Auteur : QbitAI
Fixez des objectifs déraisonnables, puis dites au modèle : c'est tout à fait raisonnable !
C'est un petit conseil d'utilisation de l'IA partagé par Felix Rieseberg, le responsable de Claude Code desktop.
Comment faire exactement ?
Supposons que vous vouliez réduire le temps de chargement d'un site web de 10 secondes à 5 secondes. Il suggère :fixez simplement l'objectif à 0,2 seconde.
Le modèle dit qu'il ne peut pas le faire ? Continuez alors à lui dire : ce problème peut absolument être résolu, réessaie, réessaie.
Selon Felix, nous pouvons être encore plus audacieux lorsqu'il s'agit de confier des tâches à l'IA.
Par exemple, la tâche initiale était « faire un PPT de reporting ». Elle peut être reformulée ainsi :
En 30 minutes, convainquez un groupe de personnes occupées de votre explication des causes et des conséquences de l'affaire, et prenez une décision alors que la situation est encore floue.
Outre le fait de fixer délibérément des objectifs ambitieux, il propose également plusieurs approches concrètes :
Ne vous contentez pas de dire à l'IA de « penser comme un expert ». Demandez ensuite : quelles matières premières un véritable expert examinerait-il, quels outils utiliserait-il, quelles méthodes adopterait-il, puis intégrez ces exigences dans la tâche.
Ne traitez pas directement votre propre jugement comme la réponse. Confiez-le à l'IA pour vérification, et demandez à l'IA de retourner aux documents originaux pour chercher des preuves qui le soutiennent, ainsi que des contre-exemples susceptibles de le renverser.
Ne laissez pas l'IA s'auto-évaluer. S'il s'agit de code, exécutez-le réellement ; s'il s'agit d'une prédiction, testez-la avec de nouvelles données, et laissez finalement les résultats réels parler.
Voici ci-dessous le tutoriel détaillé de Felix sur l'utilisation (tuning) et (teaching) de Claude, légèrement modifié.
Bonne lecture~
Avec l'IA, nous pouvons être encore plus ambitieux
Je travaille dans l'équipe Claude.
Ce qui rend ce travail fascinant, c'est que presque chaque jour j'apprends qu'une nouvelle chose a été accomplie avec l'aide de Claude—ou même indépendamment par Claude.
Certaines choses auxquelles je n'avais jamais pensé, certaines que je pensais initialement impossibles ; et d'autres étaient simplement des choses pour lesquelles je n'étais ni assez curieux ni n'avais le temps d'essayer.
Rien que ce mois-ci, Claude a peut-être aidé à découvrir une nouvelle planète ; j'ai vu le premier clip musical d'IA que j'ai vraiment aimé ; nous avons même commencé à discuter de l'arrivée possible d'une nouvelle ère des mathématiques.
Les diverses capacités d'un modèle ne progressent pas au même rythme. Comme l'a dit Terence Tao, elles sont « étonnantes dans certaines directions, mais encore insuffisantes dans d'autres ».
Certaines personnes ont appris à exploiter les capacités étonnantes du modèle, comme si elles avaient véritablement pris leur envol. Les regarder atteindre de tels sommets avec un produit que j'ai construit de mes propres mains est vraiment fascinant.
D'autres personnes cherchent encore comment bien utiliser ces ailes nouvellement poussées. Elles réfléchissent encore : à part répondre à « Quelle est la capitale de la France » ou « Peux-tu rendre le ton de cet e-mail plus doux », que peut faire d'autre l'IA ?
Beaucoup d'entre nous dans l'industrie de l'IA disent souvent une chose :avec l'IA, vous devriez être plus ambitieux.
Cette phrase est presque devenue notre cri de ralliement. Chaque fois que nous voyons des résultats étonnants, nous les republions avec une phrase : « Nous ne sommes toujours pas assez ambitieux. »
Je sais aussi que dire cela est facile, mais le faire réellement est difficile. Voici donc un tutoriel sur « comment être plus ambitieux ».
Je divise l'ambition en quatre catégories :la vitesse, la hauteur, la profondeur et l'étendue.
Vitesse : accomplir le même travail en moins de temps. C'est la manière la plus fondamentale dont l'IA crée de la valeur économique.
Par exemple, lorsqu'il s'agit d'écrire un morceau de code, avec l'aide de Claude je peux le terminer plus rapidement. Cet usage est déjà assez mature, et il n'est pas vraiment nécessaire d'explorer des façons d'utilisation plus complexes, je vais donc le passer ici.
Hauteur : élever le niveau d'abstraction de la tâche, en se concentrant sur le résultat final que vous voulez atteindre plutôt que sur des tâches concrètes individuelles.
Profondeur : réfléchir à la tâche comme un expert de premier plan, en allant plus loin dans les données, les outils et les problèmes sous-jacents.
Étendue : chercher des approches pour résoudre des problèmes dans de multiples domaines, et aussi utiliser des connaissances, des outils et des méthodes que vous ne côtoyez pas habituellement.
Bien que j'utilise principalement Claude, ces suggestions ne visent aucun modèle en particulier.
Hauteur : laisser le modèle travailler à un niveau d'abstraction plus élevé
Nous appelons souvent cette approche de manière désinvolte « laisser le modèle travailler à un niveau d'abstraction plus élevé ». Lorsque vous donnez une tâche au modèle, il exécute en réalité votre meilleure idée de la façon d'atteindre le résultat souhaité.
Si vous voulez penser depuis une dimension plus élevée, vous pourriez vous demander : que voulez-vous qu'il se passe ensuite ? Et quel est l'objectif derrière l'objectif ?
Au début de l'année dernière, je demandais encore à Claude de m'aider à corriger des plantages individuels de programme. Plus tard, je lui ai directement demandé de garantir que notre application fonctionne toujours sans planter.
Regardons une tâche de bureau quotidienne (franchement, même un peu fastidieuse).
Supposons que vous êtes chez Acme Company et devez préparer un PPT pour une revue trimestrielle d'activité (QBR). Donnez à Claude une série de données, et il vous aidera volontiers à le faire ; peut-être avez-vous déjà un modèle, et il n'a qu'à remplir le contenu.
Cela ne peut vraiment pas se comparer à la découverte d'une nouvelle planète. Mais pour le même rapport trimestriel, que pouvons-nous encore faire faire à l'IA ? Nous pouvons partir des exigences les plus élémentaires et élever nos ambitions étape par étape :
Première étape : lui faire comprendre ce qui s'est passé dans l'entreprise.
La plupart des revues doivent répondre à ces questions : qu'est-ce qui a changé ce trimestre ? Pourquoi ? Que faut-il faire ensuite ?
Si vous voulez seulement mettre à jour les chiffres dans le modèle, veuillez réprimer cette impulsion : donnez au modèle autant de données que vous pouvez en obtenir, laissez-le vraiment comprendre votre activité, puis demandez-lui :
Dites-moi ce qui a changé ce trimestre, pourquoi cela s'est produit, et quelles actions nous devrions entreprendre.
Deuxième étape : lui faire identifier les décisions à prendre.
Une réunion — du moins une bonne réunion — devrait idéalement se terminer par certaines décisions. Vous pouvez demander à Claude comme ceci :
Sur la base de tout ce que vous avez appris, déterminez les trois décisions les plus urgentes à prendre dès maintenant, et analysez les directions d'action possibles, en listant les arguments pour et contre chacune.
Troisième étape : demandez-lui de reconcevoir ce mécanisme de fonctionnement.
Auparavant, pour réaliser une bonne revue trimestrielle d'activité, les humains devaient filtrer soigneusement les données, comprendre ce que les données signifiaient, puis juger si l'activité nécessitait un ajustement.
Maintenant, vous pouvez essayer de demander à Claude :
L'objectif de la revue est de permettre à la direction de découvrir les problèmes le plus tôt possible et d'allouer le capital et le personnel aux bons endroits.
Veuillez concevoir une meilleure façon d'y parvenir qu'un PPT trimestriel, utilisez nos propres données historiques pour prouver quels problèmes elle aurait pu découvrir plus tôt, puis faites-la fonctionner en parallèle avec la méthode existante pendant un trimestre.
Lorsque vous poursuivez véritablement un résultat final, la méthode consistant à élever le niveau de l'objectif est la plus efficace ; mais pour les tâches créatives, son applicabilité est relativement limitée.
Un très bon signal pour juger est le suivant : si ce que vous faites nécessitera encore une réunion pour en discuter par la suite, alors cela vaut la peine d'élever l'objectif d'un niveau supplémentaire.
Bien sûr, des limites subsistent — au moins en 2026, pour la plupart des entreprises, dire simplement « Claude, va gagner de l'argent » ne semble pas pouvoir faire fonctionner les choses automatiquement.
Cependant, mon observation générale est la suivante : à mesure que les capacités augmentent, les modèles semblent de plus en plus capables de travailler à des niveaux d'abstraction plus élevés.
Élever le niveau de l'objectif peut également aider les gens à trouver des flux de travail qui fonctionnent durablement sans intervention humaine continue, afin que vous n'ayez pas à assigner de nouvelles tâches au modèle l'une après l'autre.
Pour bien faire cela, il faut souvent modifier les flux de travail existants.
Par exemple, pour que Claude s'assure que notre application ne plante pas, j'ai d'abord dû lui permettre d'accéder facilement aux rapports de plantage, de comprendre à quel commit Git correspond chaque version de l'application, et de lui donner la permission d'accéder aux ordinateurs Windows, macOS et Linux. Ce n'est qu'alors qu'il a pu véritablement reproduire les problèmes de manière autonome et vérifier si les correctifs étaient efficaces.
Profondeur : utiliser les méthodes des meilleurs experts pour traiter le problème en profondeur
Parfois, vous voulez simplement qu'une tâche soit accomplie particulièrement bien.
Être plus ambitieux en matière de « profondeur » signifie pousser le modèle à utiliser les outils, techniques, médias et connaissances utilisés par les meilleurs professionnels de ce domaine, et à élever continuellement la barre — jusqu'à ce que même ces experts puissent apprendre quelque chose de nouveau à partir de vos résultats.
Continuons avec la revue trimestrielle d'activité de l'entreprise Acme. Supposons que cette entreprise soit confrontée à un problème d'attrition des utilisateurs, c'est-à-dire que les clients partent continuellement au fil du temps.
J'ai constaté que combiner les méthodes suivantes est très utile :
Insistez pour utiliser les outils utilisés par les meilleurs du secteur
Lorsque vous demandez à un modèle de « travailler comme un professionnel », il se contente souvent de passer à un ensemble de vocabulaire professionnel, tandis que la méthode réelle reste inchangée.
Pour véritablement étudier un problème en profondeur, vous devez utiliser les outils utilisés par les meilleurs data scientists et statisticiens. Lorsque Claude tend la main vers un tableau Markdown, insistez pour qu'il passe aux bases de données et aux modèles statistiques.
Vous n'avez pas besoin de savoir à l'avance ce que les experts utiliseraient — Claude le sait généralement.
Fixez des objectifs « déraisonnables », puis dites au modèle qu'ils sont très raisonnables
Vous voulez réduire le temps de chargement du site web de 10 secondes à 5 secondes ? Demandez directement 0,2 seconde.
Le modèle pense que quelque chose est impossible ? Soulignez-lui encore une fois que ce problème peut certainement être résolu et qu'il doit continuer à essayer.
Remettez en question les conclusions que vous avez déjà acceptées
Surtout dans le monde des affaires, beaucoup de choses que nous croyons être des faits ne sont que des approximations grossières de la réalité.
Laissez le modèle accéder aux informations et aux données brutes, et examinez ces hypothèses avec un esprit sceptique.
Par exemple :
Nous pensons que l'attrition des utilisateurs est un problème dans le processus d'intégration des nouveaux utilisateurs. Veuillez essayer de reproduire cette conclusion à partir des données brutes.
Découvrez de nouvelles connaissances
Cette étape découle facilement de « remettre en question les connaissances existantes » — puisque Claude s'est déjà plongé en profondeur dans les données, continuez à lui demander de chercher les angles morts :
Construisez un modèle de simulation client basé sur nos journaux pour reproduire la situation de l'année écoulée. Ensuite, identifiez les premiers signaux qui annoncent l'attrition des utilisateurs et que nous ne connaissons pas encore, et validez la capacité prédictive avec des données qu'il n'a jamais vues.
Introduisez une évaluation externe
Ne laissez pas le modèle s'évaluer lui-même.
Je pense qu'à mesure que l'intelligence des modèles continue de s'améliorer, ce problème finira par être résolu. Mais en octobre 2026, je vous recommande fortement de vous en tenir à une validation externe.
Idéalement, la méthode de validation devrait être un outil que le modèle peut exécuter lui-même et dont il obtient un retour immédiat.
L'invite simple suivante m'aide souvent :
Je veux approfondir cette tâche, pas en élargir la portée. Avant de réécrire la tâche, veuillez d'abord accomplir quatre choses :
Expliquez ce que les meilleurs professionnels de ce domaine feraient et que je n'ai pas encore demandé.
Listez les matériaux les plus bruts à partir desquels ils commenceraient, plutôt que d'utiliser directement du contenu déjà organisé et digéré pour moi.
Listez les méthodes et outils spécifiques qu'ils utiliseraient.
Expliquez ce qui, à part vous et moi, pourrait prouver que le résultat est correct.
Ensuite, réécrivez mon invite et intégrez ces exigences avec précision.
Largeur : utilisez aussi les méthodes d'autres domaines
Être plus ambitieux en matière de « largeur » signifie examiner votre travail sous les angles de différents domaines.
Les domaines concernés peuvent être plus nombreux que par le passé, car le faire autrefois n'était souvent pas rentable.
Cette idée n'est pas nouvelle. Dans presque chaque film sur des experts qui font équipe, les 30 premières minutes sont consacrées à réunir un groupe de personnes aux parcours et aux forces différents.
À mesure que les produits d'IA rendent les systèmes multi-agents de plus en plus faciles à exécuter — que ce soit via plusieurs threads, un orchestrateur ou directement en utilisant des sous-agents — je constate que demander à Claude d'intégrer des idées d'autres domaines conduit souvent à des résultats très intéressants.
La mise en pratique n'est pas facile ; cela exige que vous fassiez preuve de créativité.
Avant de voir mon collègue Alex Albert utiliser Blender pour rendre des designs d'intérieur, je n'avais jamais pensé à utiliser Claude pour créer un environnement 3D pour ma page d'accueil.
Vous devez savoir que je créais autrefois des jeux vidéo !
Cependant, c'est aussi précisément là que je vois le plus souvent des surprises.
Comment faire concrètement ? J'utilise les méthodes suivantes.
Essayez de remplacer les noms par des verbes
C'est une ancienne méthode mentionnée par Tom Kelley et Jonathan Littman dans L'art de l'innovation.
L'objectif d'une revue trimestrielle dépasse de loin la production d'« un PPT ». Ce que vous devez faire, c'est :
En 30 minutes, convaincre un groupe de personnes occupées d'une explication des causes et des conséquences d'une affaire, et prendre une décision dans l'incertitude.
Décrire la tâche avec des verbes me permet, ainsi qu'à Claude, de voir plus facilement quels domaines peuvent fournir des perspectives uniques et utiles.
Constituer une équipe interdisciplinaire
Supposons que ce PPT doive être époustouflant, sinon des extraterrestres feront exploser la Terre. Quel genre d'équipe les humains assembleraient-ils ?
Pour garantir la qualité du produit final, je ferais appel à un analyste, un journaliste et un éditeur.
Si une présentation sur place est également nécessaire, je pourrais aussi avoir besoin d'un motion designer et d'un designer sonore.
Faire appel à une « équipe rouge » dédiée qui cherche les failles pourrait être très utile, donc je ferais aussi venir un sceptique et un comptable forensic.
Cependant, cette approche peut facilement se transformer en jeu de rôle par accident. Le résultat est seulement que votre conversation avec le modèle devient plus étrange, tandis que le résultat réel ne s'améliore pas.
Vous devriez utiliser cette méthode pour trouver des domaines et des techniques utiles. Demander directement au modèle de mener une enquête comme un sceptique étudie une cible d'investissement est plus significatif que de lui demander d'écrire un tel personnage.
Toutes les méthodes que j'ai présentées précédemment exigent que le modèle dispose d'un ordinateur qu'il puisse utiliser, qu'il puisse installer des logiciels et accéder à diverses données pertinentes, que ce soit via des connecteurs MCP ou d'autres moyens.
Il existe aujourd'hui pas mal d'outils qui peuvent fournir ces conditions, et je vous suggère d'en choisir un et de l'utiliser.
Auto-efficacité : les gens doivent aussi mettre à jour leurs jugements sur leurs propres capacités
Ce qui précède sont mes suggestions concrètes sur « comment être plus ambitieux ».
Si vous êtes prêt à rester un peu plus longtemps, je veux parler de pourquoi il est nécessaire pour nous de discuter de cette question.
Les humains ont toujours été limités par leurs propres jugements : ce que nous pensons être possible et ce que nous pensons être impossible. Ce qui est plus problématique, c'est que nous pensons généralement que nous ne pouvons faire une différence que dans un domaine très étroit.
La réticence de Michel-Ange à peindre la chapelle Sixtine est un exemple célèbre. Il se considérait comme un sculpteur et manquait d'identification avec l'identité de peintre.
[Francisco Goya est l'un des plus grands peintres de l'histoire espagnole, considéré comme un pionnier de la peinture romantique et une figure clé reliant les maîtres classiques à l'art moderne]
En étudiant la question de l'« ambition », j'ai appris que la psychologie a un concept connexe : l'auto-efficacité.
En termes simples, les personnes ayant une auto-efficacité plus élevée croient davantage en leurs propres capacités et peuvent donc accomplir plus de choses.
Il existe des preuves que l'auto-efficacité peut être améliorée par certaines méthodes.
Locke et Latham ont passé en revue 35 ans de recherche sur la fixation d'objectifs et sont parvenus à une conclusion claire : les personnes à qui l'on donne des objectifs clairs et stimulants obtiennent de meilleurs résultats que celles à qui l'on dit simplement de « faire de leur mieux ».
Le fondateur de Stripe, Patrick Collison, tient une liste appelée « Fast », qui recense ce que l'humanité a accompli dans le cadre d'objectifs ambitieux et de délais urgents.
Voici plusieurs méthodes bien documentées.
Croire que les choses difficiles peuvent être faites
En 1939, George Dantzig arriva en retard à un cours de statistiques à Berkeley.
Il copia les deux problèmes inscrits au tableau, supposant qu'il s'agissait de devoirs, et soumit plus tard ses solutions.
En réalité, il s'agissait de deux problèmes non résolus en statistiques.
Voir les autres le faire, puis aller accomplir des choses difficiles
Pendant des décennies, l'humanité avait tenté de courir un mile en moins de quatre minutes.
En mai 1954, Roger Bannister franchit cette barrière. Mais la situation où « seul lui au monde courait sous les quatre minutes » ne dura que 46 jours.
Si vous suivez l'athlétisme, vous remarquerez que quelque chose de similaire se produit avec la barrière des deux heures au marathon.
En avril dernier, Sabastian Sawe a couru le premier marathon sous les deux heures lors d'une course officielle à Londres. Le deuxième de la même course a également couru en moins de deux heures.
[La barrière du marathon en deux heures : Le marathon complet fait 42,195 kilomètres, et le « breaking 2 » de l'humanité (courir en moins de deux heures) est considéré comme un seuil physique emblématique comparable au « mile en quatre minutes »]
S'autoriser à échouer, puis défier les choses difficiles
« The Inner Game of Tennis » semble être un livre de business que tout le monde adore, et je ne l'ai découvert que la semaine dernière.
L'idée centrale du livre est la suivante : lorsque vous essayez désespérément fort et que vous vous surmenez, vous ne pouvez en réalité pas jouer votre meilleur tennis.
Nous, les ingénieurs, nous souvenons peut-être encore de la façon dont Linus a décrit Linux lors de sa première annonce :
Je fais ce truc juste pour m'amuser, ce ne sera pas aussi grandiose et professionnel que GNU~
(Qui aurait pu imaginer que Linux deviendrait plus tard une si grande affaire, alors que le noyau GNU n'est toujours pas achevé à ce jour...)
L'auto-efficacité n'est pas un problème nouveau, mais elle est devenue tellement, tellement importante aujourd'hui !
À une époque où les capacités font des bonds en avant toutes les quelques semaines, nous avons désespérément besoin de méthodes pour accomplir des choses que nous n'avons jamais sérieusement envisagées, ou même jamais cru pouvoir faire.
