Votre AI 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 à la fois. Une fois cette fenêtre pleine, il faut faire un choix : les anciens messages sont évincés, ensevelis sous les nouveaux ou supprimés entièrement.
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’intégralité de la conversation jusque-là — tout ce que vous avez écrit, tout ce à quoi il a répondu, ainsi que les documents, images ou fichiers que vous avez joints — regroupée en une seule entrée. Cet ensemble constitue le « contexte ». La « fenêtre » est la limite de la quantité de contenu que le modèle peut traiter en une seule passe.
Les fenêtres de contexte se mesurent en tokens, c’est-à-dire de petits fragments de texte — environ ¾ de mot chacun. 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 que l’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 n’ayez posé votre véritable question.
Il est important de comprendre que la fenêtre de contexte n’est pas une base de données dans laquelle le modèle va chercher des informations. Elle ressemble davantage à une mémoire à court terme. Pour le modèle, rien de ce qui se trouve en dehors de cette fenêtre n’existe, et tout ce qui s’y trouve se dispute son attention limitée.
Pourquoi l’impression que l’AI « oublie » se produit
On décrit souvent cela comme le fait que l’AI « oublie » le début d’une longue conversation ou perde le fil des détails d’un document importé. C’est une manière raisonnable de décrire ce que vous observez, mais ce n’est pas exactement ce qui se passe en coulisses. Deux phénomènes distincts sont à l’œuvre, et ils se renforcent mutuellement.
1. Oubli progressif : la dilution
À mesure que la conversation s’allonge, le contenu ancien ne disparaît pas : il ne représente simplement qu’une part de plus en plus réduite de ce que le modèle examine. Les premières instructions, décisions ou informations 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 accorder la priorité parmi tout ce qui est entassé dans la fenêtre. En pratique, la qualité se dégrade visiblement dans les fils très longs : le modèle contredit des réponses précédentes, répète des questions auxquelles vous avez déjà répondu ou perd le fil d’une instruction nuancée donnée dix échanges plus tôt.
2. Oubli complet : la troncature
Une fois que la conversation dépasse réellement la limite stricte de la fenêtre, il faut supprimer quelque chose pour faire de la place aux nouvelles entrées. La plupart des produits de chat gèrent cela en supprimant ou en résumant discrètement les échanges les plus anciens. À ce stade, le contenu n’est pas simplement dilué : il a véritablement disparu. Le modèle ne peut littéralement plus le voir, quelle que soit son importance.
Aucun des deux n’est exactement un bug. C’est la conséquence physique du remplissage d’une fenêtre de taille fixe. 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 fichier volumineux donne l’impression que c’est gratuit. Ce n’est pas le cas. Un long contrat, 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 ne vous en reste plus que 60 000 pour les instructions système, l’historique de la conversation, ainsi que le raisonnement et la réponse du modèle — pour une tâche qui peut réellement nécessiter une synthèse de l’ensemble du document.
C’est exactement la situation qui pose problème lors de travaux analytiques complexes : des rapports marketing remplis de tableaux, des modèles financiers, de longs corpus de recherche. Plus les données d’entrée sont volumineuses et désordonnées, moins il reste de place à l’AI pour réfléchir efficacement à ce que vous lui demandez d’en faire.
Rafa transforme Claude en spécialiste senior de l’analytique marketing pour résoudre exactement ce problème : analyser des rapports denses, des tableaux de bord et des données de campagne 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 tas d’historique plus ou moins pertinent à côté de votre demande actuelle et réelle — et leur accorde à peu près la même importance à tous.
La solution n’est pas de « ne jamais avoir de longues conversations ». Il faut plutôt réfléchir 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 le plus 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 s’avèrent utiles
C’est la raison pratique pour laquelle les fichiers de compétences (ou les prompts système, les instructions personnalisées, les instructions de projet — la même idée, sous un 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 endosser, les normes à appliquer et 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 concernant le 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 au même titre que 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. Sa formulation est plus resserrée que celle d’une explication classique au fil des échanges, et il n’est pas renégocié ni réexpliqué en cours de conversation comme le sont souvent les instructions ponctuelles.
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 lui demandez réellement maintenant ».
Ryan configure Claude pour les missions de direction continues et exigeantes en contexte — dossiers pour le conseil d’administration, briefings, notes de décision — où un rôle permanent et concis devient d’autant plus utile que la conversation se prolonge.
Voir Ryan - Chief of Staff →Habitudes pratiques qui aident vraiment
- Commencez un nouveau fil pour chaque nouvelle tâche. 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 tout le livre : chaque page superflue correspond à des jetons 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 jusqu’à présent en un bref récapitulatif, puis démarrez un nouveau fil avec ce récapitulatif et votre fichier Skill.
- Surveillez 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 d’un problème lié à un prompt plus intelligent.
En résumé :
Chaque modèle d’AI possède une fenêtre de contexte fixe et, une fois celle-ci remplie, le contenu plus ancien est dilué ou supprimé — c’est cet « oubli » que vous remarquez, et non de la confusion. Les importations de documents volumineux et les historiques de conversation interminables consomment tous deux ce même espace limité. Garder vos instructions permanentes compactes et séparées, comme avec Rafa (spécialiste de l’analytique marketing) ou Ryan (chef de cabinet), libère de la place pour le document et le contenu de la tâche qui en ont réellement besoin — afin que les réponses restent pertinentes plus longtemps.
Indiquez comment vous (ou votre équipe) utilisez réellement les conversations avec une AI et obtenez une estimation mensuelle concrète du gaspillage de tokens et du coût en dollars lié à la répétition des prompts, par rapport à un fichier de compétences persistant. Aucune inscription ni adresse e-mail : uniquement les calculs de cet article appliqués à vos chiffres.
Essayez le calculateur →Foire aux questions
Qu’est-ce qui compte exactement 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 d’un fichier de compétences, ainsi que l’intégralité du texte extrait des fichiers ou documents joints. Tout est comptabilisé en tokens par rapport à une seule limite partagée.
Le fait de démarrer une nouvelle conversation règle-t-il vraiment le problème ?
Oui, dans le sens où elle vide complètement la fenêtre : plus d’historique dilué ni 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 reporté. Il vaut donc mieux apporter un court résumé ainsi que votre fichier de compétences dans la nouvelle conversation plutôt que de repartir de zéro.
Pourquoi ne pas utiliser simplement un modèle avec 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 fournit pas un modèle qui sait automatiquement quoi prioriser dans cet espace.
En quoi un fichier de compétences diffère-t-il du simple fait de rédiger de bonnes instructions dans la conversation ?
Les deux peuvent fonctionner, mais les instructions saisies directement dans une conversation se retrouvent dans la même fenêtre surchargée que tout le reste et sont souvent répétées, contredites ou diluées à mesure que la conversation s’allonge. Un fichier de compétences est chargé une fois en tant que rôle défini — compact et séparé du contenu de la tâche — et ne se dispute donc pas l’espace avec le document ou les données sur lesquels vous travaillez réellement.
Articles associés : Meilleures compétences Claude pour les cadres dirigeants et les chefs de cabinet · Meilleures places de marché de compétences Claude (comparatif)
