Le modèle n’est plus le problème. C’est le contexte.

L’IA touche aujourd’hui environ 60 % du travail d’ingénierie. Mais à peine un cinquième peut être délégué sans que quelqu’un surveille la sortie [1]. Ce trou de 40 points, on le met sur le dos des modèles. À tort. Le vrai goulot d’étranglement de 2026 n’est plus la puissance brute. C’est ce qu’on donne à manger à la machine.

Le mur, ce n’est jamais le modèle

Pendant deux ans, on a vécu au rythme des benchmarks. Chaque nouveau modèle promettait de débloquer ce que le précédent ne savait pas faire. Sauf que dans la vraie vie, les équipes se cognent contre un mur qui n’a rien à voir avec le modèle.

Le constat est partout le même : on branche un agent sophistiqué sur les meilleurs LLM, on lui ouvre l’accès aux plateformes data de l’entreprise — et il hallucine, se trompe sur une métrique métier basique, ou cale net [2]. Le problème n’est pas l’intelligence de l’agent. C’est qu’il est context-blind : une énorme puissance cognitive, zéro intelligence métier localisée.

Un catalogue de données classique ne suffit pas — c’est un annuaire passif qui te dit qu’une table existe, mais pas comment ton business respire [2]. Le savoir tribal reste dans les têtes, jamais dans le contexte de l’agent.

Huit niveaux pour mesurer où tu en es

Cette maturité, on peut la modéliser. Il y a quelques mois, c’était toi le moteur de contexte : chaque bonne session d’agent tournait sur ta mémoire, sur ce que tu pensais à coller dans le prompt [1].

Puis les équipes sont passées aux fichiers de règles, aux CLAUDE.md. Et la plupart se sont arrêtées là, en silence. Pourquoi ? Parce que les règles pourrissent plus vite que personne ne peut les maintenir à jour. Curer du contexte à la main a un plafond : les règles ne capturent que ce que tu savais déjà devoir écrire [1].

Le vrai saut, c’est la couche de contexte : MCP, skills, agents d’arrière-plan, équipes d’agents — où un contexte synthétisé et conscient des permissions devient porteur. Mais attention au piège : empiler plus d’outils, plus de connecteurs, plus de fenêtre de contexte finit par ne plus aider. Et plus tu pousses vers l’autonomie, plus le mauvais contexte coûte cher.

La preuve par la structure

Si c’est bien le contexte qui fait la différence et pas le modèle, alors on devrait pouvoir battre des modèles frontière avec une meilleure structure. C’est exactement ce que fait l’auteur de Knowledge Agents : il a construit douze « agents de connaissance » spécialisés, chacun injectant le bon savoir dans l’IA branchée dessus [3].

Son agent « marchés financiers » a digéré 10 000 pages de références scannées et une centaine d’articles, pour produire 381 documents de concepts et 54 documents de thèses, avec une recherche hybride BM25 + sémantique [3]. Résultat : quand il code un truc qui demande un savoir pointu, il lance Claude Code dans le dossier de l’agent de connaissance — et obtient de bien meilleurs résultats qu’avec un gros modèle généraliste.

J’ai activement réduit la taille de mes modèles agentiques — tout en égalant la qualité de sortie de certains des plus grands modèles frontière. [3]

Même logique côté open weights. GLM-5.2 reste 4 à 7 mois derrière la frontière, sans vision, moins bon en généralisation [4]. Et pourtant il gagne une place permanente dans l’arsenal : il fait le job à une fraction du prix, et en open weights, il ne pourra jamais t’être retiré du jour au lendemain. La bonne question n’est plus « quel est le meilleur modèle », mais « quel modèle est suffisant, et qu’est-ce que je mets autour ».

Ce qu’il y a vraiment sous le capot

Cette obsession du modèle vient peut-être d’une méconnaissance de ce qu’est réellement un agent. Sous le capot, un agent de code n’a rien de magique : c’est un harness qui exécute des outils pour le compte d’un LLM. Six fonctions dans un imperméable [5] : lire un fichier, en écrire un, l’éditer, lister, chercher, lancer une commande.

Trois de ces six outils suffisent pour un agent de code basique [5]. La différence entre un agent qui patine et un agent qui livre ne se joue pas dans le modèle : elle se joue dans le harness, dans les outils qu’on lui donne, et dans le contexte qu’on lui sert.

Pour les leaders, ça change tout

Si le harness et le contexte deviennent les vrais leviers, le métier de manager change avec. Les règles de leadership d’ingénierie sont en train d’être réécrites [6] :

Une migration complexe peut désormais être portée à 95 % par un seul individu, en 10 % du temps. Mais comme le coût initial s’effondre, l’enjeu de qualité explose : même un petit défaut casse le modèle mental des collègues [6]. L’impact du jugement individuel n’a jamais été aussi élevé. Et si le premier jet de code est quasi gratuit, le code qui marche dépend toujours de ton harness : tests, CI/CD, environnements de validation [6].

Bonne nouvelle au passage : ce qui était le plus utile pour accélérer l’ingénierie il y a deux ans l’est toujours autant aujourd’hui.

Alors la prochaine fois que tu hésites à attendre le prochain modèle pour débloquer ton projet, pose-toi la vraie question : et si le levier n’était pas dans le modèle, mais dans le contexte que tu refuses de structurer ?

---

Sources

1. 8 levels of context maturity in AI-native engineering
2. The Semantic Brain & Operational Muscle: Solving the Enterprise AI Context Deficit
3. Knowledge Agents: Beat Frontier Models with Better Structure
4. GLM-5.2 Is The New Best Open Model
5. A coding agent is six functions in a trenchcoat
6. Revised rules of engineering leadership.

Pour aller plus loin

• GLM-5.2 vs Claude Opus — un duel concret en one-shot : Opus plus rapide et plus propre, GLM-5.2 quatre fois moins cher. Le cas d’école du « suffisant vs frontière ».
• Running local models is good now — l’agentique en local atteint 75 % de la précision frontière sur un Mac. La fin du tout-cloud.
• Everything a Senior Engineer Needs to Know About What’s Inside an LLM — pour comprendre ce qu’il y a vraiment dans la boîte avant de juger un modèle sur ses benchmarks.
• Growing as an engineer in a world of AI — comment continuer à progresser comme ingénieur quand la machine écrit le premier jet.

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.