Cuisiner avec des contraintes : la recette pour de meilleurs prompts

Chaque soir après le travail, je commence mon deuxième travail : cuisinier à la maison pour ma famille. Je peux commencer à préparer pendant une pause l'après-midi : couper des légumes, faire mariner des ingrédients, programmer le four ou le cuiseur-vapeur. La cuisine a beaucoup de points communs avec le travail d'un concepteur. Savoir quoi cuisiner, quand assaisonner, comment préparer et quand baisser le feu ; chaque action compte pour obtenir le résultat souhaité.

Je ne dis jamais « merci » à mes couteaux. Ni aux plaques de cuisson, au four ou au micro-ondes. Il y a une raison pour laquelle leurs boutons ne disent pas « veuillez démarrer ». Les outils n'ont pas besoin d'empathie. Ils ont besoin de clarté.

Il en va de même pour les grands modèles de langage. Ce sont des machines conçues pour interpréter, pas pour ressentir. Elles sont très douées pour exprimer de l'empathie, mais elles n'en ont pas besoin en entrée. Par ailleurs, plus vous êtes poli avec un modèle, plus vous introduisez de l'ambiguïté.

Les modèles veulent des instructions claires et des contraintes précises. Et si la maîtrise des prompts est une compétence incontournable dans de nombreuses fonctions, elle est vitale pour les concepteurs de produits. C'est parce que les modèles sont, par nature, probabilistes et variables. Le design est à l'opposé : précis, reproductible et intentionnel. Combler cet écart nécessite une approche systémique, pas seulement des compétences linguistiques.

Là où le code a une structure et l'IA a de la stochasticité ou de l'aléatoire, le design se situe au milieu. Il doit être lisible. C’est ce qui rend l’utilisation de prompts dans un outil de conception différente : vous ne pouvez pas simplement improviser pour créer un prototype fonctionnel. Vous avez besoin d’entrées qui réduisent l'incertitude et fournissent une structure.

Mise en place

En cuisine comme dans la création de prompts, la préparation est primordiale. Comme on dit dans la haute cuisine, la mise en place, autrement dit « tout doit être à sa place », est la façon d'apporter de l'ordre au chaos avant même que la poêle ne commence à chauffer. Passez du temps à bien préparer, et vous passerez moins de temps à corriger par la suite.

De nombreux designers apportent une attention particulière à leur environnement : la musique, l'éclairage... et où tout est bien rangé à la fois sur leur bureau et leur bureau numérique. Parfois, il faut commencer par un nouveau fichier, une page blanche, un plan de travail vide. Avec l'utilisation de prompts, il faut aussi s'assurer que certaines choses sont bien organisées. Chaque prompt a besoin de clarté, de contexte et de contraintes. J'ai construit mon propre cadre pour l'utilisation des prompts, et cette structure TC-ECC—Tâche, Contexte, Éléments, Comportement, Contraintes—m'a bien servi. Ce type de structure ne vous aide pas seulement à obtenir de meilleurs résultats ; il est aligné avec ce vers quoi les ingénieurs spécialiste des prompts et les concepteurs de systèmes convergent dans divers domaines. Une checklist bien connue, mise au point par un utilisateur Reddit avec plus de 1 000 heures de prompts de LLM met en avant les mêmes priorités : tâche claire, contraintes, séquençage modulaire. La documentation sur le noyau sémantique de Microsoft va dans le même sens, avec des modèles de conception de prompts qui soulignent la définition de l'intention, la construction modulaire et la prévisibilité plutôt que l'ingéniosité. C'est plus une question d'alignement de l'intention qu'une recette exacte.

Prenons l'exemple d'un prompt pour un nouveau Figma Make qui génère des recettes à partir de photos du contenu de vos placards. Si vous deviez simplement écrire ce que vous espérez réaliser en langage naturel, cela pourrait ressembler à ceci :

Pourrais-tu créer une nouvelle application qui suggère des recettes aux cuisiniers amateurs à partir d'une photo de leur frigo ou de leurs placards ? N'oublie pas de tenir compte de leurs allergies ou de leurs préférences. Merci !

Ce qui revient à peu près à jeter tous vos ingrédients dans une casserole et espérer obtenir un bon repas. Et honnêtement, le résultat ne fait pas envie.

Sans même parler du design visuel, ce résultat n'est globalement pas satisfaisant. Ce n'est pas un mauvais point de départ ; il possède quelques fonctionnalités et fonctions de base, mais il est globalement inintéressant, et juste un cran au-dessus d'un wireframe.

Essayons maintenant la même demande au format TC-ECC :

• Tâche : créer une application de suggestion de repas alimentée par l'IA en utilisant en entrée les photos des placards/frigo
• Contexte : assistant de cuisine à domicile pour les ménages ayant des restrictions alimentaires
• Éléments : entrée de caméra, scan de placards/frigo, formulaire sur les préférences alimentaires, liste de suggestions de repas, fiches de recettes
• Comportement : l'utilisateur télécharge des photos ; l'application scanne l'inventaire des placards, utilise des filtres sur les préférences alimentaires, suggère des recettes
• Contraintes : application mobile, iOS/Android, interface utilisateur simple, prise en charge de différents profils de ménages

Comme vous pouvez le voir, le prompt au format TC-ECC est clair, lisible et explicite sur le comportement souhaité et l'interface utilisateur. Il a aussi beaucoup plus de chances de générer le résultat recherché, alors que le prompt initial était décousu, vague et noyait la tâche dans des formules de politesse. La version structurée remplace les suppositions par des directives claires. Un prompt bien construit lève les ambiguïtés sur l'intention, tout comme un excellent design system peut fournir la structure et les orientations appropriées à un design.

Et les résultats ? L'écran de gauche correspond au cliché initial du prompt structuré TC-ECC ci-dessus. Le contexte, les éléments et les contraintes ont fourni à Figma Make (et au LLM sous-jacent) ce dont il avait besoin pour construire l'application que nous voulions, l'application que nous avions l'intention de créer. En plus d'un design plus riche et plus attrayant visuellement, le prompt affiné a fourni une meilleure base de travail.

Demandez-vous de quels élément de contexte votre modèle a besoin pour parvenir au résultat voulu, puis supprimez tout le reste. Les détails inutiles ralentissent le processus, embrouillent le modèle, ou, au minimum, obligent le LLM à passer par des cycles supplémentaires pour mieux comprendre la demande. L'élégance en IA, comme l'élégance en design, est un processus de soustraction. Le secret réside dans la réduction à l'essentiel, ce qui nécessite une préparation méticuleuse et un design system robuste et bien défini pour garantir clarté et cohérence.

Vous cherchez de l'aide avec vos prompts ? Essayez mon GPT Make Prompt Assistant. J'ai saisi le prompt initial (formules de politesse incluses) dans le GPT et lui ai demandé d'apporter plus de structure et de clarté au prompt pour créer une application plus convaincante. Le résultat a été le prompt TC-ECC que nous avons utilisé plus haut.

Affiner la recette

Un prompt bien structuré se lit comme une recette bien conçue : courte, directe et utile. Chaque « peut-être », « juste » ou « s'il te plaît » dilue l'intention et ajoute du bruit. Le but n'est pas d'être verbeux ou poli, mais d'être clair.

Nous utilisons la méthode TC-ECC pour créer cette structure :

• Tâche pour définir ce que vous cherchez à créer.
• Contexte indique pourquoi et pour qui. Cela empêche de partir dans de mauvaises directions.
• Contraintes pour fixer les garde-fous, garder le système sous contrôle et préserver la cohérence.

Chaque partie de la structure TC-ECC réduit l'ambiguïté et renforce l'intention. Ensemble, elles transforment les suppositions en directives. Pour nous tous qui avons passé des heures à fixer un message d'état LLM en pensant-attendant-raisonnant-ajustant-décidant, nous comprenons intuitivement que la précision est un choix de conception qui économise de l'énergie et renforce la clarté. La recherche d'une consommation réduite de tokens revient en réalité à une recherche d'efficacité.

Regardons un autre exemple en utilisant un scénario auquel la plupart des concepteurs de produits ont récemment été confrontés :

Prompt vague :

Rédige une description de cette fonctionnalité. Fais simple mais attrayant. Inspire-toi éventuellement de ce que fait Apple

Prompt TC-EBC :

• Tâche : rédige une courte description de fonctionnalité produit.
• Contexte : pour une nouvelle fonctionnalité "Export en un clic" dans un outil de conception.
• Éléments : titre (maximum 7 mots), sous-titre, corps du texte en une phrase.
• Comportement : le corps du texte doit être rapide à lire, simple, et inspirer confiance.
• Contraintes : pas de jargon. Inspire-toi de la communication de Duolingo ou Notion. Longueur totale : moins de 200 caractères.

Un prompt TC-ECC est bien meilleur pour définir ce que vous voulez et comment y parvenir. Le fait de fournir des contraintes et des indications précises pour les éléments et les comportements vous rapproche sans aucun doute de votre objectif, et je parierais que vous obtiendrez des résultats plus précis, plus rapidement.

Comme le dit Jake Albaugh, Dev Advocate chez Figma, « plus le langage est direct, plus l'échange est efficace. » Spécificité ne signifie pas rigidité. Vous devez associer précision et adaptabilité ; une demande suffisamment resserrée pour garder sa forme, suffisamment flexible pour évoluer. Pour le design comme pour la cuisine, tout est une question d'équilibre.

Ajouter des saveurs

La rédaction de prompts est un processus itératif. Vous goûtez, testez et ajustez au fur et à mesure. Le but n'est pas la perfection, mais le bon équilibre, et chaque tentative révèlera de nouvelles notes, lacunes ou exagérations dans le raisonnement du modèle. Que vous construisiez une application dans Make, travailliez sur une idée de livre avec ChatGPT, ou écriviez du code avec Cursor et le serveur MCP de Figma, les prompts de révision consistent à ajouter du contexte pour aboutir à un meilleur produit final.

Pour tirer le meilleur parti des prompts de révision, il est important de définir ce qui doit être sous les yeux de votre modèle et ce qui ne doit pas l'être. Anthropic appelle cela l'ingénierie du contexte : indiquer ce que le modèle voit, mémorise et pondère. L'objectif est de ne pas perdre de vue l'intention. Si la mise en place est une préparation, le contexte est une discipline.

Dans Figma Make, vous pouvez fournir une large gamme de contextes pour vos créations. Comme avec tout autre modèle, vous pouvez simplement télécharger des captures d'écran pour fournir un contexte de conception dans Make (et il y a un moment et un endroit pour cela) mais fournir un cadre Figma dès que possible va produire de meilleurs résultats. C'est parce que le cadre de conception contient des données structurées. Au lieu de demander à Make d'extrapoler et d'interpréter une image, vous lui donnez des données de conception bien structurées à partir desquelles construire. Il n'a pas besoin de travailler très dur pour traduire votre idée car elle est déjà "écrite" dans un langage qu'il comprend intuitivement.

De plus, vous pouvez ajouter des instructions sur les API et/ou les dépendances telles que three.js ou D3js.org que vous souhaitez que Make utilise. Et bien qu'il soit toujours important de suivre une approche structurée pour votre demande, comme la méthode TC-ECC dans les prompts de révision, des éléments de contexte supplémentaires lui donne du corps et la touche unique que vous attendez de produits affinés et prêts à être livrés.

Vous pouvez également fournir un contexte stylistique en ajoutant une bibliothèque, ajouter des garde-fous comportementaux et structurels en ajustant les directives Make, ou ajouter un contexte profond à vos prompts via des connecteurs MCP dans Notion, Asana, Github, Atlassian, Linear et Monday.com. Au lieu de simplement décrire un changement souhaité, ajoutez un PRD que vous avez écrit dans Notion, ou une tâche que vous avez déjà définie dans Asana, Jira ou Linear. (Il existe aussi un GPT pour créer ces PRD.)

Envisagez-le comme un débogage créatif. Avec le temps, les révisions apprennent au modèle votre style et votre approche de la conception, et vous commencez à mieux comprendre les limites du modèle (la complexité qu'il peut absorber, là où il a besoin de structure ou de simplicité...). Le processus devient plus rapide, plus précis et plus productif à chaque fois.

Travailler avec des modèles d'IA n'est pas une science exacte, mais ajouter un contexte de conception rend le processus plus déterministe, et limite le risque du mélange d'ingrédients au hasard en espérant obtenir un bon repas. Vous finissez par obtenir des prompts qui ressemblent moins à des recettes sur papier et plus à des techniques éprouvées.

Choisir le bon couteau

Chaque modèle coupe différemment. Leur architecture, les données d’entraînement et l’alignement les façonnent d'une manière particulière : certains sont conçus pour une découpe minutieuse, d’autres pour obtenir plus rapidement des morceaux plus gros ou des tranches plus épaisses. Traitez-les comme une boîte à couteaux bien garnie : si vous comprenez bien le tranchant que chaque modèle, vous pourrez choisir celui qui correspond le mieux au workflow et améliore le résultat.

Dans Figma Make, notre modèle par défaut est Claude Sonnet 4.5. Il est excellent pour résumer, suivre une structure nuancée ou un léger contexte, et adopter un ton amical. Le modèle CS 4.5 a tendance à inférer l'intention de manière élégante lorsqu'on lui donne des instructions claires, et il aime les prompts architecturaux avec une riche logique intégrée, comme la méthode de création de prompts TC-ECC. Pensez à Claude comme un sous-chef bien formé : si vos instructions sont précises, il exécutera magnifiquement. Si elles sont vagues, il essaiera de vous plaire, jusqu'à l'erreur parfois.

Nous avons récemment lancé Gemini 3 (Nano Banana Pro) comme modèle alternatif dans Make. Et il est bon. Honnêtement, il est vraiment bon. (Voici comment l'activer.) Gemini est rapide, structuré, et parfois plus précis avec des prompts courts et des contraintes strictes. Il fonctionne bien dans un contexte d'ambiguïté lorsque la précision est activée. Il ne tergiversera pas en cas d'entrées peu claires. Pour des tâches limitées, comme renommer des calques, changer des icônes, ou affiner le langage d'une mise en page, il excelle.

Enfin, GPT-4 et maintenant GPT-5 sont utilisés dans mon GPT Make Prompt Assistant et font partie des modèles les plus connus. Ses défauts et qualités sont connus : intelligent, bavard, doté de capacités incroyables, mais parfois un peu trop désireux d'aider. Il aime les exemples. Il réagit bien à la démonstration. Et il reste le meilleur outil généraliste disponible.

La maîtrise des prompts ne concerne pas seulement la structure. Elle passe aussi par le choix du modèle. Et dans Figma Make, nous vous donnons la possibilité de changer explicitement de modèle. Cela signifie que vous pouvez désormais mettre en correspondance votre prompt, et vos attentes, et le modèle le mieux adapté à la tâche. C'est ainsi que le prompt devient une décision de conception, et pas seulement une interaction.

Alors lequel devriez-vous utiliser ? Cela dépend des tâches :

Utilisez Claude comme un collaborateur équilibré capable de suivre une structure complexe.

• Idéal pour : résumés clairs, suivi structuré, et travail amical, légèrement contextuel
• Résultat optimal lorsque : vos instructions sont claires et votre logique est intégrée directement dans le prompt (amateurs de TC-ECC, levez-vous)
• Ressenti : un sous-chef bien formé ; donnez-lui une direction précise, et il dressera quelque chose de magnifique ; soyez vague et il essaiera un peu trop de vous plaire

Optez pour Gemini quand vous voulez des résultats rapides et cohérents pour des tâches simples.

• Idéal pour : prompts simples, tâches structurées rapides, et toute tâche avec des contraintes claires
• Résultat optimal lorsque : la tâche est précise avec des indications courtes—renomme ceci, change cela, affine la formulation ici
• Ressenti : un couteau utilitaire tranchant, net, rapide, pas de temps perdu à bavarder ; donnez-lui une tâche précise et il tranchera parfaitement chaque fois

Optez pour ChatGPT pour un raisonnement, des exemples ou une reformulation exploratoire.

• Idéal pour : raisonnement polyvalent, exemples riches, structure détaillée, et toute tâche impliquant de montrer plutôt que d'expliquer
• Résultat optimal lorsque : vous fournissez des démonstrations ou des modèles qu'il peut suivre ; il s'affine en reproduisant ce que vous modélisez
• Ressenti : le couteau de chef classique en qui tout le monde a confiance ; doté de capacités incroyables, désireux d'aider, et toujours le généraliste le plus fiable à disposition

Dresser le plat

À la fin de toute session de conception ou de développement assistée par LLM, vous ne faites pas que générer des résultats. Vous concevez un système reproductible pour l'avenir. Vous avez commencé avec une intention claire. Vous avez structuré la logique. Vous avez choisi le modèle adapté à la tâche. Et si vous l'avez bien fait, vous pouvez retracer le résultat jusqu'aux décisions qui l'ont façonné.

La rédaction de prompts ne consiste pas à utiliser des mots magiques ou des expressions savantes. C'est une question d'architecture, de contexte et de maîtrise des outils. Il s'agit de concevoir un workflow où le modèle n'a pas à deviner. Il exécute. De la même manière que les design systems permettent aux équipes d'avancer plus rapidement et avec plus de cohérence, les prompts structurés permettent de traduire l'intention en prototypes fonctionnels.

C'est la nouvelle boucle créative : commencez avec clarté, construisez avec du contexte, et affinez avec du feedback. C'est le savoir-faire et la précision, pas le charme, qui contribueront à votre réussite.

Explorez Software Is Culture, une collection d'histoires retraçant l'impact de la conception sur notre manière de penser, de ressentir et nous connecter.