Analyse et prise de décision
Op deze pagina
Leçon mise à jour le 2 novembre 2026. Les exemples originaux utilisaient Magistral, qui a été retiré le 31 juillet 2026. Ils font désormais appel à Mistral Small 4 (
mistral-small-2603) ou Mistral Large 4 (mistral-large-4-0) avecreasoning_effort="high", et analysent la réponse grâce à la fonctionseparerde la leçon 3. Source : Reasoning (Documentation Mistral).
Le raisonnement au service de la prise de décision
Soyons honnêtes avant d’aborder les techniques : le modèle ne prendra pas la décision à votre place, et ce n’est pas son rôle. L’apport du raisonnement dans la prise de décision réside dans ce que fournit un bon consultant : l’explicite. Des critères qui restaient implicites, des scénarios que vous n’aviez pas envisagés, des risques que personne n’avait mentionnés : tout cela est mis noir sur blanc, vous laissant le dernier mot, mais avec une information bien plus complète.
Les décisions complexes exigent une analyse multicritère, la prise en compte de différentes perspectives et la capacité d’évaluer les compromis. Ce sont des tâches où un raisonnement structuré apporte une valeur considérable par rapport à une réponse intuitive.
Analyse comparative structurée
Le raisonnement permet des comparaisons méthodiques :
from mistralai.client import Mistral
client = Mistral(api_key="YOUR_API_KEY")
comparison = """My team needs to choose between PostgreSQL and MongoDB for a new application.
Context:
- B2B SaaS project management application
- 500 initial users, target of 10,000 in 2 years
- Structured data (users, projects, tasks) + free-text comments
- Team of 4 developers, all experienced in SQL
- Limited server budget (startup)
Analyze both options and recommend the best one."""
response = client.chat.complete(
model="mistral-small-2603",
reasoning_effort="high",
messages=[
{"role": "system", "content": """Senior technical consultant.
ANALYSIS METHOD:
1. Identify relevant decision criteria
2. Evaluate each option against each criterion
3. Weight criteria based on context
4. Identify risks for each option
5. Formulate an argued recommendation
REFLECTION:
Explore trade-offs. Consider short-term and long-term implications.
RESPONSE:
Clear recommendation with justification, risk mitigation plan."""},
{"role": "user", "content": comparison}
],
)
Analyse de scénarios
Le raisonnement est particulièrement efficace pour explorer les conséquences de différents choix :
scenario = """Our startup (15 employees, $2M ARR) received two offers:
1. Series A funding round of $5M from a VC with 25% dilution
2. Acquisition offer of $12M by a large group (3-year earn-out)
Analyze both scenarios and their implications."""
response = client.chat.complete(
model="mistral-small-2603",
reasoning_effort="high",
messages=[
{"role": "system", "content": """Strategic analyst.
For each scenario, evaluate:
- Financial impact at 1 year, 3 years, 5 years
- Impact on decision-making autonomy
- Risks and probability of realization
- Impact on team and culture"""},
{"role": "user", "content": scenario}
],
)
Motif : Matrice de décision automatisée
Vous pouvez automatiser la construction de matrices de décision :
def decision_matrix(client, options, criteria, context):
"""Generates a structured decision matrix."""
options_text = "\n".join(f"- {opt}" for opt in options)
criteria_text = "\n".join(f"- {crit}" for crit in criteria)
prompt = f"""Context: {context}
Options to evaluate:
{options_text}
Evaluation criteria:
{criteria_text}
For each option, rate each criterion on a scale of 1 to 5.
Justify each rating.
Calculate the total weighted score.
Recommend the optimal option."""
response = client.chat.complete(
model="mistral-small-2603",
reasoning_effort="high",
messages=[
{"role": "system", "content": "Decision analysis expert. Be objective and rigorous in your evaluations."},
{"role": "user", "content": prompt}
],
)
return separer(response.choices[0].message.content)[1] # the response, without the reasoning
# Example: framework selection
result = decision_matrix(
client,
options=["React + Next.js", "Vue + Nuxt", "Svelte + SvelteKit"],
criteria=[
"Learning curve",
"Ecosystem and community",
"Performance",
"Developer recruitment",
"Long-term maintainability"
],
context="Redesign of a B2C e-commerce site, team of 3 junior devs"
)
Analyse des risques
Un raisonnement structuré est idéal pour identifier et évaluer les risques :
risk_analysis = """We plan to migrate our production database
(50 GB, 200 tables, 15 connected applications) from MySQL 5.7 to PostgreSQL 16.
Identify all risks associated with this migration and propose a mitigation plan."""
response = client.chat.complete(
model="mistral-small-2603",
reasoning_effort="high",
messages=[
{"role": "system", "content": """Senior DBA and system architect.
RISK ANALYSIS:
For each identified risk, specify:
- Probability (low/medium/high)
- Impact (low/medium/critical)
- Mitigation plan
- Rollback plan"""},
{"role": "user", "content": risk_analysis}
],
)
Évaluation des compromis
Les décisions techniques impliquent souvent des compromis. Le raisonnement aide à les rendre explicites :
tradeoff = """Microservices vs. monolithic architecture for our application:
Our situation:
- Team of 6 developers
- HR management application
- 3 modules: recruitment, payroll, leave management
- Deployment on Kubernetes
- Need for independent module updates
Analyze the trade-offs of each approach."""
response = client.chat.complete(
model="mistral-small-2603",
reasoning_effort="high",
messages=[{"role": "user", "content": tradeoff}]
)
Motif : L’avocat du diable
C’est le motif le plus précieux de cette leçon, car il corrige un biais que nous partageons tous : une fois une décision prise, nous ne cherchons que la confirmation. Demander explicitement au modèle d’attaquer la décision — trouver les faiblesses, les scénarios d’échec, les hypothèses fragiles — vous oblige à entendre ce qu’aucun collègue n’ose dire et ce que vous ne vous dites plus vous-même :
def challenge_decision(client, decision, context):
"""Plays devil's advocate on a decision."""
prompt = f"""A team has made the following decision:
DECISION: {decision}
CONTEXT: {context}
Play devil's advocate:
1. Identify the 5 main arguments AGAINST this decision
2. For each argument, assess its severity (1-5)
3. Propose conditions under which this decision would be catastrophic
4. Suggest necessary safeguard measures
5. Conclude: Is the decision solid despite the counter-arguments?"""
return client.chat.complete(
model="mistral-small-2603",
reasoning_effort="high",
messages=[
{"role": "system", "content": "Critical analyst. Be incisive but constructive."},
{"role": "user", "content": prompt}
],
)
Small 4 ou Large 4 pour l’analyse ?
Le bon réflexe consiste à aligner le modèle sur la criticité et la réversibilité de la décision. Pour une comparaison simple entre deux options avec des critères clairs, une évaluation rapide ou une décision que vous pouvez corriger la semaine suivante : Mistral Small 4 en mode high fonctionne très bien à moindre coût. En revanche, dès que l’analyse devient multicritère avec des pondérations discutables, que la décision est stratégique et difficilement réversible — un choix d’architecture, une migration en production, un arbitrage financier — ou que le scénario comporte une réelle incertitude, testez Mistral Large 4 en mode high. Un modèle plus performant a plus de chances de faire la différence dans l’exploration des compromis et des cas défavorables, mais seule une comparaison sur vos propres cas vous dira si le surcoût est justifié.
Belangrijkste punten
- Le raisonnement transforme l’analyse décisionnelle en un processus structuré et reproductible.
- Utilisez une invite système qui impose une méthode d’analyse (critères, pondération, risques).
- Les matrices de décision et l’analyse de scénarios bénéficient énormément du raisonnement.
- Le motif de l’avocat du diable exploite le raisonnement pour challenger vos décisions.
- Adaptez le modèle à la criticité de la décision : Small 4 pour les tâches quotidiennes, testez Large 4 pour les décisions stratégiques.