Glossaire

Chain-of-thought prompting (CoT)

Le chain-of-thought prompting (CoT, raisonnement étape par étape) est une technique de prompting consistant à demander explicitement au LLM d'expliciter son raisonnement étape par étape avant de produire la réponse finale — améliore drastiquement la précision sur les tâches de raisonnement (mathématiques, logique, planification multi-étapes).

Aussi appelé

  • chain-of-thought
  • CoT
  • raisonnement étape par étape
  • chain-of-thought prompting

Démontré par le papier fondateur de **Google Brain "Chain-of-Thought Prompting Elicits Reasoning in Large Language Models"** (Wei et al., 2022) : sur le benchmark GSM8K (problèmes mathématiques), un simple "Let's think step by step" ajouté à la fin du prompt fait passer GPT-3 de **17,9 % de précision à 78,7 %** — un saut de 4× sans changer le modèle. Le phénomène généralise : sur les tâches de raisonnement, donner "l'espace" au modèle pour expliciter ses étapes intermédiaires améliore systématiquement la justesse.

Variantes 2026 : (1) **Zero-shot CoT** ("Let's think step by step") — le plus simple, baseline efficace, (2) **Few-shot CoT** (donner 2-3 exemples résolus avec raisonnement explicite — meilleure précision encore), (3) **Self-consistency CoT** (générer 5-10 réponses avec CoT, prendre celle qui apparaît le plus — coût × N mais gain de 5-20 % sur les tâches difficiles), (4) **Tree-of-thoughts** (le modèle explore plusieurs branches de raisonnement, en évalue chacune — recherche académique principalement), (5) **Inline reasoning** intégré nativement aux modèles "reasoning" (o1, Claude Sonnet thinking, Gemini Pro thinking) — le modèle fait du CoT automatique sans qu'on le demande.

Pour les modèles "reasoning" (Claude thinking mode, OpenAI o1, Gemini 3 thinking) sortis 2024-2026, le CoT manuel devient moins nécessaire : le modèle réfléchit en interne avant de répondre. Mais le CoT manuel reste utile sur les modèles standards (Haiku 4.5, Gemini Flash) et pour contrôler le raisonnement (par exemple le forcer dans une structure spécifique).

Dans le produit chatsocial.fr

chatsocial.fr utilise du CoT pour les opérations multi-étapes complexes (analyse concurrent → identification patterns → génération recommendations) et bascule sur les modèles à reasoning natif (Claude Sonnet 4.6 thinking mode) pour les décisions critiques comme le routage tool-RAG ou les arbitrages d'autonomie.

Questions fréquentes

  • Chain-of-thought améliore-t-il toutes les tâches ?

    Non — CoT est très efficace sur les tâches de raisonnement (math, logique, planification, analyse multi-critère). Sur les tâches simples (extraction d'info, classification, génération de texte court), CoT ajoute du coût et de la latence sans gain de précision, voire dégrade (le modèle peut s'égarer dans une réflexion inutile). Règle : activer CoT quand la tâche requiert plus d'une étape de raisonnement.

  • Faut-il encore prompter CoT avec les modèles reasoning (o1, Claude thinking) ?

    Moins nécessaire. Les modèles reasoning intègrent du CoT en interne et l'optimisent contre la justesse. Demander explicitement "think step by step" en plus peut être redondant voire contre-productif (le modèle dérive). En revanche, un CoT manuel structuré ("Étape 1 : … Étape 2 : …") reste utile quand on veut contrôler la décomposition.