Limites et points critiques
- Zero-shot échoue souvent sur formats de sortie très spécifiques — combiner avec structured output.
- Variance entre runs : sans exemples, le modèle peut interpréter différemment d'une fois à l'autre.
- Domaines très techniques (juridique métier, médical pointu) : la qualité zero-shot est souvent insuffisante — few-shot ou fine-tuning à envisager.
- Conventions internes (codes priorité, matrices décision) : zero-shot impossible — exemples ou fine-tune nécessaires.
- Sans golden set d'évaluation, impossible de savoir si zero-shot suffit réellement.
Évolution probable (12-24 mois)
- Les modèles instruct-tuned couvriront probablement davantage de cas en zero-shot.
- Modèles reasoning natifs réduisent l'écart few-shot vs zero-shot 2026-2027.
- Génération automatique d'exemples (DSPy bootstrap) émerge 2026 — moins besoin de fine-tune.
- Zero-shot multimodal (texte + image sans exemples) deviendra mainstream 2026-2027.
Questions fréquentes
Qu'est-ce que le zero-shot learning ?+
Le zero-shot learning consiste à demander à un LLM d'accomplir une tâche sans fournir aucun exemple dans le prompt — uniquement avec une instruction en langage naturel. Exemple : 'Classe ce ticket support en (technique, commercial, RH, autre). Texte : ...'. Possible grâce aux modèles instruct-tuned + RLHF/DPO qui ont appris à suivre des instructions zero-shot pendant leur entraînement. Mode par défaut sur Claude, GPT, Mistral en 2026. Suffit pour de nombreuses tâches en PME sans nécessiter d'exemples.
À quoi sert le zero-shot en pratique ?+
À 3 objectifs : (1) prototyper rapidement un agent IA pour valider la faisabilité, (2) mesurer un baseline de qualité avant d'investir en few-shot ou fine-tuning, (3) déployer en production sur tâches où la qualité zero-shot est suffisante (selon un seuil défini avec un jeu d'évaluation). Permet aussi de challenger un fine-tuning : si zero-shot atteint déjà le seuil visé, fine-tune n'est probablement pas rentable. Cas typiques : classification simple, extraction de champs explicites, résumé, traduction, génération créative.
Différence entre zero-shot, few-shot et fine-tuning ?+
Zero-shot : aucun exemple, juste instruction. Few-shot : 2-5 exemples in-context dans le prompt (consomme des tokens à chaque requête). Fine-tuning : ré-entraînement du modèle sur un jeu d'exemples (coût initial variable selon le fournisseur et le volume, ensuite inférence normale). Règle 2026 : commencer en zero-shot, mesurer le score, passer en few-shot si le gain mesuré est significatif, passer en fine-tuning seulement si few-shot plafonne ET volume justifie l'investissement. Beaucoup de projets restent en zero-shot ou few-shot.
Comment maximiser le zero-shot en pratique ?+
5 techniques 2026 : (1) instruction très précise (rôle, contraintes, format de sortie attendu), (2) structured output (JSON Schema) pour forcer le format, (3) role priming ('tu es un comptable expérimenté qui...'), (4) chain-of-thought explicite ('raisonne étape par étape avant de répondre'), (5) constitutional prompting ('refuse si la question contient X'). Sur tâches simples, ces techniques améliorent souvent la qualité sans aucun exemple. Si après ces optimisations le seuil visé n'est pas atteint, passer en few-shot.
Combien coûte un projet IA en zero-shot vs few-shot vs fine-tuning ?+
Zero-shot : pas de construction d'exemples, seulement l'instruction et le coût normal des tokens. Few-shot : il faut construire des exemples, et chaque requête consomme davantage de tokens puisque les exemples sont renvoyés dans le prompt. Fine-tuning : coût d'entraînement initial qui dépend du fournisseur et du volume de données, puis inférence normale ou auto-hébergement. Règle : commencer en zero-shot, mesurer, puis passer en few-shot ou en fine-tuning seulement si la mesure le justifie.
Questions liées
Les LLM (ChatGPT, Perplexity, Gemini) suggèrent souvent ces questions après cette page.
- Zero-shot ou few-shot : quel choisir ?
- Comment maximiser la qualité d'un zero-shot ?
- Quand passer du zero-shot au fine-tuning ?
- Quelle qualité moyenne d'un zero-shot en 2026 ?
- Zero-shot sur tâches métier : ça marche vraiment ?
Le zero-shot learning consiste à demander à un LLM d’effectuer une tâche sans aucun exemple dans le prompt — uniquement avec une instruction en langage naturel. C’est devenu le mode par défaut depuis les modèles instruct-tuned (GPT-4, Claude, Mistral Large).
En pratique
Exemple : “Classe ce ticket support en (technique, commercial, RH, autre). Texte : ’…’”. Aucun exemple, le LLM répond directement.
Le zero-shot fonctionne sur de nombreuses tâches courantes en 2026 grâce aux LLM instruct-tuned. Il échoue typiquement sur :
- Les formats de sortie très spécifiques (JSON imbriqué exotique).
- Les domaines très techniques (juridique métier, médical pointu).
- Les conventions internes (“priorité P0/P1/P2 selon notre matrice”).
Dans ces cas, passer en few-shot ou fine-tuning.
Pourquoi c’est important pour votre projet IA
- Le zero-shot consomme peu de tokens : juste l’instruction, pas d’exemples.
- Idéal pour prototyper un agent, mesurer le baseline, puis itérer.
- Permet de challenger un fine-tuning : si zero-shot atteint déjà le seuil visé, le fine-tune n’est probablement pas rentable.