Ce que j’apprendrais à la place du Prompt Engineering en 2027.

Le créateur de Claude Code, un outil d'IA, utilise désormais Claude directement via Slack, le traitant comme un employé auquel il confie des missions et qu'il revoit plus tard. Il ne passe plus son temps à peaufiner des prompts, mais délègue entièrement. Chez Anthropic, plus de 80% du code produit est généré par Claude, et non par des ingénieurs. Le prompt engineering, tel qu'on le connaissait, est mort, remplacé par une approche de management. L'IA est passée du statut d'outil à celui d'employé permanent. Un outil est utilisé ponctuellement, tandis qu'un employé est présent en continu, travaillant même en l'absence de son superviseur et ne demandant une intervention que pour des décisions. Boris Cherny, le créateur de Claude Code, a réécrit une application pour Mac en quatre phrases, une tâche qui a pris plus de deux semaines à Claude, qui demandait des validations ponctuelles. Un chercheur chez Anthropic a construit un compilateur, un logiciel complexe, avec 16 agents Claude, en une seule phrase avec l'instruction "Continue jusqu'à ce que ce soit parfait". Ces tâches, menées de manière autonome, expliquent le chiffre de plus de 80% de code écrit par Claude et la productivité accrue des ingénieurs. Il y a 18 mois, l'idée d'entreprises fonctionnant avec des employés IA semblait irréaliste, car ces agents étaient incapables de tâches simples comme répondre à un e-mail sans erreurs. Désormais, les règles du jeu ont changé. Avant, la compétence clé était la formulation des demandes (prompt engineering), avec une industrie entière dédiée à la vente de prompts. Les modèles étaient fragiles, et un mot mal choisi pouvait altérer la réponse. Ensuite, le "context engineering" a émergé, mettant l'accent sur l'information fournie plutôt que sur les mots magiques. Bien que ce fût un progrès, cela restait artisanal. Aujourd'hui, les modèles, notamment chez Anthropic, sont si puissants que ces approches sont obsolètes. Selon Boris Cherny, l'important est de confier à Claude des tâches ambitieuses et de lui donner les moyens de vérifier son travail. Pour briefer une IA, il faut adopter la même approche qu'avec un salarié humain. Au lieu d'un prompt avec des balises, on donne un objectif, on explique le contexte, on fournit un exemple, puis on fait confiance. Ce processus s'appelle le management, pas le prompting. Le guide d'Anthropic recommande de traiter Claude comme un employé brillant mais nouveau, qui doit apprendre les habitudes et les processus de travail. Le brief se compose de trois éléments : l'objectif, le contexte et l'exemple. Contrairement à un prompt qui disparaît après usage, un brief est stocké dans la mémoire de l'IA et dans les procédures, permettant un travail autonome sur plusieurs jours ou semaines. Le prompt génère une réponse, tandis que le brief, à travers le management, crée un système, un salarié avec des procédures. Le premier élément, l'objectif, utilise le framework SMART (Spécifique, Mesurable, Atteignable, Réaliste, Temporellement défini). Pour une IA, "Mesurable" est crucial, car sans cela, l'IA ne peut pas vérifier son travail ni savoir si la tâche est accomplie correctement. Par exemple, demander à Claude de trouver des prospects sans critères précis ne lui permet pas de juger de la qualité des résultats. En revanche, demander "20 entreprises du bâtiment en Gironde entre 10 et 50 salariés, avec le nom du gérant et un numéro de téléphone viable" lui permet de mesurer son succès. Le deuxième élément est le contexte. Au lieu de le reconstituer à chaque conversation (context engineering), on lui donne des accès permanents. Par exemple, l'outil Arcane de Wolf est connecté en permanence aux outils, clients, processus et langage de l'entreprise, lui permettant de comprendre le pourquoi et le comment du travail. Claude lui-même dispose d'une mémoire, de connecteurs (Drive, e-mails, Slack, CRM) et de "skills" (fiches de procédure), le rapprochant d'un nouvel employé auquel on fournit le contexte nécessaire. La troisième brique, l'exemple, est souvent négligée. Il faut fournir un modèle à copier pour que l'IA comprenne ce qu'est un "bon travail". Cela implique de réaliser la tâche soi-même une première fois. La proposition commerciale, l'audit client, le mail de relance, tous constituent des exemples précieux. Ce temps passé à effectuer la tâche manuellement est rentable car il crée le modèle pour l'IA. Après avoir défini l'objectif, le contexte et l'exemple, le travail n'est pas terminé. Il faut itérer. Refaire la tâche plusieurs fois (5, 10, 20 fois) pour que l'IA apprenne ce qui est attendu et ce qui ne l'est pas. Il faut observer les résultats, identifier les erreurs et les points à améliorer, et fournir ce retour à l'IA. Ce processus mène à la création d'une procédure standard (SOP), un document précieux qui peut être utilisé pendant des années. De plus, l'employé IA s'améliore continuellement avec les nouvelles générations de modèles, sans effort supplémentaire de la part de l'utilisateur. Cependant, un employé IA a un coût. Chaque mission consomme des tokens, et un agent travaillant pendant des semaines peut coûter des centaines, voire des milliers d'euros par mois. Les entreprises fonctionnant entièrement à l'IA peuvent dépenser l'équivalent d'un salaire de cadre en tokens. Il faut donc auditer et gérer ces coûts. Trois règles sont essentielles : 1. **Bon profil pour le bon poste :** Utiliser le modèle approprié pour la tâche (IKU pour les tâches simples, Sonnet pour les tâches courantes, Opus ou Fable pour la création de valeur). 2. **Éviter le refroidissement (prompt caching) :** Travailler par blocs de tâches pour que l'IA conserve le contexte et évite de tout relire, ce qui coûte cher. 3. **Ne pas créer trop d'employés IA :** Souvent, un seul agent suffit pour 80% des tâches, idéalement intégré dans un canal d'équipe (Slack) pour faciliter l'accès. Des agents spécifiques peuvent être créés pour des tâches bien définies. La méthode complète pour utiliser l'IA implique un objectif mesurable, du contexte, un exemple pour le brief, des itérations pour créer des procédures, et une gestion des coûts. Le travail de consultant IA consiste justement à aider les entreprises dans ce processus, car elles manquent de temps et d'expertise. Il s'agit de management, pas de technologie pure. La question clé n'est pas la compétence technique, mais la capacité à manager l'IA. Cela implique la compréhension du business, de l'entreprise, de ses flux financiers, l'identification et l'optimisation des processus. L'IA ne peut pas le faire seule car elle ne connaît