Prompts Multilingues : Obtenir des Résultats Cohérents dans Chaque Langue

Les prompts multilingues ne sont pas des traductions — ils activent une région différente de la distribution apprise du modèle. Les LLM tokenisent et représentent le texte dans un espace d'embeddings partagé, mais les données d'entraînement sont déséquilibrées : CommonCrawl (utilisé pour entraîner la plupart des LLM) est composé d'environ 46 % d'anglais, 6 % d'allemand, 5 % de français et 3 % de chinois. Les langues représentant moins de 1 % des données (ex. la plupart des langues africaines, de nombreuses langues d'Asie du Sud) ont un comportement imprévisible.

Lorsque vous rédigez un prompt en français, le modèle s'appuie sur les motifs issus des données d'entraînement en français. Comme celles-ci ne représentent qu'environ 5 % du corpus total, le modèle dispose de moins d'associations apprises qu'avec des prompts en anglais. Cela se manifeste par : une précision de raisonnement moindre, un suivi des instructions moins fiable, des taux d'hallucination plus élevés et une qualité de sortie imprévisible.

Pour approfondir la façon dont les LLM apprennent les motifs linguistiques, consultez comment fonctionnent réellement les LLM.

La performance des LLM suit une hiérarchie à quatre niveaux basée sur la part de données d'entraînement, avec le niveau 1 (anglais) performant quasi parfaitement et le niveau 4 (langues à faibles ressources) produisant des sorties peu fiables. Utilisez ce système de niveaux pour déterminer quelles stratégies s'appliquent à votre langue cible.

Le même contenu de 1 000 mots coûte 46 % plus de tokens en arabe qu'en anglais, et 30 % de plus en japonais — ce qui impacte directement votre facture d'API. L'efficacité des tokens varie considérablement selon le script et la famille linguistique.

Consultez tokens, coûts et limites pour une ventilation détaillée de la gestion des tokens dans vos workflows multilingues.

Pour les tâches structurées et de raisonnement, les prompts système en anglais surpassent les prompts système en langue native pour les langues de niveau 2–3. Pour le ton et la formalité, les prompts système en langue native obtiennent de meilleurs résultats. C'est la décision la plus importante du prompting multilingue.

Pourquoi ? La plupart des capacités de suivi d'instructions des LLM ont été entraînées sur des données RLHF en anglais. Les instructions système complexes (règles de formatage, personas, directives chain-of-thought) sont suivies de façon plus fiable en anglais. En revanche, les instructions de style (registre de formalité, ton culturel, niveau de politesse) sont mieux rédigées dans la langue cible.

Arbre de décision : Règles de raisonnement/formatage complexes → prompt système en anglais. Registre de formalité (Vous, Sie, keigo) → langue cible. Définition de persona → anglais + un exemple en langue cible. Spécification de la langue de sortie → toujours explicite dans le prompt système : "Respond in formal French using Vous-form."

Pour la ventilation complète, consultez prompt système vs. prompt utilisateur.

Mauvais prompt — suppose que le modèle détectera la langue et le registre :

"Résume ce contrat allemand."

Résultat : sortie mélangée anglais/français, registre informel, peut manquer la terminologie juridique.

Bon prompt — langue, registre et chemin de raisonnement explicites :

"You are a legal analyst. The following document is a German employment contract (Arbeitsvertrag). Summarise its key obligations in formal French using Vous-form. Structure: Parties contractantes, Rémunération, Délais de préavis, Clauses particulières. Maximum 200 mots. Signalez toute clause inhabituelle pour le droit du travail allemand standard avec VÉRIFIER."

Résultat : sortie en français formel avec terminologie juridique appropriée et anomalies signalées.

Aucun modèle ne domine dans toutes les langues. Mistral Large 2 est en tête pour les langues romanes ; Google Gemini 3.0 Pro pour les langues d'Asie de l'Est ; GPT-4o pour l'arabe et les tâches de raisonnement multilingue. Ce tableau synthétise les performances des modèles à partir du benchmark MEGA d'Ahuja et al. (2023).

Les différences de coût de tokens ci-dessus se répercutent directement sur votre facture d'API. Voici l'impact réel basé sur la tarification GPT-4o (5 $ par million de tokens en entrée).

Pour les langues de niveau 3, rédiger votre instruction chain-of-thought en anglais mais demander la réponse finale dans la langue cible améliore la précision de raisonnement de 5 à 12 % (Shi et al., 2023). Cette technique CoT multilingue exploite la force de raisonnement en anglais tout en préservant la qualité de sortie dans votre langue cible.

Lorsque les LLM raisonnent étape par étape, ils s'appuient sur les motifs de leur plus grand corpus d'entraînement (l'anglais). Forcer le raisonnement entièrement dans une langue à faibles ressources réduit la précision. L'approche hybride — CoT en anglais, sortie en langue native — offre le meilleur des deux.

Modèle : `Raisonnez étape par étape en anglais, puis rédigez votre réponse finale en français. Question : question`

Décision : Utilisez le CoT en anglais quand → la tâche requiert un raisonnement en plusieurs étapes, la langue cible est de niveau 3+, la précision prime sur la latence. Utilisez le CoT en langue native quand → le ton et le registre comptent plus que la profondeur du raisonnement, la langue cible est de niveau 1–2.

Approfondissez : Chain-of-thought : comment pousser les LLM à montrer leur raisonnement.

Les exemples few-shot doivent être dans la même langue que la tâche — les exemples en langue différente réduisent la précision de 15 à 20 % dans les langues de niveau 2–3 (Shi et al., 2023). Les exemples few-shot apprennent au modèle le format, le ton et le schéma. Quand les exemples sont en anglais mais la tâche en français, le modèle reçoit des signaux contradictoires.

Deux stratégies : (1) Few-shot natif — tous les exemples dans la langue cible (meilleure qualité). (2) Zéro-shot + instructions explicites — pas d'exemples, mais des règles de style/format claires en anglais (meilleur quand les exemples natifs ne sont pas disponibles). Évitez le mélange : exemples anglais + tâche française = pire des deux.

Consultez few-shot vs. zéro-shot pour le cadre de décision complet.

Les LLM utilisent par défaut des registres informels dans la plupart des langues. Si votre cas d'usage requiert le vouvoiement en français (Vous-form), le Sie en allemand ou le keigo japonais, vous devez déclarer explicitement le registre dans votre prompt système — les modèles ne l'inféreront pas du contexte.

Quand les utilisateurs mélangent les langues dans un prompt (ex. question en français avec un nom de marque anglais ou un commentaire de code anglais), la plupart des modèles répondent dans la langue dominante de la requête — mais cela n'est pas fiable sans instruction explicite. Le code-switching est courant dans les milieux de travail multilingues où les termes techniques restent en anglais.

Gestion recommandée : (1) Dans le prompt système : "Quand l'utilisateur écrit dans des langues mélangées, répondez en langue cible sauf si la question est explicitement en anglais." (2) Détectez la langue par programme (langdetect, FastText, lingua-rs) avant de transmettre au modèle. (3) Pour les applications multilingues en production : implémentez une étape de détection de langue avant l'appel au LLM pour router vers le bon modèle de prompt.

Quatre modèles de prompts que vous pouvez adapter à vos propres workflows multilingues. Copiez et personnalisez les espaces réservés langue cible selon votre cas d'usage.

Union européenne (RGPD) : Si vous traitez des données en français, allemand ou dans d'autres langues de l'UE, assurez-vous que votre API de LLM est conforme à l'article 28 du RGPD (contrat de traitement des données). Mistral Large 2 et Claude Opus 4.7 proposent des déploiements conformes à l'UE avec résidence des données à Francfort/Irlande. GPT-4o nécessite des conditions de traitement des données via le DPA d'OpenAI. La CNIL recommande de privilégier les solutions d'IA locale pour le traitement de données professionnelles sensibles (données médicales, financières, juridiques). N'envoyez jamais d'informations personnelles identifiables (noms, e-mail, téléphone) aux modèles sans consentement explicite et couverture DPA.

Japon (APPI) : Les entreprises japonaises déployant des LLM multilingues doivent se conformer à la loi sur la protection des informations personnelles (APPI). Gemini 3.0 Pro propose un déploiement dans la région Japon avec résidence des données à Tokyo. GPT-4o et Claude Opus 4.7 nécessitent des conditions DPA. Envisagez des LLM locaux (Qwen2.5, Llama 3.1) déployés sur site pour garantir que les données ne quittent jamais le Japon.

Chine (Loi sur la sécurité des données) : Les prompts en chinois ou les données d'utilisateurs chinois sont soumis à la Loi sur la sécurité des données de 2021 (DSL). Les LLM cloud étrangers (OpenAI, Anthropic, Google) ne peuvent pas être utilisés pour des données personnelles sensibles ou des workflows gouvernementaux. Déployez Qwen2.5 localement via Alibaba Cloud ou Baidu Cloud avec conformité de résidence des données.