Les trois âges
de l'IA utile.

Depuis l'arrivée massive des modèles de langage, notre manière de travailler avec l'IA a déjà évolué plusieurs fois. Au début, on a surtout parlé de prompt engineering. Ensuite, on a compris que le contexte comptait autant que la consigne. Aujourd'hui, avec les agents, un troisième niveau devient central : la boucle.

Je vois cette évolution comme trois âges successifs. Ce n'est pas une opposition. Le prompt reste utile. Le contexte reste indispensable. Mais dès qu'un système doit agir dans le réel, il faut aussi penser loop engineering.

L'idée directrice est simple : on passe progressivement de l'art de demander à l'architecture d'exécuter.

Premier âge : prompt engineering

Le prompt engineering a été la première compétence visible. Et c'était logique. Quand un modèle répond mal, le premier réflexe est d'améliorer la demande : préciser le rôle, ajouter des exemples, demander un format, poser des contraintes.

C'est encore très utile. Un bon prompt peut transformer une réponse vague en livrable exploitable. Il peut réduire l'ambiguïté, améliorer le style et donner une structure claire.

Mais le prompt a une limite : il ne peut pas inventer le contexte absent. Si le modèle n'a pas les bons documents, ne connaît pas les contraintes du projet, ne sait pas quelles données sont fiables ou n'a pas accès aux outils nécessaires, une belle consigne ne suffit plus.

Deuxième âge : context engineering

Le context engineering élargit le sujet. On ne se demande plus seulement : "comment écrire la demande ?". On se demande : "qu'est-ce que le modèle doit voir pour bien travailler ?".

Cela inclut les instructions système, l'historique utile, les documents récupérés par RAG, la mémoire, les outils disponibles, les formats de sortie, les règles de sécurité et l'état de la tâche.

LangChain le formule très bien dans sa documentation : quand un agent échoue, c'est souvent parce que le bon contexte n'a pas été donné au modèle. De plus, ce contexte n'est pas seulement du texte. Il peut être transient, donc visible pendant un appel, ou persistent, donc sauvegardé entre plusieurs étapes ou sessions.

Exemple concret : si tu demandes à une IA de rédiger un rapport d'analyse concurrentielle, le prompt seul peut donner le style. Le contexte donne les sources, les concurrents, les dates, les prix, les hypothèses, les contraintes métier et le niveau de synthèse attendu.

Troisième âge : loop engineering

Le loop engineering devient central dès que l'IA ne se contente plus de répondre. Quand elle appelle des outils, modifie des fichiers, interroge une API, lance des tests ou poursuit un objectif sur plusieurs étapes, il faut concevoir la boucle.

Une boucle saine contient plusieurs moments : appel du modèle, choix d'action, exécution de l'outil, observation du résultat, mise à jour du contexte, vérification, décision de continuer ou de s'arrêter.

C'est exactement l'esprit du pattern ReAct : raisonner et agir de manière alternée. Mais en production, il faut aller plus loin. Il faut gérer les erreurs, les permissions, les coûts, les limites d'itérations, les validations humaines et les traces.

De plus, le loop engineering force à poser une question très concrète : que se passe-t-il quand l'agent se trompe ? Si la réponse est "on espère que le modèle se corrige", le système n'est pas encore assez mature.

Comment choisir le bon niveau ?

Il ne faut pas tout transformer en agent. C'est une erreur fréquente. Beaucoup de cas d'usage ont simplement besoin d'un bon prompt et d'un bon contexte. L'agent devient pertinent quand la tâche est ouverte, multi-étapes, dépendante d'outils et vérifiable par l'environnement.

• Prompt engineering : utile pour améliorer une réponse unique, un format, un style, une reformulation.
• Context engineering : indispensable quand la réponse dépend de documents, de mémoire, de règles ou de données métiers.
• Loop engineering : nécessaire quand le système doit agir, vérifier, corriger et continuer sur plusieurs étapes.

Mon véritable objectif est de continuer à m'aligner sur cette évolution du marché : ne pas rester bloqué sur les prompts, mais comprendre comment les systèmes IA deviennent réellement utiles dans des contextes métiers.

À retenir : le prompt est la consigne, le contexte est l'environnement, la boucle est l'exécution. Les trois sont importants. Mais plus on se rapproche de la production, plus la boucle devient le vrai sujet.