Tu ne prompts plus l’agent. Tu construis l’usine autour.

Pendant deux ans, bien utiliser un agent de code, c’était écrire un bon prompt. Tu tapes, tu lis, tu retapes. Et si ce n’était plus ça le métier ? En une seule semaine, GitHub s’est rempli d’outils open source pour reviewer, isoler et orchestrer le code écrit par l’IA. Le modèle n’est plus le goulot d’étranglement. Le chantier, c’est tout ce qu’il y a autour.

Le prompt est mort, vive la boucle

Addy Osmani a posé un mot sur ce qui se passe : le Loop Engineering [1]. L’idée est radicale — tu arrêtes d’être la personne qui prompte l’agent, tu conçois le système qui le fait à ta place. Une boucle, c’est un objectif récursif : tu définis un but, l’IA itère jusqu’à ce que ce soit fini.

Il cite le responsable de Claude Code chez Anthropic :

“Je ne prompte plus Claude. J’ai des boucles qui tournent, qui promptent Claude et décident quoi faire. Mon job, c’est d’écrire des boucles.”

Ce qui est frappant, c’est que ce n’est plus une affaire d’outil. Il y a un an, une boucle, c’était un tas de scripts bash que tu maintenais seul. Aujourd’hui les briques — automatisations planifiées, worktrees parallèles, mémoire partagée — sont livrées dans les produits [1]. Osmani lui-même reste prudent : c’est tôt, les coûts en tokens peuvent exploser, et la question du “slop” reste posée. Mais la direction est là.

Si l’IA écrit le code, qui le relit ?

Première conséquence très concrète : “le code review a cassé quand l’IA s’est mise à écrire le code” [2]. Un humain qui review 50 lignes, ça va. Un humain face à un agent qui produit des milliers de lignes par jour, ça ne tient plus.

D’où la vague d’outils de review open source qui débarquent en même temps. Alibaba a publié open-code-review [3], son outil interne battle-tested : architecture hybride, pipelines déterministes plus agent LLM, commentaires précis à la ligne, ruleset fine-tuné (NPE, thread-safety, XSS, injection SQL), compatible OpenAI comme Anthropic. La logique change : on ne lance plus un seul passage LLM avec une checklist figée. Les nouveaux outils compilent une stratégie de review par PR — agents sécurité pour les changements d’auth, agents schéma pour les migrations — pour quelques centimes par review sur des modèles ouverts [2].

Donner à chaque agent son propre ordinateur

Deuxième brique : où fais-tu tourner du code généré par une IA sans tout faire sauter ? La réponse du moment, ce sont les sandboxes. Microsandbox lance des micro-VM en quelques millisecondes, en local, sans serveur ni démon — “le moyen le plus simple de donner à ton agent son propre ordinateur” [4].

L’écosystème se structure déjà par couches. Les sandboxes te donnent l’exécution isolée, mais pas le reste : file de jobs, historique d’exécution, retries, replay. Des outils comme TakoVM viennent empaqueter tout ça par-dessus. On est en train de construire l’infrastructure de production de l’IA agentique, sous nos yeux, en open source.

Le vrai mur n’est pas le modèle, c’est le contexte

Pourquoi tout ça maintenant ? Parce que le plafond n’est plus la puissance du modèle. L’IA intervient déjà dans environ 60 % du travail d’ingénierie, mais seul un cinquième peut réellement être délégué sans surveillance [5]. Ce gap n’est pas un problème de modèle. C’est un problème de contexte.

Le constat fait mal quand on s’y reconnaît : “il n’y a pas si longtemps, c’était toi le moteur de contexte” [5]. Les équipes passent aux fichiers de règles et aux CLAUDE.md, puis stagnent : les règles pourrissent plus vite qu’on ne les met à jour. Le saut suivant — MCP, skills, agents de fond, équipes d’agents — exige un vrai layer de contexte, synthétisé et conscient des permissions, avant qu’un humain puisse sortir de la boucle.

C’est exactement ce que décrivent les retours sur Claude Code à grande échelle : il navigue dans la codebase comme un ingénieur, via grep et lecture de fichiers, sans index RAG à maintenir [6]. L’avantage : pas de pipeline d’embedding en retard de plusieurs semaines sur la codebase réelle. Le revers : ça ne marche bien que si l’agent a assez de contexte de départ pour savoir où chercher. Encore le contexte.

Ce que ça change pour ceux qui font

Quand l’infrastructure est en place, le métier glisse. Un designer de Jane Street raconte qu’il “conçoit désormais avec Claude plus qu’avec Figma” [7]. Au lieu de specs et de maquettes, il construit des prototypes qui font exactement la chose qu’il a en tête, itère 50 fois sans fatigue, et soumet une feature qui se comporte déjà comme il veut. “Tout l’effort est allé dans l’amélioration de l’artefact réel, et rien dans le travail intermédiaire.”

Mais cette fluidité a un prix, littéralement. Un agent qui boucle renvoie tout le contexte à chaque étape et appelle le modèle le plus cher disponible — la facture grimpe vite [2]. D’où l’autre chantier discret de la semaine : le routing intelligent, envoyer chaque appel au modèle juste assez capable, pas au plus cher par défaut.

On a passé deux ans à demander aux modèles d’écrire du code. On va passer les prochains à construire l’usine qui le rend fiable, isolé et abordable. La vraie question n’est plus “est-ce que l’IA sait coder ?” — mais “qu’est-ce que tu mets autour pour pouvoir lui faire confiance ?”

---

Sources

1. Addy Osmani on X: “Loop Engineering.”
2. Token Spend Out of Control? The Case for Smarter Routing
3. GitHub - alibaba/open-code-review
4. GitHub - superradcompany/microsandbox: 🧱 local-first and microVM-backed sandboxes for AI agents
5. 8 levels of context maturity in AI-native engineering
6. How Claude Code works in large codebases: Best practices and where to start
7. I design with Claude more than Figma now

Pour aller plus loin

• GitHub - Agent-Field/pr-af: AI-Native multi-agent Code Reviewer Built on AgentField — un reviewer multi-agent qui forge une stratégie sur mesure par PR, ~0,80 $ pour 500 lignes.
• GitHub - las7/TakoVM: Isolated AI workload execution with job execution built in — la couche au-dessus du sandbox : file de jobs, historique, retries et replay pour exécuter du code IA en prod.
• GitHub - google/skills: Agent Skills for Google products and technologies — Google publie ses skills d’agent, signe que la couche “compétences” se standardise.
• ChatGPT failed to kill Google Search — le contrepoint utile : malgré le hype, Google n’a pas vacillé et ses requêtes battent des records.

Cet article a été rédigé en m’appuyant sur une IA pour m’aider à synthétiser et structurer ma veille. Les idées, le choix des sources et la relecture restent les miens.