Votre IA n'oublie pas parce qu'elle est désorientée - elle manque de place. Chaque modèle possède une « fenêtre de contexte » fixe, c'est-à-dire la quantité totale de texte qu'il peut contenir et sur laquelle il peut raisonner simultanément. Une fois cette fenêtre pleine, il faut faire un choix : les messages anciens sont évincés, enfouis sous les nouveaux ou complètement supprimés.
Sur cette page
- Ce qu'est réellement une fenêtre de contexte
- Pourquoi l'IA donne l'impression d'« oublier »
- Le coût caché de « téléverser simplement le document »
- Pourquoi les conversations longues et décousues aggravent aussi les choses
- Quand les fichiers de compétences sont utiles
- Habitudes pratiques qui aident vraiment
- Questions fréquemment posées
Dernière mise à jour : juillet 2026 · Par l'équipe KissMySkills
Ce qu'est réellement une fenêtre de contexte
Chaque fois que vous envoyez un message à Claude, ChatGPT ou Gemini, le modèle ne voit pas seulement ce message. Il voit l'ensemble de la conversation jusqu'alors - tout ce que vous avez écrit, toutes ses réponses, ainsi que les documents, images ou fichiers que vous avez joints - rassemblé en une seule entrée. Cet ensemble constitue le « contexte ». La « fenêtre » est la limite de la quantité que le modèle peut traiter en un seul passage.
Les fenêtres de contexte se mesurent en tokens, de petites unités de texte - environ ¾ de mot chacune. Un modèle doté d'une fenêtre de 100 000 tokens peut contenir environ 75 000 mots de conversation, de documents et d'instructions réunis avant d'atteindre la limite. Cela semble beaucoup, jusqu'à ce qu'on se rappelle qu'un seul PDF de 40 pages, un export de feuille de calcul ou la transcription d'une longue réunion peut à lui seul consommer des dizaines de milliers de tokens - avant même que vous ayez posé votre véritable question.
L'important à comprendre, c'est que la fenêtre de contexte n'est pas une base de données dans laquelle le modèle effectue des recherches. Elle ressemble davantage à une mémoire à court terme. Rien de ce qui se trouve hors de cette fenêtre n'existe pour le modèle, et tout ce qui s'y trouve se dispute son attention limitée.
Pourquoi l'IA donne l'impression d'« oublier »
On décrit cela en disant que l'IA « oublie » le début d'une longue conversation ou perd le fil des détails d'un document importé. C'est une manière raisonnable de décrire ce que vous observez, mais ce n'est pas tout à fait ce qui se passe en coulisses. Deux phénomènes distincts sont à l'œuvre, et ils se renforcent mutuellement.
1. Oubli progressif : dilution
À mesure qu'une conversation s'allonge, le contenu ancien ne disparaît pas - il devient simplement une fraction de plus en plus petite de ce que le modèle examine. Les instructions, décisions ou faits initiaux pèsent proportionnellement moins par rapport à tout ce qui a été dit depuis. Le modèle y a techniquement toujours accès, mais il doit fournir davantage d'efforts pour les retrouver et leur donner la priorité parmi tout le reste entassé dans la fenêtre ; en pratique, la qualité se dégrade visiblement dans les fils très longs : le modèle contredit des réponses antérieures, répète des questions auxquelles vous avez déjà répondu ou perd le fil d'une instruction nuancée donnée dix échanges plus tôt.
2. Oubli brutal : troncature
Une fois que la conversation dépasse réellement la limite stricte de la fenêtre, il faut couper quelque chose pour faire de la place aux nouvelles entrées. La plupart des produits de chat gèrent cela en supprimant ou en résumant silencieusement les échanges les plus anciens. À ce stade, le contenu n'est pas seulement dilué - il a véritablement disparu. Le modèle ne peut littéralement plus le voir, quelle que soit son importance.
Aucun de ces éléments n’est exactement un bug. C’est la conséquence physique d’une fenêtre de taille fixe qui se remplit. Mais cela signifie que deux habitudes ordinaires - coller un document volumineux et laisser une conversation s’éterniser en partant dans tous les sens - sont les deux moyens les plus rapides de faire chuter la qualité des résultats, souvent sans comprendre pourquoi les réponses se sont dégradées.
Le coût caché de « téléverser simplement le document »
Téléverser un gros fichier semble gratuit. Ça ne l’est pas. Un contrat volumineux, un rapport de recherche ou un jeu de données complet peut consommer une énorme part de la fenêtre disponible avant même que le modèle ait traité un seul mot de votre demande réelle. Si votre modèle dispose, par exemple, d’une fenêtre de 150 000 tokens et que votre document en consomme 90 000, il vous en reste 60 000 pour les instructions système, l’historique de la conversation, ainsi que le raisonnement et la réponse du modèle - dans le cadre d’une tâche qui peut réellement nécessiter une synthèse de l’ensemble du document.
C’est exactement la situation qui met les gens en difficulté dans les travaux analytiques complexes : des rapports marketing remplis de tableaux, des modèles financiers, de longs corpus de recherche. Plus l’entrée est volumineuse et désordonnée, moins il reste de place à l’AI pour réfléchir correctement à ce que vous lui demandez d’en faire.
Rafa transforme Claude en spécialiste senior de l’analytique marketing pour résoudre précisément ce problème - analyser des rapports denses, des tableaux de bord et des données de campagnes sans que les instructions permanentes empiètent sur l’espace dont votre document a besoin.
Voir Rafa - Spécialiste de l’analytique marketing →Pourquoi les conversations longues et décousues aggravent aussi les choses
L’autre piège, c’est la conversation marathon - le fil que vous ne fermez jamais parce qu’il « contient déjà tout le contexte ». Chaque échange, chaque digression abandonnée, chaque « en fait, essayons autrement » reste dans la fenêtre, occupe de l’espace et dilue ce qui compte vraiment. Au cinquantième message, le modèle conserve un amas d’historique plus ou moins pertinent à côté de votre demande actuelle et concrète - et accorde à tout cela à peu près la même importance.
La solution n’est pas de « ne jamais avoir de longues conversations ». Il faut plutôt faire attention à ce qui occupe réellement de l’espace dans cette fenêtre et veiller à ce que les éléments auxquels vous voulez que le modèle accorde beaucoup de poids - votre tâche actuelle, votre document actuel - ne soient pas noyés sous des éléments qui n’ont plus d’importance.
Quand les fichiers de compétences sont utiles
C’est la raison pratique pour laquelle les fichiers de compétences (ou les prompts système, les instructions personnalisées, les instructions de projet - même idée, nom différent selon la plateforme) existent. Un fichier de compétences sépare deux types de contenu très différents qui sont normalement mélangés dans la fenêtre de contexte :
- Instructions permanentes - le rôle que l’AI doit adopter, les normes à appliquer, le format de sortie. Cela ne change pas d’une tâche à l’autre.
- Contenu de la tâche - le document que vous analysez, les données sur lesquelles vous travaillez, la conversation réelle au sujet du problème réel. Cela change à chaque fois.
Lorsque vous collez directement dans le chat une longue explication libre du type « agis comme un analyste senior, suis cette structure, adopte ce ton, fais toujours X et ne fais jamais Y », cette explication occupe la fenêtre et l’attention, en concurrence directe avec votre document et vos questions - à chaque fois, dans chaque conversation. Un fichier Skill charge ce même ensemble d’instructions une seule fois, de manière concise, sous la forme d’un rôle défini que le modèle endosse. Il est formulé de façon plus concise qu’une explication classique sous forme d’échanges, et n’est pas renégocié ni réexpliqué en cours de conversation comme le sont souvent les instructions improvisées.
Le résultat est simple : une plus grande partie de la fenêtre reste disponible pour ce qui varie réellement - le rapport que vous avez importé, les données sur lesquelles vous posez des questions, les vingt questions de suivi de cette session. La qualité reste meilleure plus longtemps, car le modèle ne divise pas son attention limitée entre « se rappeler comment il est censé se comporter » et « comprendre ce que vous demandez réellement à cet instant ».
Ryan configure Claude pour le type exact de travail exécutif continu et à fort contexte - dossiers pour le conseil d’administration, briefings, notes de décision - où un rôle permanent et concis devient d’autant plus important que la conversation s’allonge.
Voir Ryan - Chief of Staff →Habitudes pratiques qui aident vraiment
- Ouvrez de nouveaux fils pour les nouvelles tâches. Une nouvelle conversation offre une fenêtre vierge - aucun historique dilué ne vient concurrencer votre demande actuelle.
- Gardez les instructions permanentes séparées et concises. Un fichier Skill chargé une seule fois est préférable au fait de réexpliquer vos attentes dans chaque conversation.
- Réduisez ce que vous importez. Si vous n’avez besoin que des chapitres 3 et 4, n’importez pas le livre entier - chaque page superflue représente des tokens que le modèle ne peut pas consacrer à votre question.
- Résumez avant de continuer. Pour un projet de longue durée, demandez régulièrement au modèle (ou faites-le vous-même) de condenser les décisions clés prises jusque-là en un bref récapitulatif, puis démarrez un nouveau fil avec ce récapitulatif et votre fichier Skill.
- Repérez les signes avant-coureurs. Les questions répétées, les réponses qui contredisent celles données précédemment ou les réponses vagues à des demandes précises sont souvent les symptômes d’une fenêtre de contexte saturée ou tronquée - et non le signe d’un problème lié à un prompt plus intelligent.
En résumé :
Chaque modèle AI dispose d’une fenêtre de contexte fixe et, une fois celle-ci remplie, le contenu ancien est dilué ou supprimé - c’est cet « oubli » que vous remarquez, pas de la confusion. Les importations de documents volumineux et les historiques de chat interminables occupent tous deux ce même espace limité. En gardant vos instructions permanentes compactes et séparées, comme avec Rafa (spécialiste de l’analytics marketing) ou Ryan (chief of staff), vous libérez de la place pour le document et le contenu de la tâche qui en ont réellement besoin - les réponses restent ainsi pertinentes plus longtemps.
Indiquez comment vous (ou votre équipe) utilisez réellement les chats AI et obtenez une estimation mensuelle concrète du gaspillage de tokens et du coût en dollars lié à la reformulation des prompts, par rapport à l’utilisation d’un fichier de compétence persistant. Aucune inscription, aucun e-mail - seulement les calculs de cet article appliqués à vos chiffres.
Essayez le calculateur →Questions fréquemment posées
Qu’est-ce qui est exactement pris en compte dans la fenêtre de contexte ?
Tout ce qui se trouve dans la conversation actuelle : vos messages, les réponses du modèle, tout prompt système ou toute instruction de fichier de compétence, ainsi que l’intégralité du texte extrait des fichiers ou documents joints. Tout est comptabilisé en tokens dans une même limite partagée.
Commencer un nouveau chat règle-t-il vraiment le problème ?
Oui, dans le sens où cela vide complètement la fenêtre - plus d’historique dilué, plus de risque de troncature à partir d’un point antérieur de la conversation. En contrepartie, vous perdez le contexte de l’ancien fil que vous n’avez pas repris. Il vaut donc mieux apporter un court résumé ainsi que votre fichier de compétence dans le nouveau chat plutôt que de repartir de zéro.
Pourquoi ne pas utiliser simplement un modèle doté d’une fenêtre de contexte plus grande ?
Une fenêtre plus grande aide, mais elle n’élimine pas les dynamiques sous-jacentes - la dilution et la priorisation se produisent toujours à grande échelle, et les entrées volumineuses coûtent toujours de vrais tokens, que la limite soit de 100 000 ou de 1 000 000. Une fenêtre plus grande vous offre davantage de place ; elle ne vous donne pas un modèle qui sait automatiquement quoi prioriser dans cet espace.
En quoi un fichier de compétence diffère-t-il du simple fait de rédiger de bonnes instructions dans le chat ?
Les deux peuvent fonctionner, mais les instructions saisies directement dans un chat se retrouvent dans la même fenêtre encombrée que tout le reste et sont souvent répétées, contredites ou diluées à mesure que la conversation s’allonge. Un fichier de compétence est chargé une seule fois comme un rôle défini - compact et séparé du contenu de la tâche - et ne concurrence donc pas le document ou les données sur lesquels vous travaillez réellement.
Articles associés : Meilleures compétences Claude pour les cadres dirigeants et les chiefs of staff · Meilleurs marketplaces de compétences Claude (comparatif)