À un moment donné, presque tous les projets d’IA dans l’e-commerce passent par la même phase. Au début, tout semble prometteur. Le modèle répond rapidement, s’exprime avec fluidité, écrit des phrases propres et donne l’impression de « savoir » de quoi il parle. Cela rend bien dans une démonstration. Et encore mieux dans une présentation client.
Puis la réalité arrive.
Un client ouvre une page produit et demande :
- ce module fonctionne-t-il avec ma version de Magento ?
- ce produit prend-il en charge Amasty ?
- en quoi ce modèle est-il différent d’un autre ?
- cette solution convient-elle à une boutique avec plusieurs vues de magasin ?
- puis-je la déployer sans développement supplémentaire ?
Et c’est là qu’il devient évident que l’IA n’a pas seulement besoin d’un « bon modèle ». Elle a besoin de limites. Elle a besoin de priorités entre les sources. Elle doit savoir quand répondre directement, quand poser une question de clarification et quand dire honnêtement : « cette information ne figure pas dans les données ».
C’est là que le prompt entre en jeu.
Dans notre cas, ce n’est pas un sujet abstrait. Le prompt influence directement le fonctionnement de Kowal Ask About Product et la manière dont il utilise les connaissances structurées fournies par Kowal AI Product Feed for OpenAI Vector Store.
Le même modèle, deux comportements très différents
Lorsque l’on travaille avec des modules intégrés à l’IA, une chose devient très vite évidente : le même modèle peut se comporter comme un très bon conseiller ou comme un vendeur qui comble trop de blancs. Cela vient rarement du modèle lui-même. La plupart du temps, cela vient du prompt.
Si le prompt est trop générique, l’IA essaiera d’être utile à tout prix. En pratique, cela signifie :
- compléter les informations manquantes,
- construire des réponses à partir de connaissances générales au lieu des données de la boutique,
- mélanger les faits et les suppositions,
- paraître trop sûre d’elle lorsqu’elle devrait en réalité dire « je n’ai pas assez de données ».
Si le prompt est bien conçu, le modèle commence à se comporter différemment :
- il respecte les sources,
- il donne la priorité à la FAQ et au retrieval,
- il reste concentré sur le produit actuel,
- il ne promet pas des choses qui ne figurent pas dans les données,
- et surtout, il aide le client à prendre une décision sans l’induire en erreur.
C’est le moment où l’IA cesse d’être une fonctionnalité impressionnante et commence à devenir une partie utile du module.
Un prompt ne remplace pas les données, mais il fixe les règles du jeu
La manière la plus simple de considérer un prompt est de le voir comme un guide d’intégration pour un nouveau membre de l’équipe.
Imaginez qu’une nouvelle personne rejoigne votre équipe de support client. Vous lui donnez accès à :
- la description du produit,
- la FAQ validée,
- les résultats du Vector Store,
- l’historique de conversation du client.
Le simple fait de lui donner accès à ces données ne garantit pas qu’elle répondra correctement. Vous devez encore lui indiquer :
- quelle source utiliser en premier,
- ce qu’elle n’a pas le droit de supposer,
- comment réagir lorsque des données manquent,
- si elle doit répondre brièvement ou en détail,
- si elle doit poser des questions de clarification,
- et quand elle doit rediriger le client vers un formulaire de contact.
Un prompt fait exactement la même chose. Il ne crée pas de connaissance. Il ne corrige pas des descriptions produit faibles. Il ne comble pas les lacunes de documentation. Il définit la façon dont le modèle doit traiter les informations qui lui ont été fournies.
C’est pourquoi, dans nos modules d’IA, le prompt n’est pas un supplément. C’est une couche de contrôle.
Là où le prompt influence réellement le comportement du module
En théorie, un prompt n’est que quelques phrases. En pratique, il pilote des comportements très précis.
Dans l’AI Assistant sur la page produit, disponible dans Kowal Ask About Product, le prompt influence notamment :
- le ton de la réponse,
- la langue de la réponse,
- le niveau de concision de la réponse,
- les limites des connaissances du modèle,
- la priorité des sources : contexte local, FAQ, retrieval, historique de conversation,
- le comportement lorsque la question est ambiguë,
- la manière dont les questions comparatives et de recommandation sont traitées,
- la façon dont l’assistant réagit aux données incomplètes ou contradictoires.
C’est pourquoi deux boutiques utilisant le même module et le même modèle d’IA peuvent obtenir des résultats complètement différents. Non pas parce que l’une dispose d’une « meilleure IA », mais parce que l’une a défini plus clairement le rôle et les limites de l’assistant.
La première erreur : un prompt qui veut être agréable au lieu d’être précis
L’erreur de mise en œuvre la plus fréquente ressemble à ceci :
Réponds comme un assistant de boutique serviable et aide le client à choisir le meilleur produit.
Cela sonne bien. Mais pour le modèle, ce n’est pas suffisant. « Aider le client » sans limites supplémentaires signifie souvent :
- être poli,
- être convaincant,
- essayer de faire avancer la conversation,
- ne pas laisser le client sans réponse.
Et c’est précisément ainsi qu’apparaissent des réponses qui sonnent bien, mais qui sont faibles sur le fond.
Un client pose une question sur la compatibilité avec une version spécifique d’un système. Le modèle ne voit pas cette information dans les données, mais il veut aider, alors il répond de manière trop affirmée.
Un client pose une question sur le déploiement. Le modèle ne dispose pas du contexte technique complet, mais il construit tout de même une réponse qui paraît sûre d’elle.
Un client pose une question sur les différences entre produits. Le modèle n’en connaît bien qu’un seul, mais il construit quand même une comparaison, car le prompt ne lui a pas indiqué de ne pas le faire.
Ce type de prompt n’est pas faible parce qu’il est court. Il est faible parce qu’il ne définit pas de limites.
La deuxième erreur : supposer que le modèle déterminera lui-même les priorités
Si le module comprend :
- des données produit,
- une FAQ validée,
- l’historique de conversation,
- le Vector Store,
- l’AI Feed,
alors le modèle doit savoir ce qui compte le plus. En pratique, cette architecture montre clairement l’intérêt de combiner Kowal Ask About Product avec Kowal AI Product Feed for OpenAI Vector Store, car ce n’est qu’à ce moment-là que le prompt commence à fonctionner avec des données structurées et prêtes pour le retrieval.
Sans cette orientation, le modèle commence à traiter toutes les informations comme si elles avaient la même importance. Et c’est alors que surviennent des situations où :
- le résultat du retrieval est correct, mais le modèle s’appuie trop fortement sur un contexte local plus ancien,
- la FAQ indique quelque chose de précis, mais le modèle l’affaiblit avec des commentaires supplémentaires,
- l’historique de conversation porte le ton et l’émotion, mais il ne devrait pas passer avant des données produit solides.
C’est pourquoi un bon prompt doit l’indiquer clairement :
- d’abord le retrieval et la FAQ validée,
- ensuite les données produit structurées,
- et enfin l’historique de conversation comme contexte complémentaire.
Ce n’est pas une formulation cosmétique. C’est la différence entre une réponse contrôlée et une réponse qui ne fait que paraître intelligente.
Quand le prompt commence à comprendre la boutique, pas seulement l’IA
Le moment le plus intéressant dans le travail sur les prompts arrive lorsque nous cessons d’écrire « pour le modèle » et commençons à écrire « pour le type de boutique ».
Parce qu’une boutique qui vend des modules Magento ne fait pas face aux mêmes risques qu’une boutique de mode.
Dans une boutique de logiciels, les clients posent des questions sur :
- la compatibilité,
- les intégrations,
- les exigences,
- le périmètre fonctionnel,
- les limites de mise en œuvre.
Ici, l’IA doit être précise, prudente et technique. Il vaut mieux qu’elle réponde brièvement mais honnêtement plutôt que de produire une réponse soignée sans fondement.
Dans une boutique d’électronique, les priorités sont différentes :
- les spécifications techniques,
- la compatibilité des appareils,
- les différences entre les variantes,
- les limites matérielles.
Ici, le prompt doit fortement contenir le modèle dès qu’il commence à deviner la compatibilité.
Dans une boutique de mode, le centre de gravité se déplace à nouveau :
- la matière,
- la coupe,
- la taille,
- le style,
- l’usage.
L’IA peut y adopter un ton plus naturel, mais elle ne devrait toujours pas promettre une coupe parfaite si la boutique ne fournit pas de tableaux de tailles ou de consignes claires.
Dans une boutique B2B ou technique, le prompt doit être encore plus discipliné :
- pas de remplissage,
- pas d’ornements marketing,
- une communication claire des exigences et des limites,
- la capacité à dire « nous ne le savons pas » au lieu de brouiller le sujet.
C’est une leçon importante : il n’existe pas de prompt parfait unique pour toutes les boutiques. Il existe en revanche un ensemble de bons principes et de nombreuses spécialisations valables.
À quoi ressemble un bon prompt de départ
Un bon prompt de départ pour un assistant IA sur une page produit ne doit pas être trop créatif. Il doit être stable.
En pratique, il doit répondre à cinq questions :
- Qui est l’assistant ?
- Quelles données est-il autorisé à utiliser ?
- Que n’est-il pas autorisé à faire ?
- Comment doit-il répondre ?
- Que doit-il faire lorsqu’il ne sait pas ?
C’est pourquoi un prompt de base pertinent ressemble davantage à une instruction opérationnelle qu’à un slogan marketing.
L’objectif n’est pas de faire « paraître intelligente » l’IA. L’objectif est de s’assurer qu’elle :
- n’invente pas de données,
- ne dépasse pas le contexte fourni,
- répond dans la langue de la boutique,
- peut admettre lorsqu’une information manque dans les données,
- pose une seule courte question de clarification si nécessaire.
Ce type de prompt n’impressionne pas dans une présentation. Mais il fonctionne très bien dans une vraie conversation client.
L’impact réel d’un prompt se révèle dans les questions difficiles
Les questions faciles ne constituent pas un bon test pour l’IA. Si un client demande quelque chose qui est clairement décrit dans la FAQ, presque n’importe quel prompt s’en sortira raisonnablement bien.
La vraie différence apparaît avec les questions plus difficiles :
- « cela fonctionnera-t-il avec ma configuration ? »
- « ce module est-il meilleur qu’un autre ? »
- « puis-je le déployer sans développeur ? »
- « ce produit résoudra-t-il mon problème spécifique ? »
- « est-ce compatible avec ma version, mon thème ou mon extension ? »
Ce sont les questions où un prompt faible pousse le modèle à deviner.
Un bon prompt fait l’inverse. Il apprend au modèle qu’il doit :
- s’en tenir aux faits,
- rester concentré sur le produit actuel,
- signaler clairement les informations manquantes,
- éviter de répondre trop largement lorsque le contexte est étroit.
C’est pourquoi un prompt bien conçu réduit les réponses risquées plus efficacement qu’un autre changement cosmétique dans l’interface.
Le prompt doit mûrir avec le module
Il y a un autre point facile à négliger : un prompt n’est pas quelque chose que l’on configure une fois pour l’oublier ensuite.
Au début, une boutique peut fonctionner uniquement avec :
- des données produit,
- quelques entrées de FAQ,
- un contexte de conversation simple.
Puis d’autres couches apparaissent :
- une FAQ mieux structurée,
- des vues de magasin,
- des versions linguistiques,
- l’analyse des questions,
- des candidats pour la FAQ,
- le Vector Store,
- l’AI Feed,
- le retrieval-first.
C’est aussi le moment où Kowal AI Product Feed for OpenAI Vector Store cesse d’être un simple module complémentaire technique et devient l’une des principales sources de connaissances pour l’assistant exécuté dans Kowal Ask About Product.
Et à ce stade, le prompt doit lui aussi évoluer.
À un stade initial, l’objectif principal est de discipliner le modèle et de réduire les hallucinations.
À un stade plus mature, vous pouvez contrôler plus fortement :
- la priorité du retrieval,
- la manière dont les questions de comparaison sont traitées,
- le comportement lorsque les données sont incomplètes,
- le style de réponse adapté à une boutique spécifique.
C’est l’un des aspects les plus intéressants du travail avec les modules d’IA : le prompt évolue avec l’architecture de connaissances de la boutique.
Pourquoi c’est un sujet fort pour un blog sur les implémentations d’IA
Parce que le prompt fait partie de ces éléments qui semblent mineurs vus de l’extérieur, mais qui ont en pratique un impact majeur sur la qualité de l’implémentation.
Il est facile de se concentrer sur le modèle, l’API, le Vector Store ou l’intégration avec un flux produit. Tout cela compte. Mais le prompt est ce qui fait commencer à fonctionner ces éléments selon des règles claires. C’est pourquoi, en pratique, il est pertinent de penser l’implémentation de Kowal Ask About Product avec la couche de données et de retrieval fournie par Kowal AI Product Feed for OpenAI Vector Store.
On peut le formuler simplement :
- le modèle fournit la capacité,
- les données fournissent la substance,
- le retrieval fournit l’accès à la connaissance,
- mais le prompt définit la méthode de fonctionnement.
Et c’est exactement pourquoi deux implémentations construites sur la même technologie peuvent produire deux résultats business très différents.
Ce qu’il serait intéressant d’aborder dans un article de suivi
Ce sujet ouvre naturellement la porte à plusieurs autres articles :
- comment tester un prompt avec de vraies questions clients,
- quand passer du mode hybride au retrieval-first,
- comment construire une FAQ pour l’IA, et pas seulement pour le SEO,
- comment vérifier dans les logs si le modèle utilise réellement le Vector Store,
- comment préparer différents prompts pour les boutiques techniques, de mode et B2B.
Conclusion
S’il ne fallait retenir qu’une seule idée de cet article, ce serait celle-ci :
le prompt n’est pas un ajout à l’IA. Le prompt est la politique de réponse.
Il décide si le modèle est seulement impressionnant ou réellement fiable. S’il devine ou protège ses sources. S’il paraît « commercial » ou s’il aide réellement le client à prendre une bonne décision.
Dans l’e-commerce, cela fait une énorme différence. Parce que les clients n’ont pas besoin d’une IA qui sonne seulement bien. Ils ont besoin d’une IA qui répond de manière responsable.
