Le créateur de Claude révèle comment utiliser réellement Claude en 2026

La vidéo sur AI Edge s'ouvre sur un fondateur qui voulait développer son activité avec l'IA mais qui a marqué une pause avant d'engager des dizaines de milliers de dollars de dépenses Claude. Plutôt que de suivre des résumés de créateurs, il a passé en revue plus d'une centaine d'heures de contenus officiels d'Anthropic, en se concentrant sur Boris Cherny, responsable de Claude Code. La conclusion est immédiate : notre façon d'utiliser Claude, même il y a six mois, ne décrit plus la manière dont les modèles les plus récents réfléchissent réellement.

La première leçon est la soustraction. Cherny décrit comment l'équipe de Claude Code supprime la majeure partie du prompt système à chaque nouveau modèle, puis rajoute les lignes une par une, une pratique qu'ils appellent ablation. La raison : les correctifs écrits pour une génération antérieure deviennent des frictions pour la suivante. Les longs fichiers de compétences ajustés pour Opus se comportent souvent différemment sur les modèles de classe Fable. Son conseil aux utilisateurs reflète la routine interne : tous les six mois, effacez votre Claude.md, observez ce que fait le modèle à nu pendant une journée, et ne restaurez une ligne que si un échec concret l'exige. Gardez l'identité et le contexte métier, plus les objectifs et une définition du « terminé », et supprimez les prescriptions comportementales.

L'hôte ne prône pas d'abandonner totalement la mémoire. Il utilise toujours un système de mémoire et un petit ensemble de compétences, mais il approuve le rythme tester-puis-restaurer. Dans la description de la vidéo, il partage un prompt d'ablation gratuit qui lit une configuration actuelle, pose quelques questions ciblées et renvoie une configuration allégée. L'objectif n'est pas le minimalisme pour lui-même, mais de ne garder que ce dont le nouveau modèle a encore besoin.

La deuxième leçon reformule le prompting comme une vérification. L'erreur la plus fréquente que Cherny observe est la sur-spécification — expliquer au modèle pas à pas comment réfléchir, ce qui contraint un système bien plus capable. Il y a un an, ce niveau d'échafaudage était nécessaire ; aujourd'hui, les modèles du palier Fable font moins bien quand on les microgère. L'alternative consiste à spécifier clairement le résultat attendu et à définir à quoi ressemble le succès, puis de laisser le modèle choisir le chemin. L'hôte le démontre en versant un ensemble de liens X dans Claude Code et en demandant une synthèse unifiée sans imposer la méthode, et le système gère seul le scraping, la lecture et la synthèse.

Le cas de Bun rend l'argument tangible. Bun, le runtime JavaScript comptant plus de 20 millions de téléchargements mensuels, était écrit en Zig et était devenu douloureux à maintenir en raison de problèmes de mémoire et de plantages. Son créateur estimait qu'une réécriture complète en Rust — plus de 530 000 lignes — prendrait à une équipe d'ingénierie près d'un an. Avec Claude Code, un seul ingénieur pilotant environ 64 agents à travers des workflows dynamiques a achevé la réécriture en 11 jours. Le build Rust résultant est en production aujourd'hui, ce qui signifie que Claude Code tourne désormais sur du code que Claude lui-même a contribué à créer.

Les chiffres d'Anthropic prolongent la même histoire. Le PDG Dario Amodei a noté que plus de 80 % du code de production fusionné en mai était rédigé par Claude, avec un volume de code livré par ingénieur et par trimestre multiplié par environ huit par rapport à la référence 2021-2025. Le goulot d'étranglement se déplace de l'écriture vers la curation, la revue et la vérification. La leçon porte moins sur une phrase d'accroche astucieuse que sur le fait de savoir si la vérification est automatique à chaque étape.

La troisième leçon est que le modèle peut faire bien plus que ce que les utilisateurs supposent. Au sein d'Anthropic, quelqu'un a découvert par hasard que Claude pouvait dessiner des portraits et des paysages via OpenCV, une bibliothèque de vision par ordinateur que personne n'avait entraînée à utiliser pour l'art. Cherny estime que des dizaines, voire des centaines, de ces capacités latentes restent inexploitées parce que personne ne les a sollicitées de la bonne manière, un phénomène que l'équipe qualifie d'écart de sollicitation. L'exercice pratique consiste à tenter une fois par semaine une tâche délibérément difficile que vous ne délégueriez normalement pas.

L'hôte a transformé cet exercice en habitude. Avec Claude Code ouvert sur un second écran, il lance par la voix de petites tâches tout au long de la journée — retrouver un fichier perdu, réécrire un fichier de bureau, extraire des données d'une page YouTube, préparer un planning de contenu Notion, ou mener une due diligence sur un produit — et dans bien des cas, le modèle livre. Il suggère aussi un test de week-end : définir le périmètre et les livrables d'une nouvelle idée d'entreprise le vendredi soir, laisser l'agent construire une landing page, un pipeline et un tunnel de recherche sans supervision, et faire la revue lundi. Le risque est de dix minutes ; le gain peut être de centaines de leads qualifiés par mois.

La première moitié de la quatrième leçon concerne les agents qui gèrent des agents. Cherny dit ne plus prompter directement ses agents, car ses agents promptent d'autres agents, avec des milliers qui tournent lors d'une nuit typique. Au sein d'Anthropic, Claude maintient sa propre base de code à travers 20 à 30 routines quotidiennes, chacune exprimée en une seule phrase, et le débit d'ingénierie a augmenté de plusieurs centaines de pourcents mois après mois, tandis que l'équipe reste limitée par les effectifs d'ingénieurs. L'hôte traduit cela en un parcours d'adoption simple : choisissez un workflow récurrent — veille de recherche, prospection ou suivi de deals — planifiez-le pour que Claude le génère et l'exécute, puis ajoutez-en un de plus chaque semaine jusqu'à quatre flux autonomes en un mois et deux douzaines en six.

La seconde moitié porte sur les boucles, présentées comme la meilleure façon d'utiliser Claude en 2026. L'ancienne boucle était humaine : prompt, vérification, révision, répétition. La nouvelle boucle est conçue : donnez un objectif et un intervalle, et laissez le modèle exécuter des vérifications internes par rapport à votre définition du « terminé ». Cela est devenu viable parce que les modèles récents et les classificateurs de trafic ont rendu le fonctionnement non supervisé bien plus sûr qu'il y a un an, quand une instruction cachée pouvait facilement faire dérailler un agent. Le motif est explicite dans Claude Code via /goal et /loop, et il fonctionne mieux quand un modèle séparé plus rapide vérifie l'achèvement après chaque tour plutôt que de demander à l'auteur de juger son propre travail.

La vidéo déroule un objectif concret : scanner une chaîne concurrente pour détecter les nouvelles publications, consigner titre, vues, vues par jour et sujet dans un fichier de suivi de niche, signaler toute vidéo réalisant trois fois la médiane de la chaîne comme valeur aberrante avec une note d'une ligne sur l'accroche, et s'arrêter après huit exécutions. Associé à un intervalle /loop, l'agent gère les sous-boucles et les autocorrections. Une variante soucieuse des coûts consiste à utiliser Fable comme orchestrateur qui rédige la stratégie puis délègue les sous-tâches à Opus, Sonnet ou Haiku selon le cas, maintenant une qualité élevée sans payer le prix du palier supérieur à chaque étape.

La cinquième leçon est l'ingénierie de graphe. La plupart des workflows vivent comme une intuition dans nos têtes, alors qu'ils se décomposent en variables et en étapes. L'hôte décompose sa propre recherche sur X en filtres discrets — valeur aberrante statistique, adéquation du sujet, force de l'accroche, qualité de la rédaction — chacun devenant une étape agentique. La même décomposition s'applique à l'acquisition d'un client : une vingtaine de procédures standard, de la prospection et de la rédaction de messages à la planification, la proposition et la passation, dont dix-sept ou dix-huit peuvent désormais s'exécuter de manière autonome quand le graphe précise qui fait quoi et où une revue humaine est requise.

Le graphe est visualisé pour les humains ; le modèle lui-même n'a besoin que de markdown. L'hôte construit à la fois une vue HTML et un fichier markdown par workflow et tient une bibliothèque versionnée dans Notion ou Sheets, qu'il met à jour à mesure que les processus évoluent. Cette bibliothèque devient la forme compressée de son jugement et de son goût — le savoir compressé que l'agent peut lire. Il partage des exemples de graphes issus de son agence et de ses opérations de contenu dans sa communauté, ainsi que des prompts qui génèrent de nouveaux graphes à partir d'une description d'un workflow.

La conclusion est délibérément étroite : n'essayez pas de construire une armée d'agents dès le premier jour. Choisissez un processus, automatisez-le, et laissez l'effet cumulatif se construire sur des semaines. Puisque Claude rédige désormais la majorité de son propre code de production, les bonnes pratiques continueront d'évoluer, c'est pourquoi la vidéo privilégie les mises à jour continues plutôt qu'un playbook figé. L'échange sous-jacent reste le même — définir un résultat vérifiable, donner au système une boucle et un graphe dans lesquels travailler, et conserver le jugement humain là où il compte le plus.