Supprimer votre couche IA ? Pas si vite.

Boris Cherny, le créateur visionnaire de Claude Code, a récemment lancé une grenade dans la communauté du développement IA avec une directive provocatrice : « Tous les 6 mois, supprimez toute votre couche IA ». Ce n'était pas une simple suggestion ; cela a été perçu comme un mandat existentiel, déclenchant immédiatement une tempête de débats et d'inquiétudes sur les forums de développeurs et les réseaux sociaux à travers le monde.

Cette déclaration audacieuse a provoqué une onde de choc sismique dans l'écosystème, largement interprétée comme un rejet universel de l'expertise durement acquise en ingénierie de prompt. La conclusion immédiate et généralisée a été que des modèles de pointe comme Opus 5 avaient progressé si radicalement qu'ils rendaient obsolètes toutes les chaînes de prompts, logiques personnalisées et garde-fous complexes minutieusement élaborés auparavant. La communauté a dû faire face à l'idée que leurs efforts laborieux pour guider des LLM moins performants étaient désormais non seulement inutiles, mais peut-être même préjudiciables.

L'implication a été douloureuse, touchant au cœur même de l'identité des développeurs. Elle suggérait que des mois, voire des années, passés à concevoir des règles globales complexes, des compétences spécialisées et des hooks sophistiqués — toute la couche IA sur mesure des développeurs — étaient soudainement qualifiés de bagage jetable et sans valeur. Cet effort collectif, semblant réduit à l'insignifiance par le rythme effréné de l'innovation des LLM, a suscité une vive inquiétude au sein de la communauté. De nombreux développeurs ont remis en question la valeur immédiate de leurs investissements substantiels dans la construction de systèmes IA robustes, craignant que leur propriété intellectuelle durement acquise ne soit désormais obsolète.

Le mandat provocateur de Cherny, créateur de Claude Code, de « supprimer toute votre couche IA » ressemble initialement à un appel au nihilisme numérique. Mais un examen plus approfondi révèle qu'il ne préconisait pas une purge aveugle des progrès durement acquis. Au contraire, Cherny défend un processus d'évaluation systématique et fondé sur la recherche : l'ablation.

L'ablation, un terme emprunté directement à la recherche en IA, signifie repartir d'une page blanche. Imaginez supprimer chaque prompt, chaque règle globale, chaque compétence personnalisée que vous avez minutieusement construite. Ensuite, vous réintroduisez ces éléments ligne par ligne, en évaluant systématiquement l'impact de chaque ajout. Cette réévaluation méticuleuse révèle ce qui contribue réellement à la performance de votre IA et ce qui est devenu redondant, voire restrictif.

Ce n'est pas seulement un exercice académique ; c'est un aperçu crucial du comportement des LLM modernes. Les modèles plus récents, comme Opus, prospèrent grâce à des objectifs de haut niveau et des garde-fous robustes, et non grâce à des instructions trop spécifiques et étape par étape. Le prompting trop prescriptif, autrefois une nécessité pour des modèles moins capables, étouffe désormais souvent leurs capacités émergentes. L'ablation vous aide à identifier ces goulots d'étranglement instructionnels, vous permettant de « laisser le modèle cuisiner » avec des conseils minimaux et percutants, et de libérer tout son potentiel.

L'ablation systématique de Cherny, bien que théoriquement solide, présente un obstacle pratique stupéfiant pour la plupart des opérations. Ce processus exige de supprimer un prompt système complet, puis de réintroduire méticuleusement chaque compétence, hook et règle globale ligne par ligne pour mesurer son impact individuel. Une telle évaluation exhaustive exige un coût extrême en tokens, en heures de développement et en ressources d'ingénierie, ce qui en fait un exercice prohibitif.

Ce conseil, cependant, découle d'une perspective de ressources quasi illimitées. En tant qu'employé d'Anthropic, Cherny travaille avec un budget de jetons dont la plupart des entreprises ne peuvent que rêver. Il mentionne avec désinvolture l'exécution de sessions d'agents pendant « deux semaines », précisant même « 14 jours, 15 jours » pour une seule tâche. C'est un luxe impossible pour les équipes qui paient au jeton ou qui luttent constamment contre les limites de débit sur des modèles puissants comme Opus 5, où chaque interaction a un coût réel.

Pour la grande majorité des entreprises, une ablation complète du système tous les six mois reste un fantasme coûteux et perturbateur, et non une stratégie viable. Bien que l'intention d'optimiser en supprimant les invites inutiles soit louable, ce niveau d'itération systématique et gourmand en jetons n'est tout simplement pas réalisable dans des environnements d'entreprise typiques. C'est un luxe de niveau recherche, déconnecté des réalités financières de la plupart des équipes de développement utilisant Claude by Anthropic ou tout autre LLM.

Au lieu d'une suppression totale, une stratégie plus intelligente pour la gestion des prompts émerge d'un spectre de contexte. Nous devons faire la distinction entre les « règles globales » toujours actives — les prompts système fondamentaux définissant la personnalité et les directives principales de votre IA — et les « compétences » ou « sous-agents » à la demande qui exécutent des tâches spécifiques et modulaires. Cette distinction est cruciale pour une optimisation pragmatique.

Les efforts d'ablation agressifs doivent cibler ces règles globales en priorité. Elles représentent le coût en jetons le plus élevé, consommant des ressources à chaque inférence, et comportent le plus grand risque de restreindre excessivement les LLM modernes. L'idée de Boris Cherny, malgré son interprétation initiale, est pertinente ici : de nombreuses instructions fondamentales, essentielles pour les anciens modèles, entravent désormais activement de puissantes nouvelles itérations comme Opus 5.

Par conséquent, gardez vos règles globales chirurgicalement légères, en les révisant fréquemment pour supprimer toute directive inutile. À l'inverse, traitez les compétences et les sous-agents comme des actifs plus durables. Ces composants spécialisés ne s'activent qu'en cas de besoin, entraînant des coûts à la demande et non en continu. Les examiner annuellement, plutôt que tous les six mois, permet d'économiser un temps d'ingénierie substantiel et d'atténuer l'« angle mort du milliard de jetons » lié à une ablation à grande échelle. Cette approche équilibrée privilégie l'efficacité et l'impact, garantissant que votre couche IA reste performante sans remaniements constants et prohibitifs.

Qu'est-ce que la méthode d'« ablation » de l'IA ?

L'ablation est un processus d'évaluation systématique des prompts et des règles d'un système d'IA. Il consiste à supprimer l'intégralité du prompt système, puis à rajouter chaque ligne ou composant individuellement pour tester son impact sur les performances avec un nouveau modèle.

Pourquoi le créateur de Claude a-t-il suggéré de supprimer toute votre couche IA ?

L'argument de Boris Cherny était que les LLM modernes sont si performants qu'ils n'ont souvent pas besoin des instructions trop spécifiques et étape par étape requises par les anciens modèles. Il préconise l'ablation pour supprimer les contraintes inutiles et permettre au modèle de fonctionner plus efficacement.

Est-il pratique d'effectuer une ablation complète sur votre système d'IA ?

Pour la plupart des développeurs et des entreprises, une ablation complète tous les six mois n'est pas pratique. Le processus est extrêmement long et gourmand en jetons, ce qui le rend très coûteux et potentiellement perturbateur pour le développement en cours.

Quelle est l'approche la plus pragmatique pour maintenir l'efficacité des prompts ?

Une stratégie plus intelligente consiste à concentrer les efforts d'ablation sur les parties les plus fréquemment utilisées et les plus intensives en jetons de votre couche IA, telles que les règles globales et les prompts système. Le contexte à la demande, comme les compétences ou les sous-agents, peut être examiné moins fréquemment.