Les modèles décollent, les outils rament

Un modèle qui bosse 14 heures tout seul et pond en un prompt l’équivalent de plusieurs semaines d’ingénierie : on y est [2]. Alors pourquoi la vraie galère du moment n’est-elle plus le modèle, mais tout ce qu’il y a autour ? Fiabilité des outils, vérification, contexte, souveraineté : le goulot d’étranglement s’est déplacé. Et ça change ce que « faire de l’ingénierie » veut dire.

La capacité, elle, n’a jamais été aussi dingue

Commençons par le constat qui met tout le monde d’accord. Les modèles progressent à un rythme « plus qu’exponentiel » [2]. Epoch a mesuré Opus 4.7 en train de construire, en 14 heures d’autonomie, un logiciel qui aurait pris 2 à 17 semaines à une équipe humaine — pour 251 $ de tokens. De son côté, Ethan Mollick a vu Fable tourner 9 heures d’affilée sur des projets qui auraient occupé une équipe pendant plus d’une semaine.

La conséquence est plus intéressante que les chiffres : on quitte l’ère du chatbot-copilote pour celle de l’agent qu’on pilote. On n’assiste plus l’IA étape par étape, on lui assigne du travail et on revient plus tard.

We are moving from a world where non-experts use chatbots to fill in gaps to one in which experts use agents to get work done.

Et le facteur qui décide de la réussite n’est plus le métier de départ mais l’expertise : plus tu maîtrises ton domaine, plus tu tires de valeur de chaque prompt [2]. Le manager d’agents, c’est l’expert. Pas le prompteur.

Le paradoxe : plus le modèle est bon, moins l’outil est fiable

Sauf qu’à côté de cette courbe qui grimpe, il se passe un truc contre-intuitif. Armin Ronacher a passé deux jours sur un bug étrange : les modèles Anthropic les plus récents (Opus 4.8, Sonnet 5) inventent des champs bidons quand ils appellent l’outil d’édition de Pi — un harness qui n’est pas Claude Code [1]. Le comble : les modèles SOTA sont moins bons sur ce schéma d’outil que leurs aînés.

Son hypothèse fait froid dans le dos. Ce n’est pas une dégradation aléatoire, c’est un artefact d’entraînement. Le post-training se fait de plus en plus dans Claude Code (ou une simulation très proche), un harness maison qui pardonne beaucoup : alias de paramètres, réparation d’Unicode, filtrage silencieux des clés inconnues. Le modèle apprend donc à viser un format d’outil, très précis, et devient hostile à tout autre schéma.

We cannot assume Claude-Code-trained behavior will transfer cleanly to your tools unless they are a close match.

Traduction pour nous : le schéma d’outil n’est plus un contrat abstrait. Plus le post-training se concentre dans un harness dominant, plus tous les autres héritent de ses tics. On rentre dans une forme de lock-in par l’entraînement.

Du coup, le coût s’est déplacé vers la preuve

Si les agents produisent vite mais que l’outillage devient capricieux, la question chère n’est plus « est-ce qu’on peut livrer ? » mais « est-ce que quelqu’un sait vraiment que ça marche ? » [3]. Une branche qui compile, passe la revue et merge peut très bien accueillir son premier utilisateur avec un formulaire qui valide le mauvais champ et un email qui pointe vers le mauvais fil.

C’est toute l’idée de la boucle de vérification : la distance entre une affirmation et sa preuve. La plupart des équipes la ferment avec des humains qui cliquent avant la démo — jusqu’à ce que les agents aillent plus vite que les humains, ce qui était précisément le but. La réponse proposée est de faire de la vérification elle-même un travail d’agent : tester chaque changement dans un vrai navigateur, comme un vrai utilisateur, et ne remonter à l’humain que là où le jugement lui revient [3]. Le mantra : « une matrice verte avec une suite rouge, ce n’est pas prêt ». L’autonomie ne consiste pas à être confiant, mais à être auditable, jusqu’au SHA de commit par scénario.

Et vers le contexte, ce travail ingrat qui paie

L’autre moitié du problème, c’est ce qu’on donne à bouffer à l’agent. Claire Gouze, co-fondatrice de nao Labs, a fait l’expérience proprement : partie de zéro contexte, elle a ajouté des sources une à une en mesurant la fiabilité [4]. Historique de requêtes, profiling, sources « fancy » : plafond à 40 %. Ce qui l’a fait passer à 90 %, c’est le boulot le moins glamour qui soit — nettoyer le modèle de données et écrire de la doc.

Sa formule reste en tête : le context engineering, c’est le nouvel analytics engineering. Le métier n’a pas changé — capturer la connaissance métier tacite et la rendre structurée et fiable — seul le support change : des fichiers markdown au lieu de modèles. Et elle prévient : brancher un agent directement sur chaque source brute, c’est refaire l’erreur des années 2010 qui consistait à plugger son outil de BI sur la base de prod. Le contexte aura besoin de sa propre stack.

Reste la couche qu’on oublie : qui contrôle tes outils

Dernier étage, le plus stratégique. À partir du 10 juillet, Alibaba interdit à ses employés d’utiliser Claude Code, classé « logiciel à haut risque », au profit de son propre outil Qoder [5]. En toile de fond : Anthropic interdit déjà les entreprises chinoises, et un épisode de Claude Code capable d’identifier secrètement les utilisateurs chinois — présenté comme une expérience anti-abus depuis retirée — n’a rien arrangé côté confiance.

Peu importe ici qui a raison. Le signal, c’est que le harness est devenu un actif stratégique. Le même outil qui décuple ta productivité décide aussi de qui voit ton code, où passent tes tokens, et de quel écosystème tu dépends. Ce n’est plus un détail de tooling, c’est une décision d’architecture — et parfois de géopolitique.

Le modèle n’est plus le facteur limitant. Reste à savoir où tu mets ton énergie en 2026 : à courir après le dernier modèle, ou à construire la boucle qui prouve qu’il a bien fait son boulot ?

Sources

Pour aller plus loin

Fable’s judgement — laisser le modèle décider quand tester et déléguer les tâches simples à des sous-agents moins coûteux : le pilotage devient une compétence.
AI Coding Insights — relier la dépense en tokens à ce qui est réellement produit (PR mergées, cycle time), parce que le process derrière le coding agentique est invisible.
Understanding the Dynamics of the AI Ecosystem with Pace Layers — un cadre pour comprendre pourquoi tout ne bouge pas à la même vitesse dans l’IA.
Vercel Took a 10-Person SDR Team Down to 1 — un cas concret de fonction ramenée de 10 personnes à 1 grâce aux agents, avec l’humain qui garde la QA.

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.

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.