Travailler avec l’IA : pourquoi vous perdez du temps, et comment ne plus le faire

Vous avez démarré avec ChatGPT ou Claude, vous avez été impressionné, puis quelque chose a déraillé. Vous réexpliquez le même contexte à chaque session. Les réponses sont correctes mais génériques, jamais vraiment adaptées à votre situation. Vous passez autant de temps à reformuler qu’à produire, et le gain de productivité promis s’est évaporé.

Dans la plupart des cas, le problème vient de la méthode plutôt que du modèle. Les outils ont pourtant beaucoup changé : ils gardent une mémoire, ils lisent vos fichiers, ils se branchent sur votre messagerie et ils exécutent des tâches pendant que vous faites autre chose. Ces briques n’enlèvent rien au cadrage que vous seul pouvez fournir. Les pages qui suivent déroulent donc la méthode du geste le plus simple à l’architecture la plus lourde, avec l’ordre dans lequel s’y prendre.

Le vrai problème : chaque conversation repart de zéro

Un LLM ouvre une fenêtre de contexte, la remplit, puis la referme. Sans mécanisme ajouté, il ignore qui vous êtes, ce que vous avez produit ensemble la semaine dernière et le niveau de qualité que vous attendez. Les éditeurs ont depuis ajouté des mémoires, des projets et des connecteurs, qui atténuent le problème sans le faire disparaître.

Les utilisateurs qui butent sur un plafond après quelques semaines partagent presque tous le même réflexe : ils traitent le modèle comme un moteur de recherche amélioré, en question-réponse ponctuelle, sans lui donner le cadre qui lui permettrait de travailler dans leur univers. Les réponses arrivent plausibles et décontextualisées, les allers-retours s’allongent, et rien ne sort directement utilisable.

Ce problème se règle. Plusieurs approches complémentaires fournissent au modèle le contexte qui lui manque, certaines en quelques minutes, d’autres en quelques heures. Il reste à savoir lesquelles adopter, dans quel ordre, et avec quels outils.

Ce qui a changé dans la façon de travailler avec l’IA

Les méthodes décrites avant 2025 vieillissent mal, parce que six briques ont bougé en profondeur. Les connaître évite de perdre du temps sur des réflexes devenus inutiles.

Les modes de raisonnement se règlent désormais au niveau de l’outil

Les modèles phares décident eux-mêmes du temps qu’ils consacrent à une réponse, ou exposent un réglage d’effort. Claude Fable 5.1 utilise par défaut un raisonnement adaptatif, dans lequel le modèle choisit seul quand et combien réfléchir. GPT-6 Astra expose cinq niveaux d’effort, de low à max. Gemini 3.8 Flash en propose trois, low, medium et high, medium servant de valeur par défaut.

La conséquence tient en une phrase : dicter la manière de réfléchir sert moins que décrire la difficulté réelle de la tâche. Les anciens réflexes de formulation qui ne fonctionnent plus sont détaillés dans notre article sur les prompts qui ne marchent pas.

Les agents sont sortis de la démonstration

OpenAI a lancé ChatGPT Work le 9 juillet 2026, un agent conçu pour les tâches longues : il effectue des recherches, travaille dans les applications et les fichiers connectés, puis rend des documents, des tableurs, des présentations, des rapports ou des pages. Les tâches planifiées ont reçu une nouvelle version le 17 juin 2026, avec une page dédiée qui remplace Pulse, et leurs déclencheurs depuis Gmail, Slack ou GitHub sont arrivés le 25 août 2026, réservés aux offres payantes. Chez Google, Gemini 3.8 Flash est devenu le modèle par défaut des Managed Agents. Le nom Operator, encore présent dans beaucoup de tutoriels, ne figure plus parmi les fonctions que ChatGPT met en avant.

Les connecteurs et MCP ont remplacé le copier-coller

Fournir du contexte ne passe plus seulement par le presse-papiers. ChatGPT se branche sur Gmail, Drive, GitHub et des dizaines d’autres applications, et Claude fait de même à travers le protocole MCP. Le geste utile consiste alors à choisir précisément quelles sources ouvrir, parce qu’un modèle branché sur tout produit des réponses diluées et élargit la surface d’attaque.

La mémoire et les projets deviennent des réglages à surveiller

La mémoire n’est plus une promesse marketing. ChatGPT retient des éléments au fil des échanges et vous laisse les modifier, comme l’explique notre guide sur la mémoire de ChatGPT, et Claude dispose de son propre mécanisme, décrit dans la mémoire de Claude. Cette persistance rend service et introduit un risque nouveau : une préférence notée par erreur se propage à toutes vos conversations suivantes. Relire ce que l’outil a retenu fait partie de la méthode.

Les fichiers de consignes réutilisables se sont standardisés

Le fichier de consignes est devenu un format partagé plutôt qu’une astuce maison. AGENTS.md est un format ouvert né d’une collaboration entre OpenAI Codex, Amp, Jules, Cursor et Factory, désormais piloté par l’Agentic AI Foundation sous l’égide de la Linux Foundation, et revendiqué par plus de 60 000 projets open source. Il est lu par Cursor, Windsurf, VS Code, GitHub Copilot, Gemini CLI, Devin, Aider et Zed. Côté usages non techniques, les Skills de Claude emballent des instructions, des scripts et des ressources dans un dossier que le modèle charge quand la tâche le demande.

L’IA s’est installée dans les suites bureautiques

Le travail avec l’IA ne se déroule plus seulement dans une fenêtre de discussion. Depuis le 11 août 2026, Copilot dans Word permet de choisir des modèles Anthropic à côté des modèles OpenAI. Sonnet 5 y est proposé depuis le 25 août 2026 comme modèle par défaut pour les tâches qui demandent du raisonnement. Dans Excel, Copilot exécute désormais du code Python pour l’analyse, la transformation de données et la simulation, avec un résultat écrit directement dans le classeur. La compétence utile devient alors de savoir quelle tâche confier à l’assistant intégré et laquelle garder dans un outil dédié.

La carte des méthodes : cinq niveaux, du plus immédiat au plus lourd

Le paysage des méthodes est bruyant, et ces termes circulent souvent sans hiérarchie. Certains sont accessibles immédiatement à n’importe qui, d’autres demandent des compétences techniques, et les derniers relèvent du développement logiciel plus que du travail quotidien avec un assistant. Voici comment les situer les uns par rapport aux autres.

Niveau 1 — Le prompt : la base indispensable

La formulation d’une demande reste la compétence qui conditionne toutes les autres. Un prompt solide précise le rôle attendu, le contexte de la demande, le format de sortie et les contraintes à respecter. Sans ce socle, les méthodes avancées restent sous-exploitées. Les techniques qui fonctionnent sont détaillées dans notre guide sur l’art du prompt, et ce guide-ci ne les reprend pas.

Cette base s’applique à tous les outils et ne demande aucun prérequis technique. Le gain apparaît dès la première session.

Niveau 2 — Le contexte persistant : la priorité pour la grande majorité

Le contexte persistant désigne tout mécanisme qui permet à l’outil de connaître votre profil, vos préférences et vos standards d’une session à l’autre. En pratique, cela recouvre les instructions personnalisées, la mémoire, les espaces de travail comme les Projects de ChatGPT ou ceux de Claude, ou simplement un bloc de contexte que vous collez en début de conversation.

C’est la méthode qui produit le meilleur retour sur investissement pour le plus grand nombre. Un profil bien rédigé, trois à cinq paragraphes décrivant votre métier, votre style et vos règles de travail, transforme l’expérience quotidienne. Le modèle ne vous demande plus qui vous êtes, et il adapte ses réponses sans que vous ayez à tout réexpliquer.

Niveau 3 — Les fichiers de référence : pour les projets récurrents

Pour un projet complexe ou répété, production de contenu en série, développement logiciel, gestion de documentation, l’organisation des fichiers de référence représente un saut qualitatif. L’idée consiste à réunir vos règles de style, vos modèles, vos décisions prises et vos exemples de bonnes sorties dans des fichiers que l’outil consulte automatiquement.

Dans un environnement de code, ce rôle est tenu par AGENTS.md, par un fichier de règles propre à l’éditeur ou par un fichier CLAUDE.md. Hors code, les Skills de Claude, les instructions personnalisées de ChatGPT et les Copilot instructions remplissent la même fonction. Cette étape ne demande pas de compétences techniques poussées, mais elle exige un investissement initial de structuration.

Niveau 4 — Les agents : quand l’IA enchaîne les actions

Un agent IA enchaîne des actions de façon autonome pour atteindre un objectif : il cherche de l’information, rédige, vérifie, envoie, puis recommence si le résultat ne convient pas. Un assistant répond à une question, alors qu’un agent exécute une suite de tâches.

ChatGPT Work, le mode agent de Claude, les Managed Agents de Google et des orchestrateurs comme n8n ou Make permettent de construire des enchaînements automatisés qui surveillent une source, produisent un rapport, traitent des données entrantes ou alimentent une chaîne de publication. Le vibe coding, terme introduit par Andrej Karpathy en 2025 pour désigner le fait de coder en décrivant ce qu’on veut, s’inscrit dans la même logique, l’utilisateur pilotant en langage naturel pendant que l’agent produit et itère.

Ce niveau demande de comprendre la notion de flux de travail, de savoir définir des déclencheurs et des conditions. Il s’agit d’une forme de pensée structurée plutôt que de programmation. Le gain devient élevé quand les tâches automatisées sont réellement répétitives et clairement définies.

Niveau 5 — Le RAG et les architectures sur mesure : pour des besoins précis

Le RAG, pour Retrieval-Augmented Generation, permet à un modèle d’interroger une base documentaire externe avant de répondre. Vous indexez vos documents internes, contrats, fiches produit, bases de connaissances, dans un système de recherche vectorielle, et le modèle y puise les passages pertinents. C’est la technologie derrière les assistants d’entreprise qui connaissent les documents maison.

À ce stade, vous entrez dans du développement ou dans de l’intégration. Les serveurs MCP relèvent de la même famille, puisqu’ils donnent au modèle un accès normalisé à des outils et à des sources de données. Ces briques sont utiles et puissantes, et elles ne constituent pas la priorité de quelqu’un qui cherche simplement à mieux travailler au quotidien.

Ce que les études mesurent, plutôt que ce qu’elles promettent

Les chiffres de productivité qui circulent viennent souvent des éditeurs. Trois travaux de recherche donnent une image plus solide, et ils ne racontent pas la même histoire selon la tâche observée.

L’essai de METR mérite d’être lu avec ses réserves : ses auteurs précisent qu’il ne démontre pas l’absence de gain pour la majorité des développeurs, et que son échantillon de spécialistes travaillant sur du code qu’ils connaissent par coeur ne représente pas le développement logiciel en général. Son résultat le plus transposable concerne l’écart entre le gain ressenti et le gain constaté, un écart qui invite à mesurer plutôt qu’à se fier à l’impression.

L’expérience menée chez BCG apporte la notion la plus utile pour organiser son travail, celle de frontière irrégulière. Le modèle excelle sur certaines tâches et échoue sur d’autres qui semblent voisines, sans que la limite soit visible de l’extérieur. Les consultants assistés par l’IA gagnaient du temps sur les tâches situées dans le périmètre du modèle, et ils produisaient davantage de réponses fausses que le groupe sans IA sur celles qui en sortaient. L’étude danoise ajoute la perspective longue : les gains individuels déclarés ne se traduisent pas automatiquement en heures libérées à l’échelle d’une organisation, ce qui rejoint ce que l’on observe sur la conduite du changement dans les projets IA.

La lecture pratique de ces trois travaux tient en une règle : le gain de temps vient du choix des tâches confiées au modèle, bien avant la sophistication de l’outillage.

Par quoi commencer : les trois premières priorités

Si vous partez de zéro, ou si votre usage de l’IA a atteint un plafond, voici l’ordre qui produit le plus d’effet pour le moins d’efforts.

Les agents, le RAG et les architectures sur mesure viennent ensuite, quand les bases tiennent et que vous avez identifié des tâches répétitives assez bien définies pour valoir l’investissement.

Quel outil pour quelle méthode ?

Toutes les méthodes ne s’appliquent pas à tous les outils. Ce tableau donne un repère rapide.

Une précision utile : ChatGPT et Claude ne se comportent pas de la même façon sur le contexte. Les Projects de Claude attachent des fichiers de référence à un espace et les maintiennent dans toutes les conversations de ce projet. ChatGPT combine une mémoire que le modèle alimente lui-même au fil des échanges, des Projects et un jeu de connecteurs plus large. Pour du code, Cursor et Windsurf lisent directement le dépôt, ce qui change la nature du contexte fourni.

Les erreurs de méthode qui coûtent cher

Les démonstrations d’agents autonomes et de pipelines RAG donnent envie de sauter les étapes. Les erreurs qui suivent reviennent le plus souvent, et elles se corrigent toutes sans budget supplémentaire.

• Passer au technique trop tôt — Un agent mal configuré, piloté par des consignes floues, dans un enchaînement sans règle de validation, produit du bruit à grande vitesse. Les utilisateurs qui tirent le plus de valeur de l’IA sont ceux qui ont pris le temps de définir ce qu’ils attendent, dans quel format et avec quelles contraintes.
• Confier une tâche hors du périmètre du modèle — L’expérience menée chez BCG chiffre le coût de cette erreur : hors du périmètre de compétence, les utilisateurs assistés se trompaient 19 points plus souvent que le groupe témoin. Tester la frontière sur vos propres tâches coûte une heure et évite des semaines de corrections.
• Se fier au gain ressenti — Les développeurs de l’essai METR étaient convaincus d’avoir accéléré alors qu’ils avaient ralenti. Un chronomètre et deux tâches témoins suffisent pour trancher.
• Laisser la mémoire décider à votre place — Une préférence mal notée se propage à toutes les conversations suivantes et fabrique des réponses biaisées que vous n’expliquez plus. Relisez périodiquement ce que l’outil a retenu et supprimez ce qui ne sert plus.
• Ouvrir tous les accès à un agent — L’OWASP place l’injection d’invite au premier rang des risques de son Top 10 des applications à base de LLM, et le détournement d’objectif de l’agent en tête de son Top 10 des applications agentiques. Un agent qui lit votre messagerie peut recevoir des instructions cachées dans un message entrant, donc chaque connecteur activé mérite une raison précise.
• Ne pas prévoir de contrôle de sortie — Sans étape de vérification, un enchaînement automatisé publie des affirmations plausibles et fausses, ce que le secteur appelle des hallucinations. La méthode consiste à définir qui relit, et sur quels critères, avant de brancher l’automatisation.

Ce que ça change pour votre quotidien

Adopter une méthode de travail avec l’IA demande un investissement initial modeste, quelques heures pour construire son contexte, repérer sa frontière d’usage et organiser ses fichiers de référence. Ce temps se rembourse ensuite sur chaque tâche.

La différence entre un utilisateur qui se sert de l’IA et un utilisateur qui travaille avec elle ne tient ni au budget ni aux compétences techniques. Elle tient à la rigueur de la préparation. Le modèle fait exactement ce que vous lui donnez les moyens de faire, et il ne devine pas vos standards de qualité.

La suite dépend de votre besoin réel. Des réponses encore tièdes appellent d’abord un travail sur la formulation, avant tout changement d’outillage. Pour un usage centré sur ChatGPT, notre guide pour construire son système ChatGPT déroule le montage complet. Avant d’automatiser quoi que ce soit, regardez ce que font vraiment les agents disponibles aujourd’hui. Chaque étape se construit sur la précédente, et personne n’est obligé d’aller plus loin que son usage.