Context engineering : le contexte compte plus que le prompt

Pendant deux ou trois ans, le conseil universel pour obtenir de meilleures réponses d'un modèle d'IA a toujours été le même : rédige un meilleur prompt. Des formations, des guides, des recueils de formules presque magiques ont vu le jour, comme s'il existait une combinaison parfaite de mots capable de débloquer la bonne réponse. Puis quelque chose a changé. Ceux qui travaillent sérieusement avec ces systèmes ont cessé de peaufiner la phrase isolée pour commencer à construire le contexte autour de la question.

Ce basculement porte un nom : du prompt engineering au context engineering. Le prompt, c'est la question ; le contexte, c'est tout ce que le modèle a sous les yeux au moment de répondre. Et c'est presque toujours le second qui pèse le plus lourd. Comprendre pourquoi aide à mieux utiliser ces outils, et éclaire une bonne partie de la direction que prend toute cette technologie.

Ce qu'on entend par contexte

Chaque modèle écrit en observant une fenêtre de contexte (context window) : l'espace de travail où entre tout ce que le système place devant lui au moment de répondre. Pas seulement la question. Dans cette fenêtre se trouvent les instructions de comportement, les documents éventuellement récupérés pour l'occasion, l'historique de la conversation, des exemples, les outils disponibles, les contraintes à respecter.

Le prompt engineering ne s'occupe que d'un seul de ces éléments : la formulation de la question. Le context engineering s'occupe de tout le reste — décider quelles informations entrent dans la fenêtre, sous quelle forme et dans quel ordre. C'est la différence entre choisir avec soin la phrase à prononcer et préparer avec autant de soin la pièce où cette phrase sera prononcée.

Pourquoi le contexte pèse plus que la formule

Un modèle produit du texte à partir de ce qu'il voit à cet instant précis. Si la bonne information est présente dans le contexte, même une question banale débouche sur une bonne réponse. Si elle manque, aucune formulation habile ne la fait apparaître de nulle part : au mieux, le modèle comblera le vide avec quelque chose de plausible. Imagine un consultant brillantissime enfermé dans une pièce sans les documents de ton dossier : aussi compétent soit-il, il ne peut qu'improviser.

Mais il existe aussi l'excès inverse. Déverser dans la fenêtre tous les fichiers disponibles n'améliore rien, ça aggrave les choses. Trop de matière devient du bruit : le modèle peine à distinguer ce qui compte et tend à perdre les informations enfouies au milieu de beaucoup d'autres, un effet connu sous le nom de perte au milieu (lost in the middle). C'est pourquoi le context engineering n'est pas de l'accumulation mais de la sélection : quoi inclure, quoi laisser de côté, dans quel ordre le disposer pour que l'essentiel reste bien visible.

La compétence se déplace ainsi d'une question à une autre. Non plus seulement comment je demande, mais ce que je mets à disposition du modèle avant même de le lui demander. C'est un changement de perspective plus profond qu'il n'y paraît : il transforme l'usage de l'IA, qui passe d'un jeu de mots à une véritable conception du matériel de travail.

Où va le monde

Cette idée redessine la façon dont les systèmes d'IA sont construits. Les techniques les plus abouties de ces derniers mois — la récupération de documents depuis les sources, la mémoire qui conserve ce qui est pertinent d'une session à l'autre, les outils que le modèle peut interroger — sont toutes des formes de context engineering. Elles ne rendent pas le modèle plus intelligent : elles placent devant lui les bonnes choses au bon moment.

Le flux, par conséquent, change de nature. Ce n'est plus une question sèche suivie d'une réponse, mais une boucle dans laquelle le système rassemble la matière, la sélectionne, l'ordonne, et seulement alors écrit — et répète souvent le tour en affinant ce qui est nécessaire. C'est le même mouvement de fond que celui de la révolution de l'IA de ces derniers mois : l'intelligence ne réside pas tout entière dans un modèle unique, ni dans la phrase parfaite qu'on lui soumet, mais émerge de la façon dont le contexte est construit autour de lui. Le prompt reste utile ; mais l'avantage réel, aujourd'hui, consiste à maîtriser ce que le modèle a devant lui.

Arena : le contexte comme confrontation de perspectives

Il reste une dernière couche de contexte à laquelle on pense rarement. Même avec les bons documents, bien ordonnés, une seule réponse reste une seule lecture du problème, sous un seul angle. Le contexte le plus riche n'est pas fait que de données : il est aussi fait de perspectives différentes sur le même sujet.

C'est ici que la confrontation devient une forme de context engineering appliquée au jugement. AI Arena te fait choisir ton équipe parmi 7 spécialistes complémentaires et met en confrontation des perspectives complémentaires sur le même problème : chacune écrit sa réponse à partir de son propre angle, tu sélectionnes celles qui te sont le plus utiles, et un meta-layer, l'Orchestrator, rassemble les fils et t'amène à l'étape suivante avec un rapport conclusif. Plutôt que de soigner le contexte d'une seule voix, tu en confrontes plusieurs : là où elles convergent, le terrain est solide ; là où elles divergent, tu sais où regarder de plus près. C'est le contexte le plus utile de tous — pas un document de plus, mais davantage de façons de lire le même problème.

AI Arena est la plateforme qui met en confrontation plusieurs identités AI aux perspectives différentes sur le même problème, te fait sélectionner les réponses les plus utiles et utilise un Orchestrator pour t'amener à l'étape suivante ; elle ne remplace pas ta décision, elle te la fait prendre en meilleure connaissance de cause.

Rejoignez Arena.