Des prompts aux boucles : le glissement en quatre couches que votre stratégie IA n'a pas encore rattrapé

Si les formations IA de votre organisation apprennent encore à « écrire de meilleurs prompts », vous préparez vos équipes pour 2023. Le domaine a bougé deux fois depuis — et chaque déplacement porte une leçon dont votre organisation a plus besoin que de la technologie elle-même.

Voici la progression sur laquelle le monde de l’ingénierie IA s’accorde désormais largement, chaque couche enveloppant la précédente :

Prompt engineering (2022–2024) : trouver les bons mots d’une instruction unique.

Context engineering (2025) : concevoir tout ce que le modèle voit — documents, historique, outils, mémoire. L’idée clé : la qualité du résultat dépend moins de la formulation de la demande que de l’information qui l’entoure.

Harness engineering (2026) : construire l’environnement autour d’un agent IA — ses outils, ses contraintes, ses permissions, ses canaux de feedback.

Loop engineering (2026) : concevoir le cycle itératif dans lequel un agent travaille vers un objectif : agir, observer, corriger, recommencer — jusqu’à une condition d’arrêt définie et testable.

Les fournisseurs vous vendront chaque couche comme une spécialité technique. Regardez de plus près, et quelque chose de plus intéressant apparaît : chaque couche est une discipline organisationnelle que votre entreprise était censée maîtriser avant même l’existence de l’IA.

Le context engineering, c’est de la gestion des connaissances avec des conséquences

Un agent performe exactement aussi bien que le contexte que vous pouvez assembler pour lui. D’où la question gênante : pouvez-vous l’assembler ? Où vit le vrai savoir de votre organisation — sous forme structurée et récupérable, ou dans des boîtes mail, des conversations de couloir et la tête de trois vétérans ?

J’ai passé des années sur ce problème à l’échelle continentale. Au Parlement européen, le défi était de rendre des dizaines de milliers de pages trouvables en 27 langues pour plus d’un million de visiteurs par jour en période de pointe. Au premier test de la navigation, le taux de réussite des tâches était sous les 20 %. La solution n’a pas été plus de contenu — mais une curation impitoyable : identifier, via plus de 6 000 tests utilisateurs et la méthode Top Tasks, ce qui comptait vraiment, et tout structurer autour. La réussite est montée au-dessus de 82 %.

C’est du context engineering, appliqué aux humains. Les organisations qui peinent aujourd’hui à nourrir leurs agents IA d’un contexte utile sont les mêmes qui n’ont jamais investi dans l’architecture de l’information pour leurs équipes. La machine a simplement rendu la dette visible — et coûteuse.

Le loop engineering, c’est du design de processus avec une condition de fin

Une boucle d’agent qui fonctionne exige trois choses : un objectif assez précis pour agir, un feedback réel de l’environnement, et une condition d’arrêt testable — un contrôle qui dit à la boucle qu’elle a terminé, idéalement vérifié par quelque chose de plus fiable que l’opinion de l’agent sur lui-même.

Relisez cette phrase comme la description de votre programme de transformation. Un objectif assez précis pour agir ? Un feedback réel ? Une définition testable du « terminé », vérifiée indépendamment ? La plupart des programmes que j’ai audités en 26 ans échouent sur au moins deux des trois — c’est pourquoi ils tournent indéfiniment, consommant du budget en cercles, comme une boucle mal conçue. Les ingénieurs IA ont redécouvert, sous pression commerciale et avec une clarté brutale, ce que les organisations peuvent esquiver depuis des décennies : un travail sans vérification n’est pas du progrès, c’est du mouvement.

Ce que les dirigeants doivent en faire

Mettez à niveau les formations. Enseignez la pensée contextuelle, pas les astuces de prompt : de quoi cette tâche a-t-elle besoin, où cela vit-il, que manque-t-il ? Cette compétence se transfère à tous les outils futurs ; les astuces de formulation, non.

Auditez votre savoir comme une infrastructure. Si votre meilleure connaissance des processus vit dans des têtes, votre capacité IA a un plafond — et votre résilience aussi. Traitez le savoir structuré et récupérable comme un actif. (J’entretiens un système de gestion des connaissances personnel depuis plus de dix ans — des milliers de ressources organisées. C’est le système au meilleur ROI que je possède, et les organisations ont besoin de l’équivalent institutionnel.)

Exigez des conditions d’arrêt. Pour chaque initiative IA — et honnêtement, chaque initiative — imposez la question du loop engineering : quel test nous dit que c’est terminé et que ça fonctionne ? Pas de test, pas de boucle ; juste de la dépense.

N’externalisez pas la réflexion. Les quatre couches continueront d’évoluer — leurs noms existaient à peine il y a dix-huit mois. Ce qui reste constant, c’est l’exigence sous-jacente : objectifs clairs, savoir organisé, feedback réel, résultats vérifiés. Ce n’est pas une stack IA. C’est une organisation qui sait ce qu’elle fait — et c’est précisément pourquoi celles qui sont dans le brouillard trouvent l’IA si difficile.

Les outils sont nouveaux. La discipline qu’ils exigent est celle dont vous aviez toujours besoin.

Sources

• Tosea, Loop Engineering: Complete Guide 2026
• Sourcegraph, Context Engineering
• Firecrawl, 13 Agentic AI Trends