Série d'apprentissage de l'IA · Leçon 1 sur 4
La plupart des résultats d'IA se jouent avant même le premier prompt. Le modèle choisi fixe le plafond de qualité, le plancher de coût et la quantité de contexte que la tâche peut porter — alors choisissez-le délibérément, pas par habitude.
Statut : plan. La démonstration à l'écran n'a pas encore été enregistrée — cet article est le plan qu'elle suivra, et il recevra la vraie démonstration une fois la leçon diffusée.
| Leçon | Sujet | Question traitée |
|---|---|---|
| 1 — L'usage des modèles | Niveau de modèle, contexte, tokens | De quel modèle cette tâche a-t-elle besoin ? |
| 2 — Prompt, projet et contexte | Structure du prompt, contexte permanent | Que place-t-on devant le modèle ? |
| 3 — Documentation, règles et skills | Structure du dépôt | Comment un dépôt reste-t-il cohérent d'une session à l'autre ? |
| 4 — Réduire le coût | Mesure, leviers, garde-fous | Comment dépenser moins sans perdre en qualité ? |
Ce que vous saurez faire
- Regarder une tâche et nommer le niveau de modèle qu'elle exige, avec une raison
- Estimer la quantité de contexte à envoyer avant de l'envoyer
- Estimer à peu près ce que coûtera l'exécution avant de la lancer
Pas « quel modèle est le meilleur » — il n'y en a pas. Quel modèle convient à cette tâche.
Hors périmètre : la formulation du prompt et la configuration du projet (leçon 2), les fichiers de règles et les skills (leçon 3), et la réduction des dépenses (leçon 4). Cette leçon enseigne le vocabulaire du coût — tokens, contexte, entrée contre sortie — pour que la leçon 4 ait quelque chose de concret à réduire.
Le choix du modèle
Niveau de modèle — capacité, vitesse et prix
- Capacité, vitesse et prix évoluent ensemble : un raisonnement plus puissant est généralement plus lent et plus cher par token
- La même tâche tourne sur un petit modèle et sur un grand, côte à côte, pour que le compromis soit visible au lieu d'être affirmé
Adéquation à la tâche — adaptez-vous au travail, pas au titre
- Recherche, classification, rédaction, raisonnement en plusieurs étapes et travail d'agent de longue durée n'exigent pas le même modèle
- Trois tâches réelles tirées du dépôt de ce blog reçoivent chacune un modèle et une raison explicite — jamais « parce que c'est le plus récent »
| Type de tâche | Choix habituel | Pourquoi |
|---|---|---|
| Recherche / classification | Petit niveau rapide | Entrée courte, une seule bonne réponse, facile à vérifier |
| Rédaction / réécriture | Niveau intermédiaire | Demande de l'aisance plus qu'un raisonnement profond |
| Raisonnement en plusieurs étapes / débogage | Grand niveau | Les erreurs s'accumulent — la capacité se rentabilise |
| Travail d'agent de longue durée | Grand niveau, avec limites | Beaucoup d'étapes, beaucoup de tokens — il faut un budget et une condition d'arrêt |
Fenêtre de contexte — ce qui tient, ce qui tombe
- Plus de contexte n'est pas automatiquement mieux — au-delà d'un certain point, vous payez des tokens que le modèle utilise à peine
- Au-delà de la limite de la fenêtre, l'ancien contenu disparaît sans bruit
- À l'écran : un long fichier collé en entier, puis seulement la section utile, en comparant résultat et coût
Tokens — entrée contre sortie
- Les tokens d'entrée et de sortie sont comptés séparément, et souvent facturés séparément
- Un vrai prompt de ce projet et sa réponse sont comptés, pour que « combien ça coûtera » ne soit plus une supposition
Réglages d'effort et de raisonnement
- Certains modèles proposent un réglage de la quantité de raisonnement avant de répondre
- Une tâche vraiment difficile tourne avec un réglage bas puis un réglage élevé — comparés sur les résultats, pas seulement sur la latence
La liste de décision
▶ show code▼ hide code
# Model Decision — before you send
1. What kind of task is this? (lookup / draft / reasoning / agent)
2. What does "correct" look like, and how will you check it?
3. What is the smallest tier that can plausibly pass that check?
4. What context does it actually need? (sections, not whole files)
5. Rough token estimate: input + expected output
6. Is there an effort/reasoning setting — and does this task need it?
7. Check failed? Change one thing (tier, context, or setting) and rerun
Vérifiez avant de vous y fier
Les noms de modèles, les tailles de fenêtre de contexte et les prix changent trop souvent pour être publiés comme des faits : cette leçon n'en nomme donc aucun. Avant l'enregistrement, chacun est revérifié dans la documentation du fournisseur :
- Les noms actuels des modèles et le niveau de chacun
- La taille de la fenêtre de contexte par modèle
- Le prix d'entrée et de sortie par modèle — affiché seulement s'il a été vérifié la semaine même
- L'existence d'un réglage d'effort ou de raisonnement sur les modèles présentés, et son nom
Besoin des détails maintenant ? Consultez la documentation d'Anthropic, la documentation d'OpenAI et les fiches de modèle de Hugging Face — les mêmes sources que la leçon vérifie avant le direct.
Questions fréquentes
« Quel est le meilleur modèle ? » Aucun, dans l'absolu. Le bon modèle est le plus petit qui passe votre vérification pour cette tâche.
« Dois-je envoyer le fichier entier ? » Généralement non. Envoyez la section dont la tâche dépend — les fichiers entiers coûtent plus cher et peuvent noyer la partie importante.
« Où trouver les prix et limites actuels ? » Dans la documentation du fournisseur, consultée la semaine où vous en avez besoin — pas dans un article de blog, celui-ci compris.
Ensuite : leçon 2
Choisir le modèle, c'est la moitié de la préparation. La leçon 2 traite de ce qu'on place devant lui — structure du prompt, critères d'acceptation et contexte permanent du projet. Pour la version avancée du choix de l'endroit où s'exécute le travail d'IA, le guide de configuration d'IA hybride répartit le travail entre Hugging Face, Claude et un modèle Ollama exécuté en local.