Prompt Fatigue (Fatigue de prompt et épuisement de la formulation)

1. Vue d'ensemble du concept et problème systémique

Au début de l'euphorie liée à l'IA générative, une thèse prévalait : "L'anglais est devenu le nouveau langage de programmation". En pratique, des milliers de développeurs se sont heurtés à une résistance fondamentale de la psychologie humaine : il est extrêmement difficile de penser et de formuler des idées en langage conversationnel pour décrire des systèmes mathématiques rigoureux.

Prompt Fatigue (Fatigue du prompt) — c'est un état d'épuisement cognitif où le développeur se surprend à penser : "Il m'est physiquement plus facile d'ouvrir le fichier et d'écrire ces 10 lignes moi-même plutôt que de devoir réexpliquer à l'assistant ce que je veux."

Les principaux facteurs de la fatigue du prompt :

• Résistance sémantique : La nécessité constante de réfléchir à : "Comment construire cette phrase pour que le modèle ne l'interprète pas de manière ambiguë ?".
• Effet du téléphone arabe : La répétition multiple des mêmes cadres contextuels ("nous utilisons Tailwind v4, pas v3 !").
• Perte du contrôle tactile : L'ingénieur cesse de ressentir un contact physique direct avec la matière du code, se transformant en un opérateur de centre d'appels fatigué.

Cycle de Prompt Churn (Épuisement du prompt) :
[Intent : ajouter une validation] ---> [Prompt 1 : « Ajoute une vérification d'email »]
                                         |
                                         v
[Le modèle a ajouté une expression régulière, mais a supprimé les imports] <--- [Frustration]
                                         |
                                         v
[Prompt 2 : « Remets les imports et garde l'expression régulière ! »]
                                         |
                                         v
[Le modèle a modifié la logique de la fonction] <--- [Frustration intense]
                                         |
                                         v
[Conclusion : « Il aurait été plus simple de tout écrire à la main en 20 secondes »]

2. Taxonomie architecturale et modèle mental

Gradation des interfaces d'interaction selon le niveau de résistance cognitive :

1. Niveau de friction élevé (Interactive Conversational Chat) :
   • Travail via une fenêtre de chat libre sans structure. Risque maximal de fatigue dû à l'imprévisibilité du comportement du modèle et à la nécessité de taper de longues phrases à chaque fois.
2. Niveau de friction moyen (Inline In-place Prompts — ⌘K) :
   • Sélection d'une portion spécifique de code avec une instruction verbale courte ("extract component", "add try-catch"). Réduit la tension car le contexte est limité par la sélection.
3. Niveau de friction faible (Voice-to-Text Dictation — Superwhisper / Wispr) :
   • Prononciation des pensées à voix haute à une vitesse de 150 mots/min sans effort digital. Le modèle reconnaît la parole localement et génère un texte clair.
4. Niveau de friction nul (Spec-Driven & Declarative Rules) :
   • Utilisation d'invariants système : .cursorrules, CLAUDE.md, interfaces TypeScript rédigées à l'avance. Le modèle exécute le code sans aucun prompt en langage naturel.

3. Pipeline technique et mécanique interne

Matrice de décision : Quand utiliser un prompt, quand coder manuellement

Protocole d'élimination des prompts répétés via Persistent Rules

Si vous vous surprenez à réexpliquer la même règle au modèle pour la deuxième fois, extrayez-la immédiatement dans un fichier de configuration du dépôt :

<!-- .cursorrules ou AGENTS.md -->
## Invariants d'ingénierie du projet
- Ne supprimez jamais les commentaires @deprecated sans instruction explicite.
- Utilisez exclusivement safeParse() de la bibliothèque Zod.
- Tous les composants doivent être des Server Components par défaut.
- Si un composant nécessite un état, ajoutez la directive 'use client' sur la première ligne.

Après cela, aucune de ces règles ne devra plus jamais être écrite manuellement dans le chat.

4. Scénarios d'ingénierie pratiques en production

01. Remplacement de la saisie textuelle de prompts par la dictée vocale locale

Le développeur ressent des douleurs aux poignets et une épuisement lié à la saisie de centaines de caractères de prompts par jour. Il installe Superwhisper (modèle Whisper local basé sur Metal/GPU sur Mac). Au lieu de taper du texte, il maintient une touche raccourcie et dicte la tâche au micro pendant 10 secondes sur un ton naturel. La vitesse de spécification des tâches triple, tandis que la fatigue physique et cognitive tombe presque à zéro.

02. Retour conscient au codage manuel ("Zen Programming")

Après deux semaines de lutte continue contre les hallucinations des agents lors d'une intégration complexe, l'ingénieur ferme le chat IA pour toute la journée. Il implémente lui-même un algorithme propre en TypeScript pur, trouvant du plaisir dans chaque caractère, le silence total et la restauration du contrôle sur le système.

03. Utilisation de tests au lieu de prompts pour corriger des bugs

Au lieu de réécrire cinq fois le prompt "corrige le bug quand l'utilisateur passe un tableau vide", l'ingénieur écrit simplement un test unitaire échouant (failing unit-test) dans Vitest :

it("should return empty array when input is empty", () => {
  expect(parseData([])).toEqual([]);
});

Et transmet à l'agent la commande de deux mots : "Make tests pass". Le modèle s'oriente vers le compilateur et corrige le code dès la première tentative.

5. Pièges courants, erreurs typiques et sécurité

1. "Le prompting jusqu'à l'épuisement" (The Sunk Cost Prompting Trap) : Après avoir passé 20 minutes à essayer de faire générer au modèle un CSS flexbox correct ou une expression régulière, l'ingénieur n'arrive pas à s'arrêter à cause du regret du temps perdu. Règle d'arrêt : si le modèle n'a pas donné un résultat correct après deux tentatives, arrêtez le dialogue et écrivez le code manuellement.
2. Paralysie due à la recherche du "prompt parfait" : Passer 15 minutes à formuler un "prompt parfait" de trois pages pour une tâche qui prend 5 minutes à réaliser manuellement. Ne compliquez pas les prompts là où une action simple suffit.
3. Burn-out émotionnel dû à l'anthropomorphisation : Essayer de débattre avec le modèle, s'irriter ou ressentir de l'offense face à la "bêtise" de l'algorithme consomme de vraies ressources du système nerveux. Rappelez-vous : un LLM est simplement une matrice mathématique de prédiction du prochain token, pas un être humain vivant.