Je travaille avec des outils d’IA depuis un certain temps déjà. ChatGPT, Gemini, Copilot : la plupart des entrepreneurs et managers les connaissent désormais. Mais il y a dix semaines, j’ai commencé quelque chose de fondamentalement différent. Non pas une fenêtre de chat où l’on tape des questions, mais un environnement de travail où l’IA constitue une couche structurelle sous l’ensemble de votre travail. Claude Code.
Claude Code n’est pas une application web. Il s’installe sur votre ordinateur et fonctionne depuis un éditeur de code comme VS Code ou via l’application Claude Desktop. Claude obtient ainsi un accès direct à vos fichiers, vos systèmes et vos outils, et peut agir de manière autonome, pas seulement répondre.
Et honnêtement, cela a changé ma façon de travailler de manière si profonde que je ne peux plus l’éviter dans mes conversations avec les clients.
Ce qui a changé dans ma journée de travail
Tout a commencé de manière pragmatique. Je voulais passer encore moins de temps sur les tâches opérationnelles. Cela a fonctionné. Mais ce qui s’est passé ensuite, je ne m’y attendais pas.
J’ai progressivement construit une équipe numérique complète. Pas une métaphore, littéralement un ensemble de collaborateurs IA avec leurs propres rôles, leurs propres connaissances, leurs propres responsabilités :
- Un researcher qui suit chaque semaine les tendances du marché, repère les outils et surveille la réglementation IA, comme input pour ma newsletter hebdomadaire en français et en néerlandais.
- Un automation-builder qui construit, teste et connecte tous les workflows associés et les intégrations API.
- Un content-creator qui rédige, met en forme, génère des illustrations, construit des présentations et produit des vidéos, toujours dans mon ton de voix.
- Un senior-strategist pour les roadmaps et l’analyse concurrentielle.
- Un office-manager qui prend en charge toute la préparation de la facturation, du traitement des relevés horaires à la préparation des dossiers, de sorte que je n’ai plus qu’à contrôler et approuver.
- Un developer pour tout le travail de programmation et de déploiement.
- Un personal-assistant pour la gestion des e-mails et de l’agenda.
À côté des agents, il y a aussi les skills. Un skill n’est pas un agent, mais une méthode de travail chargée dans votre environnement : des instructions étape par étape, les documents de référence nécessaires et les accès requis pour exécuter la tâche. Vous les créez pour les tâches que vous répétez régulièrement. Une fois qu’un skill existe, vous exécutez cette tâche sans devoir tout réexpliquer. Le contexte est intégré.
Deux exemples illustrent cela au mieux :
Le site web. La licence Wix arrivait à échéance. Au lieu de la renouveler, nous avons reconstruit l’intégralité du site, avec sa propre base de code, déployé via Vercel. Y compris un formulaire de contact sécurisé et une structure SEO complète. L’agent développeur a écrit le code. J’ai relu et approuvé.
Le Campaign Hub. Au lieu d’une licence Mailchimp, nous avons construit notre propre plateforme, entièrement sur mesure, avec gestion des contacts, segmentation, flux d’inscription automatiques depuis le site web et intégrations avec l’outil de newsletter et la couche d’automatisation. Chaque nouvel inscrit reçoit automatiquement le bon contexte : langue, source, horodatage. Ça fonctionne exactement comme je le veux, pas comme un outil standardisé le permet.
C’est la différence que font dix semaines de Claude Code : d’utilisateur de plateformes à propriétaire de systèmes.
Ce qu’il y a sous le capot, et pourquoi c’est important
À mi-parcours de ces dix semaines, j’ai commencé à mieux comprendre ce qui se passe sous le capot. Cette compréhension a tout changé.
Un agent IA n’est pas intelligent parce qu’il est un bon modèle. Il est intelligent parce que l’environnement construit autour de lui est bien conçu. Le dépôt learn-claude-code l’explique clairement en douze leçons progressives : un agent a besoin d’un harness, l’infrastructure qui détermine quels outils il possède, quelles connaissances il reçoit, comment il planifie et comment il collabore avec d’autres agents.
Ce harness se compose de plusieurs couches :
Outils. Un agent ne peut rien faire sans outils. Quels accès lui donnez-vous ? Accès en lecture aux fichiers ? En écriture ? API externes ? Chaque outil augmente son autonomie, mais augmente aussi le risque d’actions non souhaitées. Il faut choisir consciemment.
Connaissances et contexte. Un agent ne fonctionne bien que s’il dispose des bonnes connaissances, au bon moment, dans le bon format. Dans mon cas, il y a une architecture de connaissances complète derrière, comparable à une structure de dossiers dans OneDrive : descriptions de processus, profils clients, directives de marque, méthodologies, journaux quotidiens. L’agent ne charge que ce qui est pertinent. La compression de contexte n’est pas un luxe, c’est une nécessité dès que l’ensemble devient plus complexe.
Agent ou skill. Rappelez-vous la distinction de la première partie : un skill est une recette avec des étapes fixes pour une tâche prévisible. Un agent fonctionne comme un sous-processus séparé, avec son propre contexte, ses propres outils et sa propre mémoire. Vous appelez un agent lorsqu’une tâche nécessite un raisonnement propre, une parallélisation ou un accès à des systèmes externes. Cette distinction a des conséquences organisationnelles directes : chaque tâche ne demande pas la même approche.
Planification. Vous n’exécutez pas une mission complexe en une seule étape. Un agent bien construit élabore d’abord un plan, le décompose en étapes, suit sa progression et marque les tâches comme terminées. C’est exactement ainsi que fonctionne un bon collaborateur humain, et exactement ce que la plupart des outils IA ne font pas aujourd’hui.
Orchestration. C’est la partie la plus difficile, et elle demande de l’expérience. Quand appeler un skill, quand appeler un agent ? Quand faire quelque chose dans la conversation principale, quand en arrière-plan ? Cette couche disparaît facilement à l’arrière-plan, alors qu’elle est au cœur du fonctionnement de l’ensemble. Celui qui ne s’y intéresse pas activement ne gère pas réellement son système.
Ce que je retiens de ces dix semaines
Dix semaines de travail avec Claude Code ont fondamentalement changé ma vision de l’adoption de l’IA chez les clients. Je pose des questions différentes, à un autre niveau.
1. Repensez vos processus pour des collaborateurs numériques, ne vous contentez pas de les automatiser.
La plupart des organisations posent la mauvaise question. Elles demandent : « Quel processus existant pouvons-nous automatiser ? » Mais l’IA agentique demande un autre mode de pensée. Vous ne raisonnez plus en processus que vous accélérez, vous pensez en un ensemble opérationnel de collaborateurs numériques pouvant en principe fonctionner 24h/24. Les workflows deviennent des harnais dans lesquels ces collaborateurs peuvent évoluer, avec les bonnes connaissances, les bons outils et les bonnes limites.
Qui fait quoi ? Où se situe la frontière entre autonomie numérique et jugement humain ? Le traitement des réclamations semble être un travail humain, mais l’accueil, la classification, le routage et la première réponse sont parfaitement délégables. La conversation qui suit, elle, ne l’est pas. Tracer cette frontière délibérément est le véritable exercice de conception.
2. Comment encodez-vous la logique métier dans un système ?
Un agent IA exécute ce que vous lui instruisez. Mais ces instructions doivent contenir la logique métier de votre organisation : comment évaluez-vous un client, quelle est la procédure d’escalade, quelles exceptions existent, à quoi ressemble votre marque ?
Cette connaissance se trouve aujourd’hui dans la tête de vos collaborateurs. L’en extraire, la structurer et la traduire en quelque chose qu’un système peut utiliser, ce n’est pas une tâche technique. C’est une tâche organisationnelle. Cela demande du temps, de la réflexion et la volonté d’être plus explicite sur la façon dont vous travaillez réellement.
3. Comprenez-vous l’orchestration, ou utilisez-vous seulement l’interface ?
La plupart des outils IA cachent la complexité derrière une interface. Pratique pour l’adoption, mais dangereux pour l’optimisation. Si vous ne savez pas comment les connaissances sont chargées, comment les tâches sont planifiées, comment les agents collaborent, vous ne voyez pas où l’ensemble est inefficace, où il fait des erreurs, où il peut accélérer.
Cette couche, il faut aller la chercher activement. L’IA agentique se corrige elle-même, répare les bugs en cours de route et écrit des correctifs si nécessaire. Vous recevez votre résultat final et avez tendance à ne pas trop vous soucier de comment il y est arrivé. Mais si l’ensemble a travaillé de manière inefficace, n’a pas appliqué d’orchestration intelligente ou a répété la même étape dix fois, cela se traduit directement par une facture de tokens astronomique. Comprendre comment vos agents raisonnent et collaborent est donc le seul moyen d’améliorer véritablement l’ensemble.
Investissez donc non seulement dans l’accès aux outils IA, mais dans la compréhension de leur fonctionnement. Formez non seulement les utilisateurs finaux, mais aussi les personnes qui gèrent et pilotent l’ensemble. Ce sont vos AI Champions de demain, non pas des gens qui écrivent de bons prompts, mais des gens qui comprennent le système.