Un fichier de compétence coûte moins cher qu’un prompt rédigé à partir de zéro, car son coût de configuration n’est payé qu’une fois, et non à chaque message. Chaque fois que vous réexpliquez votre rôle, votre ton et votre format à une conversation vierge avec l’AI, vous payez cette explication en tokens — et les tokens représentent de l’argent, des limites de messages et de l’espace dans la fenêtre de contexte que vous consacrez à des tâches annexes plutôt qu’à votre travail réel.
Partie 1 de la série « Contexte réutilisable » · Par l’équipe KissMySkills
Les 300 tokens que vous payez à chaque fois
Ouvrez une conversation vierge avec Claude, ChatGPT ou Gemini et demandez-lui de vous aider à rédiger une mise à jour du conseil d’administration. Avant de pouvoir faire quoi que ce soit d’utile, vous devez lui expliquer qui vous êtes, ce que fait l’entreprise, quel ton le conseil attend, quel format la mise à jour doit respecter et ce que signifie pour vous un travail de qualité. Ce n’est pas une demande en une ligne : c’est un paragraphe, parfois trois.
Saisissez ce paragraphe et faites-le passer dans un tokenizer. Un préambule classique du type « voici mon rôle, voici le contexte, voici comment j’aime que les choses soient formatées » compte entre 200 et 400 tokens. Et cela, avant même d’avoir posé la vraie question. Comme la plupart des gens n’enregistrent ce préambule nulle part, ils en retapent une version — légèrement différente, légèrement incomplète — chaque fois qu’ils ouvrent une nouvelle conversation.
Multipliez cela par la fréquence à laquelle vous utilisez réellement l’AI pour travailler. Si vous ouvrez cinq nouvelles conversations par jour et réexpliquez le contexte à chaque fois, vous dépensez de 1 000 à 2 000 tokens par jour rien que pour rétablir le rôle que l’AI est censée jouer. Sur un mois, cela représente 20 000 à 40 000 tokens dépensés uniquement en préambule — des tokens qui n’ont produit aucun résultat.
Avant et après : la même demande, de deux façons
Sans fichier de compétence, un prompt classique ressemble à ceci :
« Vous m’aidez en tant que chef de cabinet. Je dirige une entreprise SaaS de 40 personnes, nous rendons compte à un conseil d’administration de 5 membres, qui apprécie les mises à jour concises avec le point essentiel en premier, sans fioritures ; incluez toujours le taux de consommation de trésorerie et l’autonomie financière, utilisez le format Markdown avec un TL;DR en haut… [la suite contient 150 mots supplémentaires] …rédigez maintenant la mise à jour de ce mois-ci. »
C’est la taxe de la réexplication : vous la payez à nouveau la semaine prochaine, puis la semaine suivante, généralement avec un oubli au passage (la dernière fois, vous avez mentionné l’autonomie financière ; cette fois, vous avez oublié, donc le résultat est incohérent).
Avec un fichier de compétence, la même demande se résume à : « Rédige la mise à jour du conseil d’administration de ce mois-ci : chiffre d’affaires de 340 k$, consommation de trésorerie de 85 k$, deux nouveaux contrats d’entreprise conclus. » Le rôle, le ton, le format et les critères sont déjà chargés : définis une fois, appliqués à chaque fois, jamais oubliés.
Chargez Ryan une fois et chaque dossier du conseil, mémo pour tous les collaborateurs et note de décision que vous lui demanderez vous reviendra avec les points clés en premier et prêt pour le conseil — sans avoir à réexpliquer votre entreprise ou vos standards à chaque fois.
Voir Ryan — Chief of Staff →Pourquoi cela compte pour votre portefeuille
Si vous utilisez une tarification API — pour créer quelque chose reposant sur Claude ou GPT, ou avec un outil facturé à l’usage — le calcul est direct : les tokens d’entrée coûtent de l’argent. Un préambule de 300 tokens réexpliqué et envoyé à chaque appel, sur des milliers d’appels par mois, constitue un véritable poste de dépense, pas une erreur d’arrondi. Les équipes qui développent des produits propulsés par l’AI constatent régulièrement que le rétablissement du contexte absorbe 15 à 30 % de leurs dépenses en tokens avant même que le modèle ne fasse quoi que ce soit d’utile. Un fichier Skill — ou son équivalent sous forme de prompt système, de contexte mis en cache ou d’instruction de projet — transforme ce coût récurrent en coût unique.
Si vous utilisez régulièrement une application de chat avec les offres grand public de Claude, ChatGPT ou Gemini, vous n’êtes pas facturé directement au token, mais vous êtes soumis à des limites d’utilisation qui reposent elles-mêmes sur les tokens en arrière-plan. Chaque message qui commence par trois paragraphes de « laissez-moi vous expliquer qui vous êtes » est un message qui compte dans votre limite et ne vous apporte rien. Réduisez les explications répétées et vous obtiendrez davantage de travail réellement utile avec le même quota quotidien.
Pourquoi cela compte aussi pour la qualité — pas seulement pour le coût
C’est ce que les gens oublient : réexpliquer le contexte n’est pas seulement coûteux, c’est un contexte de moins bonne qualité. Lorsque vous retapez votre rôle et vos standards de mémoire au milieu d’une journée chargée, vous omettez des éléments. Vous oubliez de préciser que les mises à jour destinées au conseil doivent commencer par le taux de consommation de trésorerie. Vous oubliez que le client préfère les listes à puces à la prose. Vous oubliez le format qui avait bien fonctionné la dernière fois. Le résultat se dégrade non pas parce que le modèle est devenu moins intelligent, mais parce que vos instructions sont devenues plus approximatives — et de manière inégulière, ce qui signifie que certaines sessions sont excellentes tandis que d’autres sont nettement moins bonnes.
Un fichier Skill bien rédigé n’a pas ce problème. C’est la version complète de vos instructions, rédigée une fois, lorsque vous aviez le temps de bien y réfléchir, et non la version expédiée dont vous pouvez vous souvenir à 16 heures un jeudi. C’est la véritable raison pour laquelle les résultats guidés par un Skill paraissent généralement plus expérimentés et plus cohérents : ce n’est pas que l’AI est devenue plus intelligente, c’est qu’elle travaille à chaque fois à partir d’un brief complet plutôt que d’un brief dont vous ne gardez qu’un souvenir partiel.
La qualité produit également un deuxième effet. Les longues conversations se dégradent progressivement à mesure que la fenêtre de contexte se remplit d’échanges, de corrections et de clarifications — un phénomène parfois appelé « pourrissement du contexte ». Si une grande partie de chaque message sert à rétablir le rôle et le format de base, il s’agit d’un espace de la fenêtre de contexte qui aurait pu être consacré au travail réel, ce qui accélère le moment où la conversation commence à perdre le fil. Un fichier Skill prépare efficacement le contexte en amont au lieu de le répéter par petites touches sur des dizaines de tours.
Diane rédige des e-mails dans votre style, prépare des briefings de réunion et trie votre boîte de réception sans que vous ayez à réexpliquer votre ton et vos priorités dans chaque nouvelle conversation.
Voir Diane — Executive Assistant →Ce qui constitue réellement un « fichier Skill »
Un fichier Skill n’a rien d’exotique : c’est un document Markdown que vous collez une seule fois dans un prompt système, les instructions d’un Projet ChatGPT, les instructions personnalisées d’un Projet Claude ou la configuration d’un Custom GPT. Il définit le rôle (« vous êtes un chef de cabinet senior qui accompagne des PDG depuis 9 ans »), les normes (« le titre d’abord, sans fioritures, inclure systématiquement le burn rate et la runway ») et le format (« Markdown, TL;DR en haut »). Une fois chargé dans un contexte persistant — un Projet, un Custom GPT ou un prompt système dans votre propre outil — chaque nouvelle conversation en hérite automatiquement. Vous n’avez plus jamais besoin de le retaper.
En définitive, le choix précis de l’emplacement (prompt système, instructions du Projet ou Custom GPT) compte moins que l’habitude fondamentale : rédiger le contexte une fois, dans son intégralité, quand vous avez le temps de bien faire les choses — puis cesser de le réexpliquer de mémoire sous la pression du temps.
En résumé :
Réexpliquer le rôle, le ton et le format à partir de zéro coûte 200 à 400 tokens par message, ce qui finit par représenter une dépense réelle ou un gaspillage des limites d’utilisation au fil du temps, et produit des résultats incohérents, car un contexte précipité est un contexte incomplet. Un fichier Skill comme Ryan (Chief of Staff) ou Diane (Executive Assistant) engage ce coût une seule fois, puis fournit un résultat cohérent, de niveau senior, à chaque message suivant.
Indiquez la manière dont 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, comparée à l’utilisation d’un fichier de Skill persistant. Aucune inscription ni adresse e-mail — uniquement les calculs de cet article appliqués à vos chiffres.
Essayez le calculateur →Questions fréquemment posées
Combien de tokens la réexplication du contexte coûte-t-elle réellement ?
Un préambule typique précisant le rôle et le format représente 200 à 400 tokens par message. Répété dans des dizaines de conversations par semaine, cela représente des dizaines de milliers de tokens gaspillés chaque mois — des tokens consacrés à la configuration plutôt qu’au travail réel.
Un fichier de Skill aide-t-il uniquement à réduire les coûts de l’API, ou est-il également utile aux utilisateurs de chats classiques ?
Les deux. Avec la tarification de l’API, la réduction du nombre de tokens répétés diminue directement la facture. Dans les offres de chat grand public (Claude, ChatGPT, Gemini), les limites d’utilisation sont basées sur les tokens en arrière-plan ; réduire le coût de la réexplication permet donc de consacrer une plus grande partie de votre quota quotidien à la production réelle plutôt qu’à la configuration.
Un fichier de Skill n’est-il qu’un prompt plus long ?
Non — la différence tient à la persistance, pas à la longueur. Un fichier de Skill est rédigé une fois, puis chargé dans un prompt système, des instructions de projet ou un GPT personnalisé ; il est donc automatiquement présent dans chaque nouvelle conversation. Un prompt classique doit être ressaisi de mémoire à chaque fois, ce qui entraîne des pertes de qualité et d’exhaustivité.
L’utilisation d’un fichier de Skill améliore-t-elle réellement la qualité des résultats, ou permet-elle seulement d’économiser de l’argent ?
Les deux. Vous économisez de l’argent parce que vous ne payez pas pour des tokens répétés. La qualité s’améliore parce qu’un fichier de Skill est la version complète et soigneusement rédigée de vos instructions, plutôt que ce dont vous arrivez à vous souvenir et à saisir sous la pression du temps — c’est pourquoi les résultats fondés sur une Skill ont tendance à être plus cohérents et à adopter un ton plus expérimenté.
À venir dans cette série
Voici l’article central d’une courte série consacrée aux raisons pour lesquelles un contexte réutilisable est préférable au fait de reformuler les prompts. À venir : « Le coût caché de la reformulation des prompts », « Prompt système vs instructions de projet vs GPT personnalisé : où votre Skill doit-elle réellement se trouver ? », « Pourquoi les longues conversations deviennent moins pertinentes (et comment y remédier sans recommencer) », « La vraie différence entre un prompt et une Skill (ce n’est pas qu’une question de sémantique) », « Combien coûte réellement l’utilisation de Claude/ChatGPT pour le travail ? Une analyse réaliste des tokens », et « Le contexte réutilisable est le nouveau prompt engineering ».
