Contexte Technique
Ce qui m'a plu ici, ce n'est pas la nouvelle en elle-même, mais la technique de travail : je pense que l'automatisation IA commence à apporter une réelle valeur au moment précis où l'on cesse d'attendre la perfection d'un seul modèle. Au lieu de cela, je sépare les rôles. Je donne à Claude un mode plan et lui demande d'assembler un court plan de changement, puis j'incorpore Codex comme un deuxième cerveau qui cherche les lacunes, les points faibles et les hypothèses techniques douteuses.
Ce n'est pas un schéma théorique de diapositives. Cela ressemble déjà à une intégration IA normale dans le développement quotidien : un agent pense architecturalement, l'autre vérifie le plan pour son ancrage, les types, les jonctions API et les cas limites. Ensuite, je peux renvoyer le résultat à Claude pour qu'il compile tous les retours en un plan de changement unique sans fioritures.
Le point clé ici n'est pas que Claude est « plus intelligent » ou Codex « plus strict ». Ils ont simplement des habitudes de pensée différentes. Claude maintient généralement mieux la structure globale de la tâche et ne la désagrège pas en une liste chaotique, tandis que Codex a tendance à s'accrocher aux détails concrets : où un contrat va se rompre, où une étape de migration manque, où un plan semble bon mais ne survivrait pas à un dépôt réel.
Je limiterais également strictement la longueur du plan. Dès qu'un agent commence à écrire un roman, il commence à perdre des étapes importantes. Des éléments atomiques courts fonctionnent mieux, surtout si ce plan doit ensuite être exécuté par d'autres agents ou dans l'automatisation avec IA pour l'équipe.
Impact sur l'Entreprise et l'Automatisation
Pour une équipe, cela apporte trois effets très concrets. Premièrement : moins d'oublis avant la mise en œuvre, donc moins de retouches coûteuses après la fusion. Deuxièmement : des revues de changements plus rapides car on discute d'un plan structuré au lieu du chaos. Troisièmement : il est plus facile de faire évoluer le développement lorsqu'une partie de la planification et de la révision est confiée aux agents.
Les gagnants sont ceux qui ont de nombreuses tâches parallèles, intégrations et modifications de produit. Les perdants sont ceux qui poussent encore un seul agent en mode « fais tout toi-même » et se demandent ensuite pourquoi des lacunes apparaissent en production entre les étapes.
Je vois régulièrement ce genre de choses dans les processus clients : le problème est rarement le modèle lui-même, mais une mauvaise attribution des rôles. Chez Nahornyi AI Lab, nous résolvons exactement cela en pratique lorsque nous construisons des solutions IA pour les entreprises et décomposons où il faut un planificateur, un examinateur et un exécuteur.
Si vos modifications de produit se perdent constamment entre l'idée, le ticket et le code, vous n'avez pas à colmater cela manuellement. Avec Nahornyi AI Lab, je peux vous aider à mettre en place une implémentation IA où les agents ne se contentent pas de faire du bruit dans le chat, mais soulagent réellement l'équipe et réduisent les erreurs avant la publication.