Une définition, sans jargon
Un modèle d'IA ne sait rien de votre entreprise en dehors de ce qu'on lui transmet à l'instant où il répond. Tout ce qu'il lit à ce moment forme son contexte, et la place disponible pour ce contexte est limitée.
Le context engineering désigne la pratique qui décide du contenu de cet espace. Quelles consignes donner en permanence, quels documents aller chercher, quels résultats d'outils garder, quelle part de l'historique conserver : chaque choix change la réponse.
Context engineering et prompt engineering : la différence
Le prompt engineering s'occupe de la consigne écrite par une personne pour une requête donnée. Il reste la compétence de départ, celle qui suffit pour rédiger un mail ou résumer un document dans un assistant conversationnel.
Le context engineering prend le relais quand l'IA travaille en plusieurs étapes. Un agent qui traite une demande client va chercher la fiche du client, consulter une procédure, appeler un outil, puis rédiger. À chaque étape, quelqu'un a dû décider ce que le modèle verrait, et dans quel ordre.
| Critère | Prompt engineering | Context engineering |
|---|---|---|
| Objet | La consigne d'une requête | Tout ce que le modèle reçoit |
| Qui le fait | L'utilisateur, à chaque échange | Celui qui conçoit l'assistant ou l'agent, une fois pour toutes |
| Usage type | Assistant conversationnel | Agent IA, RAG, automatisation |
| Question clé | Comment formuler ma demande ? | Que doit voir le modèle à cette étape ? |
Les cinq sources de contexte
Le contexte d'un assistant ou d'un agent IA se construit à partir de cinq sources. Les nommer aide à comprendre d'où vient une mauvaise réponse.
- Les consignes permanentes : le rôle, les règles métier, le ton et les limites, posés une fois et repris à chaque échange.
- La demande de l'utilisateur : la question du moment, qui relève du prompt engineering.
- Les documents récupérés : les extraits pertinents tirés de vos bases documentaires, la technique dite RAG.
- Les résultats d'outils : ce que renvoient vos logiciels (CRM, ERP, agenda) quand l'IA les interroge, par exemple via le protocole MCP.
- L'historique et la mémoire : les échanges précédents et ce que l'IA a retenu d'une session à l'autre.
Les erreurs qui dégradent les réponses
La plupart des réponses décevantes d'un agent viennent de son contexte plutôt que du modèle :
- Le contexte trop chargé : on verse tous les documents « au cas où ». L'information utile se perd, le coût et le temps de réponse augmentent.
- Le contexte périmé : une procédure remplacée reste dans la base et l'agent l'applique avec assurance.
- Les consignes contradictoires : une règle générale et une exception mal articulées, que le modèle arbitre au hasard.
- L'historique sans tri : un long échange garde des hypothèses abandonnées que le modèle continue de suivre.
- Les données sensibles exposées : un document confidentiel récupéré pour une personne qui n'aurait pas dû le voir.
Comment monter ses équipes en compétence
Le context engineering s'apprend sur un cas concret. On part d'un besoin réel, on construit l'assistant ou l'agent, puis on observe ce que le modèle reçoit à chaque étape pour corriger le tir. Les mêmes réflexes servent ensuite quel que soit l'outil.
C'est le principe de notre méthode, la Form'action : 30 % de théorie au maximum, 70 % de pratique sur vos propres données. Pour les équipes qui débutent, la formation prompt engineering pose les bases.
Pour concevoir des agents qui consultent vos documents et vos outils, la formation agents IA traite le context engineering de bout en bout. Les deux sont assurées par un organisme certifié Qualiopi et finançables par votre OPCO.