Markdown : La compétence IA indispensable pour optimiser vos prompts

Si je devais parier sur une seule compétence à avoir en 2026, ça serait pas être le Prom Engineering ou le Python ou le JavaScript ou quelqu'a autre langage que ce soit, mais plutôt ce serait le Markdown. Et je vais vous expliquer pourquoi c'est la prochaine ruée vers l'or.

Pour commencer, le markdown, c'est le langage natif des LLM. C'est ce qu'il comprennent le mieux puisque c'est un large langage modèle, c'est-à-dire qu'il ne traite que du texte. Et le fait de formater son texte, c'est parler directement proprement avec l'IA. Tous les modèles de langage sont entraînés dessus. Quand tu structures en mark, tu parles directement dans leur langue. Un prompt en markdown donne de meilleurs résultats qu'un prompt avec un texte brut simple.

C'est aussi la garantie que ton travail n'est pas perdu. Un fichier Markdown, c'est un fichier de texte simple. Ça pèse rien du tout. Ça s'ouvre absolument partout. Ça survit à toutes les plateformes. Dans 20 ans, tu as la garantie que ton fichier Markdown sera encore lisible. Ton fichier Notion, ton Google Doc, ton Confluence, qui sait, on sait pas ce qu'ils vont devenir. Le Markdown, c'est l'assurance que ça dure dans le temps.

C'est aussi l'assurance de l'anti-login. C'est-à-dire que quand vous travaillez avec que des fichiers Markdown, vous êtes pas dépendant d'un service de LLM comme Anthropic ou comme Gemini ou comme Chat GPT. Ton contexte en Markdown fonctionne avec tous les LLM. Tes prompts structurées en Mark, sont portables, ta connaissance formatée en Mark est universelle. C'est la meilleure mémoire possible pour un RAG, pour du contexte, pour des systèmes prompt. Le markdown structuré avec des titres, des sections, des listes, c'est ce qui donne le meilleur recall à l'IA.

Du coup, rien de mieux que vous montrer un exemple concret de comment on structure des fichiers Markdown et à quel point c'est important de faire du Markdown. C'est important à la fois pour vous pour prendre du plaisir finalement à lire ces fichiers parce que le Markdown étant donné que c'est un format qui va vous permettre de structurer vos textes avec des mises en gras de texte, des titres, des sous-titres, des listes et cetera, bah c'est beaucoup plus facile déjà pour nous en tant qu'humain de lire ce contenu et venir faire des modifications comme bon nous semble. Mais aussi, c'est ce qui permet donc de hiérarchiser les informations qui est très important pour LLM parce que c'est ce qui regarde en premier pour pouvoir savoir quelle est l'information qui est plus importante que d'autres.

Bien sûr que les LLM sont capables de faire ce travail par elles-mêmes, sauf qu'il faut penser que ça va consommer beaucoup plus de tokens derrière. C'est-à-dire que ce travail de réflexion est hyper important pour un LLM pour vous sortir la meilleure des réponses. Si vous lui mâchez le travail, si vous lui faites à votre place, l'avantage c'est que quand vous allez industrialiser votre usage de l'IA grâce au fichier Markdown, bah derrière vous allez consommer beaucoup moins de tokens.

Et pour vous illustrer cette problématique, je vous propose de faire un test avec Gemini CLI. Donc Gemini CLI, c'est ce que moi j'ai l'habitude d'utiliser depuis le mois de juillet maintenant. Donc j'utilise plus du tout les versions web. J'utilise que des versions CLI. Pourquoi ? Parce que derrière ça va me permettre de travailler directement dans des fichiers donc dans des dossiers des sous-dossiers dans des fichiers et Gemini est capable comme ça quand je lui dis d'aller travailler sur telle partie de mon projet il va se concentrer uniquement sur le sous-dossier concerné par la partie sur laquelle je souhaite travailler et du coup va charger un ensemble de documents markdown automatiquement et du coup mon contexte est assez limité c'est-à-dire qu'à chaque fois il va pas charger l'intégralité du contexte de mon projet mais va charger de dossier en dossier et de sous-dossier en sous-dossier juste les contextes nécessaires qui vont faire que derrière ça va me produire le meilleur des résultats.

Et donc du coup là pour faire la même chose de votre côté si vous êtes pas à l'aise avec les CLI donc ça soit Cloud Code ou Gemini CLI Cloud a sorti justement la version desktop a sorti le mode cowork qui vous permet de faire à peu de choses près exactement la même chose. C'est-à-dire que Cloud Cowork c'est ça. C'est-à-dire que vous pouvez sélectionner un dossier sur votre machine et venir travailler dans ces fichiers Markdown en permanence et du coup venir stocker des informations dans ces fichiers Markdown. Donc ça c'est hyper puissant et c'est là où Cloud a fait un super travail pour permettre à la plupart des personnes donc du grand public de pouvoir utiliser un peu ce qu'on arrive à utiliser avec la CLI depuis bien fort longtemps depuis des mois.

Là ce que je vous propose comme test je me suis mis en version 2.5 Pro de Gemini. Pourquoi la version 2.5 Pro ? C'est simplement parce que la version 2.5 Pro a des capacités de raisonnement et de réflexion par rapport à d'autres modèles d'IA comme Gemini 2.5 Flash ou autres où là il y a pas de raisonnement particulier. La version 2.5 Pro donne souvent de meilleurs résultats sur des problèmes complexes parce qu'elle a une capacité de raisonnement et de réflexion que n'a pas les autres modèles. Et donc c'est là où on voit toute la différence d'avoir une structuration de prompt en markdown qui est plus efficace qu'un texte brut.

Et donc pour ce premier test, je vais donc mettre à gauche un prompt en texte brut et à droite un texte formaté en markdown. Donc là, j'ai juste préparé un petit texte comme si j'avais un email que j'ai reçu que j'ai besoin de créer un mail. Donc j'ai créé le petit texte pour pouvoir tester les deux. Et donc je vais l'envoyer dans un premier temps à gauche et dans un second temps à droite. Et du coup il faut pas s'attendre là dans sur ce petit test un résultat mirobolant à droite par rapport à gauche parce que c'est pas ça qui va faire la qualité on va dire de la réponse puisque de toute manière les IA ont une capacité de réflexion qui est beaucoup plus grande mais c'est simplement pour montrer à quel point le prompt de gauche va consommer plus de tokens que le prompt de droite alors qu'à priori on lui demande de faire exactement la même chose.

Voici la réponse que j'ai obtenu sur les deux différents prompts. En soit, la réponse en elle-même, je pense qu'elle a pas une meilleure qualité à gauche ou à droite parce que c'est pas là où on va voir la vraie différence. Quoique sur ben on va dire sur un nombre par exemple, je sais pas si vous avez industrialisé ce process que vous en avez je sais pas 100 par mois à faire des réponses. Je pense sincèrement et profondément et sur mes expérimentations que j'ai pu expérimenter sur d'autres projets, d'autres use cases beaucoup plus gros. Statistiquement bien évidemment celle de droite, le prompt de droite a donné de meilleurs résultats que celle de gauche. Tout simplement parce que la réflexion est un peu différente puisqu'on lui a prémaché du travail. Donc statistiquement dans le volume de réponse globale, j'ai déjà remarqué que le prompt en version droite, donc celui qui est bien structuré en markdown donne de meilleurs résultats que celui de gauche. Mais encore une fois, c'est basé uniquement sur mon ressenti de mes use cases que j'ai déjà effectué sur différents prompts. J'ai pas une étude scientifique qui le montre mais en tout cas voilà, c'est clair et net que sur les versions Markdown bien structurées, j'ai pu observer de meilleurs résultats de manière globale, on va dire.

Ce qui est intéressant dans ce résultat de consommation de token, c'est que on voit ici par exemple que en input token, on en a eu 8983. Alors bien évidemment, c'est un petit test, il y a pas grand-chose et et mais on voit qu'il y a quand même une différence entre celle-là et celle-là. Alors, pourquoi il a utilisé du flashlight ? J'imagine que c'est principalement sur le premier là où on donne les instructions, il a fait un retour. J'imagine que c'est ça qu'il a donné en flashlight et qu'ensuite il a utilisé la version pro l'email. Et ce qui est important de noter, c'est que ici on a beaucoup moins de consommation de token en entrée. Pourquoi ? Parce qu'en réalité ce qui se passe c'est que quand le modèle part en réflexion mais il va prendre en fait déjà dans un premier temps le contexte, il va consulter le LLM pour travailler une première fois le message et puis ensuite le LLM va lui répondre sur certaines instructions en disant bah voici un premier résultat par exemple qu'il pourrait donner et par exemple admettons ici on pourrait imaginer puisqu'on a pas le détail à ce niveau-là de ce qui a fait le LLM mais en tout cas ce qu'on peut imaginer c'est qu'il est dit bah en fait il faut déjà structurer le message le plus important comment est structuré ce prompt de départ pour en extraire le message le plus important dans le prompt initial de manière à pouvoir y répondre clairement et efficacement.

Et en fait la principale différence, ça va être cette réflexion là qui va être d'abord dans un premier temps ici le LLM a fait un travail de tri de savoir exactement concrètement bah voici ce qui s'est passé, voici comment est structuré le prompt de départ et voici la sortie, le texte final qu'on va en donner. Alors que à droite bah le prompt était déjà préparé dans la hiérarchie des informations qu'on lui donne dans le markdown et lui dire voici ce qui est important et voici ce qui est moins important. Ce qui fait que ce travail là il n'a pas eu à le faire ce qui fait qu'il a consommé moins de tokens en input parce qu'il a eu moins de réflexion à faire. Donc ça on le voit sur un petit test sur un petit texte qui où il y a pas grand-chose et c'est pas un gros prompt et c'est pas un gros email mais imaginez ça multiplié par des contextes qui sont beaucoup plus gros. Bah là vous avez une vraie différence de consommation de token.

Donc c'est clair qu'aujourd'hui toutes les entreprises stockent toutes leurs informations, leur intelligence, leurs spécifications, tout est stocké dans des Google Doc, dans des Notion, dans des Confluences. Mais en réalité, l'IA galère encore un peu à traiter tous ces formats. C'est-à-dire qu'il y a beaucoup de bruit qui est généré autour de ces formats qui fait que quand l'IA est capable d'extraire ces informations, c'est super. Mais sauf que derrière, elle a quand même travaillé énormément avec des fichiers qui sont la plupart propriétaires et sur lesquels ça a généré beaucoup de bruit autour qui fait que derrière ça pas forcément éliminé ce qu'il fallait éliminer. Donc ce qui fait que travailler avec des fichiers Markdown va permettre d'éliminer tout ce bruit et de faciliter le travail des IA sur ces formats Markdown.

Donc celui qui sait clairement comment structurer ses formats markdown, toutes ces connaissances des entreprises en format markdown bien structuré, bien lisible par les LLM, il a une compétence que personne voit venir dans les 2 ans à venir, c'est certain. Aujourd'hui, ce qui est sûr, c'est que moi, ce que je délivre à mes clients finalement, c'est pas tant le code que je leur produis qui a de la valeur, mais c'est plutôt les 80 % du travail que je fais via les IA pour créer et générer ces fichiers Markdown. C'est ces fichiers-là qui ont beaucoup de valeur parce que demain quand j'exécute un agent sur ce projet-là pour lui dire bah code-moi l'application vu que tout le Mark travaillé, bien structuré et ben derrière l'IA est capable de me générer le meilleur code possible de l'application. Du coup, la valeur n'est plus dans le code que produit l'IA ou que j'ai produit moi-même, mais plutôt dans ces fichiers Markdown qui sont super bien structurés qui fait qu'un agent est capable d'aller travailler tout seul sur ce projet-là et de produire le résultat le plus juste possible avec un coût le plus maîtrisé possible.

Le Markdown existe depuis 2004, cela fait 22 ans et il n'a jamais été aussi pertinent qu'aujourd'hui. Apprenez le Markdown, structurez votre pensée en Markdown. C'est le seul format qui restera quand le prochain modèle d'IA sortira. Et vous, vous stockez votre connaissance ou quel format ?