Quand l'IA devient binôme de développement
Depuis quelques mois, j’utilise Claude Code au quotidien dans mes développements. Non pas comme un simple assistant de complétion de code, mais comme un véritable partenaire technique avec lequel je conçois, itère et fais évoluer des projets complexes. Ce retour d’expérience vise à partager concrètement ce que cette collaboration homme-IA change dans ma façon de travailler, et à démystifier ce qu’on appelle les architectures agentiques.
Claude Code : bien plus qu'un copilote
Claude Code est un outil développé par Anthropic. En complément d’une utilisation possible en mode Desktop, il s’intègre directement comme extension à VS Code, et/ou dans le terminal de ce dernier, et a accès au système de fichiers du projet. Il peut lire, écrire, modifier des fichiers, exécuter des commandes, et naviguer dans l’arborescence d’un projet. Dit autrement, il travaille dans le projet, pas à côté.
La première chose qui frappe quand on commence à l’utiliser, c’est la profondeur du contexte qu’il est capable de maintenir. Lors de sessions de travail, je lui demande de prendre connaissance de l’ensemble du projet, architecture, dépendances, fichiers de configuration, code source, et il s’en souvient tout au long de la conversation. Cela permet des échanges qui ressemblent davantage à du pair programming qu’à des copier-coller depuis un chatbot.
Concrètement, voici ce que ça donne au quotidien :
- Je décris une évolution en langage naturel, par exemple « ajoute une barre de progression qui avance à chaque étape du workflow ». Claude Code analyse le code existant, identifie les points d’accroche, propose une approche, et implémente.
- Il pose des questions quand c’est ambigu. Plutôt que de deviner, il me demande de préciser mes intentions, style souhaité, emplacement dans l’UI, bibliothèque préférée par exemple.
- Il corrige et itère. Si une erreur survient au lancement, je lui colle la traceback et il diagnostique, corrige, et m’explique la cause racine.
Ce n’est pas magique pour autant. Il faut savoir le guider, reformuler quand il part dans une mauvaise direction, et surtout relire ce qu’il produit. Mais le gain de productivité est réel : des tâches qui m’auraient pris une demi-journée se bouclent en une heure.
Les architectures agentiques : orchestrer des IA spécialisées
En parallèle de mon utilisation de Claude Code comme outil de développement, j’ai travaillé sur un projet qui repose lui-même sur une architecture agentique. Le concept est simple à comprendre : au lieu d’avoir un seul modèle IA qui fait tout, on orchestre plusieurs agents spécialisés qui collaborent pour accomplir une tâche complexe.
Chaque agent a un rôle précis, un périmètre limité, et communique avec les autres via un état partagé. Un superviseur coordonne l’ensemble et décide quel agent intervient à quel moment.
Dans le projet sur lequel j’ai travaillé, cette architecture sert à automatiser la génération de cas de test à partir de demandes fonctionnelles. Plusieurs agents interviennent en séquence :
- Un agent importe et structure la demande entrante.
- Un agent de recherche contextuelle va chercher de la documentation pertinente dans une base de connaissances (Gestion d’un RAG).
- Un agent analyste évalue la qualité de la demande et identifie les ambiguïtés.
- Un agent rédacteur produit les cas de test détaillés.
- Un agent d’affinage permet à l’utilisateur d’itérer sur les résultats en langage naturel.
L’intérêt de cette approche par rapport à un prompt unique ? La spécialisation. Chaque agent peut utiliser un modèle de langage différent, adapté à sa tâche. Les agents légers (import, routage) tournent sur des modèles rapides et peu coûteux. Les agents qui nécessitent du raisonnement complexe (analyse qualité, rédaction) utilisent des modèles plus puissants. C’est une optimisation à la fois en termes de coût et de qualité des résultats.
Quand les deux mondes se rencontrent
Ce qui rend l’expérience particulièrement intéressante, c’est l’utilisation de Claude Code pour développer et tester une architecture agentique. On se retrouve dans une situation assez vertigineuse : une IA m’aide à coder un système dans lequel d’autres IAs collaborent entre elles.
Et c’est là que Claude Code prend toute sa dimension. Quand je lui demande d’ajouter un nouveau comportement à un agent, il comprend la structure globale du workflow. Il sait que modifier le graphe d’exécution impacte l’orchestration, que changer un modèle par défaut affecte les performances d’un agent donné, que les logs doivent suivre le code couleur des agents existants.
Un exemple concret : j’ai demandé à Claude Code de remplacer un simple spinner d’attente par une barre de progression dynamique qui avance à chaque étape du workflow agentique. Cela impliquait de passer d’un appel bloquant à un mécanisme de streaming qui notifie la complétion de chaque agent. Claude Code a identifié seul cette contrainte technique, proposé la solution, et implémenté l’ensemble : modification du moteur de workflow et mise à jour de l’interface utilisateur.
Ce que ça change dans la pratique
Après plusieurs semaines d’utilisation intensive, voici les enseignements que je retiens :
Le rôle du développeur évolue, mais ne disparaît pas. On passe moins de temps à écrire du code ligne par ligne, et plus de temps à concevoir, spécifier, et valider. C’est un glissement vers un rôle d’architecte-reviewer qui me paraît sain et stimulant.
La qualité du dialogue compte énormément. Un prompt vague donne un résultat vague. Plus on est précis dans sa demande (contraintes techniques, conventions du projet, résultat attendu…) plus le résultat est exploitable. C’est une compétence à part entière.
L’itération est la clé. Le premier jet est rarement parfait. Mais la capacité à itérer rapidement, « corrige cette erreur », « ajoute cette fonctionnalité », « refactorise cette partie », accélère considérablement le cycle de développement.
Les architectures agentiques définissent un nouveau paradigme. Découper un problème complexe en agents spécialisés qui collaborent n’est pas qu’un effet de mode. C’est une approche d’ingénierie qui permet de maîtriser la complexité, d’optimiser les coûts, et de produire des résultats plus fiables qu’un modèle monolithique.
La sobriété numérique n'est pas une option.
Utiliser une IA comme Claude Code, c’est consommer des tokens et derrière chaque token, il y a de l’énergie. Bien gérer celle-ci passe par des réflexes simples mais essentiels.
J’ai donc appris à surveiller activement ma consommation de tokens au fil des sessions, à maintenir un fichier CLAUDE.md à la racine du projet, pour décrire l’architecture, les conventions et le contexte métier.
Ce fichier permet au modèle de comprendre immédiatement l’environnement dans lequel il travaille, sans explorations inutiles ni échanges superflus pour se mettre à niveau.
Moins de tokens consommés, c’est moins de requêtes serveur, moins de calcul GPU, et donc une empreinte carbone réduite.
Chez Consort Group, cette démarche de sobriété est un engagement fort : on ne peut pas promouvoir l’IA sans se poser la question de son impact énergétique et environnemental.
Optimiser ses prompts, structurer son contexte, choisir le bon modèle pour la bonne tâche, ce sont autant de gestes qui rendent l’usage de l’IA plus responsable.
Et demain ?
Nous n’en sommes qu’au début. Les modèles progressent, les outils comme Claude Code (ou des équivalents comme Codex d’OpenAI ou Gemini CLI de Google) gagnent en capacité, et les architectures agentiques se démocratisent grâce à des frameworks comme LangGraph. Chez Consort, nous explorons ces technologies pour apporter de la valeur concrète à nos clients, en gardant toujours à l’esprit que l’IA est un levier — puissant, mais qui nécessite l’expertise humaine pour être bien orienté.
Si vous n’avez pas encore expérimenté le développement assisté par IA ou les architectures agentiques, je vous encourage à franchir le pas. Non pas pour remplacer vos compétences, mais pour les amplifier.
