Comment Enseigner des Habitudes à l'IA — Et Arrêter de Se Répéter

Laissez-moi vous parler de la pire partie de ma journée de travail.

Ce ne sont pas les problèmes difficiles. Les problèmes difficiles sont en fait assez amusants — ce sont des puzzles, et les puzzles ont des solutions. Non, la pire partie est quelque chose de beaucoup plus banal.

C’est mardi après-midi. J’ai 30 onglets ouverts. Trois documents différents tous intitulés « final ». Une douzaine de notes éparpillées dans diverses applications. Et quelque part dans ce désordre — je le sais avec certitude — se trouve la phrase qui débloquerait tout. L’insight que j’ai eu hier. La décision que j’ai déjà prise.

Mais je ne peux pas la trouver.

Alors je recommence. Je ré-explique le contexte. Je re-dérive la conclusion. Je perds une heure à revenir là où j’étais déjà.

Ça vous dit quelque chose ?

Illustration pixel art d'une personne travaillant à un bureau avec un compagnon IA — Votre Assistant IA Héros

Le Jour Où Tout a Changé

Voici ce que j’ai finalement compris : mon goulot d’étranglement n’a jamais été les idées. Ce n’était jamais l’intelligence, ni la vitesse, ni même le temps. C’était l’état. Je pouvais voir un système complexe rapidement — puis perdre complètement le fil au moment où je changeais de tâche.

Et aucune quantité de volonté n’allait régler ça. J’avais essayé des carnets plus rigoureux. De meilleures applications. Plus de discipline. Rien n’a fonctionné.

Ce qui a finalement fonctionné, c’est de construire quelque chose que je n’avais jamais pensé à construire : une mémoire externe à laquelle je pouvais vraiment faire confiance. Pas seulement des notes — mais des artefacts durables. Des fichiers. Des listes de vérification. Des workflows. Des choses qu’une IA pouvait m’aider à créer, affiner et récupérer à la demande.

Cet article traite de comment ça fonctionne. Pas les outils — les outils vont et viennent. Mais les principes. Les sept idées qui apparaissent encore et encore quand on observe les gens qui ont compris ça.

Mais d’abord, parlons de pourquoi la plupart des gens n’y arrivent jamais.

Pourquoi l’IA de Chat Atteint un Plafond

Voici ce qu’il en est de ChatGPT, Claude, Gemini, ou n’importe quel assistant IA que vous pourriez utiliser : ils sont incroyables. Vraiment. Le saut de « pas d’IA » à « un peu d’IA » change la vie.

Mais à un moment donné, on se heurte à un mur.

Vous posez une question. Vous obtenez une réponse. Peut-être que vous faites un suivi, obtenez une autre réponse. Et puis vous passez à autre chose. La conversation disparaît. Les insights s’évaporent. La semaine prochaine, quand vous affrontez le même problème, vous recommencez complètement à zéro.

C’est l’IA de chat. Elle est réactive. Elle est sans état par défaut. Elle ne se souvient pas, et elle n’apprend pas — du moins, pas entre les sessions.

L’IA Agentique est différente.

Pas parce que le modèle est plus intelligent, mais parce que le système autour de lui est différent. Il y a une boucle. Planifier quelque chose. Utiliser des outils pour l’exécuter. Vérifier les résultats. Sauvegarder ce que vous avez appris pour que la prochaine fois soit plus facile.

Si l’IA de chat est un brillant inconnu que vous rencontrez à une fête — utile pour la soirée, puis disparu pour toujours — l’IA agentique est un collaborateur qui prend des notes, se souvient de vos préférences, et se présente demain avec un plan.

La différence n’est pas de la magie. C’est de l’architecture. Et vous pouvez la construire vous-même.

Explorateur de fichiers Antigravity montrant le dossier .agent avec workflows et documentation — Le dossier .agent — où vivent les workflows IA

Sept Principes Qui Fonctionnent Vraiment

J’ai passé des mois à lire tout ce que je pouvais trouver de gens qui utilisent l’IA sérieusement. Pas seulement pour des démos — pour du vrai travail. Livrer du code. Écrire des rapports. Gérer des projets.

Et quelque chose d’étrange s’est passé : les mêmes idées revenaient sans cesse. Des mots différents, des contextes différents, mais les mêmes principes fondamentaux. Ils se regroupent autour de trois choses que nous essayons tous de protéger : notre temps, notre énergie, et notre sens du but.

Permettez-moi de vous les présenter.

Les Principes du Temps

Commencez avec un plan.

C’est la leçon la plus importante, et aussi la moins excitante à entendre : avant de demander à l’IA de construire quoi que ce soit, écrivez ce que vous voulez. Une spécification. Un brief. Une description d’un paragraphe de « terminé ».

Je sais. Ça ressemble à du travail supplémentaire. Ça ressemble à de la bureaucratie.

Mais voici ce qui se passe sans ça : vous demandez quelque chose vaguement, l’IA vous donne quelque chose de vaguement correct, et vous passez l’heure suivante à corriger des cas limites que vous n’avez jamais mentionnés. L’approche « rapide » devient lente. Les terriers de lapin se multiplient.

Avec une spécification claire, quelque chose de différent se passe. L’IA a des contraintes. Elle ne peut pas divaguer. L’espace de recherche s’effondre en quelque chose de gérable. Et soudain, les premiers brouillons sont vraiment bons.

Il y a une phrase qui m’est restée : « Travaillez plus lentement au début pour aller plus vite dans l’ensemble ». Ça semble paradoxal, mais quiconque a vécu l’alternative sait que c’est vrai.

Vérifiez avant de faire confiance.

L’IA est confiante. Toujours. Elle vous dira que le code fonctionne. Elle vous assurera que la logique est solide. Et parfois — souvent, même — elle a raison.

Mais parfois non.

Ce n’est pas une critique. C’est de la physique. Les modèles de langage génèrent du texte plausible. C’est ce qu’ils font. Et le texte plausible peut être faux de manières difficiles à repérer.

Donc la règle devient : n’acceptez pas « c’est fait ». Exigez des preuves. Des tests qui passent. Des diffs que vous pouvez lire. Des logs qui montrent l’exécution. Traitez la sortie de l’IA comme vous traiteriez la première tentative d’un développeur junior — optimiste, mais nécessitant une révision.

Les opérateurs qui avancent le plus vite ne sont pas ceux qui font confiance aveuglément. Ce sont ceux qui ont intégré la vérification dans la boucle.

Utilisez git comme si votre vie en dépendait.

Quand vous pouvez annuler n’importe quelle erreur instantanément, vous pouvez prendre des risques. Quand les erreurs sont réversibles, la vitesse devient sûre.

C’est pourquoi les meilleurs opérateurs d’IA font des commits constamment. Pas à la fin d’une fonctionnalité — à la fin de chaque petit pas. Chaque changement atomique. Chaque point de contrôle.

Parce que voici la vérité : quand l’IA déraille (et elle le fera), vous ne voulez pas déboguer trois heures de changements enchevêtrés. Vous voulez réinitialiser à cinq minutes en arrière et réessayer.

git reset est plus rapide que réparer. À chaque fois.

Les Principes de l’Énergie

Divisez tout en atomes.

Les grandes tâches cassent l’IA. Je ne veux pas dire « la rendent plus lente » — je veux dire la rendent incorrecte. Plus la demande est longue et complexe, plus le modèle est susceptible de divaguer, de perdre le fil, d’accumuler de petites erreurs en grandes.

La solution est la décomposition. Prenez cette grande tâche et fragmentez-la en morceaux assez petits pour que vous puissiez les faire vous-même en 15 ou 20 minutes. Des étapes si claires que « terminé » est évident.

Voici un test : si vous ne pouvez pas dire si une étape est complète, elle est trop grande. Décomposez-la davantage.

Ça semble fastidieux au début. Mais la récompense est énorme. Chaque petite étape réussit. Chaque petit succès s’appuie sur le précédent. Et soudain, le projet impossible devient une série de problèmes traitables.

Externalisez votre contexte.

Voici ce que personne ne vous dit sur les longues sessions d’IA : elles se dégradent.

Au début, l’IA se souvient de tout. L’objectif. Les contraintes. Les décisions que vous avez prises en cours de route. Mais à mesure que la conversation grandit, la fenêtre de contexte se remplit. Les anciennes informations sont poussées dehors. L’IA commence à oublier.

Et vous ne le remarquez pas — pas au début. Les réponses semblent toujours confiantes. Mais elles dérivent. Lentement, subtilement, l’IA perd le fil. Et vous dépensez de plus en plus d’énergie à ré-expliquer des choses que vous avez déjà couvertes.

La solution est contre-intuitive : arrêtez de compter sur la conversation pour se souvenir des choses. Au lieu de cela, externalisez votre contexte. Gardez un fichier qui capture l’objectif actuel, les décisions clés, les questions ouvertes. Donnez-le à l’IA au début de chaque session.

D’après mon expérience, cette seule pratique — maintenir un fichier d’état vivant — peut réduire considérablement la dérive de l’agent. L’IA n’oublie pas, parce que vous ne lui demandez pas de se souvenir.

Panneau de configuration des serveurs MCP montrant les outils externes connectés — Les serveurs MCP étendent ce que votre IA peut faire — et retenir

Le Principe du But

Séparez les rôles.

Il y a un marché au cœur du travail avec l’IA : vous pensez, elle exécute. Vous prenez les décisions stratégiques — quoi construire, pourquoi c’est important, à quoi ressemble le bon résultat. L’IA gère le travail tactique — la syntaxe, le code répétitif, les éléments fastidieux qui drainent votre attention.

Quand ça fonctionne, c’est beau. Vous restez dans la zone créative et stratégique. Le travail frustrant et répétitif disparaît. Le flow redevient possible.

Quand ça se casse — quand vous commencez à faire le travail de l’IA à sa place, ou quand vous arrêtez de comprendre ce qu’elle produit — quelque chose se perd. Pas seulement l’efficacité, mais la capacité. Il y a un risque réel d’« atrophie cognitive » — oublier comment faire les choses que vous avez externalisées.

La solution est la clarité. Sachez ce qui est à vous. Sachez ce qui est à l’IA. Protégez votre rôle d’architecte, et laissez l’IA être le constructeur.

La Mémoire Qui Fait Tenir

Vous avez peut-être remarqué un pattern dans ces principes : ils dépendent tous de la persistance. Des plans qui survivent aux sessions. Un contexte qui ne se dégrade pas. Des décisions qui restent prises.

Mais l’IA est sans état. Chaque fois que vous commencez une nouvelle conversation, elle oublie tout.

Alors d’où vient la persistance ?

De vous. Des fichiers que vous maintenez, des workflows que vous construisez, de la documentation que vous créez. C’est ce que j’entends par une « mémoire externe » — un système d’artefacts qui vit en dehors de l’IA, que l’IA peut lire et écrire, mais qui persiste indépendamment.

Pensez-y comme un hippocampe pour vos projets. La mémoire à long terme que l’IA n’a pas.

Il existe maintenant un protocole pour ça — un standard ouvert appelé MCP, le Model Context Protocol. Il permet aux systèmes d’IA de se connecter à des outils externes et des sources de données. Des requêtes de base de données. Des recherches web. Des opérations sur les fichiers. Toutes les choses qu’une IA ne peut pas faire dans une fenêtre de chat, mais qu’elle peut soudainement faire quand elle est connectée aux bons serveurs.

Et c’est là que les choses deviennent intéressantes.

Un Outil Que J’ai Construit Pour Résoudre Ça

Je rencontrais les mêmes problèmes encore et encore.

Le contexte disparaissant entre les sessions. Des décisions importantes se perdant dans l’historique de chat. De la recherche qui brûlait des tokens juste pour parser du HTML. Des fichiers JSON qui changeaient de manières que je ne pouvais pas suivre.

Alors j’ai construit quelque chose pour régler ça.

Ça s’appelle Pomera, et c’est un serveur MCP qui fonctionne avec n’importe quel IDE qui supporte le protocole — Cursor, VS Code avec Cline, Claude Desktop, Antigravity, et d’autres. Pensez-y comme une boîte à outils pour les choses avec lesquelles l’IA a du mal.

Besoin de sauvegarder un fichier avant une refactorisation risquée ? Une commande crée une sauvegarde. Vous voulez chercher dans toutes vos notes de chaque session ? Il y a une recherche en texte intégral pour ça. Comparer deux réponses d’API ? Ça fait des diffs sémantiques — vous montrant ce qui a vraiment changé dans les données, pas seulement quelles lignes ont bougé.

Il y a une recherche web intégrée. Une lecture d’URL qui élimine le superflu. Deux douzaines d’opérations de texte qui autrement brûleraient des tokens — extraire des URLs d’une page, nettoyer les espaces blancs, normaliser les formats.

Ça détecte même automatiquement les informations sensibles — clés API, mots de passe, tokens — et les chiffre au repos sans que vous le demandiez.

Je ne vais pas prétendre que c’est la seule solution. Mais c’est celle que j’utilise tous les jours, et elle résout des problèmes pour lesquels je ne pouvais pas trouver de bonnes réponses ailleurs. Si quelque chose de tout ça résonne, le code est open source sur GitHub.

La Couche Méta

Jusqu’ici, nous avons parlé d’optimiser votre workflow — les principes et outils qui rendent chaque session meilleure.

Mais il y a une couche au-dessus de ça. Une habitude qui sépare les bons opérateurs des grands.

C’est ceci : révisez-vous vous-même.

Pas seulement la sortie de l’IA — votre propre processus. À la fin d’une session, demandez : qu’est-ce qui a fonctionné ? Qu’est-ce qui n’a pas fonctionné ? Où ai-je donné des instructions confuses ? Où l’IA a-t-elle gaspillé des efforts parce que je n’étais pas clair ?

C’est la méta-cognition. Penser à la pensée. Et c’est le moyen le plus rapide de s’améliorer, parce que chaque session devient des données.

Essayez ceci : après votre prochaine session de travail significative, demandez à l’IA d’analyser vos prompts. Quels patterns voit-elle ? Qu’est-ce qu’elle changerait ? Vous apprendrez quelque chose. À chaque fois.

Il y a une autre version de ça, aussi. Quand l’IA fait une erreur — utilise une méthode dépréciée, hallucine une fonction de bibliothèque, ignore une contrainte — ne vous contentez pas de corriger le code. Mettez à jour votre documentation. Ajoutez la bonne méthode à votre fichier de patterns. Ajoutez la contrainte à vos règles.

L’erreur devient impossible à répéter. Pas parce que l’IA a appris, mais parce que votre système l’a fait.

Historique de chat avec option d'exportation pour réviser les sessions passées — Toujours Exporter — les bonnes sessions valent la peine d'être revisitées

Où Aller Après Ça

Si vous êtes curieux d’explorer plus profondément, il existe d’excellentes ressources.

Le guide officiel Getting Started with Antigravity vous guide à travers les bases. LogRocket a publié un guide complet pour développeurs qui approfondit les capacités agentiques. Et YouTube a des douzaines de tutoriels — y compris cette démo pratique qui montre le workflow en action.

Je ne vais pas vous donner d’instructions étape par étape ici. En partie parce que ces ressources existent déjà, et elles sont bonnes. Mais surtout parce qu’explorer est plus précieux que suivre. Ouvrez le panneau MCP. Explorez les paramètres. Voyez ce qui est possible.

C’est comme ça que vous apprenez ce qui fonctionne pour vous.

Aventurier pixel art à un carrefour représentant l'exploration de nouvelles possibilités — Il y a plus à découvrir qu'un seul article peut couvrir

Pourquoi Ça Compte Au-Delà de la Technologie

Mais il y a autre chose que je veux vous laisser. Quelque chose qui m’a pris du temps à voir.

Ces principes ne concernent pas vraiment l’IA du tout. Ils concernent le fait d’être humain.

Il y a quelques années, j’ai lu 12 Règles pour la Vie de Jordan Peterson. C’est un livre étrange — en partie psychologie, en partie philosophie, en partie mythologie — et il m’a marqué de manières que je n’attendais pas. Quand j’ai commencé à remarquer des patterns dans la façon dont les opérateurs d’IA efficaces travaillent, j’ai réalisé quelque chose de troublant : les principes sont les mêmes. Vocabulaire différent, mêmes vérités.

Laissez-moi vous montrer ce que je veux dire.

La sixième règle de Peterson est « Mettez votre maison en ordre parfait avant de critiquer le monde ». L’idée est simple mais profonde : avant d’essayer de réparer le chaos dehors, réparez le chaos à l’intérieur. Nettoyez votre chambre. Organisez votre vie. Mettez vos propres affaires en ordre. Seulement alors vous avez la position — et la clarté — pour aborder des problèmes plus grands.

Maintenant pensez au premier principe dont nous avons discuté : commencez avec un plan. Avant de demander à l’IA de construire quelque chose, organisez votre propre pensée. Écrivez ce que vous voulez. Mettez votre contexte en ordre. Le parallèle est exact. L’IA ne peut pas réparer un problème que vous n’avez pas défini. Et vous ne pouvez pas définir un problème alors que votre propre pensée est dispersée sur 30 onglets.

La dixième règle de Peterson est « Soyez précis dans votre discours ». Il argumente que le langage vague crée des résultats vagues — que la pensée floue se propage à travers nos mots et corrompt nos actions. La précision n’est pas de la pédanterie. C’est la différence entre les problèmes qui se résolvent et les problèmes qui s’enveniment.

C’est exactement pourquoi la décomposition fonctionne. Divisez les tâches en atomes. Rendez-les si claires que « terminé » est évident. La précision de votre langage — vos prompts, vos specs, vos définitions — détermine si l’IA livre quelque chose d’utile ou s’égare dans les mauvaises herbes.

Puis il y a la règle huit : « Dites la vérité — ou, au moins, ne mentez pas ». Peterson présente cela comme un impératif éthique, mais c’est aussi pratique. Les mensonges s’accumulent. Ils nécessitent plus de mensonges pour se maintenir. Finalement, la structure s’effondre.

Les hallucinations de l’IA sont des mensonges d’un genre différent — pas intentionnels, mais pas moins dangereux. Le modèle vous dit quelque chose avec confiance. Vous l’acceptez sans vérification. Le mensonge se propage dans votre code, votre rapport, votre décision. L’impératif de vérification n’est pas seulement l’efficacité. C’est l’épistémologie. C’est l’engagement de construire sur la vérité, pas sur la fiction plausible.

Représentation visuelle de l'ordre surmontant le chaos — L'ordre vainc le chaos — dans le code et dans la vie

Règle sept : « Poursuivez ce qui est significatif, pas ce qui est expédient ». L’expédient est de sauter la phase de planification. De prompter rapidement et espérer le meilleur. D’accepter la première réponse et de passer à autre chose. Mais l’expédience a un coût — le retravail, la dérive, l’énergie gaspillée à faire les choses deux fois.

Le travail significatif demande de la patience. Il vous demande d’investir à l’avance. De construire des systèmes qui persistent. De troquer le coup rapide contre la structure durable. Chaque principe dans cet article est, d’une certaine manière, un choix de sens plutôt que d’expédience.

Et finalement, règle quatre : « Comparez-vous à qui vous étiez hier, pas à qui quelqu’un d’autre est aujourd’hui ». C’est le cœur de la méta-cognition. La pratique de réviser vos prompts, votre processus, vos patterns — et de vous améliorer. Pas mieux que quelqu’un d’autre. Mieux que la version d’hier de vous.

Voici ce que j’en suis venu à croire : les principes qui font fonctionner l’IA sont les principes qui font fonctionner la vie. L’ordre vainc le chaos. La vérité vainc la confusion. La précision vainc le vague. Le sens vainc le nihilisme.

L’IA n’est que le médium. Le message est aussi vieux que la civilisation.

La Conclusion

Voici ce que je veux que vous reteniez :

Le saut de « l’IA de chat » à « l’IA agentique » ne concerne pas de meilleurs prompts. Il s’agit de construire des systèmes qui persistent. Des plans qui survivent aux sessions. Un contexte qui ne se dégrade pas. Une vérification qui attrape les erreurs. Une mémoire externe à laquelle vous pouvez faire confiance.

Ça ressemble à plus de travail. Et au début, ça l’est.

Mais ensuite quelque chose change. La surcharge cognitive diminue. Vous arrêtez de ré-expliquer. Vous arrêtez de perdre le contexte. Vous arrêtez de reconstruire ce que vous avez déjà construit.

Et vous commencez à dépenser votre énergie sur le travail qui compte vraiment.

Il y a une leçon plus profonde ici aussi. Les principes qui rendent l’IA efficace sont les mêmes principes qui vous rendent efficace — en tant que penseur, en tant que créateur, en tant qu’être humain. Ordre. Vérité. Précision. Sens. Ce ne sont pas des concepts technologiques. Ce sont les fondations d’une vie bien vécue.

L’IA n’a pas inventé ces idées. Elle les a juste rendues visibles à nouveau.

Alors oui, construisez vos workflows. Créez vos systèmes de mémoire. Enseignez à votre IA des habitudes qui tiennent.

Mais n’oubliez pas : vous vous enseignez aussi vous-même.

Je suis curieux : Quelle est une tâche répétitive que vous aimeriez ne plus jamais faire manuellement — et qu’est-ce qui vous a empêché de l’automatiser ?