Comment j’utilise l’IA : mon harnais
Avec un harnais fait de règles simples, d’une mémoire partagée et de contrôles, je gère seul une quarantaine de projets pour environ 140 € par mois.
Tout le monde utilise désormais les mêmes modèles. Ce que vous construisez autour fait la différence.
Le matin, quand je m’installe à mon bureau, il s’est déjà passé beaucoup de choses. De nouvelles pages sont en ligne sur deux de mes sites. Mes publicités ont été vérifiées pour repérer de nouveaux prospects. Un agent a lu les annonces IA du jour et rédigé un post, qui attend que je le valide d’un clic. Les personnes qui ont demandé un audit se sont vu proposer quelques créneaux d’appel compatibles avec mon agenda.
Rien de tout cela n’a eu besoin de moi. Ce sont une trentaine de tâches planifiées, toutes construites avec l’IA. J’appelle ça mon harnais IA.
Le modèle est le moteur, et le harnais, tout ce qui l’entoure : les règles qu’il lit, la mémoire qu’il garde, les outils qu’il peut utiliser et les contrôles que son travail doit passer.
Mais les modèles changent tous les quelques mois, oublient tout d’une session à l’autre et se trompent avec aplomb. Une solution répandue consiste à traiter les agents comme une équipe de collègues. Ça fait bien, mais le travail n’en devient pas plus fiable.
J’ai un TDAH, et l’une de mes plus grandes difficultés est de garder la main, jour après jour, sur toutes les tâches et tous les outils dont une entreprise a besoin. Le harnais porte cette partie pour moi : il se souvient, relance et tourne à heure fixe, et je me concentre sur le travail qui a besoin de moi.
Alors, comment rendre l’IA assez fiable pour faire tourner une partie d’une entreprise ?
La plupart des harnais dont on parle en ligne servent à une seule chose : écrire du code. Ils sont écrits par des développeurs pour des développeurs, et parlent surtout de fichiers de configuration. Le mien a commencé comme ça, mais il fait aujourd’hui tourner une entreprise d’une seule personne : il publie, relance les prospects et réserve des appels. Et je ne traite pas mes agents comme des collègues. Je les traite comme des outils dans un système, avec des règles nées de mes erreurs. Cet article s’adresse à ceux qui dirigent une entreprise, pas une base de code.
1. Un système construit pour un but
Pas besoin d’être développeur à plein temps pour ça. L’essentiel de mon harnais est du texte simple, écrit en langage courant : des règles, des notes et des briefs.
Les LLM ont l’air si humains qu’on est tenté de les traiter comme des personnes. On leur donne des rôles : celui qui fait le brainstorming, le relecteur, le responsable qualité. Certains outils vont plus loin et font tenir des réunions aux agents, qui « travaillent » ensemble comme une startup. C’est amusant à regarder, mais ça détourne l’attention. Les réunions et les intitulés de poste existent parce que les gens en ont besoin. Les logiciels, non.
Un LLM est un outil. Des équipes logicielles, j’ai gardé ce qui fait avancer le travail : une information écrite, des plans clairs et des tests. Mes agents ne se réunissent pas. Ils reçoivent un brief écrit, suivent les mêmes règles et un plan, et leur travail doit passer les tests avant d’être livré. Un « rôle » n’est qu’un court fichier d’instructions : à quoi sert l’agent, quels outils il peut utiliser et comment il doit travailler.
L’organisation compte trois niveaux. Je fixe les objectifs, et je décide de tout ce qui est public, payant ou irréversible. Un superviseur, une session sur un modèle de pointe, planifie le travail, rédige les briefs et vérifie les résultats. En dessous, 15 agents spécialisés font chacun un seul travail, des écrans iOS aux tests jusqu’aux publications sur l’App Store, sur Sonnet ou Opus, mais jamais sur le modèle le plus cher.
Chaque projet vit dans son propre dossier, avec ses fichiers, ses règles et ses décisions. Au-dessus se trouvent les règles globales et une mémoire partagée, utilisées par mes deux outils de code, Claude Code et Codex.
La simplicité est la sophistication suprême
Tout le système est en texte simple. Un fichier contient les règles que suivent les deux outils de code, chaque projet ajoute les siennes, et la mémoire est un dossier de notes courtes avec un index d’une ligne par note. Si quelque chose peut être un fichier texte, c’en est un.
Le bon modèle pour le bon travail
Le modèle le plus puissant supervise, des modèles moins chers construisent et testent. Un jour, j’ai laissé des agents de recherche tourner sur le modèle de pointe et j’ai épuisé ma limite de session en onze tours. Depuis, les agents auxiliaires ne tournent jamais dessus.
2. Je garde le contrôle
Confier du travail à des agents est risqué s’ils agissent sans limites. Les miens suivent trois règles.
Je décide, le système exécute
Les agents préparent, et c’est moi qui envoie. Un jour, j’ai refusé une commande qui envoyait des e-mails de relance, et j’ai découvert plus tard qu’elle avait déjà tourné : 56 e-mails étaient partis. Désormais, je vois chaque brouillon avant, les posts partent via un lien de validation, et les e-mails partent par petits lots.
La confiance n’exclut pas le contrôle
Quand un agent dit « terminé », il peut se tromper : le superviseur relit donc les fichiers et relance les tests. J’utilise toujours l’astuce ChatGPT : quand je le demande, Codex relit le travail de Claude Code. Dans MesAmendes, mon app qui vérifie les amendes routières, le modèle propose un verdict et du code simple le confronte aux données publiques. Le code peut rendre le verdict plus prudent, jamais moins.
De la liberté dans des limites fixes
Par défaut, les agents ont des permissions étroites, et je les élargis le temps d’une session quand je le décide. Quelques lignes ne bougent jamais : les secrets ne sont jamais affichés, les entreprises de ma liste d’exclusion ne sont jamais contactées, et les e-mails ou les pages web sont lus comme des informations, jamais comme des instructions. Pour celles-ci, un script bloque l’action. Je ne compte pas sur un prompt.
3. Le système apprend
Rien de tout cela n’a été construit d’un coup. Le système a grandi pendant un an et demi, une erreur après l’autre.
Chaque erreur rend le système plus intelligent
Chaque incident devient une règle écrite. Les décisions importantes sont notées avec leur date et leur raison, pour que l’agent suivant ne les défasse pas. La mémoire compte aujourd’hui 46 notes, et Claude Code lit son index au début de chaque session.
Le système peut être amélioré
À chaque sortie d’un nouveau modèle de pointe, je lui confie l’ensemble du système à relire. Le dernier, Fable 5.2, a fait partager à Claude Code et Codex les mêmes règles et la même mémoire. Je le fais à chaque génération de modèles.
Ce qui tourne sans moi
- Des pages SEO pour mes apps et mes sites, publiées selon un calendrier
- Une veille IA qui rédige des posts soumis à ma validation
- Une vérification, toutes les heures, des nouveaux prospects issus des publicités
- Un bot Instagram et Messenger qui répond, qualifie les prospects et envoie un lien de réservation
- Un agent quotidien qui propose des créneaux d’appel aux nouvelles demandes d’audit
- Des contrôles de santé et des audits de sécurité chaque semaine
Les posts et les campagnes d’e-mails attendent mon clic. Le reste tourne seul, dans le cadre de règles que j’ai validées.
Ce que ça coûte
- Claude Code, pour construire, superviser et faire de la recherche : 100 € par mois
- Codex, pour les deuxièmes avis et le travail en parallèle : 20 €
- Gemini, pour la recherche approfondie et les images : 20 €
- Higgsfield et Canva, pour la vidéo et les visuels : à l’usage
- Cloudflare, Firebase et GitHub Actions, pour l’hébergement et les tâches planifiées : presque gratuit
Soit environ 140 € par mois.
Comment j’en suis arrivé là
En 2020, je me suis installé à Chicago et j’ai passé un an à la maison comme père au foyer. Pendant les siestes de mon fils, j’ai appris seul à créer des apps iOS en Swift avec les supports de formation d’Apple. Puis j’ai rejoint SipScience et Home Partners of America, et les apps sont passées au second plan.
En 2025, les LLM sont devenus assez bons pour construire de vrais logiciels. J’ai écrit ma première app avec Gemini 2.5 dans l’éditeur Zed, et c’était laborieux. Tous les fichiers étaient là, mais les variables et les fonctions ne correspondaient pas, et Xcode affichait des erreurs que le modèle ne savait pas corriger. J’y suis quand même arrivé : une app iOS et Apple Watch que j’aurais aimé avoir quand mon fils était tout petit, pour suivre les besoins de mes enfants (couches, repas et sommeil surtout, avec un moteur de prédiction probabiliste), et un site web simple.
L’IA écrivait le code, mais je devais toujours tenir l’architecture et l’aider à traquer les bugs. Ma meilleure astuce : demander à un deuxième modèle, ChatGPT, de relire le travail de Gemini. Ça m’a amené à 80 % du chemin.
Puis Claude Code est arrivé, et avec lui les agents : des modèles qui planifient, écrivent et relisent leur propre travail. Ils ont commencé à garder une mémoire dans de petits fichiers texte, en notant décisions, erreurs et leçons. Ça a créé une nouvelle corvée, car les notes vieillissent. Pendant ce temps, les modèles continuaient de progresser et gagnaient des skills, des scripts et des connecteurs vers d’autres outils.
Mon harnais est né de cet an et demi d’essais et d’erreurs.
Construisez votre propre harnais
Pas besoin de 30 tâches pour commencer. Six étapes font l’essentiel du chemin :
- Créez un dossier de base pour votre système. Claude Code, Codex ou Gemini partent tous de là.
- Posez les règles dans un seul fichier que chaque outil lit : ce que l’IA peut faire seule, ce qu’elle doit vous montrer avant, et ce qu’elle ne doit jamais faire. Gardez le bouton « envoyer » : tout ce qui est public, payant ou irréversible part avec votre clic.
- Donnez à chaque projet son sous-dossier, avec ses fichiers et ses propres règles.
- Connectez vos outils par leurs API ou des serveurs MCP : e-mail, agenda, stockage, hébergement.
- Repérez les prompts que vous retapez souvent, et transformez-les en skills.
- Tenez un fichier de leçons. Chaque fois que quelque chose tourne mal, ajoutez une ligne, et faites-le lire à votre IA au début de chaque session.
Le modèle change, le système reste
Mon harnais tourne depuis des mois, et il s’améliore chaque fois que quelque chose tourne mal. Les modèles changent tous les quelques mois et progressent sans cesse. Les règles, la mémoire et les habitudes restent. Si vous ne retenez qu’une chose de cet article : écrivez vos règles, et transformez chaque erreur en une nouvelle règle.
