TL;DRDepuis plus d'un an, changer de modèle d'IA n'améliore plus vraiment vos résultats. Ce qui fait la différence, c'est la qualité de l'environnement et du contexte que vous lui fournissez, ce que les ingénieurs appellent désormais le harness.

Le constat qui revient chez les développeurs assistés par IA#

Depuis plus d'un an, le constat se répète chez les équipes qui utilisent l'IA au quotidien pour développer : passer d'une génération de modèle à la suivante n'améliore plus vraiment la qualité du code produit en usage professionnel. Le facteur limitant s'est déplacé ailleurs. Anthropic a formalisé ce déplacement dans un billet technique consacré au context engineering, présenté comme le prolongement naturel du prompt engineering : il ne s'agit plus seulement de bien formuler une instruction, mais de sélectionner et de maintenir le bon ensemble d'informations tout au long de l'inférence du modèle, tâche après tâche.

Ce déplacement a une conséquence directe pour toute entreprise qui utilise des assistants IA : le choix du modèle compte moins que ce que l'on sait fabriquer autour de lui.

Pourquoi un agent IA « oublie » tout entre deux sessions#

Anthropic décrit une difficulté structurelle propre aux agents qui travaillent sur des tâches longues : ils doivent opérer à travers de nombreuses fenêtres de contexte successives, et chaque nouvelle session démarre sans mémoire de ce qui a été fait avant. La solution retenue s'inspire de la façon dont un ingénieur humain reprend un projet en cours : un agent comprend rapidement l'état d'avancement d'un travail grâce à un fichier de suivi tenu à jour, combiné à l'historique Git du projet, plutôt que de devoir tout redéduire du code à chaque reprise.

La conception de cet environnement — ce qu'Anthropic appelle le harness — devient ainsi un facteur de réussite au moins aussi déterminant que les capacités brutes du modèle utilisé.

Ce que ça change concrètement pour une PME qui utilise l'IA au quotidien#

Traduit en termes pratiques pour une entreprise, ce constat déplace l'attention. Une documentation interne propre et centralisée compte plus que le choix du modèle. Fournir un contexte structuré — un brief réel, les conventions déjà en place, les décisions déjà prises — produit un meilleur résultat qu'une simple ligne de prompt isolée. Découper une tâche confiée à l'IA en étapes vérifiables donne de meilleurs résultats qu'une seule demande large et floue.

Ce glissement se retrouve aussi côté outillage professionnel, avec un discours de plus en plus fréquent invitant à « orchestrer plutôt que simplement demander » à un assistant IA. Signe que cette compétence se professionnalise, une offre de mission française récente pour un poste de développeur mentionnait la maîtrise d'un assistant IA comme un critère apprécié à l'embauche, et non plus comme un simple atout personnel.

Le risque symétrique : l'AI slop#

L'envers de ce constat porte un nom qui s'est répandu en 2026 : l'AI slop, ce contenu ou ce code produit par IA, non relu, de qualité inégale, qui se répand précisément quand cette discipline de contexte et de relecture fait défaut. Publier davantage de contenu ou livrer plus vite du code grâce à l'IA n'est un progrès que si la qualité tient la route une fois publié ou déployé.

Pour une entreprise, la conséquence est directe : plus de production IA sans relecture ne fait pas gagner de temps, elle déplace le travail de correction vers l'aval, souvent à un moment plus coûteux, une fois le contenu en ligne ou le code en production.

Comment auditer votre propre harness avant votre prochain projet IA#

Avant de vous reposer davantage sur un assistant IA pour un projet, quelques vérifications concrètes permettent de savoir où vous en êtes réellement :

  1. Repérez où vit votre documentation projet aujourd'hui : dispersée dans des messages et des fichiers isolés, ou centralisée et à jour ?
  2. Vérifiez si vos consignes à l'IA rappellent les décisions déjà prises sur le projet, ou si chaque échange repart de zéro.
  3. Découpez votre prochaine tâche confiée à l'IA en étapes vérifiables plutôt qu'en une seule demande large.
  4. Prévoyez une relecture humaine systématique avant toute publication ou mise en production d'un contenu ou d'un code généré.
  5. Mentionnez, dans vos offres de mission ou vos recrutements, la maîtrise réelle des outils d'assistance IA comme un critère concret plutôt qu'un simple bonus.

Questions fréquentes#

Qu'est-ce que le harness d'un agent IA ?#

Le harness désigne l'environnement complet mis à la disposition d'un agent IA : outils, conventions, mémoire de travail et manière de lui fournir le contexte nécessaire à une tâche, par opposition au modèle lui-même.

Le context engineering, est-ce la même chose que le prompt engineering ?#

Non, c'est son prolongement. Le prompt engineering porte sur la formulation d'une instruction, le context engineering porte sur l'ensemble des informations sélectionnées et maintenues tout au long d'une tâche, y compris sur plusieurs sessions.

Pourquoi un agent IA semble-t-il oublier ce qu'il a fait la veille ?#

Parce qu'il ne conserve par défaut aucune mémoire d'une session à l'autre. Sans un mécanisme externe, comme un fichier de suivi ou l'historique Git du projet, chaque nouvelle session repart des seules informations qu'on lui fournit à cet instant.

Qu'est-ce que l'AI slop ?#

C'est le terme utilisé pour désigner du contenu ou du code produit par IA, non relu et de qualité inégale, qui se répand dans la documentation ou les publications quand la discipline de contexte et de relecture fait défaut.

Article rédigé le 12/09/2026 par l'équipe Websource à partir des sources citées ci-dessus, puis relu avant publication. Une information vous semble inexacte ou datée ? Signalez-le nous, nous corrigeons.