Une équipe de 5 personnes qui laisse chacun improviser ses propres prompts AI ne fait pas que gaspiller des tokens : elle gaspille aussi des heures et produit un travail incohérent. Cette étude de cas représentative (un cas composite, et non un client réel nommé) montre à quoi ressemble concrètement ce gaspillage mois après mois, et ce qui change lorsque la même équipe passe à une petite bibliothèque partagée de fichiers de compétences AI.
Étude de cas illustrative · Par l’équipe KissMySkills
Le contexte : un flux de travail AI normal et improvisé
Imaginez une équipe de 5 personnes travaillant dans le marketing et les opérations d’une startup en phase de démarrage — un responsable de contenu, un responsable des réseaux sociaux, une personne chargée du CRO et de l’analytique, un coordinateur des opérations et un fondateur qui intervient un peu partout. Chacun utilise Claude, ChatGPT ou Gemini quotidiennement. Personne n’a mis en place quoi que ce soit de formel. Tout le monde se contente de… taper.
Cela signifie que chaque nouvelle conversation repart de zéro. Avant que l’AI puisse produire une première version exploitable, quelqu’un doit réexpliquer :
- L’identité de la marque et son public
- Les règles de ton (« plus direct, moins institutionnel », « ne jamais dire “plonger dans” », « toujours terminer par un CTA clair »)
- Les normes de mise en forme (titres, style des puces, fourchettes de nombre de mots)
- Le canal concerné et ce qui correspond à un résultat « réussi » dans ce contexte
- Le contexte de la campagne, du produit ou du trimestre en cours
Rien de tout cela n’est consigné sous forme de ressource réutilisable. Tout cela repose sur des connaissances implicites, partiellement mémorisées et retapées — légèrement différemment — à chaque fois.
Le calcul : 5 personnes, plusieurs sessions par jour, tous les jours
Ces chiffres donnent une indication, ils n’ont pas été audités — l’important est de comprendre l’ampleur du gaspillage, pas d’obtenir une précision au chiffre près. Supposons que chaque personne utilise 4 à 6 sessions de chat AI par jour pour son travail : rédiger une légende, réécrire un e-mail, vérifier le titre d’une page d’atterrissage, résumer un appel. Si même la moitié de ces sessions commence par un nouveau bloc de 150 à 300 mots du type « laissez-moi vous réexpliquer notre ton de marque et nos règles de mise en forme », cela représente environ :
- 5 personnes × ~3 sessions avec beaucoup de contexte/jour = 15 réexplications redondantes du contexte par jour
- 15 × ~20 jours ouvrés/mois = environ 300 réexplications redondantes par mois
- En comptant prudemment 200 mots de contexte retapés à chaque fois, cela représente de l’ordre de 60 000 mots ou plus par mois consacrés à la pure réexplication — du contexte qui ne produit aucun nouveau résultat, mais rétablit simplement le point de départ.
Multipliez cela par le nombre de tokens d’entrée traités à chaque message de la conversation (la plupart des outils de chat renvoient le contexte accumulé à chaque tour), et les frais de tokens s’accumulent rapidement. Mais la facture de tokens est le moindre des problèmes. Le plus important, c’est le temps.
Le véritable coût, ce ne sont pas les jetons, mais les minutes, multipliées par cinq
Supposons que retaper ou copier-coller un bloc « voici le contexte de notre marque et de notre formatage » prenne 2 à 4 minutes par session, auxquelles s’ajoutent les échanges supplémentaires lorsque la première version de l’IA ne convient pas parce que le contexte était incomplet ou formulé différemment de la fois précédente. Dans une équipe de cinq personnes, cela représente facilement 1 à 2 heures par semaine et par personne consacrées à rétablir un contexte qui aurait dû être défini une seule fois.
Sur un mois, cela représente une part significative d’une journée complète de travail par personne, consacrée non pas au travail lui-même, mais à réexpliquer à l’IA comment l’effectuer. Dans une équipe de cinq personnes, cela s’accumule jusqu’à représenter presque le travail supplémentaire d’une personne entière en « taxe de contexte » chaque mois.
Ajoutez Maya à Claude, ChatGPT ou Gemini une seule fois, et chaque légende, calendrier éditorial et publication adaptée à la plateforme adoptera votre ton, sans avoir à réexpliquer le ton ou le formatage à chaque session.
Voir Maya - Responsable des réseaux sociaux →Le deuxième coût : le glissement de la qualité
Les jetons redondants et le temps perdu sont les coûts visibles. Le coût plus discret, c’est le glissement. Lorsque cinq personnes différentes rédigent chacune leur propre version de « voici la voix de notre marque » de mémoire, elles ne l’écrivent pas deux fois de la même manière, et encore moins de la même façon les unes que les autres. La formulation improvisée de l’une est plus formelle, une autre introduit de l’argot que la marque n’utilise pas réellement, et une troisième oublie complètement de mentionner la règle concernant le CTA.
Résultat : le contenu, les e-mails et les analyses sont tous techniquement « conformes à la marque », mais chacun porte une légère variation. Les clients et prospects le remarquent, même lorsque personne dans l’équipe ne parvient vraiment à expliquer pourquoi quelque chose semble incohérent. C’est la mort par mille petites divergences.
Cela se manifeste surtout à deux endroits : dans le workflow CRO/analytique, où une définition incohérente de « ce qui constitue une amélioration significative » amène différentes personnes à tirer des conclusions différentes des mêmes données, et dans l’automatisation marketing, où la logique des séquences et les hypothèses de scoring des prospects sont réinventées de manière informelle chaque fois qu’une nouvelle personne intervient sur une campagne.
Beck pose son diagnostic avant de tester : analyse des abandons dans le tunnel, conception de tests A/B et interprétation des résultats cohérente, quelle que soit la personne de l’équipe qui mène la session.
Voir Beck — Spécialiste CRO →Ce qui change avec une bibliothèque Skill partagée
La solution n’est ni un nouvel outil ni un nouveau document de processus que personne ne lit. Il s’agit de remplacer les prompts improvisés par une petite bibliothèque partagée de fichiers Skill — un par fonction pour laquelle l’équipe utilise réellement l’AI. Un fichier Skill n’est rien de plus qu’un prompt système enregistré : voix de la marque, règles de mise en forme, contexte du rôle et standards internes, rédigés une fois puis collés au début de toute session Claude, ChatGPT ou Gemini (ou enregistrés comme instruction d’un projet Claude afin d’être toujours chargés).
Pour une équipe marketing/opérations de cinq personnes, cela correspond généralement à 3 ou 4 fichiers Skill couvrant les tâches récurrentes : contenu et réseaux sociaux, CRO/analytics, ainsi qu’automatisation marketing et cycle de vie. Toute l’équipe utilise le même fichier pour une même tâche, au lieu d’écrire sa propre version à chaque fois.
Ce qui change concrètement :
- La réexplication du contexte redondant devient presque nulle — la voix de la marque et les règles de mise en forme sont déjà intégrées au fichier Skill, au lieu d’être retapées à chaque session
- La cohérence des productions augmente — cinq personnes utilisant le même fichier Skill produisent un travail qui semble provenir d’une seule équipe, et non de cinq individus
- L’intégration s’accélère considérablement — une nouvelle recrue reçoit les fichiers Skill au lieu de devoir fouiller d’anciens fils Slack pour reconstituer « notre façon habituelle de rédiger ces contenus »
- Le temps par session diminue — moins de configuration, moins de réécriture parce que la première production ne tenait pas compte d’un contexte implicite, et une production plus exploitable dès le premier essai
Finn conçoit des systèmes, pas des séquences ponctuelles : une architecture de workflows et des modèles de scoring des prospects que toute l’équipe peut réutiliser au lieu de reconstruire la logique de mémoire à chaque fois.
Voir Finn — Spécialiste de l’automatisation marketing →Intégration : le bénéfice sous-estimé
Les économies de tokens et de temps comptent, mais c’est l’effet sur l’intégration que les équipes remarquent le plus une fois la transition effectuée. Au lieu qu’une nouvelle recrue passe ses deux premières semaines à assimiler par imprégnation « notre façon de faire » et se fasse corriger sur le ton à chaque cycle de révision, elle ouvre le fichier Skill concerné dès le premier jour, et sa première production est déjà proche de la voix de la marque. Les connaissances institutionnelles qui n’existaient auparavant que dans la tête des membres expérimentés — et qui disparaissaient de l’organisation chaque fois que quelqu’un partait — sont désormais réunies dans un fichier portable qui accompagne l’équipe.
Si votre équipe intervient dans plus d’une de ces fonctions, cela vaut la peine de parcourir la bibliothèque de Skills Marketing & Ads complète plutôt que de créer des prompts ponctuels fonction par fonction.
En résumé :
Une équipe de 5 personnes qui réexplique la voix de la marque et le formatage depuis zéro à chaque session AI perd discrètement des heures chaque semaine à fournir un contexte redondant, tout en produisant des résultats incohérents. Adopter une petite bibliothèque partagée — Maya pour le contenu et les réseaux sociaux, Beck pour le CRO et l’analytique, et Finn pour l’automatisation marketing — réduit la ressaisie, renforce la cohérence et transforme l’intégration des nouvelles recrues en une simple transmission de fichier, au lieu d’un projet d’archéologie sur Slack.
Indiquez comment vous-même (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 répétition des prompts, par rapport à l’utilisation d’un fichier Skill persistant. Aucune inscription ni adresse e-mail : uniquement les calculs de cet article appliqués à vos chiffres.
Essayez le calculateur →Questions fréquemment posées
Est-ce fondé sur les chiffres d’un vrai client ?
Non : il s’agit d’une étude de cas illustrative et composite, fondée sur les schémas typiques que nous observons dans de petites équipes marketing et opérationnelles utilisant des outils de chat AI de manière ponctuelle, et non sur les données auditées d’un client réel identifié. Les chiffres concernant les tokens et le temps sont indicatifs et servent à montrer l’ampleur du gaspillage, pas à fournir des mesures exactes.
En quoi un fichier Skill est-il différent du simple fait d’écrire un bon prompt une fois et de le réutiliser ?
C’est la même idée, formalisée et partagée. Le problème de la plupart des équipes n’est pas que personne n’écrit jamais de bon prompt : c’est que chacun rédige sa propre version, qu’elle reste dans ses notes personnelles et que personne d’autre dans l’équipe ne l’utilise. Un fichier Skill est une version unique et maintenue que toute l’équipe colle ou charge comme instruction de projet, afin que chacun parte de la même base au lieu de cinq versions légèrement différentes.
Les fichiers Skill fonctionnent-ils en dehors de Claude ?
Oui. Les fichiers Skill sont des prompts système basés sur Markdown, et fonctionnent donc partout où vous pouvez coller des instructions : Claude Projects, les instructions personnalisées de ChatGPT ou les Custom GPTs, et les Gems de Gemini. L’équipe n’a pas besoin de se standardiser sur un seul outil d’AI pour se standardiser sur un même contexte partagé.
