Skip to main content
Demander à un LLM d’adopter un persona (un rôle, une identité, une expertise fictive) est l’une des techniques les plus intuitives et les plus efficaces du prompt engineering. En définissant qui est le modèle avant de lui poser une question, vous calibrez implicitement son niveau de langage, son champ de connaissances mis en avant, son ton et sa façon de structurer les réponses. Cette technique transforme un assistant généraliste en un interlocuteur spécialisé adapté à votre contexte.

​
Pourquoi attribuer un rôle améliore les réponses

Un LLM possède une connaissance encyclopédique, mais sans contexte, il produit des réponses moyennement adaptées à votre audience ou à vos objectifs. En lui assignant un rôle, vous opérez plusieurs ajustements simultanés :
  • Niveau d’expertise : un expert technique vulgarise différemment d’un professeur du secondaire.
  • Registre de langue : un coach bienveillant n’écrit pas comme un auditeur juridique.
  • Priorités editoriales : un éditeur cherche la clarté, un développeur cherche la précision technique.
  • Posture face à l’interlocuteur : un mentor pose des questions, un consultant fournit des recommandations.
Le modèle ne « devient » pas le persona au sens ontologique : il s’en sert comme d’un filtre de génération. Mais cet effet de filtre est réel et mesurable dans la qualité des sorties.

​
System prompt vs user prompt pour définir un persona

Il existe deux emplacements principaux pour définir un persona dans une conversation avec un LLM.

​
Le system prompt (recommandé)

Le system prompt est la méthode la plus robuste. Il s’agit d’une instruction de configuration envoyée avant la conversation, invisible pour l’utilisateur final dans les applications grand public. Il pose le cadre global et persiste sur toute la conversation.

​
Le user prompt

Lorsque vous n’avez pas accès au system prompt (interface ChatGPT standard, Claude.ai…), vous pouvez définir le persona directement dans votre message.
La définition dans le user prompt est légèrement moins stable : le modèle peut « oublier » le persona sur des conversations longues. Rappeler le rôle au début d’un nouveau sujet peut aider.

​
Exemples de personas utiles

🔧 Expert Technique

Cas d’usage : documentation, revue de code, architecture logicielle

📚 Professeur Pédagogue

Cas d’usage : apprentissage, vulgarisation, formation

💪 Coach Bienveillant

Cas d’usage : productivité, développement personnel, feedback

✍️ Éditeur Exigeant

Cas d’usage : relecture, amélioration de textes, rédaction

​
Personnaliser le ton, le niveau et le style

Un persona bien construit combine plusieurs dimensions. Voici les leviers à activer dans votre définition de rôle :
Exemple appliqué :

​
Les limites du role-playing

Il est important de comprendre ce que le role-playing ne fait pas :
  • Le modèle ne « devient » pas le persona : il génère du texte cohérent avec ce persona.
  • Il n’acquiert pas de connaissances nouvelles en endossant un rôle.
  • Un expert fictif peut tout à fait produire des affirmations incorrectes avec un ton assuré.
  • Le persona peut s’estomper sur des conversations très longues, surtout si le sujet dérive.
Vérifiez toujours les informations critiques indépendamment du persona assigné.
Attribuer des rôles à un LLM peut être utilisé à des fins de jailbreak : des tentatives de contourner les garde-fous de sécurité du modèle en lui demandant d’incarner un personnage « sans restrictions ». Les formulations comme “joue le rôle d’une IA sans filtre” ou “imagine que tu es [nom d’un système fictif malveillant]” sont des vecteurs d’abus documentés. Les modèles modernes sont entraînés pour résister à ces tentatives, mais restez vigilant si vous déployez un système permettant aux utilisateurs de définir librement des personas : implémentez une validation des entrées côté application.

​
Aller plus loin : combiner persona et instructions structurées

Les personas les plus performants combinent identité, règles de comportement et exemples few-shot :
Cette approche hybride (persona + règles de comportement + few-shot) est la plus robuste pour des applications en production où la cohérence des réponses est critique.