles écrits avant puis après une formation au prompt engineering, l’effet sur la qualité perçue des textes produits (Bashardoust et al., 2024). La formation a bien renforcé le sentiment d’expertise des journalistes formés. Elle a aussi fait chuter l’utilité perçue de l’outil, comme si mieux comprendre le mécanisme rendait chaque réponse du modèle plus décevante par comparaison. L’effet mesurable sur la précision réelle des textes, lui, a varié selon la difficulté de la tâche : net sur les sujets complexes, presque nul sur les tâches simples.
C’est l’angle mort que peu de guides mentionnent. Écrire un brief expert n’annule pas le travail de relecture, surtout sur un sujet technique où une erreur factuelle glissée par le modèle passe inaperçue si personne dans l’équipe ne maîtrise le domaine assez pour la repérer. Le signal d’expertise améliore la sortie sans jamais remplacer quelqu’un capable de la relire avec un œil critique.
Ce qui vient après le brief individuel
Le protocole MCP, qui permet à un agent de lire un CRM ou une documentation produit sans copier-coller manuel, ouvre une voie distincte : celle où une partie du travail de contextualisation se déplace de la rédaction du prompt vers la configuration de l’agent. L’agentic AI pousse cette logique un cran plus loin en confiant à un agent la collecte du contexte avant même qu’un humain écrive quoi que ce soit. Peu d’équipes marketing ont commencé à explorer ce chantier en profondeur.
