Le prompting par chaîne de pensée demande au modèle de montrer son raisonnement — en détaillant les étapes intermédiaires — avant d’énoncer une réponse. Wei et al. (2022) ont constaté que ce simple changement améliore nettement les performances sur les benchmarks d’arithmétique, de sens commun et de raisonnement symbolique, et que l’effet s’accentue avec la taille du modèle.
La contrepartie, c’est la vitesse et le coût en tokens : plus de raisonnement signifie des réponses plus longues. La technique est surtout utile pour les problèmes qui exigent réellement plusieurs étapes.