Faits rapides
📍 In One Sentence
Le chain-of-thought demande au modèle de dérouler des étapes intermédiaires avant de répondre, ce qui améliore la justesse sur les raisonnements en plusieurs étapes au prix de plus de tokens et de réponses plus lentes.
💬 In Plain Terms
C'est demander au modèle de montrer son raisonnement. En réfléchissant à voix haute, il repère ses propres erreurs en cours de route au lieu de lâcher une supposition assurée : d'où son utilité en maths et en logique, et son inutilité pour retrouver un fait.
- 1Introduit par : Wei et al. (2022), Google Research (Brain Team) — article de NeurIPS 2022
- 2Résultat clé : Le CoT zero-shot ("Let's think step by step") a fait passer la précision d'InstructGPT (text-davinci-002) sur MultiArith de 17,7 % à 78,7 % (Kojima et al., 2022)
- 3Phrase déclencheur: « Réfléchissons pas à pas » (Zero-shot) ou exemples (Few-shot)
- 4Évolution en 2026 : Les modes de raisonnement intégrés (OpenAI GPT-6 Astra, Claude adaptive thinking) automatisent le CoT en interne
- 5Impact sur les coûts: CoT au niveau du prompt = plus de tokens; modes de raisonnement = budget séparé de tokens de raisonnement
- 6Meilleurs modèles pour le CoT au niveau du prompt : Modèles sans mode de raisonnement intégré, comme la version instruct de Llama 4 Scout et de nombreux petits modèles locaux
Ce qu'est le Chain-of-Thought Prompting
Le Chain-of-Thought Prompting incite le modèle à argumenter pas à pas avant de conclure. Au lieu de retourner simplement « la réponse », le modèle écrit les calculs intermédiaires, les étapes logiques ou les explications.
Vous déclenchez ce comportement par des instructions comme « réfléchis pas à pas » ou en fournissant des exemples où le raisonnement est explicite. Le résultat : une trace écrite que vous pouvez lire et vérifier, même si elle ne reflète pas toujours la façon dont le modèle est réellement parvenu à sa réponse (Turpin et al., 2023).
Pourquoi le Chain-of-Thought Prompting importe
Le Chain-of-Thought Prompting importe car il rend le comportement des modèles plus transparent sur les tâches multi-étapes. En voyant chaque étape, vous pouvez repérer les malinterprétations, les hypothèses manquantes ou les erreurs de calcul.
Cet avantage est particulièrement précieux en analyse, planification et dépannage. Au lieu d'une sortie unique et opaque, vous obtenez un récit vérifiable et documentable.
🔍 Fonctionne avec les modèles locaux
Le gain du chain-of-thought dépend de la taille du modèle : Wei et al. (2022) ont constaté qu'il n'aidait que les modèles d'environ 100 Md de paramètres ou plus, et que les petits modèles écrivaient souvent des étapes fluides mais illogiques. Les résultats varient selon le modèle et la tâche ; testez les modèles locaux avec vos propres prompts via Ollama ou LM Studio.
Quand le Chain-of-Thought aide
Le Chain-of-Thought Prompting brille sur les tâches qui se divisent naturellement en étapes claires, mais n'est pas nécessaire pour chaque prompt. Il excelle quand le chemin est aussi important que la destination.
Le raisonnement en chaîne de pensée est ce qui permet à un agent à appel d'outils de rester fiable sur des tâches multi-étapes. Pour une stack d'agent local qui donne à un modèle compatible CoT la possibilité d'interroger des bases de données et d'éditer des fichiers, voir Agents IA locaux avec MCP.
Les bons cas d'usage incluent:
- Problèmes de raisonnement mathématique et quantitatif.
- Énigmes logiques multi-étapes ou analyses décisionnelles.
- Analyses de causes profondes, examens post-mortem d'incidents et discussions de compromis.
- Tâches de planification où la séquence d'actions doit être explicite.
Pour la classification simple, la rédaction rapide ou les réponses factuelles brèves, le Chain-of-Thought ajoute souvent de la verbosité sans grande valeur ajoutée. Dans les domaines sensibles, vous préférerez parfois garder le raisonnement interne et afficher uniquement la réponse finale aux utilisateurs.
Exemple de raisonnement en chaîne de pensée : sans et avec CoT
La différence devient claire en comparant un prompt direct avec un autre qui demande explicitement du raisonnement. Voici un exemple simple de décision.
Mauvais prompt
"Quel projet devrions-nous prioriser au prochain trimestre?"
Bon prompt
"Vous êtes responsable des opérations produit. Nous avons trois projets candidats pour le prochain trimestre. Utilisez le raisonnement en chaîne de pensée pour décider quel projet prioriser. 1) Listez les critères de décision que vous utiliserez (par exemple, impact sur le chiffre d'affaires, risque, alignement stratégique). 2) Évaluez chaque projet par rapport à ces critères étape par étape. 3) Faites une recommandation claire et justifiez-la en 3–5 phrases. À la fin, fournissez une courte réponse finale commençant par `Recommandation:` sur une ligne séparée."
Dans la version « bonne », le modèle explique comment il a choisi ses critères, comment chaque projet se classe, puis propose une recommandation que vous pouvez contester ou accepter.
Comment écrire des prompts Chain-of-Thought efficaces
Pour écrire des prompts Chain-of-Thought efficaces, vous devez définir la structure du raisonnement et celle de la réponse finale. Les demandes vagues comme « explique plus » sont moins fiables que des instructions concrètes.
Un modèle pratique est:
- Assignez un rôle au modèle (par exemple « Vous êtes un analyste de données senior »).
- Spécifiez qu'il doit penser étape par étape ou utiliser le Chain-of-Thought.
- Définissez les sections de raisonnement attendues (par exemple hypothèses, calculs, comparaison, conclusion).
- Demandez une réponse finale courte et clairement marquée à la fin pour une utilisation rapide.
Cela sépare le raisonnement détaillé de la sortie concise, ce qui est utile quand vous intégrez le résultat dans d'autres outils ou rapports.
Chain-of-Thought Prompting dans PromptQuorum
PromptQuorum est un outil de dispatch multi-modèles où vous pouvez appliquer le Chain-of-Thought Prompting de manière cohérente sur différents modèles. Vous écrivez un prompt Chain-of-Thought structuré et l'envoyez à plusieurs fournisseurs en parallèle.
Dans PromptQuorum, vous pouvez:
- Combiner les instructions Chain-of-Thought avec des frameworks centrés sur le raisonnement comme TRACE ou APE pour que les étapes de raisonnement soient explicitement étiquetées.
- Comparer comment différents modèles traitent la même tâche de raisonnement et inspecter leurs traces pas à pas côte à côte.
- Enregistrer les prompts Chain-of-Thought comme modèles pour les analyses récurrentes, les revues d'incidents ou les décisions stratégiques.
Cela transforme le Chain-of-Thought Prompting d'une astuce ponctuelle en partie intégrante et reproductible de votre processus décisionnel.
Comment utiliser le Chain-of-Thought (CoT) Prompting
- 1Pour les tâches logiques, de raisonnement ou de dépannage, demandez au modèle de « réfléchir pas à pas » avant de répondre. Au lieu de « Quel est le bug? », demandez « Retracez l'exécution pas à pas, puis identifiez le bug."
- 2Fournissez un exemple travaillé montrant le raisonnement étape par étape. Ne le décrivez pas seulement—montrez au modèle ce que cela ressemble. Exemple: « Tout d'abord, je vérifie la signature de la fonction... Puis, je retrace le premier appel avec l'entrée X..."
- 3Utilisez des prompts explicites comme « Réfléchissons pas à pas » ou « D'abord... Ensuite...» Ceux-ci déclenchent un raisonnement plus réfléchi dans le modèle.
- 4Pour les problèmes complexes, demandez au modèle de retracer les résultats intermédiaires. Exemple: « Retracez l'exécution de cette fonction pour l'entrée 5. Montrez la valeur de chaque variable après chaque ligne."
- 5Combinez CoT avec des résultats vérifiables: demandez au modèle de montrer son travail pour que vous puissiez l'auditer. « Expliquez votre raisonnement à chaque étape. Si vous faites une erreur, je devrais pouvoir la voir dans votre travail présenté."
Exemple mathématique : calcul de chiffre d'affaires
Sans CoT, le modèle peut donner une seule réponse finale. Avec CoT, le modèle affiche les calculs étape par étape.
Sans CoT:
« Un client achète 50 unités à 15 € l'unité, mais bénéficie d'une réduction de 10 %. Combien paie le client ? »
Modèle: « 675 € »
Avec CoT:
« Un client achète 50 unités à 15 € l'unité, mais bénéficie d'une réduction de 10 %. Travaillez pas à pas: 1) Calculez le sous-total. 2) Calculez le montant de la réduction. 3) Soustrayez la réduction du sous-total pour obtenir le prix final. »
Modèle: « 1) Sous-total = 50 × 15 € = 750 €. 2) Réduction = 10 % de 750 € = 75 €. 3) Prix final = 750 € − 75 € = 675 €. »
Les deux donnent la même réponse, mais la version CoT montre les calculs et permet de détecter les erreurs (par exemple, si quelqu'un calcule mal 10 % de 750 €).
CoT vs modèles de raisonnement intégrés (2026)
En 2026, les modèles dotés de capacités de raisonnement – Claude Opus 5.5, les modèles de raisonnement d'OpenAI (par exemple GPT-6 Astra) et Gemini 3.1 Pro thinking – disposent de modes de raisonnement intégrés qui internalisent automatiquement le Chain-of-Thought. En général, vous n'avez pas besoin d'ajouter des instructions « réfléchis pas à pas » sur ces modèles.
Quand utiliser le CoT au niveau du prompt : Modèles sans mode de raisonnement intégré (par exemple la version instruct de Llama 4 Scout), LLM locaux, modèles dont la réflexion est désactivée ou réglée sur un effort faible, ou lorsque vous voulez éviter le surcoût des tokens de réflexion.
Quand utiliser les modes de raisonnement intégrés : Tâches difficiles sur les modèles frontière, où le mode intégré fait généralement mieux qu'un prompt simple (comparez les deux sur votre propre tâche), tâches très mathématiques, analyses complexes. Claude et OpenAI facturent les tokens de raisonnement (réflexion) comme des tokens de sortie : le coût augmente avec la durée de réflexion du modèle. Testez vos prompts CoT dans la console Anthropic ou le Playground OpenAI avant la mise en production.
Approche | Meilleure pour | Coûts | Transparence | Modèles |
|---|---|---|---|---|
| CoT au niveau du prompt (« réfléchis pas à pas ») | Petits modèles, LLMs locaux, tâches sensibles aux coûts | Augmente les tokens de sortie | Complet: étapes visibles dans la sortie | Llama 4 Scout instruct, petits modèles locaux |
| Claude adaptive thinking (Opus 5.5, Sonnet 5.5) | Analyse complexe | Tokens de réflexion facturés comme tokens de sortie | Réflexion résumée via l'API | Claude Opus 5.5, Claude Sonnet 5.5 |
| OpenAI GPT-6 Astra | Problèmes les plus difficiles (maths, codage, compétitions) | Tokens de raisonnement facturés comme tokens de sortie | Raisonnement brut caché ; résumés disponibles | OpenAI GPT-6 Astra |
| Gemini 3.1 Pro thinking | Intégration Google Cloud, écosystème Gemini | Tokens de réflexion facturés comme tokens de sortie | Paramètre thinking_level (LOW, MEDIUM, HIGH) | Gemini 3.1 Pro |
| DeepSeek-R1 | Option open-weights, raisonnement auto-hébergé | Raisonnement visible en flux dans le texte de sortie | Complet: CoT inline dans la sortie | DeepSeek-R1 |
💡 Conseil
Pour les coûts, utilisez le CoT au niveau du prompt sur les modèles plus petits. Si la précision sur les problèmes difficiles est votre priorité, utilisez GPT-6 Astra ou Claude adaptive thinking et laissez le modèle gérer le raisonnement en interne.
Variantes et extensions Chain-of-Thought
Au-delà du modèle de base « réfléchis pas à pas », les chercheurs ont développé plusieurs variantes CoT, chacune optimisée pour différents types de problèmes.
- CoT zero-shot (Kojima et al., 2022) : Ajoutez "Let's think step by step" sans exemple. Aide surtout les grands modèles et reste le plus simple à mettre en œuvre. Dans l'article, il a fait passer la précision d'InstructGPT (text-davinci-002) de 17,7 % à 78,7 % sur MultiArith et de 10,4 % à 40,7 % sur GSM8K.
- CoT few-shot (Wei et al., 2022) : Montrez quelques exemples résolus au raisonnement explicite, puis demandez au modèle d'appliquer le même schéma à un nouveau problème. Plus fiable que le zero-shot, mais il faut rédiger les exemples à la main. Avec huit exemples, un modèle de 540 Md de paramètres a établi un nouvel état de l'art sur le benchmark de maths GSM8K, devant GPT-3 affiné avec un vérificateur.
- CoT automatique (Zhang et al., 2022) : Génère lui-même les exemples résolus en échantillonnant des questions variées et en y répondant avec l'amorce zero-shot. Sur dix benchmarks de raisonnement avec GPT-3, il a égalé ou dépassé les démonstrations écrites à la main.
- Self-consistency (Wang et al., 2023) : Générez plusieurs chemins de raisonnement CoT indépendants, puis retenez la réponse finale par vote majoritaire. L'article rapporte des gains par rapport au CoT standard de +17,9 % sur GSM8K, +11,0 % sur SVAMP, +12,2 % sur AQuA, +6,4 % sur StrategyQA et +3,9 % sur ARC-Challenge.
- Tree of Thoughts (Yao et al., 2023) : Au lieu d'une chaîne linéaire, explore plusieurs branches de raisonnement et élague les plus faibles. Sur la tâche Game of 24, GPT-4 avec CoT a résolu 4 % des tâches, contre 74 % avec Tree of Thoughts. Utile pour la planification, la recherche et les énigmes.
- ReAct (Yao et al., 2023) : Entrelace le raisonnement avec des actions externes (appeler des API, interroger des bases de données, exécuter du code) et réinjecte les résultats dans l'étape suivante. Idéal pour les tâches réelles nécessitant des données en direct ou une vérification.
Comparaison de modèles : comment les modèles gèrent le CoT Prompting (2026)
Modèle | CoT au niveau du prompt | Raisonnement intégré | Meilleur cas d'usage | Coût (approx.) |
|---|---|---|---|---|
| Claude Opus 5.5 | Généralement non nécessaire | Adaptive thinking | Analyses approfondies | Plus élevé (entrée + sortie + tokens de raisonnement) |
| Claude Sonnet 5.5 | Généralement non nécessaire | Adaptive thinking | Équilibre coûts/précision | Moyen |
| Claude Haiku 5.5 | Généralement non nécessaire | Adaptive thinking | Raisonnement rapide et économique | Bas |
| OpenAI GPT-6 Astra | Généralement non nécessaire | Niveaux d'effort (low, medium, high, xhigh, max) | Problèmes au niveau des compétitions | Tokens de raisonnement facturés en sortie (voir tarifs) |
| GPT-6 Luna | Facultatif | Effort de raisonnement réglable | Déploiement sensible aux budgets | Axé sur l'efficacité (voir tarifs) |
| Gemini 3.1 Pro | Fonctionne | Niveaux de réflexion (param thinking_level) | Intégration Google Cloud | Moyen-Haut |
| Gemini Flash | Facultatif | Niveaux de réflexion réglables | Réponses rapides | Bas |
| DeepSeek-R1 | Généralement non nécessaire | Raisonnement inline dans la sortie | Open-weights, auto-hébergé | Poids sous licence MIT ; coûts matériels à prévoir |
| Llama 4 | Recommandé | Aucun dans les versions instruct de base | Déploiement local, confidentialité | Auto-hébergé (dépend du calcul) |
Ressources connexes
- Qu'est-ce que l'ingénierie des prompts ? Un guide complet 2026
- Sorties structurées et prompting avec schéma JSON
- Hallucinations de l'IA : pourquoi l'IA invente des choses
- Constrained Prompting : limiter les sorties des modèles
- Comment construire un système de dispatch multi-modèles
- Tests et cadre d'évaluation de prompts
- Chaînage de prompts : décomposer les tâches complexes
- Zero-shot vs few-shot prompting
- Self-consistency prompting
- Tree of Thought et ReAct
Foire aux questions
Le Chain-of-Thought fonctionne-t-il sur tous les modèles ?
Pas aussi bien partout. Wei et al. (2022) ont constaté que le chain-of-thought prompting n'apportait des gains qu'aux modèles d'environ 100 Md de paramètres ou plus, et que les petits modèles écrivaient souvent des étapes fluides mais illogiques. Les résultats varient selon le modèle et la tâche : testez les modèles petits ou locaux avec vos propres prompts. Sur les modèles frontière dotés d'un raisonnement intégré (Claude Opus 5.5, GPT-6 Astra), le mode intégré rend souvent le CoT au niveau du prompt inutile.
Le Chain-of-Thought augmente-t-il les coûts ?
Oui. Le CoT au niveau du prompt augmente les tokens de sortie, car le modèle écrit son raisonnement avant la réponse finale. Les modes de raisonnement intégrés (Claude adaptive thinking, OpenAI GPT-6 Astra) consomment aussi des tokens de réflexion, qu'Anthropic et OpenAI facturent comme des tokens de sortie. Testez les deux sur votre cas d'usage pour comparer coût et précision.
Quand devrais-je utiliser le Few-shot CoT au lieu du Zero-shot ?
Utilisez d'abord le Zero-shot CoT – c'est l'option la plus simple. Passez au Few-shot (généralement avec 2–5 exemples) si le Zero-shot est peu fiable ou si votre domaine nécessite des modèles de raisonnement spécifiques (par exemple, analyse financière avec structure de postes standardisée).
Puis-je combiner le Chain-of-Thought avec la sortie structurée (JSON) ?
Oui. Vous pouvez demander au modèle d'afficher d'abord son raisonnement en texte clair, puis de produire un objet JSON avec la réponse finale. Combinez les instructions : « Réfléchis pas à pas. Puis produis ton résultat en JSON valide. »
Quelle est la différence entre Chain-of-Thought et Tree-of-Thought ?
Chain-of-Thought est une séquence linéaire : étape 1 → étape 2 → ... → conclusion. Tree-of-Thought explore plusieurs branches (chemins de raisonnement alternatifs) et élague les plus faibles avant d'arriver à la réponse. Tree-of-Thought peut aider sur des problèmes plus difficiles de type recherche, mais il coûte plus cher (nécessite plusieurs appels de modèle).
OpenAI GPT-6 Astra nécessite-t-il du Chain-of-Thought Prompting ?
Généralement non. Les modèles de raisonnement d'OpenAI, comme GPT-6 Astra, disposent d'un raisonnement intégré qui s'active automatiquement. En général, vous n'avez pas besoin d'ajouter des instructions « réfléchis pas à pas ». Donnez simplement à GPT-6 Astra le problème et réglez le niveau d'effort (low/medium/high/xhigh/max) pour contrôler le budget de raisonnement à dépenser.
Puis-je auditer le raisonnement des modèles avec raisonnement intégré ?
Oui, mais cela dépend du modèle. Claude peut renvoyer des blocs de réflexion via l'API, résumés selon le modèle et les paramètres. OpenAI n'expose pas les tokens de raisonnement bruts et propose des résumés. Pour obtenir un raisonnement lisible dans la sortie, utilisez le CoT au niveau du prompt ou un modèle ouvert qui affiche son raisonnement, comme DeepSeek-R1. Le raisonnement écrit est un contrôle utile, mais il ne prouve pas comment le modèle est réellement parvenu à sa réponse.
Le Chain-of-Thought Prompting convient-il aux applications en temps réel ?
Le CoT au niveau du prompt ajoute de la latence (plus de tokens de sortie = génération plus lente). Pour les cas d'usage en temps réel, soit utilisez des modèles plus petits avec un raisonnement minimal, soit utilisez des points d'extrémité en continu pour afficher les tokens au fur et à mesure. Les modes de raisonnement intégrés peuvent ajouter encore plus de latence ; mesurez votre cas d'usage spécifique.
Quelle est la différence entre le chain-of-thought et le chaînage de prompts (prompt chaining) ?
Le chain-of-thought demande à un modèle de raisonner étape par étape dans un seul prompt. Le chaînage de prompts découpe une tâche en plusieurs prompts distincts, la sortie de chacun alimentant le suivant. On peut les combiner : utilisez le chain-of-thought dans une étape de la chaîne lorsque cette étape exige un raisonnement à plusieurs pas.
Sources et ressources supplémentaires
- Wei, J., Wang, X., Schuurmans, D., Bosma, M., Ichter, B., Xia, F., Chi, E., Le, Q., & Zhou, D. (2022). "Chain-of-Thought Prompting Elicits Reasoning in Large Language Models." NeurIPS 2022. arXiv:2201.11903
- Kojima, T., Gu, S. S., Reid, M., Matsuo, Y., & Iwasawa, Y. (2022). "Large Language Models are Zero-Shot Reasoners." NeurIPS 2022. arXiv:2205.11916
- Wang, X., Wei, J., Schuurmans, D., et al. (2023). "Self-Consistency Improves Chain of Thought Reasoning in Language Models." ICLR 2023. arXiv:2203.11171
- Zhang, Z., Zhang, A., Li, M., & Smola, A. (2022). "Automatic Chain of Thought Prompting in Large Language Models." arXiv preprint. arXiv:2210.03493
- Yao, S., Yu, D., Zhao, J., et al. (2023). "Tree of Thoughts: Deliberate Problem Solving with Large Language Models." NeurIPS 2023. arXiv:2305.10601
- Yao, S., Zhao, J., Yu, D., et al. (2023). "ReAct: Synergizing Reasoning and Acting in Language Models." ICLR 2023. arXiv:2210.03629
- Turpin, M., Michael, J., Perez, E., & Bowman, S. R. (2023). "Language Models Don't Always Say What They Think: Unfaithful Explanations in Chain-of-Thought Prompting." NeurIPS 2023. arXiv:2305.04388
- Anthropic. Claude API documentation: Thinking and Extended thinking.
- OpenAI. API documentation: Reasoning models.