L'un des clients d'Anthropic a reçu 2 740 candidatures pour un seul poste en 24 heures.
Aucun prompt que vous écrivez à la main ne reste juste aussi longtemps.
Le recruteur qui lit ces CV commence avec un prompt du type « cinq ans de backend, expérience en startup, Python solide. »
Deux jours plus tard, il regarde le premier lot et se rend compte qu'en fait, il recherche des bâtisseurs de produits from scratch.
Le prompt est déjà obsolète, et il n'a même pas encore parcouru la seconde centaine.
Les équipes qui livrent le plus vite ont arrêté d'écrire des prompts de cette façon.
Elles ont construit des systèmes où le prompt observe ce que l'utilisateur décide réellement et se réécrit en arrière-plan.
Au moment où l'utilisateur remarque que ses préférences ont changé, le prompt a déjà changé avec elles.
Cela fonctionne partout où un humain porte des jugements et où le modèle l'assiste.
Recrutement, tri du support, modération de contenu, revue de code, scoring d'opportunités.
Voici comment en construire un, étape par étape.
Un prompt n'est pas une configuration, c'est un apprenti
Le changement dans votre tête doit venir en premier.
Une configuration, on la définit et on l'oublie.
Un apprenti vous regarde travailler, comprend ce qui compte vraiment pour vous et s'ajuste.
Votre prompt doit être le second.
Dans le système que Nick Mayhew a présenté sur scène lors d'Anthropic, l'apprenti est un simple fichier markdown.
Ils l'appellent le profil candidat idéal.
Pas de poids, pas de règles, pas de diagrammes. Juste un anglais simple décrivant qui le recruteur embauche.
Chaque fois que le recruteur approuve ou rejette un candidat, le système l'enregistre.
Chaque commentaire comme « celui-ci n'a pas assez de Python » est stocké.
Chaque modification manuelle du profil est également stockée.
Ce tas de décisions constitue le signal d'entraînement sur lequel le prompt se met à jour.
Pourquoi 100 décisions, pas une
Le premier réflexe est de mettre à jour le prompt après chaque action. Ne faites pas ça.
Une décision est du bruit. Un seul rejet ne vous apprend presque rien sur ce que l'utilisateur veut vraiment. Cela pourrait être n'importe quoi parmi :
- L'utilisateur était fatigué ou distrait
- L'entrée était bizarre d'une manière sans rapport avec ses véritables préférences
- Il a cliqué par erreur
- Il est allé vite sur un cas évident
- Il testait délibérément le système
Si vous réécrivez le prompt là-dessus, vous vous mettez à courir après des fantômes.
100 décisions, c'est un signal.
Vous pouvez voir une tendance : l'utilisateur rejette systématiquement les candidats sans expérience en startup.
Ce n'est pas une humeur, c'est une préférence. Maintenant, vous mettez à jour.
Nick était direct là-dessus sur scène.
Vous commencez à repérer des tendances toutes les 100 à 200 décisions, pas à chaque clic.
Le coût compte aussi.
Exécuter un modèle intelligent sur chaque action fait exploser votre budget avant le déjeuner.
L'exécuter par lots maintient le système viable en production.
Divisez le système en deux couches, pas un seul gros agent
La tentation est de fabriquer un agent géant qui évalue, apprend et se met à jour d'un seul coup.
Ça ne passe pas à l'échelle et ça brûle des tokens que vous n'avez pas.
Le schéma qui fonctionne, ce sont deux couches avec des rôles très différents.
La couche inférieure est l'évaluateur. Pas chère, rapide, s'exécute sur chaque entrée.
Dans le cas du recrutement, c'est Haiku qui note chaque CV par rapport au profil actuel.
Des milliers par jour. Mission étroite : prendre l'entrée, prendre le prompt actuel, retourner un jugement structuré.
La couche supérieure est l'apprenti. Plus lente, plus intelligente, s'exécute rarement.
Elle n'observe que les décisions que les humains prennent.
À chaque lot, elle pose une question : est-ce que le prompt correspond toujours à ce que l'utilisateur choisit réellement ?
Si non, elle le réécrit.
La plupart des équipes sautent cette séparation.
Elles mettent un modèle de pointe sur le chemin critique à chaque requête, la facture explose, le système est rangé au placard.
Séparer l'évaluation de l'apprentissage, c'est ce qui le maintient en vie en production.
Rédigez le prompt en prose, pas en règles
C'est là que la plupart des systèmes auto-améliorants meurent discrètement.
L'instinct est d'écrire une configuration : 30 % de poids sur les années d'expérience, 20 % sur le niveau de l'entreprise, 10 % sur la formation, des drapeaux pour des mots-clés.
Cela semble rigoureux. Cela produit un système que le modèle ne peut pas réellement mettre à jour, car il n'y a rien à mettre à jour à part des chiffres.
Et les chiffres ne capturent pas pourquoi un recruteur a dit non.
Le format qui fonctionne, c'est de l'anglais simple en markdown.
« Nous voulons quelqu'un qui a lancé un produit de zéro à un, idéalement dans une startup de moins de cinquante personnes. »
« Une culture d'ingénierie forte compte plus qu'une stack technologique spécifique. »
« Drapeau rouge : n'a travaillé que dans des entreprises de plus de mille personnes. »
Voilà un prompt que l'apprenti peut réellement réécrire.
Il peut ajouter une phrase, en supprimer une, resserrer une expression.
Vous ne pouvez pas faire ça avec une grille de notation pondérée.
La boucle de rétroaction est le produit lui-même
Une fois ces quatre éléments en place, le système fonctionne tout seul.
L'utilisateur prend des décisions. L'évaluateur note par rapport au prompt actuel.
Toutes les 100 décisions, l'apprenti lit le tas et réécrit le prompt.
Le lot d'entrées suivant est évalué par rapport à la nouvelle version.
L'utilisateur n'a jamais à penser au prompt.
Il continue simplement à prendre les décisions que seul un humain peut prendre.
Le prompt se met à jour en dessous de lui.
C'est la partie que la plupart des équipes oublient quand elles livrent un système Claude.
Elles traitent le prompt comme un livrable qu'elles terminent.
Les équipes qui livrent le plus le traitent comme une couche qui apprend en permanence.
Construisez-le ainsi dès le premier jour et vous cesserez de passer vos semaines à peaufiner des mots.
Vous les passerez à livrer le produit.
Suivez-moi et abonnez-vous à ma chaîne Telegram :
