Prompting IA : 6 Stratégies pour Dominer votre Marché en 2025

Slug URL : /prompting-ia-strategies-pme-quebec-episode-bonus-4

Meta description : (159 caractères)

Découvrez 6 stratégies de prompting IA essentielles pour votre PME dans l’épisode BONUS 4 de Fréquence Numérique. Maximisez vos performances et innovez. Guide complet.

Saviez-vous que près de 80% des dirigeants de PME au Canada estiment que l’intelligence artificielle est cruciale pour leur croissance future, mais que moins de 20% ont commencé à l’intégrer de manière stratégique ? Cet écart représente une opportunité massive pour les entreprises québécoises prêtes à agir. Alors que la transformation numérique s’accélère, la maîtrise des outils d’IA n’est plus une option, mais une nécessité pour rester compétitif. Le défi n’est plus de savoir si il faut utiliser l’IA, mais comment l’utiliser efficacement pour générer un retour sur investissement tangible.

Pour de nombreuses PME québécoises, le dialogue avec l’intelligence artificielle peut sembler complexe, voire intimidant. Comment s’assurer que l’IA comprend réellement nos besoins ? Comment obtenir des réponses précises qui peuvent véritablement influencer nos décisions d’affaires, de la stratégie marketing à l’optimisation des opérations ? En 2025, la différence entre une PME qui stagne et une qui prospère se jouera sur sa capacité à communiquer efficacement avec ces nouvelles technologies. C’est ici qu’intervient l’art et la science du « prompting » : la manière dont nous formulons nos requêtes à l’IA. Une instruction bien conçue peut débloquer des analyses profondes, automatiser des tâches complexes et stimuler une innovation sans précédent.

Dans cet article, tiré de l’épisode BONUS 4 de Fréquence Numérique, nous allons démystifier le monde du prompting IA. Nous vous dévoilerons six stratégies fondamentales qui transformeront votre manière d’interagir avec l’intelligence artificielle. Vous apprendrez non seulement à poser les bonnes questions, mais aussi à structurer vos demandes pour obtenir des résultats qui propulseront votre entreprise. Chaque technique sera expliquée avec des exemples concrets, pensés spécifiquement pour la réalité des PME d’ici.

Nous explorerons comment maximiser les performances de l’IA avec le Chain-of-Thought, débloquer une précision chirurgicale avec le Few-Shot, stabiliser les réponses avec le Self-Consistency, explorer des solutions complexes avec le Tree of Thoughts, générer des idées à la volée avec le Zero-Shot, et enfin, plonger dans une interaction immersive avec le Role-Playing Prompting. Préparez-vous à transformer votre approche de l’innovation technologique.

Comment le Chain-of-Thought peut-il décupler la performance de votre IA ?

Le raisonnement en chaîne de pensée, ou Chain-of-Thought (CoT), est une technique révolutionnaire qui transforme un LLM d’un simple générateur de réponses en un véritable partenaire de réflexion. Plutôt que de demander une réponse directe, le CoT incite le modèle à décomposer un problème complexe en une série d’étapes logiques et séquentielles, mimant ainsi le processus de pensée humain. Cette approche force l’IA à « montrer son travail », ce qui non seulement améliore considérablement la précision des résultats sur des tâches complexes, mais rend également le processus de décision de l’IA transparent et vérifiable. Pour une PME québécoise, cela signifie passer d’une réponse brute à une analyse détaillée que vous pouvez suivre, valider et à laquelle vous pouvez faire confiance.

Le CoT est particulièrement puissant car il s’attaque à l’une des faiblesses fondamentales des LLM : leur tendance à prendre des raccourcis pour arriver à une conclusion. Face à une question multi-étapes, un modèle standard peut tenter de « deviner » la réponse en se basant sur des corrélations statistiques, ce qui mène souvent à des erreurs subtiles mais critiques. En ajoutant une simple instruction comme « Réfléchissons étape par étape », on oblige le modèle à allouer des ressources de calcul à chaque maillon de la chaîne de raisonnement. Imaginez que vous planifiez une campagne de marketing digital pour le marché de la Mauricie. Au lieu de demander « Quelle est la meilleure stratégie marketing pour la Mauricie ? », une approche CoT serait : « Décompose-moi une stratégie marketing pour une PME de services en Mauricie. Étape 1 : Analyse la démographie cible. Étape 2 : Identifie les canaux de communication locaux les plus populaires. Étape 3 : Propose 3 angles de campagne basés sur les spécificités culturelles locales. Étape 4 : Suggère un budget et des KPI pour chaque canal. »

« La qualité de votre intelligence artificielle ne dépend pas de la puissance du modèle, mais de la clarté de votre pensée traduite en instructions. »

Cette méthode est un atout majeur pour la prise de décision stratégique au sein des PME. Elle peut être utilisée pour analyser des données financières, élaborer des plans d’affaires, optimiser la logistique d’une chaîne d’approvisionnement ou même déboguer des problèmes techniques. En rendant le raisonnement de l’IA explicite, le CoT permet une collaboration homme-machine beaucoup plus riche. Vous pouvez identifier précisément où le raisonnement de l’IA pourrait faire fausse route et intervenir pour le corriger, transformant une interaction passive en un véritable dialogue stratégique.

💡 Conseil d’expert : Pour maximiser l’efficacité du CoT, soyez précis dans votre découpage. Au lieu de laisser l’IA deviner les étapes, structurez votre prompt en lui fournissant le squelette du raisonnement que vous attendez. Utilisez des listes numérotées ou des titres pour chaque étape. Plus votre « chaîne » est claire, plus le résultat sera robuste et aligné avec vos objectifs d’affaires.

Maintenant que nous savons comment guider l’IA dans un raisonnement étape par étape, comment pouvons-nous lui apprendre à maîtriser des tâches très spécifiques avec seulement quelques exemples ? C’est ce que nous allons voir avec la précision chirurgicale du Few-Shot Prompting.

Le Few-Shot Prompting : Votre IA peut-elle apprendre sur mesure ?

Le Few-Shot Prompting est une technique qui s’apparente à donner un mini-cours intensif à votre intelligence artificielle. Au lieu de se fier uniquement à ses connaissances générales, vous lui fournissez, directement dans votre instruction, quelques exemples précis de la tâche que vous souhaitez accomplir. C’est la différence entre dire à un nouvel employé « Rédige un courriel pour nos clients » et lui montrer deux ou trois exemples parfaits en disant « Fais-le exactement comme ça ». Cette méthode est extraordinairement puissante pour les PME québécoises car elle permet d’adapter un modèle généraliste à des tâches très spécifiques et propres à votre entreprise, sans avoir besoin de compétences techniques avancées en programmation ou en entraînement de modèles.

L’apprentissage en contexte (In-Context Learning), le mécanisme derrière le Few-Shot Prompting, est l’une des capacités les plus remarquables des LLM modernes. Le modèle apprend par imitation, en analysant le format, le style, le ton et la structure des exemples que vous lui donnez. Par exemple, une PME de Sherbrooke spécialisée en logiciels B2B pourrait vouloir classifier les courriels de support entrants. Une approche Few-Shot serait :

« Tâche : Classifier le courriel de support en ‘Technique’, ‘Facturation’ ou ‘Commercial’. Exemple 1 Courriel : ‘Bonjour, je n’arrive pas à me connecter à mon compte, le mot de passe ne fonctionne pas.’ Classification : Technique Exemple 2 Courriel : ‘J’aimerais avoir une soumission pour ajouter 10 utilisateurs à notre forfait.’ Classification : Commercial

Courriel à classifier : ‘Ma dernière facture semble incorrecte, pouvez-vous la vérifier ?’

Classification : »

📌 À RETENIR : Le succès du Few-Shot Prompting dépend de la qualité et de la pertinence de vos exemples. Ils doivent être clairs, cohérents et représenter fidèlement la tâche que vous souhaitez automatiser.

Cette technique ouvre la porte à une multitude d’applications sur mesure. Vous pouvez l’utiliser pour standardiser le ton de vos communications marketing, pour extraire des informations spécifiques de rapports (par exemple, extraire le nom du client, le numéro de facture et le montant total de centaines de factures), ou pour traduire du jargon technique en langage client simple et accessible, en respectant la terminologie propre à votre industrie. Pour les entreprises québécoises, c’est un moyen d’insuffler une saveur locale et une connaissance métier pointue dans les réponses de l’IA, la rendant beaucoup plus pertinente et efficace.

💡 Conseil d’expert : Variez vos exemples pour couvrir différents cas de figure. Si vous ne montrez que des exemples simples, l’IA pourrait avoir du mal avec une requête plus complexe. Incluez un exemple simple, un exemple un peu plus nuancé et peut-être même un cas limite pour rendre le modèle plus robuste et adaptable.

Le Few-Shot Prompting nous donne la précision. Mais que faire lorsque l’IA, même bien guidée, hésite ou donne des réponses différentes à la même question ? La prochaine section explore comment le Self-Consistency Prompting peut apporter une stabilité et une fiabilité à toute épreuve.

Le Self-Consistency : Comment garantir des réponses IA stables et fiables ?

Le Self-Consistency Prompting est une stratégie avancée qui s’attaque à l’un des problèmes les plus frustrants des LLM : leur nature parfois non déterministe. Avez-vous déjà posé la même question à une IA à quelques minutes d’intervalle pour obtenir des réponses légèrement différentes ? Le Self-Consistency transforme cette faiblesse en force. Au lieu de demander une seule réponse, cette technique incite le modèle à générer plusieurs chemins de raisonnement différents pour le même problème. Ensuite, elle choisit la réponse finale par un vote majoritaire. C’est l’équivalent de demander l’avis de plusieurs experts et de retenir la conclusion qui revient le plus souvent.

Cette approche repose sur une intuition puissante : pour un problème complexe, il existe souvent plusieurs chemins valides pour arriver à la bonne solution. En revanche, les chemins de raisonnement erronés sont plus susceptibles de produire des réponses finales divergentes et donc minoritaires. En générant, par exemple, dix « chaînes de pensée » (Chain-of-Thought) distinctes et en constatant que sept d’entre elles convergent vers la même réponse, on peut avoir un degré de confiance beaucoup plus élevé dans le résultat final. Pour une PME de la Beauce qui doit prendre une décision logistique critique, cette robustesse n’est pas un luxe, c’est une nécessité.

« La confiance dans l’IA ne vient pas d’une seule réponse parfaite, mais de la convergence de multiples raisonnements valides. »

La mise en œuvre du Self-Consistency est particulièrement pertinente pour les tâches où l’exactitude est non négociable. Pensez à l’analyse financière, au calcul de devis complexes, à la vérification de la conformité réglementaire ou à l’interprétation de données techniques. Par exemple, une entreprise de construction de Québec pourrait demander à une IA : « Calcule le coût total des matériaux pour ce projet en te basant sur ces plans et cette liste de prix. » En utilisant le Self-Consistency, le système générerait plusieurs calculs détaillés, peut-être en utilisant des ordres d’opérations légèrement différents ou en faisant des hypothèses variées sur les pertes de matériaux. La réponse qui apparaît le plus fréquemment sera la plus fiable, car elle aura marginalisé les erreurs de calcul isolées qui auraient pu se glisser dans un seul chemin de pensée.

💡 Conseil d’expert : Pour que le Self-Consistency fonctionne, il faut encourager la diversité des raisonnements. Cela se fait en ajustant un paramètre du modèle appelé « température ». Une température nulle (ou très basse) donne des réponses déterministes. Une température plus élevée (par exemple, 0.7) encourage le modèle à être plus « créatif » et à explorer des chemins de pensée moins évidents, ce qui est exactement ce que l’on recherche pour cette technique.

Le Self-Consistency nous apporte la fiabilité par la redondance. Mais comment explorer systématiquement toutes les avenues possibles d’un problème encore plus complexe, sans se perdre en chemin ? C’est là que le Tree of Thoughts entre en jeu, en transformant le raisonnement en une véritable exploration stratégique.

Le Tree of Thoughts (ToT) : Votre IA peut-elle explorer toutes les options ?

Si le Chain-of-Thought est une ligne droite, le Tree of Thoughts (ToT) est un labyrinthe exploré avec une carte. Cette technique de prompting de pointe est conçue pour les problèmes les plus complexes, ceux qui nécessitent une planification stratégique, une exploration de multiples possibilités et la capacité de revenir sur ses pas. Le ToT structure le raisonnement de l’IA non pas comme une chaîne, mais comme un arbre. À chaque étape, le modèle ne génère pas une seule suite, mais plusieurs « pensées » ou branches potentielles. Il évalue ensuite la viabilité de chaque branche et décide laquelle explorer plus en profondeur, en gardant la possibilité d’abandonner un chemin qui mène à une impasse pour en explorer un autre plus prometteur.

Pour une PME québécoise, le ToT est l’outil ultime pour la résolution de problèmes stratégiques où il n’y a pas de solution évidente. Pensez à l’élaboration d’un plan d’expansion sur un nouveau marché, à la conception d’un produit innovant ou à la résolution d’un goulot d’étranglement tenace dans votre production. Le ToT permet à l’IA de ne pas se contenter de la première idée venue, mais de délibérer, de comparer des scénarios et de construire une solution de manière beaucoup plus robuste et réfléchie.

Imaginons une PME de l’Estrie qui fabrique des produits artisanaux et qui souhaite optimiser sa chaîne de distribution pour réduire ses coûts et son empreinte carbone. Une approche ToT pourrait ressembler à ceci :

• Niveau 1 (Le Tronc) : « Objectif : Optimiser la distribution de nos produits en Estrie. »
• Niveau 2 (Branches Principales) : L’IA génère trois stratégies initiales :
  1. « Utiliser un transporteur national. »
  2. « Créer notre propre flotte de véhicules électriques. »
  3. « Collaborer avec d’autres producteurs locaux pour un service de livraison partagé. »
• Niveau 3 (Évaluation et Exploration) : L’IA évalue chaque branche.
  • Branche 1 : « Évaluation : Coûts élevés, peu flexible, mais simple à mettre en place. Explorer les options de Postes Canada vs Purolator. »
  • Branche 2 : « Évaluation : Investissement initial très élevé, complexe à gérer, mais contrôle total et aligné avec nos valeurs écologiques. Explorer les coûts des véhicules et des bornes de recharge. »
  • Branche 3 : « Évaluation : Potentiellement le plus rentable et écologique, mais dépend de la fiabilité des partenaires. Explorer les coopératives existantes dans la région. »

📌 À RETENIR : Le Tree of Thoughts est computationnellement intensif et donc plus coûteux. Réservez-le pour vos défis stratégiques les plus importants, là où la qualité de la délibération a un impact direct sur votre rentabilité.

Ce processus se poursuit sur plusieurs niveaux, l’IA construisant un arbre de décision complet, lui permettant de présenter non pas une seule réponse, mais une recommandation stratégique étayée par l’analyse comparative de plusieurs alternatives viables. C’est un changement de paradigme : l’IA ne vous donne plus seulement une réponse, elle vous aide à réfléchir.

💡 Conseil d’expert : Pour guider efficacement un processus ToT, définissez clairement les critères d’évaluation à chaque étape. Indiquez à l’IA sur quelle base elle doit juger les branches : coût, temps de mise en œuvre, impact sur la satisfaction client, alignement avec les valeurs de l’entreprise, etc. Ces critères agiront comme une boussole pour l’exploration de l’arbre.

Après avoir exploré les profondeurs de la délibération complexe, revenons à la surface pour examiner comment obtenir des réponses rapides et efficaces lorsque nous n’avons pas d’exemples à fournir. Le Zero-Shot Prompting est la clé de la génération instantanée.

Le Zero-Shot Prompting : Comment obtenir des réponses sans aucun exemple ?

Le Zero-Shot Prompting est la forme la plus pure et la plus directe d’interaction avec une intelligence artificielle. C’est la capacité du modèle à comprendre et à exécuter une tâche qu’il n’a jamais vue auparavant, sans que vous ayez à lui fournir le moindre exemple. C’est comme demander à un chef cuisinier expérimenté de créer un plat à partir d’ingrédients qu’il connaît bien, mais pour une recette qu’il n’a jamais suivie. Cette technique s’appuie entièrement sur la connaissance massive et la capacité de généralisation que le LLM a acquises lors de son entraînement. Pour les PME québécoises, le Zero-Shot Prompting est la porte d’entrée de l’IA : c’est l’outil parfait pour le brainstorming, la génération rapide d’idées et l’automatisation de tâches simples.

L’efficacité du Zero-Shot Prompting a été radicalement améliorée par une avancée appelée « l’ajustement par instructions » (instruction-tuning). Les modèles modernes comme GPT-4 ou Claude 3 ne sont pas seulement entraînés à prédire le mot suivant ; ils ont été spécifiquement entraînés à suivre des directives en langage naturel. C’est pourquoi vous pouvez simplement leur demander : « Rédige un courriel pour annoncer une promotion sur nos produits d’érable à nos clients fidèles » ou « Résume ce rapport financier en cinq points clés », et obtenir une réponse pertinente sans aucun exemple.

Cette capacité est un formidable levier de productivité pour les opérations quotidiennes.

• Marketing et Communication : « Génère 5 slogans pour notre nouvelle gamme de cidres de glace du Québec. »
• Ressources Humaines : « Rédige une description de poste pour un développeur web junior à Montréal, en insistant sur notre culture d’entreprise collaborative. »
• Gestion de projet : « Crée une liste de tâches pour le lancement de notre nouveau site web, organisée par phase : conception, développement, et mise en ligne. »

« La magie du Zero-Shot Prompting réside dans sa simplicité. Il transforme des milliards de points de données en un outil créatif et productif accessible à tous, instantanément. »

Cependant, la simplicité du Zero-Shot a ses limites. Sa performance est intrinsèquement liée à la clarté de votre instruction. Une demande vague mènera à une réponse générique. De plus, pour les tâches qui nécessitent une connaissance de domaine très pointue, un format de sortie très spécifique ou une nuance particulière à votre entreprise, le modèle peut « halluciner » ou produire un résultat qui n’est pas tout à fait aligné avec vos besoins. C’est précisément pour surmonter ces limites que les techniques plus avancées comme le Few-Shot ou le Chain-of-Thought ont été développées.

💡 Conseil d’expert : Pour améliorer drastiquement vos résultats en Zero-Shot, soyez aussi spécifique que possible. Au lieu de dire « Écris un article de blog sur la transformation numérique », dites « Écris un article de blog de 500 mots pour les dirigeants de PME manufacturières au Québec, expliquant les 3 premiers pas concrets pour commencer leur transformation numérique en 2025, avec un ton encourageant et accessible. »

Le Zero-Shot nous donne la vitesse. Mais comment rendre l’interaction encore plus naturelle et intuitive ? La dernière stratégie que nous explorerons, le Role-Playing Prompting, transforme l’IA en un véritable partenaire de conversation, capable d’adopter n’importe quelle personnalité.

L’IA Immersive : Le Role-Playing peut-il transformer votre assistant ?

Le Role-Playing Prompting, ou l’incitation par le jeu de rôle, est sans doute la technique la plus intuitive et la plus engageante pour interagir avec une IA. Elle consiste simplement à assigner un rôle ou une persona spécifique au modèle avant de lui poser votre question. En commençant votre prompt par « Agis comme un expert en marketing digital pour PME » ou « Tu es un conseiller financier spécialisé dans le marché québécois », vous transformez radicalement la nature de l’interaction. Le LLM ne se contente plus de puiser dans sa base de connaissances générale ; il filtre cette connaissance à travers le prisme de la persona que vous lui avez assignée, en adoptant le ton, le style, le vocabulaire et, surtout, la perspective de cet expert.

Cette méthode est un outil puissant pour les PME car elle permet de simuler des conversations avec des experts qui seraient autrement coûteux ou difficiles d’accès. Vous avez besoin de préparer une négociation avec un fournisseur ? Demandez à l’IA de jouer le rôle d’un acheteur expérimenté et sceptique. Vous voulez tester votre argumentaire de vente ? Demandez-lui d’incarner un client potentiel de votre secteur. Cette approche immersive permet non seulement d’obtenir des réponses plus pertinentes, mais aussi de s’entraîner, d’anticiper des objections et d’affiner ses propres stratégies dans un environnement sans risque.

Des recherches académiques ont montré que le Role-Playing Prompting peut avoir un impact spectaculaire sur les capacités de raisonnement de l’IA. En adoptant une persona, le modèle semble mieux structurer sa pensée, agissant comme un déclencheur implicite pour des techniques plus complexes comme le Chain-of-Thought. Par exemple, une PME du Saguenay-Lac-Saint-Jean qui développe une application touristique pourrait utiliser cette technique de multiples façons :

• Pour la stratégie : « Tu es un consultant en tourisme spécialisé dans les expériences authentiques au Québec. Analyse mon idée d’application et identifie 3 risques potentiels et 3 opportunités uniques pour le marché du Saguenay. »
• Pour le contenu : « Tu es un guide touristique local passionné par l’histoire de la région. Rédige un texte de 200 mots sur le village de Val-Jalbert avec un ton captivant et rempli d’anecdotes. »
• Pour le support : « Tu es un utilisateur anglophone qui visite la région pour la première fois et qui a des difficultés à utiliser l’application. Pose-moi 5 questions que tu pourrais avoir. »

📌 À RETENIR : Le choix de la persona est crucial. Une persona trop vague donnera des résultats génériques. Une persona très spécifique et détaillée (ex: « un ingénieur civil avec 20 ans d’expérience dans les infrastructures routières du nord du Québec ») donnera des réponses beaucoup plus pointues.

Cependant, il est important de noter que le Role-Playing est une « épée à double tranchant ». Si la persona assignée n’est pas bien alignée avec la tâche, elle peut biaiser la réponse de manière négative. De plus, cette technique peut involontairement amplifier les stéréotypes sociaux présents dans les données d’entraînement du modèle. Il est donc essentiel de l’utiliser avec un esprit critique et de toujours valider les informations générées.

💡 Conseil d’expert : Ne vous contentez pas d’assigner un rôle, décrivez son état d’esprit et ses objectifs. Par exemple : « Tu es un client potentiel très occupé et soucieux de son budget. Ton objectif est de comprendre en moins d’une minute pourquoi mon produit est un meilleur investissement que celui de mon concurrent. »

Nous venons de parcourir six stratégies puissantes pour transformer votre manière de dialoguer avec l’intelligence artificielle. Du raisonnement structuré du Chain-of-Thought à l’immersion du Role-Playing, chaque technique vous offre un nouveau levier pour exploiter le potentiel de l’IA au service de votre PME. Nous avons vu comment décomposer des problèmes complexes, enseigner des tâches sur mesure, garantir la fiabilité des réponses, explorer des scénarios stratégiques, générer des idées à la volée et simuler des conversations d’experts. Ces outils ne sont pas de la science-fiction ; ce sont des compétences concrètes et accessibles qui peuvent, dès aujourd’hui, vous donner un avantage concurrentiel décisif.

L’avenir de l’innovation technologique pour les PME québécoises ne réside pas dans l’attente passive de la prochaine grande révolution, mais dans la maîtrise active des outils déjà à notre disposition. L’intelligence artificielle est un partenaire cognitif d’une puissance sans précédent, mais comme toute collaboration, son succès dépend de la qualité de la communication. En apprenant à « prompter » de manière stratégique, vous ne faites pas que poser de meilleures questions ; vous apprenez à mieux réfléchir, à mieux structurer vos défis et à envisager des solutions que vous n’auriez peut-être pas imaginées. L’impact de ces techniques ira bien au-delà de simples gains de productivité ; il s’agit de catalyser une culture d’innovation et d’agilité au sein de votre entreprise.

Pour approfondir ces stratégies et découvrir comment elles sont générées et expliquées par une IA, écoutez l’épisode complet BONUS 4 de Fréquence Numérique. Plongez dans les coulisses de la création de contenu avec le premier podcast francophone entièrement piloté par intelligence artificielle et prenez une longueur d’avance dans votre transformation numérique.

À propos de Fréquence Numérique

Fréquence Numérique est le premier podcast francophone entièrement créé par intelligence artificielle, sans voix humaine. Chaque semaine, découvrez les dernières innovations technologiques et stratégies numériques pour propulser votre PME.

Sources

1. Wei, J., et al. (2022). Chain of Thought Prompting Elicits Reasoning in Large Language Models. – https://arxiv.org/abs/2201.11903
2. Brown, T., et al. (2020). Language Models are Few-Shot Learners. – https://arxiv.org/abs/2005.14165
3. Wang, X., et al. (2023). Self-Consistency Improves Chain of Thought Reasoning in Language Models. – https://arxiv.org/abs/2203.11171
4. Yao, S., et al. (2023). Tree of Thoughts: Deliberate Problem Solving with Large Language Models. – https://arxiv.org/abs/2305.10601
5. Kojima, T., et al. (2022). Large Language Models are Zero-Shot Reasoners. – https://arxiv.org/abs/2205.11916
6. Shanahan, M., et al. (2023). Role-Play with Large Language Models. – https://arxiv.org/abs/2305.16367
7. Statistique Canada. (2023). Adoption des technologies numériques et de l’intelligence artificielle par les entreprises canadiennes. – https://www150.statcan.gc.ca/n1/daily-quotidien/231101/dq231101a-fra.htm
8. McKinsey & Company. (2023). The economic potential of generative AI: The next productivity frontier. – https://www.mckinsey.com/capabilities/mckinsey-digital/our-insights/the-economic-potential-of-generative-ai-the-next-productivity-frontier
9. Institut de la statistique du Québec. (2024). L’innovation et les technologies de l’information et des communications dans les entreprises au Québec. – https://statistique.quebec.ca/fr/publication/linnovation-et-les-technologies-de-linformation-et-des-communications-dans-les-entreprises-au-quebec
10. Gouvernement du Québec. (2022). Stratégie québécoise de recherche et d’investissement en innovation 2022-2027. – https://www.quebec.ca/gouvernement/politiques-orientations/strategie-recherche-investissement-innovation
11. Prompting Guide. (2024). Techniques | Prompt Engineering Guide. – https://www.promptingguide.ai/techniques
12. OpenAI. (2023). Best practices for prompt engineering with OpenAI API. – https://help.openai.com/en/articles/6654000-best-practices-for-prompt-engineering-with-openai-api
13. Cohere. (2024). LLM University – Prompt Engineering. – https://docs.cohere.com/docs/prompt-engineering
14. Anthropic. (2024). Introduction to prompting. – https://docs.anthropic.com/claude/docs/introduction-to-prompting
15. Deshpande, A., et al. (2024). Toxicity in Role Playing Language Models. – https://arxiv.org/abs/2402.07388
16. Google AI. (2023). A Survey of Large Language Models. – https://arxiv.org/abs/2303.18223
17. IBM Technology. (2024). What is prompt engineering?. – https://www.ibm.com/topics/prompt-engineering
18. TechTarget. (2024). What is Chain-of-Thought (CoT) prompting?. – https://www.techtarget.com/whatis/definition/Chain-of-Thought-CoT-prompting
19. BDC. (2023). L’IA pour les PME : Un guide pour commencer. – https://www.bdc.ca/fr/articles-outils/technologie/investir-technologie/ia-pour-pme-guide-pour-commencer
20. Chambre de commerce du Montréal métropolitain (CCMM). (2024). L’IA : un levier de croissance pour les entreprises d’ici. – https://www.ccmm.ca/
21. IVADO. (2024). L’intelligence artificielle au service des entreprises. – https://ivado.ca/
22. Mila – Institut québécois d’intelligence artificielle. (2024). Collaborations industrielles. – https://mila.quebec/recherche-et-transfert/collaborations-industrielles/
23. AWS. (2023). What is prompt engineering? – https://aws.amazon.com/what-is/prompt-engineering/
24. Microsoft Azure. (2024). Introduction to prompt engineering. – https://learn.microsoft.com/en-us/azure/ai-services/prompt-engineering/
25. World Economic Forum. (2023). Generative AI will change the nature of work. Here’s how to prepare. – https://www.weforum.org/agenda/2023/09/generative-ai-work-jobs-skills-prepare/