Recrutement · July 21, 2026 · 9 min de lecture

Prompt engineering par métier : à quoi ressemble l'excellence

Le prompt engineering par métier est une compétence clé dans le recrutement, mais « bien faire » diffère pour un ingénieur, un analyste, un agent de support, un SDR, un chef de produit ou un recruteur. Un guide hub par filière.

← Fait partie de Les cinq piliers du recrutement : ce que les évaluations mesurent

Il y a un an, le prompt engineering sonnait comme une spécialité de niche. Aujourd'hui, c'est une compétence de base dans presque tous les métiers qui touchent un clavier — et pour les responsables du recrutement et les talent leaders, c'est l'une des choses à fort signal à mesurer, parce qu'elle prédit si quelqu'un livre les erreurs de l'IA ou les attrape. Mais voici ce que la plupart des équipes de recrutement manquent : un bon prompt engineering par métier ne ressemble pas à la même chose d'un poste à l'autre. Ce qui distingue un ingénieur solide n'est pas ce qui distingue un bon agent de support. Voici le hub de notre cluster par filière — un guide pratique de ce à quoi ressemble réellement l'excellence dans chaque poste, et où aller plus loin pour le rôle que vous recrutez.

Le prompt engineering n'est pas une compétence unique — il épouse la forme du métier

La compétence sous-jacente est universelle : donner à l'outil un contexte et des contraintes clairs, puis vérifier et corriger ce qui revient. Cela fait partie de l'AI Fluency, et le signal le plus fort est toujours le même — prendre l'IA en défaut quand elle se trompe avec assurance. Mais la tâche et les modes de défaillance sont propres à chaque métier, c'est pourquoi les astuces de formulation prédisent très peu alors qu'une tâche réaliste et pertinente pour le poste prédit beaucoup. Voici comment cela se traduit dans les six filières que nous évaluons, suivi du guide approfondi pour chacune.

Pourquoi le prompting est devenu un signal de recrutement

Pendant la majeure partie de la dernière décennie, les outils qu'un candidat utilisait au travail étaient invisibles pour l'évaluation. On mesurait le résultat et on déduisait la compétence. Les outils d'IA ont brisé cette frontière nette. Un livrable d'apparence convaincante pourrait être le travail soigné du candidat lui-même, ou pourrait être un copier-coller non examiné d'un modèle qui était subtilement, coûteusement dans l'erreur. L'écart entre ces deux résultats est exactement ce que mesure le prompt engineering : pas si quelqu'un peut produire une réponse plausible, mais s'il peut distinguer une bonne réponse d'une réponse plausible.

C'est pourquoi le prompting est silencieusement devenu l'une des choses à plus fort levier à évaluer. Recrutez quelqu'un qui fait confiance au modèle sans esprit critique et vous avez recruté un canal pour ses erreurs ; recrutez quelqu'un qui traite chaque résultat comme un brouillon à vérifier et vous avez recruté un multiplicateur. La différence n'apparaît pas sur un CV, et elle apparaît rarement dans une conversation sur la façon dont quelqu'un utilise l'IA — les gens se décrivent comme soigneux bien plus souvent qu'ils ne le sont. Elle apparaît quand vous les regardez travailler sur une vraie tâche, ce qui est tout l'argument pour l'évaluer directement.

La compétence universelle, puis l'avantage propre au métier

Chaque bon prompt a la même forme en dessous. Le candidat fournit un contexte que le modèle n'aurait pas pu deviner, énonce les contraintes qui comptent, et — de façon cruciale — lit le résultat avec suspicion plutôt que soulagement. Là où les métiers divergent, c'est dans ce à quoi ressemble « une erreur » et à quel point il est coûteux de la rater. L'erreur d'un ingénieur compile et livre un bug ; l'erreur d'un analyste devient un chiffre dans un deck pour le conseil d'administration ; l'erreur d'un agent de support atteint un client déjà frustré. Le muscle de vérification est universel, mais vous ne pouvez voir si un candidat l'a qu'en lui donnant un mode de défaillance de son propre poste à repérer.

Ingénieur logiciel

Demandez à un assistant d'écrire un client API asynchrone avec une logique de nouvelle tentative. Un candidat solide précise les contraintes en amont — patterns asynchrones modernes, gestion explicite des erreurs sur les bonnes exceptions — lit le code généré, et repère les problèmes subtils : un appel obsolète, une nouvelle tentative qui masque la mauvaise erreur, un cas limite manquant. Puis il les corrige et les teste. Un bon prompting ici est indissociable de la revue de code. Découvrez quoi tester d'autre dans une évaluation d'ingénieur logiciel.

• Bon : cadre la demande, lit le résultat, repère le code obsolète ou non sécurisé, vérifie par un test rapide.
• Faible : colle la fonction générée et la livre telle quelle, avec ses cas limites non gérés.

Analyste de données

Demandez une requête SQL — par exemple, le chiffre d'affaires net par mois en excluant les comptes de test internes — ou l'interprétation d'un résultat. Un candidat solide définit la métrique et les exclusions dans le prompt, vérifie la cohérence des chiffres au regard de ce qu'il sait déjà, et remet en question un agrégat assuré mais trompeur plutôt que de le coller dans un rapport. La compétence de prompting et le jugement analytique relèvent du même muscle. Plus d'informations dans l'évaluation d'analyste de données.

• Bon : précise la métrique et les exclusions, vérifie la cohérence du résultat, se méfie d'un chiffre que les données ne soutiennent pas.
• Faible : accepte une requête plausible, rapporte un chiffre qui, discrètement, ne tient pas debout.

Support client

Demandez à l'IA de rédiger une réponse à un client mécontent. Un candidat solide lui fournit la politique pertinente et le ton souhaité, puis vérifie l'exactitude du brouillon, adoucit tout ce qui sonne robotique ou désinvolte, et supprime une promesse excessive que le modèle a glissée. Dans le support, le prompt n'est que la moitié du travail — c'est dans la relecture que le jugement se révèle. Voir l'évaluation de support client.

• Bon : fournit politique + ton, vérifie l'exactitude, ajuste vers une empathie sincère, coupe les promesses excessives.
• Faible : envoie une réponse d'IA générique, fausse sur la politique ou au ton inapproprié.

Développement commercial

Demandez un e-mail à froid destiné à un persona précis. Un candidat solide nourrit l'outil d'un contexte réel — qui est l'acheteur, la proposition de valeur, la seule demande claire — personnalise le résultat, le raccourcit à quelque chose qu'un VP pressé lirait vraiment, et repère tout « fait » halluciné à propos du prospect avant l'envoi. Le prompt met les choses en place ; le jugement les garde crédibles. Plus d'informations dans l'évaluation du développement commercial.

• Bon : donne du contexte, personnalise, resserre vers une demande nette, repère un détail inventé.
• Faible : envoie une salve de modèles génériques — parfois avec un fait inventé dedans.

Chef de produit

Demandez une première version d'une spécification ou d'une priorisation. Un bon chef de produit cadre clairement le problème et les contraintes, utilise l'IA pour obtenir un point de départ rapide, puis applique un véritable jugement produit — en repérant une hypothèse erronée, en coupant le périmètre que le modèle a surchargé, en l'ancrant dans les utilisateurs et les métriques plutôt qu'en livrant le brouillon tel quel. Voir l'évaluation de chef de produit.

• Bon : cadre le problème, utilise l'IA pour un brouillon, puis applique son jugement — repère les mauvaises hypothèses, le relie à des objectifs réels.
• Faible : livre une spécification générée par l'IA sans aucune réflexion produit ajoutée par-dessus.

Recruteur

Demandez à l'IA de rédiger un message de prospection ou une grille de présélection. Un bon recruteur fournit le contexte du poste et les signaux indispensables, puis vérifie le résultat pour détecter les biais, le remplissage générique et toute affirmation sur le poste qui n'est pas vraiment exacte — et le réécrit en quelque chose qu'un candidat ferait confiance. Bien prompter ici est du jugement talent sous une autre forme : savoir à quoi ressemble un bon candidat avant que le modèle ne le devine. Plus d'informations sur le côté recrutement dans comment recruter un recruteur.

• Bon : fournit le contexte du poste et les signaux, vérifie le résultat pour les biais et le remplissage, garde chaque affirmation vraie.
• Faible : envoie une salve générique rédigée par l'IA qui surestime le poste et ressemble à du spam.

Pour aller plus loin : un guide complet pour chaque rôle

Chaque filière a son propre guide approfondi — les meilleures pratiques, un prompt concret, les signaux « fort » contre « faible » et comment il est évalué :

• Prompt engineering pour les ingénieurs logiciels — le prompting comme une revue de code inversée.
• Prompt engineering pour les analystes de données — des définitions précises, puis de la méfiance envers le chiffre.
• Prompt engineering pour le support client — le brouillon est facile, la relecture, c'est le vrai travail.
• Prompt engineering pour le développement commercial — le contexte en entrée, la crédibilité en sortie.
• Prompt engineering pour les chefs de produit — l'IA rédige, le jugement décide.
• Prompt engineering pour les recruteurs — le jugement talent, appliqué au modèle.

Deux erreurs que les équipes font dans l'évaluation

La première erreur est le quiz de prompts — demander aux candidats de décrire comment ils formuleraient une demande, ou les noter sur leur connaissance des astuces de prompting. Cela mesure le vocabulaire, pas le jugement, et c'est trivialement triché par quiconque a lu quelques discussions sur le sujet. La deuxième erreur est la correction inverse opposée : interdire l'IA dans l'évaluation entièrement parce que vous craignez la triche. Cela teste le poste tel qu'il existait il y a deux ans, pas tel qu'il se fait aujourd'hui, et filtre pour les mauvais candidats — ceux qui ne peuvent pas travailler avec les outils que tout le monde utilise déjà.

Les deux erreurs partagent une cause racine : elles traitent le prompting comme quelque chose que l'on sait plutôt que comme quelque chose que l'on fait. La voie à suivre est d'arrêter de tester des connaissances sur l'IA et de commencer à observer la collaboration avec elle, sur une tâche qui porte les modes de défaillance du vrai poste. Ce recadrage résout aussi le problème d'intégrité, parce que quand l'utilisation de l'IA est attendue et que la tâche est générée par poste, la voie la plus rapide vers un bon résultat est la compétence réelle — la même logique derrière notre approche pour prévenir la triche sur les évaluations générées par IA.

Comment l'évaluer

Vous ne pouvez mesurer rien de tout cela avec un quiz sur les prompts, et vous ne pouvez certainement pas le mesurer en interdisant l'IA. Vous le mesurez en plaçant le candidat dans une tâche réaliste et pertinente pour son poste avec des outils d'IA disponibles et en observant comment il travaille — c'est exactement ce que fait une évaluation en AI Sandbox, et la façon dont l'AI Fluency est mesurée comme pilier. C'est la façon honnête de tester le poste tel qu'il se pratique réellement — l'idée centrale du recrutement AI-native. Cela s'inscrit aussi dans une image plus large : le prompting est l'un des cinq piliers d'une évaluation des candidats complète, pas un gadget isolé.

Parce que l'AI Sandbox observe une vraie collaboration sur une tâche ajustée au poste, le même signal sous-jacent — cette personne prend-elle le modèle en défaut quand il se trompe avec assurance — émerge quel que soit le poste pour lequel vous recrutez. Vous pouvez regarder une évaluation ajustée au poste se composer pour voir où le prompting s'inscrit par filière, ou commencer par notre guide sur le recrutement pour l'AI Fluency si vous voulez d'abord le cadre plus large.

Une note pratique pour construire l'évaluation : résistez à l'envie de sur-cadrer la tâche. Si vous énoncez chaque contrainte et chaque vérification que le candidat devrait effectuer, vous avez fait son prompting à sa place et vous n'apprenez rien. Le signal réside dans ce qu'il pense à ajouter et ce qu'il pense à questionner quand le brief est réalistement vague — la même ambiguïté à laquelle il fera face au poste. Une bonne tâche de prompt engineering ressemble moins à un test et plus à un mardi matin : un vrai problème, les outils que tout le monde utilise réellement, et suffisamment d'espace pour révéler s'ils pilotent l'outil ou si l'outil les pilote.

Évalué ainsi, le prompt engineering cesse d'être un terme à la mode et devient l'un des prédicteurs les plus honnêtes de résultats au poste que vous ayez. Choisissez le rôle que vous recrutez dans le cluster ci-dessus, lisez le guide approfondi, et vous saurez exactement à quoi ressemble « bien faire » avant que votre premier candidat ne s'assoie.

Le prompt engineering n'est pas une astuce de formulation que l'on recrute. C'est du jugement face à l'assurance trompeuse d'une IA — et il prend une forme différente à chaque place autour de la table.