L'ecosysteme Microsoft : Copilot, Foundry, Copilot Studio#

Si ton entreprise tourne sous Microsoft 365, l'IA est deja dans tes outils. Voici les quatre etages, du plus simple au plus technique.

Temps de lecture : 16 min | Niveau : Intermediaire

Ce que tu sauras faire apres#

• Appliquer la methode de prompt Microsoft : but, contexte, attentes, source.
• Utiliser Copilot dans Excel pour analyser un fichier et generer des colonnes de formules.
• Configurer les custom instructions de GitHub Copilot au bon endroit dans ton depot.
• Situer Microsoft Foundry, Copilot Studio et Semantic Kernel les uns par rapport aux autres.
• Appliquer les techniques de prompt documentees par Microsoft, y compris leurs limites.

1. Les quatre etages de l'ecosysteme#

Et en transverse : Semantic Kernel, le SDK open source pour construire des agents en C#, Python ou Java.

Renommage majeur. Ce qui s'appelait Azure AI Studio puis Azure AI Foundry s'appelle maintenant Microsoft Foundry. Les anciens noms circulent encore beaucoup. La documentation officielle fournit une table d'equivalence, reprise plus bas.

2. La methode de prompt Microsoft : but, contexte, attentes, source#

Microsoft documente quatre elements pour un bon prompt Copilot.

Deux precisions importantes, chacune tiree d'une page differente :

1. Seul un but clair est obligatoire. La page "Get started writing prompts" l'ecrit explicitement : "all that's required is a clear goal". Mais tu auras souvent besoin de plus que le but pour obtenir ce que tu veux.
2. L'ordre compte. La page "Get better Copilot responses with great prompting" recommande de placer l'information de source en dernier : "put that information last".

Template pret a copier#

[BUT] [VERBE_D_ACTION] [OBJET_PRECIS].
[CONTEXTE] C est pour [USAGE / PUBLIC / OBJECTIF_METIER].
[ATTENTES] Format : [STRUCTURE]. Longueur : [LONGUEUR]. Ton : [TON].
[SOURCE] Appuie-toi sur [FICHIER / FIL_DE_MAILS / REUNION / PLAGE_EXCEL].

AVANT / APRES : un compte rendu d'incident data#

Avant (mauvais).

Fais un resume de l incident.

Apres (bon).

Redige un compte rendu de l incident du pipeline de chargement des ventes.
C est pour le comite hebdomadaire data, lu par des managers non techniques.
Format : trois sections courtes (ce qui s est passe, impact chiffre, actions).
Longueur : 200 mots maximum. Ton : factuel, sans jargon.
Appuie-toi sur le fil de mails "Incident daily_sales" et sur le fichier
suivi_incidents_2026.xlsx.

Pourquoi c'est mieux. Les quatre elements y sont, et la source est bien en dernier comme recommande. Le resultat est directement utilisable, sans reprise.

3. Copilot dans Excel : ce qui est reellement utile pour un data analyst#

Capacites documentees de Copilot in Excel :

Le conseil officiel qui change le plus les resultats tient en une phrase. La page de conseils Copilot dans Excel dit : "Name the columns or ranges you want Copilot to work with". Autrement dit : nomme les colonnes ou les plages. C'est surtout vrai pour la mise en forme et l'analyse.

Deux autres reflexes de la meme page :

• Etre precis. Plus tu donnes de detail, plus la reponse est utile.
• Commencer large, puis affiner. Si le resultat ne convient pas, ajoute du detail et redemande.

Template de prompt Excel#

Dans la feuille [NOM_FEUILLE], ajoute une colonne [NOM_NOUVELLE_COLONNE] qui calcule
[DESCRIPTION_DU_CALCUL] a partir des colonnes [COLONNE_A] et [COLONNE_B].
Explique la formule en une phrase.

Pour une analyse :

Dans la feuille [NOM_FEUILLE], identifie les [N] lignes ou [COLONNE_MESURE] s ecarte le plus
de la moyenne de son groupe [COLONNE_GROUPE].
Presente le resultat sous forme de tableau avec [COLONNE_1], [COLONNE_2], l ecart et son signe.

4. GitHub Copilot : la partie developpement#

GitHub Copilot est decrit comme un assistant IA qui aide a ecrire, comprendre et livrer du logiciel. Fonctionnalites documentees :

• Suggestions de code pendant la frappe.
• Chat : repondre a des questions sur une base de code, expliquer du code.
• Mode agent : tu decris un objectif, Copilot enchaine plusieurs etapes. Il explore un depot, propose un plan, edite des fichiers, relit des pull requests, lance des outils et prepare des taches pour ta revue.
• Revue de code et de pull requests, avec resumes et suggestions.
• Personnalisations : instructions, prompts reutilisables, contexte de depot, outils externes, agent skills et agents personnalises.
• Support MCP : des serveurs MCP d'autres fournisseurs fonctionnent avec Copilot.

Les fichiers d'instructions : les chemins exacts#

C'est la partie a connaitre par coeur, parce que le mauvais emplacement = instructions ignorees.

Ordre de priorite documente : instructions personnelles > instructions de depot > instructions d'organisation.

Point pratique pour toi : si tu utilises a la fois Claude Code et GitHub Copilot sur le meme depot, un seul AGENTS.md bien ecrit peut servir aux deux.

Template .github/copilot-instructions.md#

# Instructions pour ce depot

## Contexte
Ce depot contient [DESCRIPTION_DU_PROJET] en [LANGAGES].

## Conventions
- Nommage : [CONVENTION_DE_NOMMAGE]
- Tests : chaque nouvelle fonction doit avoir un test dans [DOSSIER_TESTS].
- SQL : dialecte [DIALECTE], mots-cles en majuscules, colonnes en snake_case.

## A ne pas faire
- Ne modifie jamais [FICHIER_OU_DOSSIER_SENSIBLE].
- N ajoute pas de dependance sans la declarer dans [FICHIER_DEPENDANCES].

## Commandes
- Tests : [COMMANDE_TESTS]
- Lint : [COMMANDE_LINT]

5. Microsoft Foundry : la plateforme#

Microsoft Foundry unifie agents, modeles et outils sous un seul groupe de gestion, avec du tracage, du monitoring, des evaluations et une configuration d'entreprise. Portail : ai.azure.com.

Ce que tu peux y construire :

Le choix se fait sur un axe declaratif vers code complet :

• Declaratif : tu donnes des instructions, choisis un modele, attaches des outils dans le portail ou le SDK. Foundry heberge et execute. C'est le prompt agent.
• Code complet : tu apportes ton code ou ton framework (Microsoft Agent Framework, LangGraph, Semantic Kernel), tu l'empaquettes en conteneur, Foundry l'execute avec endpoint gere, scaling, identite et observabilite. C'est le hosted agent.

La table d'equivalence officielle ancien / nouveau#

Detail interessant pour toi : Foundry documente explicitement l'usage depuis des agents de codage comme GitHub Copilot ou Claude Code, via la Foundry Skill et un serveur MCP.

6. Copilot Studio : le low-code#

Microsoft Copilot Studio est un studio graphique low-code pour construire et gerer des agents et des workflows. Adresse : copilotstudio.microsoft.com.

Trois briques de construction :

• Agents : assistants qui gerent des conversations et accomplissent des taches, en suivant tes instructions, en s'appuyant sur les sources de connaissance connectees et en utilisant des outils.
• Workflows : automatisations construites par glisser-deposer, avec tests integres et controles human-in-the-loop.
• Agent flows : le format de flux etabli, proche de Power Automate. Utilisables seuls ou attaches a un agent comme outil.

Concept a connaitre : le harness (le moteur qui execute le travail). Trois options documentees :

Sur le standard harness, l'agent fait correspondre une demande a un topic : une portion de conversation que tu concois avec des etapes, questions et conditions.

Cote exploitation : Analytics (performance, metriques, sessions), Evaluations (jeux de tests et bibliotheque de graders), Administration (inventaire des agents, RBAC, gestion des couts).

7. Semantic Kernel : le SDK#

Semantic Kernel est un kit de developpement open source, leger, qui permet de construire des agents IA et d'integrer des modeles dans une base de code C#, Python ou Java. Il agit comme un middleware.

Le fonctionnement est simple a retenir : tu decris ton code existant au modele, le modele demande l'appel d'une fonction, et Semantic Kernel traduit cette demande en appel de fonction reel puis renvoie le resultat au modele. Tu ajoutes ton code existant sous forme de plugin, et Semantic Kernel utilise des specifications OpenAPI pour que ces extensions soient partageables.

La page d'introduction de Semantic Kernel porte une date de mise a jour ancienne. Verifie l'etat du SDK et sa relation avec Microsoft Agent Framework avant de demarrer un projet neuf.

8. Les techniques de prompt documentees par Microsoft#

La page "Prompt engineering techniques" de Microsoft Foundry est une des plus completes du marche. Elle commence par un avertissement important : ces techniques ne sont pas recommandees pour les modeles de raisonnement comme gpt-5 et les modeles de la serie o.

Les composantes d'un prompt selon Microsoft :

1. Instructions : ce que le modele doit faire.
2. Primary content : le texte que le modele traite ou transforme.
3. Examples : one-shot ou few-shot, des paires entree / sortie.
4. Cue : une amorce en fin de prompt qui oriente la forme de la sortie.
5. Supporting content : informations de contexte (date, nom d'utilisateur, preferences).

Techniques documentees, utiles au quotidien :

• Commencer par des instructions claires, avant le contexte et les exemples. Nuance honnete de la page : sur ChatGPT et GPT-4, leurs tests n'ont montre aucune difference selon que la consigne etait au debut ou a la fin. La technique reste recommandee, mais ne compte pas dessus pour sauver un mauvais prompt.
• Repeter les instructions a la fin : les modeles ont un biais de recence, l'information de fin de prompt peut peser plus lourd.
• Amorcer la sortie (prime the output) : terminer par Voici la liste a puces des points cles : pousse au bon format.
• Ajouter une syntaxe claire : des separateurs --- entre les sections, des titres en majuscules. Si tu hesites, utilise Markdown ou XML, sur lesquels les modeles ont beaucoup ete entraines.
• Decouper la tache en plusieurs etapes.
• Chaine de pensee (chain of thought) : demander au modele de proceder etape par etape. La page precise que cette technique ne vaut que pour les modeles qui ne raisonnent pas : sur un modele de raisonnement, essayer d'extraire le raisonnement autrement que par le parametre de resume n'est pas supporte.
• Specifier la structure de sortie et demander des citations : demander des citations reduit les reponses fausses, car le modele doit alors faire deux erreurs au lieu d'une. Les citations en ligne sont plus efficaces que celles en fin de texte.
• Donner une porte de sortie au modele : par exemple "reponds non trouve si la reponse n'est pas presente".

Les cinq bonnes pratiques resumees par Microsoft : etre specifique, etre descriptif, doubler (repeter les consignes avant et apres le contenu), l'ordre compte, donner une porte de sortie.

Sur les parametres : temperature va de 0 a 2. Une valeur haute (0.7) rend la sortie plus aleatoire, une valeur basse (0.2) plus focalisee. top_probability controle aussi l'aleatoire, differemment. La recommandation generale est de modifier l'un ou l'autre, pas les deux en meme temps.

A retenir#

• La methode Microsoft : but, contexte, attentes, source avec la source en dernier.
• Dans Excel, nomme les colonnes : c'est le conseil officiel le plus rentable.
• GitHub Copilot lit .github/copilot-instructions.md et AGENTS.md : le plus proche l'emporte, et les instructions personnelles sont prioritaires.
• Azure AI Foundry s'appelle Microsoft Foundry, et Assistants API est devenu Responses API.
• Copilot Studio distingue agents, workflows et agent flows, chacun sur un harness.
• Les techniques de prompt Microsoft ne sont pas recommandees pour les modeles de raisonnement.

Sources#

• Get started writing prompts in Microsoft 365 Copilot - Microsoft Support
• Get better Copilot responses with great prompting - Microsoft Support
• Copilot in Excel help & learning - Microsoft Support
• Copilot in Excel tips - Microsoft Support
• What is GitHub Copilot? - GitHub Docs
• Add repository custom instructions - GitHub Docs
• What is Microsoft Foundry? - Microsoft Learn
• Prompt engineering techniques - Microsoft Foundry
• Overview - Microsoft Copilot Studio
• Introduction to Semantic Kernel - Microsoft Learn
• microsoft-foundry/foundry-samples - code d'exemple sur Microsoft Foundry, range par langage (samples/python, samples/csharp)
• microsoft/semantic-kernel - le SDK Semantic Kernel lui-meme, avec ses exemples de prompts (prompt_template_samples/) et son code Python (python/)