Tu as commenté AGENT. Voici ce que je t'avais promis. Les principes qui expliquent pourquoi un modèle bien moins intelligent dans un bon système bat un modèle extrêmement intelligent dans un mauvais système. Et le minimum de solutions pour installer un système complet et pertinent chez toi. Lis la Partie 1 d'abord. La Partie 2 n'est qu'une liste de fichiers si tu n'as pas les principes qui vont avec.
<aside> ⚠️
Tu n'as pas encore Claude Code ?
Copie ce prompt dans ton IA (Claude, ChatGPT, un autre assistant) :
Aide-moi à installer Claude Code sur mon ordinateur.
Avant de commencer, va lire la documentation officielle https://code.claude.com/docs/en/setup
sans te fier à tes seules connaissances pré-entraînement : elle porte la procédure exacte
selon mon système (Mac, Windows, Linux) et la dernière version.
Ensuite, donne-moi les étapes une par une, en supposant que je n'ai jamais ouvert un terminal.
Ton IA va te guider pas à pas. Reviens ici après : tout ce qui suit t'attend.
</aside>
<aside> ✅
Tu l'as installé mais tu l'utilises encore peu ? Tu es au bon endroit, et c'est même le meilleur moment.
Poser un cadre avant d'avoir pris de mauvaises habitudes coûte dix fois moins cher que de le poser après. Cette page ne suppose aucune maîtrise : elle se lit du début à la fin, et chaque brique est utilisable seule. Continue, c'est en t'en servant que ça devient évident.
</aside>
<aside> 💡
Tu utilises un autre outil que Claude Code ?
Rien ici ne dépend de Claude Code. C'est le tronc commun de tous les assistants qui travaillent en autonomie sur ton projet : un fichier d'instructions, des règles, un savoir injecté, des permissions, une trace. Sur Codex (OpenAI), sur Cursor, sur Copilot CLI, sur Antigravity CLI (Google, qui a remplacé Gemini CLI pour les particuliers le 18 juin 2026) et sur Devin Desktop (l'ex-Windsurf, renommé le 2 juin 2026), le principe est identique : seul le nom du fichier change.
Une nuance à connaître avant de te lancer : AGENTS.md est un vrai standard partagé entre éditeurs, mais Claude Code lit CLAUDE.md, pas AGENTS.md (documenté par Anthropic). Ne pose donc pas un seul fichier en croyant qu'il sera lu partout.
Copie ce prompt dans ton outil pour transposer :
J'utilise [nom de mon outil] et je veux appliquer ce principe : donner à mon assistant un cadre
écrit, des règles qui s'exécutent, mon expertise métier embarquée, un périmètre limité et une trace
de mes décisions.
Avant de répondre, va lire la documentation officielle de mon outil si elle existe, pour ne pas te
baser sur des suppositions.
Dis-moi ensuite : quel est l'équivalent chez moi (nom du fichier, emplacement), ce qui marche
pareil, et ce qui n'a pas d'équivalent. Ne présume rien : si l'équivalent n'existe pas, dis-le.
Liste des outils vérifiée le 2 août 2026. L'écosystème change de nom vite : si tu lis ceci bien plus tard, fais confirmer les noms par le prompt ci-dessus plutôt qu'à cette liste.
</aside>
<aside> 🧭
Tu ne codes pas ? Lis quand même.
Rien ici n'est réservé aux développeurs. Ce que cette page appelle « le système », chez toi ce sont tes procédures métier : la façon dont tu traites un dossier client, dont tu chiffres une offre, dont tu valides avant d'envoyer.
Un cabinet qui laisse une IA rédiger des conclusions sans lui donner ses modèles ni ses interdits obtient du texte générique et convaincant, exactement comme un développeur qui la laisse coder sans cadre. Un indépendant qui n'a jamais écrit ses fourchettes de prix quelque part les verra réinventées à chaque devis. Une boutique en ligne qui n'a pas de règle bloquante sur les remises en verra une passer.
La règle protège même quand la personne se trompe. Le principe est le même, seuls les exemples changent.
</aside>
Une IA qui contourne ses garde-fous pour atteindre son objectif, ce n'est pas rassurant, mais ce n'est pas non plus la mauvaise nouvelle qu'on en fait. Ça prouve surtout une chose : elle est puissante, et elle est capable de trouver le chemin que tu n'avais pas prévu. Le phénomène a d'ailleurs un nom dans la recherche depuis des années (on parle de specification gaming, ou de reward hacking) : ce n'est ni nouveau, ni un accident.
Le vrai problème est ailleurs. Il est dans ce qu'il y a autour du modèle.
Quand tu implémentes de l'intelligence artificielle dans un environnement de travail réel, surtout en coordination avec des équipes, tu as besoin de trois choses que personne ne te vend jamais avec le modèle : du contrôle, du prédictible, du précis. Un modèle livré à lui-même ne te donne aucune des trois. Il n'en fait qu'à sa tête, et il ne respecte pas les règles que tu attends pourtant aussi bien d'un être humain que d'une machine.
Et il fait autre chose, plus discret et plus coûteux : il va chercher une expertise à l'extérieur de la tienne. Des informations de surface, génériques, qui n'auront jamais la pertinence de ce qui vient de tes années d'expérience. Alors que la raison pour laquelle tu l'as installé, c'est exactement l'inverse : pour qu'il s'approprie ton expertise et l'exécute.
D'où la conclusion, qui est le sujet de cette page :
Un modèle bien moins intelligent dans un bon système est beaucoup mieux qu'un modèle extrêmement intelligent dans un mauvais système.
La Partie 1 t'explique les cinq principes qui rendent cette phrase vraie, et te donne un test de dix minutes pour savoir de quel côté tu te situes. La Partie 2 te donne le système à installer, brique par brique.
C'est contre-intuitif, et c'est mesuré.
En juillet 2025, l'équipe de recherche de Chroma a publié une étude sur 18 modèles issus des quatre grandes familles (Anthropic, OpenAI, Google, Alibaba). Le constat, dans leurs mots : « les modèles n'utilisent pas leur contexte de manière uniforme ; leur performance devient de plus en plus peu fiable à mesure que la longueur de l'entrée augmente ». Et ils précisent que la dégradation se produit même sur des tâches simples, souvent de façon surprenante et irrégulière.
Autrement dit : ce n'est pas parce qu'un modèle est capable d'avaler beaucoup qu'il traite bien tout ce que tu lui donnes. Le facteur limitant n'est pas son intelligence, c'est la forme de ce que tu poses autour de lui.
Anthropic est arrivé au même endroit par un autre chemin, en nommant la discipline : le context engineering. Leur formulation vaut d'être retenue telle quelle : le contexte est une ressource finie à rendements décroissants, et un modèle dispose d'un « budget d'attention » qu'il dépense en lisant tout ce que tu lui envoies.