Chaîne de pensée : quand l'IA raisonne étape par étape
La chaîne de pensée (chain of thought) consiste à faire écrire à un modèle les étapes intermédiaires de son raisonnement avant sa réponse finale. Cette technique améliore nettement les résultats sur les problèmes à plusieurs étapes : calculs, logique, planification.
Données au 22 octobre 2026
L'essentiel en chiffres
| Niveau | Intermédiaire |
|---|---|
| Origine | 2022 |
| Introduit par | Wei et al. (Google) |
Le principe en une phrase
Au lieu de demander directement la réponse, on laisse le modèle « poser le calcul » : il écrit les étapes intermédiaires, puis conclut. Comme un élève qui détaille sa démarche, il a moins de chances de sauter une étape ou de répondre au hasard.
Un exemple concret
Question : « Un magasin vend des cahiers 3 € pièce, avec un cahier offert pour quatre achetés. Combien coûtent dix cahiers ? »
Un modèle qui répond d’un trait peut écrire « 30 € », en oubliant la promotion, ou donner un montant faux en l’appliquant mal. Avec une chaîne de pensée, il raisonne : « Pour quatre cahiers payés, j’en reçois cinq. Dix cahiers, c’est deux lots de cinq, donc huit cahiers payés. Huit fois 3 €, cela fait 24 €. » La réponse est désormais justifiée et vérifiable : si une étape est fausse, vous la voyez.
D’où vient l’idée
La technique a été formalisée dans l’article « Chain-of-Thought Prompting Elicits Reasoning in Large Language Models » (Wei et al., Google, janvier 2022). Les auteurs y montrent qu’en fournissant au modèle quelques exemples dont la réponse est précédée d’un raisonnement détaillé, ses performances progressent fortement sur des problèmes d’arithmétique, de bon sens et de logique. C’est donc, au départ, une variante du prompt avec exemples.
Pourquoi ça compte aujourd’hui
La chaîne de pensée est passée du statut d’astuce d’ingénierie de prompt à celui de fonctionnement interne. Les modèles de raisonnement sont entraînés à produire eux-mêmes un long raisonnement avant de répondre, souvent masqué ou résumé à l’écran. Cette idée de « réfléchir plus longtemps » au moment de la réponse est au cœur du calcul au moment de l’inférence.
Idées reçues fréquentes
- « Un raisonnement détaillé est forcément correct. » Un modèle peut dérouler des étapes très convaincantes et aboutir à une erreur, voire à une hallucination. Le raisonnement facilite la vérification, il ne la remplace pas.
- « Ça marche pour toutes les questions. » Pour une traduction ou une question factuelle simple, le gain est faible et la réponse devient plus longue et plus coûteuse.
- « C’est la même chose qu’un modèle de raisonnement. » Non : la chaîne de pensée est une technique, le modèle de raisonnement est un modèle entraîné à l’appliquer de lui-même.
Pour essayer
Le générateur de prompt du site vous permet d’ajouter à votre consigne une demande de raisonnement étape par étape, puis de comparer les réponses avec et sans.
Termes liés
- Ingénierie de prompt · Art de formuler et d'améliorer ses consignes à une IA, en les testant, pour obtenir des réponses plus fiables et plus utiles.
- Prompt avec exemples (few-shot) · Technique qui consiste à glisser quelques exemples de questions et de réponses attendues dans le prompt pour guider le modèle.
- Modèle de raisonnement · Modèle de langage entraîné à « réfléchir » par étapes avant de répondre : plus lent et plus coûteux, mais plus solide en maths, code et logique.
- Calcul à l'inférence (test-time compute) · Puissance de calcul dépensée par un modèle au moment de répondre, par exemple pour réfléchir plus longtemps ou comparer plusieurs pistes.
- Hallucination · Réponse d'une IA qui paraît sûre d'elle et plausible mais qui est fausse ou inventée : chiffre, citation, source, référence.
À essayer
Tout le glossaire
Questions fréquentes
Faut-il encore demander « réfléchis étape par étape » ?
Avec un modèle de raisonnement, c'est généralement inutile : il le fait déjà de lui-même. Avec un modèle classique, demander un raisonnement détaillé reste une façon simple d'améliorer les réponses sur un problème complexe.
Le raisonnement affiché reflète-t-il vraiment ce que « pense » le modèle ?
Rien ne le garantit. Le texte produit est une explication plausible, pas une fenêtre directe sur les calculs internes du modèle. Il aide à repérer des erreurs, mais ne prouve pas que la réponse est juste.
La chaîne de pensée a-t-elle un coût ?
Oui. Le modèle écrit davantage de texte, donc il consomme plus de tokens et met plus de temps à répondre. Pour une question simple, ce surcoût n'apporte rien.
Sources des données
Données au 22 octobre 2026
Signaler une erreur
Un chiffre, une date ou une information vous semble faux ? Dites-le-nous : chaque signalement est vérifié.