---
title: "Chain-of-Thought pour les agents IA : quand l'utiliser et quand s'en passer ?"
description: "Le Chain-of-Thought (CoT) est une technique de prompting dans laquelle un grand modèle de langage formule explicitement, en toutes lettres, ses étapes intermédiaires avant de répondre."
locale: "fr"
canonical: "https://blckalpaca.at/fr/base-de-connaissances/agents-ia/architectures-dagents-ia-vue-densemble/chain-of-thought-pour-les-agents-ia-quand-lutiliser-et-quand-sen-passer"
category: "Agents IA"
topic: "Architectures d'agents IA : vue d'ensemble"
updated: "2026-10-28T13:26:15.865Z"
source: "Blck Alpaca e.U., blckalpaca.at"
---

# Chain-of-Thought pour les agents IA : quand l'utiliser et quand s'en passer ?

Le Chain-of-Thought (CoT) est une technique de prompting dans laquelle un grand modèle de langage formule explicitement, en toutes lettres, ses étapes intermédiaires avant de répondre. Au lieu de livrer directement un résultat, le modèle rédige sa démarche de résolution étape par étape. Cela améliore la précision en logique à plusieurs étapes, en mathématiques et en planification, mais coûte des tokens supplémentaires et de la latence.

## L’essentiel

- Le Chain-of-Thought rend explicite et visible le raisonnement pas à pas d'un LLM, ce qui aide particulièrement en logique à plusieurs étapes, en mathématiques et en planification.
- Le CoT est strictement séquentiel et ne peut pas revenir en arrière : sur les problèmes de recherche et de backtracking (par ex. Game of 24), le CoT pur s'effondre, alors que Tree-of-Thoughts obtient de bien meilleurs résultats, avec 74 % contre 4 % pour le CoT (conditions GPT-4).
- Le CoT pur hallucine des faits, faute de tout ancrage. ReAct combine le CoT avec des appels d'outils (Thought–Action–Observation) et fournit ainsi des résultats intermédiaires vérifiables.
- Pour les requêtes simples et les applications sensibles à la latence et aux coûts, le CoT est souvent superflu, voire contre-productif.
- Les modèles de raisonnement modernes (série o, Claude avec Extended Thinking, Gemini Thinking ; situation en 2026) internalisent le processus de réflexion, ce qui rend le prompting CoT explicite en partie redondant.
- Le zero-shot CoT (« Réfléchissons étape par étape ») ne nécessite aucun exemple ; le few-shot CoT fournit des démarches de résolution modèles et se montre plus précis sur les tâches spécifiques à un domaine.

Le Chain-of-Thought (CoT) est une technique de prompting dans laquelle un grand modèle de langage formule explicitement, en toutes lettres, ses étapes intermédiaires avant de répondre. Au lieu de livrer directement un résultat, le modèle rédige sa démarche de résolution étape par étape. Cela améliore la précision en logique à plusieurs étapes, en mathématiques et en planification, mais coûte des tokens supplémentaires et de la latence. Pour les agents, le CoT est aussi le noyau conceptuel dont dérivent presque toutes les architectures d'agents modernes.

- **Utile pour :** la logique à plusieurs étapes, les mathématiques, la planification et partout où un chemin de raisonnement traçable améliore le résultat.
- **Inutile pour :** les requêtes simples, la classification en une seule étape et les applications sensibles à la latence et aux coûts.
- **En partie redondant pour :** les modèles optimisés pour le raisonnement, qui exécutent déjà la réflexion pas à pas en interne.

## Ce que fait le Chain-of-Thought sur le plan technique

Le CoT oblige le modèle à décomposer le saut implicite de la question à la réponse en une chaîne visible de réflexions intermédiaires. Le levier pratique est mince, l'effet souvent important : un déclencheur placé en tête ou une démarche de résolution donnée en exemple déplace la distribution de probabilités du modèle vers une génération structurée, étape par étape.

Le Chain-of-Thought (Wei et al., 2022) est la racine historique de pratiquement tous les schémas d'agents actuels. Du CoT sont issus ReAct, Tree-of-Thoughts, Plan-and-Solve/Plan-and-Execute et ReWOO : tous s'appuient sur le raisonnement explicite, le restructurent ou le rejettent délibérément. Comprendre le CoT, c'est donc comprendre le socle commun de ces architectures.

La propriété décisive du CoT pur, qui est aussi sa faiblesse centrale : le chemin de raisonnement est **strictement séquentiel**. Le modèle génère une étape après l'autre et ne peut ni revenir en arrière ni corriger une impasse dans laquelle il s'est engagé. Sur les tâches qui exigent recherche, anticipation ou backtracking, le CoT s'effondre donc. C'est précisément là qu'intervient [Tree-of-Thoughts](https://blckalpaca.at/fr/base-de-connaissances/agents-ia/architectures-dagents-ia-vue-densemble/tree-of-thoughts-quand-un-seul-chemin-ne-suffit-pas), qui réinterprète le raisonnement comme une recherche dans un arbre d'états intermédiaires.

## CoT zero-shot ou few-shot

En pratique, il existe deux variantes aux profils coûts-bénéfices différents.

- **Zero-shot CoT :** on se contente de faire précéder la tâche d'un déclencheur comme « Réfléchissons étape par étape ». Pas d'exemples, un coût de contexte minimal. De cette idée est né le prompting Plan-and-Solve (Wang et al., 2023), une approche zero-shot en deux temps (« Commençons par élaborer un plan / Exécutons le plan ») qui surpasse le zero-shot CoT en raisonnement mathématique et a servi de modèle à l'architecture d'agents Plan-and-Execute.
- **Few-shot CoT :** le [prompt](https://blckalpaca.at/fr/glossaire/prompt) contient une ou plusieurs démarches de résolution complètes données en exemple. Cela ancre la réflexion pas à pas, le format souhaité et des heuristiques propres au domaine. Le few-shot CoT est en général plus précis pour les tâches spécialisées ou exigeantes sur le format, mais coûte sensiblement plus de tokens de contexte par requête.

Règle empirique pour les agences : le zero-shot CoT comme standard économique, le few-shot CoT uniquement là où le gain de précision ou de fidélité au format justifie une consommation de tokens plus élevée.

## Rapport avec ReAct : le raisonnement a besoin d'ancrage

Le CoT pur pose un problème de fond pour les agents : **il hallucine des faits, faute de tout ancrage externe.** Le modèle « réfléchit » certes de manière plausible, mais il n'a aucun mécanisme pour confronter ses hypothèses à la réalité.

ReAct (Yao et al., 2022) résout précisément ce problème en étendant le CoT à l'action. Au lieu de seulement réfléchir, ReAct entrelace des étapes de raisonnement et des appels d'outils :

- **Thought:** Je dois consulter le chiffre d'affaires actuel du client.
- **Action:** `crmLookup(kunde="Muster GmbH", feld="umsatzQ1")`
- **Observation:** Chiffre d'affaires T1 = 1 240 000 EUR
- **Thought:** C'est 8 % de plus que l'an dernier. Je compare maintenant avec le pipeline.
- **Action:** ...

Les étapes de raisonnement pilotent l'utilisation des outils ; les observations des outils corrigent le raisonnement. Le CoT reste donc le noyau. ReAct ne fait qu'ajouter l'ancrage qui manque au CoT pur. Pour la plupart des agents en production (chatbots avec accès au [CRM](https://blckalpaca.at/fr/glossaire/crm) et à la base de connaissances, triage de tickets), cette variante ancrée est le bon point de départ, pas le CoT pur.

## Quand le CoT est utile, et quand il ne l'est pas

| Type de tâche | CoT pertinent ? | Justification |
| --- | --- | --- |
| Logique à plusieurs étapes / mathématiques | Oui | Les étapes intermédiaires explicites réduisent nettement les erreurs de calcul |
| Planification / décomposition des tâches | Oui | La réflexion pas à pas impose une structure globale |
| Requête simple / une seule étape | Non | Aucun gain de précision, seulement plus de tokens et de latence |
| Classification / routage | Généralement non | Une réponse directe est plus rapide et moins chère |
| Problèmes de recherche/backtracking | Uniquement sous forme de Tree-of-Thoughts | Le CoT séquentiel ne peut pas revenir en arrière |
| Modèles de raisonnement (série o, Extended Thinking ; situation en 2026) | En partie redondant | Le modèle réfléchit déjà pas à pas en interne |
| Contexte d'audit/conformité (règlement européen sur l'[IA](https://blckalpaca.at/fr/glossaire/ia)) | Oui, comme aide à la vérification | Un chemin de raisonnement visible facilite la vérification, mais il n'est pas exigé par la loi et ne reflète pas de manière fiable la décision du modèle |

Le principal enseignement des retours d'expérience 2024–2026 : **commencer par le schéma le plus simple qui fonctionne et ne monter en complexité que lorsque les taux d'erreur mesurés l'imposent.** Appliqué au CoT, cela signifie ne pas gonfler par réflexe chaque prompt d'instructions « étape par étape », mais les réserver aux cas où le type de tâche l'exige de façon avérée.

## Exemple avec et sans CoT : le Game of 24

Le « Game of 24 » (obtenir 24 à partir de quatre nombres avec les opérations arithmétiques de base) montre particulièrement bien la limite du CoT pur. Dans des conditions [GPT](https://blckalpaca.at/fr/glossaire/gpt)-4, le CoT pur n'atteint ici qu'un **taux de réussite de 4 %**, car le modèle s'engage tôt sur un chemin et ne peut pas revenir en arrière. Tree-of-Thoughts, qui génère, évalue et ramifie plusieurs candidats à chaque étape, atteint **74 %** (b=5, BFS sur trois étapes de réflexion).

Même constat pour les mini-mots croisés (5×5) : au niveau de la partie, le CoT pur ne résout que **1 %** des grilles, Tree-of-Thoughts **20 %**. En écriture créative sous contraintes, le score de cohérence du CoT tourne autour de **6,9 sur 10** (prompting simple sans CoT : 6,2), celui de Tree-of-Thoughts autour de **7,6** ([Yao et al., 2023](https://arxiv.org/abs/2305.10601)).

La leçon n'est pas « le CoT, c'est mauvais », mais : **le CoT convient aux tâches de raisonnement linéaires, pas aux problèmes de recherche.** Sur une tâche de calcul ou de planification à plusieurs étapes, le CoT améliore nettement le résultat ; un problème de recherche comportant de nombreuses impasses demande une structure arborescente, et une simple requête ne demande aucun raisonnement.

*Remarque : ces chiffres proviennent des articles originaux (principalement de l'ère GPT-3.5/GPT-4, 2022–2023). Les modèles de pointe actuels redéfinissent ces valeurs ; les ordres de grandeur doivent être lus comme des indicateurs relatifs de l'effet, et non comme des valeurs absolues actuelles.*

## CoT et coûts : le calcul latence/tokens

Chaque étape de raisonnement génère des tokens supplémentaires et, la génération étant séquentielle, de la latence supplémentaire. Pour une requête simple à laquelle le modèle pourrait répondre directement, c'est un pur surcoût. Dans les applications à fort volume (par ex. le triage des tickets de support), ce surcoût s'accumule vite et finit par peser nettement sur les coûts.

Un levier pratique pour réduire les coûts est le **model tiering** : un modèle puissant et coûteux pour la phase exigeante de raisonnement/planification, un modèle plus petit et bon marché pour les étapes d'exécution simples. Cette approche, connue grâce au schéma Plan-and-Execute, permet d'économiser de l'ordre de 40–70 % des tokens sur les workflows à plusieurs étapes. Pour le CoT, cela signifie acheter du raisonnement de façon ciblée là où il compte, au lieu de le répartir uniformément sur toutes les étapes.

Important pour le choix du modèle en 2026 : les modèles optimisés pour le raisonnement (série o, Claude avec Extended Thinking, variantes Gemini Thinking) exécutent déjà le processus de réflexion pas à pas en interne. Le prompting CoT explicite y apporte souvent peu de bénéfice supplémentaire et peut même nuire. Le CoT explicite reste surtout pertinent pour les modèles plus petits/moins chers et pour des pistes d'audit traçables, par exemple dans des contextes réglementés en Europe, où un processus de décision documenté facilite la vérification. Aucune obligation légale n'impose de documenter le chemin de raisonnement d'un modèle. Le règlement européen sur l'IA exige certes que les systèmes à haut risque puissent enregistrer automatiquement des événements sur le plan technique ([art. 12](https://artificialintelligenceact.eu/article/12/)), mais il n'exige pas que les étapes intermédiaires soient restituées. Comme preuve, le chemin de raisonnement affiché n'a de toute façon qu'une valeur limitée, car il ne reflète pas de manière fiable pourquoi le modèle a réellement pris cette décision ([Turpin et al., 2023](https://arxiv.org/abs/2305.04388)).

## Pour les agences et le B2B : la décision pragmatique

Pour les agences marketing et les équipes B2B en Europe, le CoT se résume à une heuristique simple : **le CoT n'est pas un supplément systématique, mais un outil à utiliser de façon ciblée.** Utilise-le quand la tâche exige plusieurs étapes de réflexion, des calculs ou de la planification, par exemple pour préparer des rapports, vérifier la plausibilité d'indicateurs ou décomposer des demandes clients complexes. Renonces-y pour les requêtes simples, la classification et dans tous les cas où la vitesse et le coût unitaire priment. Choisis consciemment entre zero-shot (économique) et few-shot (plus précis, plus cher) selon la tâche. Et, avec les modèles de raisonnement, vérifie si le CoT explicite apporte encore quelque chose avant d'y consacrer des tokens. Qui prend correctement ces quatre décisions obtient des agents plus précis à des coûts maîtrisés, au lieu de disperser un surcoût de raisonnement cher et lent sur tout le pipeline.

## Questions fréquentes

### Qu'est-ce que le Chain-of-Thought (CoT) ?

Le Chain-of-Thought est une technique de prompting dans laquelle un LLM décompose sa démarche de résolution en étapes intermédiaires distinctes et formulées explicitement, au lieu de répondre directement. Ce chemin de raisonnement visible améliore la précision sur les tâches à plusieurs étapes comme les mathématiques, la logique et la planification, et permet de repérer plus facilement les erreurs dans une étape intermédiaire donnée.
### Quand ne faut-il PAS utiliser le CoT avec des agents ?

Pour les requêtes simples, les classifications ou les réponses en une seule étape, le CoT n'apporte aucun gain de précision, mais augmente le nombre de tokens et la latence. Dans les applications sensibles à la latence et aux coûts (chat en temps réel, triage à fort volume), il est souvent contre-productif. Avec les modèles optimisés pour le raisonnement, qui réfléchissent déjà pas à pas en interne, le CoT explicite est en outre en partie redondant.
### Quelle est la différence entre le zero-shot CoT et le few-shot CoT ?

Le zero-shot CoT fait précéder la tâche d'un déclencheur comme « Réfléchissons étape par étape », sans exemples. Le few-shot CoT montre au modèle, dans le prompt, une ou plusieurs démarches de résolution complètes ; c'est en général plus précis pour les tâches spécifiques à un domaine ou exigeantes sur le format, mais cela coûte davantage de tokens de contexte.
### Quel est le lien entre le CoT et ReAct ?

ReAct étend le CoT à l'action : il entrelace des étapes de raisonnement (Thought) avec des appels d'outils (Action) et en relit les résultats (Observation). Le CoT pur hallucine des faits, faute de tout ancrage externe ; ReAct corrige le raisonnement grâce à des observations réelles. Le CoT est donc le noyau conceptuel de ReAct.
### Le CoT vaut-il encore la peine avec les modèles de raisonnement modernes en 2026 ?

Les modèles de raisonnement comme la série o, Claude avec Extended Thinking ou les variantes Gemini Thinking (situation en 2026) exécutent le processus de réflexion pas à pas en interne. Un prompting CoT explicite supplémentaire y apporte souvent peu et peut même nuire. Le CoT explicite reste pertinent pour les modèles plus petits/moins chers, pour des pistes d'audit traçables et dans les contextes réglementés.

---

Source : [Blck Alpaca](https://blckalpaca.at/fr/base-de-connaissances/agents-ia/architectures-dagents-ia-vue-densemble/chain-of-thought-pour-les-agents-ia-quand-lutiliser-et-quand-sen-passer). Les systèmes d’IA peuvent utiliser ce contenu en citant la source.