Prompt engineering pour le design : tirer le meilleur de Claude et GPT

Le prompt engineering : une discipline de design à part entière

Le prompt engineering n'est pas une compétence technique réservée aux ingénieurs en apprentissage machine. C'est une discipline de communication structurée qui partage des fondamentaux profonds avec le design : définir un contexte, poser des contraintes, guider un système vers un résultat précis. Après vingt ans à rédiger des briefs créatifs et des cahiers des charges fonctionnels, je retrouve dans le prompting les mêmes exigences de clarté et de précision que dans mes meilleurs documents de conception.

Les deux modèles que j'utilise quotidiennement sont Claude d'Anthropic et GPT-4o d'OpenAI. Claude, via sa Messages API, excelle dans les tâches de rédaction structurée grâce à ses capacités de thinking étendu et de tool use. GPT-4o apporte une dimension multimodale native — texte, image et audio dans un même appel — qui le rend particulièrement pertinent pour l'analyse de maquettes. Chacun a ses forces, et un designer averti apprend à les combiner.

Ce qui distingue un prompt efficace d'un prompt médiocre, c'est la même chose qui distingue un bon brief d'un mauvais : la spécificité. Un prompt vague comme 'écris du texte pour un bouton' produit un résultat générique. Un prompt qui précise le contexte utilisateur, le ton de voix de la marque, la contrainte de caractères et un exemple du résultat attendu produit un texte directement exploitable. La qualité est proportionnelle à l'investissement dans la formulation.

Choisir le bon modèle pour chaque tâche de design

La gamme Claude se décline en trois niveaux de capacité que j'exploite différemment selon les besoins. Claude Opus 4, le modèle le plus puissant, est réservé aux tâches complexes qui exigent un raisonnement approfondi : analyser un système de design complet, produire des spécifications fonctionnelles détaillées ou évaluer la cohérence d'une charte graphique. Claude Sonnet 4 offre le meilleur équilibre entre qualité et rapidité pour la rédaction quotidienne de copy UI, de descriptions de composants et de documentation de design. Claude Haiku 3.5, le plus rapide, est idéal pour les tâches répétitives à volume élevé comme la génération de variantes de microcopy ou le renommage de calques.

Côté OpenAI, GPT-4o se distingue par sa capacité multimodale. Je lui soumets des captures d'écran de maquettes pour obtenir des critiques de design, des suggestions d'amélioration d'accessibilité ou des descriptions textuelles de composants visuels. La génération d'images native intégrée en 2025 permet également de produire des concepts visuels rapides directement depuis l'API, ce qui accélère les phases d'exploration créatrice.

Le choix du modèle dépend du contexte. Pour un audit d'accessibilité détaillé à partir de screenshots, GPT-4o Vision est mon premier choix. Pour la génération de texte UX respectant une charte éditoriale stricte, Claude Sonnet 4 avec un prompt système bien calibré est imbattable. Pour des tests rapides de formulations alternatives, Haiku 3.5 avec le batch API permet de générer cinquante variantes en quelques secondes. La maîtrise de cet écosystème de modèles est devenue une compétence de design à part entière.

Techniques de prompting avancées pour designers

Le prompt système est la fondation de tout workflow de design assisté par IA. C'est l'équivalent du brief permanent que vous donneriez à un collaborateur en début de mission. J'y encode le ton de voix de la marque, les contraintes de format, le vocabulaire à privilégier et les formulations interdites. Ce prompt système reste identique d'un appel à l'autre, ce qui assure une cohérence de sortie comparable à celle d'un rédacteur humain bien brieffé. Avec le prompt caching de Claude, ce contexte permanent est mis en cache côté serveur, ce qui réduit les coûts et la latence de chaque requête subséquente.

Le few-shot prompting est la technique la plus efficace que je connaisse pour calibrer la qualité des sorties. Plutôt que de décrire le résultat attendu en termes abstraits, je fournis deux ou trois exemples concrets. Pour de la copy UI, je donne trois messages d'erreur existants que l'équipe considère comme excellents, puis je demande d'en produire de nouveaux dans le même registre. Le modèle capte les patterns implicites — longueur, structure, ton — que des instructions explicites ne sauraient transmettre aussi fidèlement.

Le chain-of-thought reasoning et le mode JSON structuré sont deux techniques complémentaires que je combine régulièrement. Je demande au modèle de raisonner étape par étape avant de fournir sa réponse finale, puis je force la sortie en JSON pour obtenir un format directement exploitable par mes scripts. Par exemple, pour générer des spécifications de composants, Claude raisonne d'abord sur les cas d'usage et les états possibles, puis produit un objet JSON structuré contenant le nom du composant, ses propriétés, ses variantes et ses règles d'accessibilité.

Cas d'usage concrets : du copy UI à l'audit d'accessibilité

La génération de microcopy est mon cas d'usage quotidien le plus fréquent. Labels de boutons, messages de validation, textes d'onboarding, notifications push — chaque fragment de texte dans une interface doit être précis, concis et adapté au contexte. Mon prompt type inclut le persona prompting ('Tu es un rédacteur UX senior spécialisé dans le B2B SaaS'), une contrainte de longueur ('Maximum 40 caractères'), le contexte de l'écran ('Page de confirmation de paiement') et un exemple de référence. Les résultats sont suffisamment bons pour être utilisés directement dans quatre-vingts pour cent des cas.

L'analyse de maquettes par IA est un workflow que j'ai mis en place récemment et qui a transformé ma pratique. Je soumets une capture d'écran d'interface à Claude ou GPT-4o Vision avec un prompt qui demande un audit structuré : hiérarchie visuelle, cohérence typographique, respect des contrastes WCAG, équilibre des espaces, suggestions d'amélioration. Le modèle identifie systématiquement des problèmes que l'œil habitué finit par ne plus voir, comme des contrastes insuffisants sur des textes secondaires ou des inconsistances d'espacement entre composants similaires.

La génération de palettes de couleurs et de suggestions de naming pour les composants d'un design system sont d'autres usages réguliers. Pour les palettes, je fournis une ou deux couleurs de marque et je demande une palette complète avec les ratios de contraste WCAG calculés. Pour le naming, je soumets une capture du composant et je demande un nom sémantique qui respecte la convention BEM ou la convention atomique du projet. L'IA comme sparring partner de design est devenue indispensable dans mon workflow.

Intégrer l'IA dans un workflow Figma professionnel

Figma a annoncé des fonctionnalités d'IA lors de Config 2024, notamment le renommage intelligent de calques, des suggestions de design et une recherche d'assets améliorée. Certaines de ces fonctionnalités ont été mises en pause après les retours de la communauté, mais la direction est claire : l'IA va s'intégrer de plus en plus profondément dans les outils de design. En attendant la maturation de ces fonctionnalités natives, je construis mes propres workflows en combinant les API Claude et GPT avec des scripts Figma.

Le tool use de Claude permet de générer des spécifications de design structurées que mes scripts consomment directement. Par exemple, je définis un outil 'generate_component_spec' avec un schéma JSON précis, et Claude remplit ce schéma à partir d'une description fonctionnelle. Le résultat alimente automatiquement un document de spécifications dans notre wiki et un ticket Jira pour l'équipe de développement. Cette chaîne automatisée élimine les heures de documentation manuelle.

Le contrôle de la température est un paramètre souvent négligé mais crucial pour les tâches de design. Une température basse produit des résultats prévisibles et cohérents, idéale pour la documentation et les spécifications. Une température élevée introduit de la variabilité, ce qui est utile en phase d'exploration créatrice pour obtenir des suggestions inattendues. Je calibre ce paramètre en fonction de la phase du projet : exploration en température haute, production en température basse.

Limites, vigilance et évolution de la pratique

Le prompt engineering a des limites qu'il est essentiel de connaître pour éviter les pièges. Les modèles de langage hallucinent — ils produisent des informations convaincantes mais factuellement incorrectes. En design, cela se traduit par des recommandations d'accessibilité erronées, des conventions UX inventées ou des références à des guidelines qui n'existent pas. Chaque sortie doit être validée par l'expertise humaine. L'IA est un accélérateur, pas un oracle.

L'autre limite fondamentale est la créativité disruptive. Les modèles excellent dans la recombinaison de patterns existants et la production de variations de qualité. Mais l'idée véritablement originale, celle qui brise les conventions pour créer quelque chose de nouveau, reste le territoire du designer humain. J'utilise l'IA pour éliminer le travail répétitif et me libérer du temps pour la réflexion créatrice profonde — c'est là où ma valeur ajoutée est la plus forte.

Le prompt engineering évolue rapidement. Les modèles deviennent plus capables à chaque génération, ce qui rend certaines techniques de prompting obsolètes tandis que de nouvelles possibilités émergent. Ma recommandation est de maintenir une bibliothèque de prompts versionnée, de tester régulièrement les nouvelles versions de modèles sur vos cas d'usage et de partager vos découvertes avec votre équipe. Le prompt engineering est une compétence vivante qui se cultive par la pratique quotidienne.