Vous connaissez cette impression. Au quarantième message d’une conversation qui avait commencé de façon claire, les réponses ignorent désormais la moitié de vos instructions, contredisent quelque chose que le modèle a dit dix messages plus tôt ou reviennent à une réponse générique par défaut que vous aviez corrigée une heure auparavant. Rien ne s’est « cassé ». Le modèle n’a pas empiré. Ce qui a changé, c’est la masse de texte qu’il doit maintenant lire avant de pouvoir vous répondre.
Ce qui se passe réellement au sein d’une longue conversation
Chaque réponse qu’un modèle AI vous donne est générée en lisant l’intégralité de la conversation jusque-là — vos instructions originales, chaque relance, chaque correction, chaque digression, chaque « en fait, pouvez-vous aussi… » — puis en prédisant ce qui devrait venir ensuite. L’ensemble de cette transcription s’appelle la fenêtre de contexte, et elle ne rétrécit pas à mesure que la conversation s’allonge. Elle s’agrandit, message après message, jusqu’à contenir bien plus de texte qu’au départ.
Au début d’une conversation, vos instructions constituent presque tout le contexte. La tâche du modèle est simple : lire un brief clair et le suivre. Au trentième message, votre brief original ne représente plus qu’une petite partie d’un document beaucoup plus long, enfoui sous des dizaines d’échanges portant sur des modifications précises, des chiffres précis et des demandes ponctuelles. Le modèle « possède » toujours techniquement vos instructions originales dans son contexte, mais elles sont désormais diluées et doivent rivaliser pour attirer son attention avec un volume bien plus important de texte plus récent, plus précis et souvent contradictoire.
C’est pourquoi les longues conversations n’échouent pas d’un seul coup. Elles se dégradent progressivement. Le modèle commence à accorder davantage de poids aux messages récents qu’aux premiers (ce qui est souvent logique : la récence signale généralement la pertinence), mais lorsque vos règles fondamentales se trouvent dans ce même fil vieillissant, « récent » et « important » finissent par se confondre. Une remarque anodine faite il y a cinq minutes peut prendre le pas sur une instruction normative donnée il y a une heure, simplement en raison de sa position dans la transcription.
Il y a un autre coût, plus discret : le modèle doit réinterpréter votre intention à partir d’un document plus confus à chaque fois. Au lieu de lire « vous êtes un stratège senior en croissance qui structure toujours ses réponses comme X et évite systématiquement Y » sous la forme d’une instruction claire, il analyse cette même idée filtrée par des paraphrases, des exceptions accordées en cours de conversation et des modifications qui ne s’appliquaient qu’à une tâche précise. Plus le texte à concilier est abondant, plus le modèle risque de faire une moyenne des éléments, de rester évasif ou d’abandonner discrètement une contrainte qui n’a jamais été répétée.
Les deux solutions auxquelles on a recours — et pourquoi elles entraînent toutes deux des pertes
Première solution : faites défiler vers le haut et recollez les instructions originales
C’est le palliatif le plus courant. Vous remontez jusqu’au premier message, copiez votre brief initial, puis le recollezz au quarantième message avec quelque chose comme « juste un rappel, merci de vous en tenir à ceci ». Cela fonctionne pendant environ cinq réponses. Puis la même dérive se reproduit, car vous n’avez rien changé à la façon dont fonctionne la fenêtre de contexte : vous avez simplement ajouté une copie supplémentaire de vos instructions à une transcription déjà surchargée. Le chat est maintenant encore plus long, le rapport signal-bruit ne s’est pas amélioré et vous êtes condamné à recommencer régulièrement pendant toute la durée du projet.
Deuxième solution : démarrer un tout nouveau chat et tout retaper
L’autre option courante est plus radicale : abandonner le fil et repartir de zéro. Cela résout effectivement le problème de dilution — un nouveau chat dispose d’un contexte court et vierge, et les instructions sont de nouveau lues clairement. Mais cette méthode élimine aussi quelque chose de précieux avec le bruit : le contexte utile et spécifique à la tâche qui rendait l’AI performante sur ce projet précis. Les exemples que vous lui avez fournis, les cas particuliers que vous lui avez déjà fait traiter, les décisions que vous avez déjà prises ensemble — tout cela disparaît. Vous repartez de zéro et vous devez aussi compter sur votre mémoire (ou fouiller frénétiquement dans d’anciens messages) pour reconstituer des instructions que vous n’avez peut-être enregistrées nulle part ailleurs que dans ce chat.
Les deux solutions ne traitent que le symptôme. Aucune ne règle le problème sous-jacent : votre RÔLE, votre FORMAT et vos NORMES ne résident nulle part ailleurs que dans un échange qui s’allonge sans cesse.
Un fichier Skill compact et réutilisable qui fixe le rôle, le format de sortie et les normes d’une stratège senior en marketing de croissance — pour qu’un nouveau chat démarre sur de bonnes bases plutôt que d’une page blanche.
Voir Sofia — Stratège en marketing de croissance →La meilleure solution : séparer le signal du bruit
La véritable solution n’est ni une astuce de défilement ni un nouveau départ : c’est une modification structurelle de l’emplacement de vos instructions. Au lieu que votre RÔLE, votre FORMAT et vos NORMES se trouvent dans le premier message d’un fil qui ne cesse de s’allonger, ils résident dans un petit fichier autonome : un Skill. Vous chargez ce fichier dans un nouveau chat ou dans un projet Claude/ChatGPT chaque fois que nécessaire, et la conversation qui suit reste entièrement consacrée à la tâche en cours.
Voyez cela comme une séparation de la conversation en deux couches qui étaient auparavant étroitement imbriquées :
- Signal — tout ce qui ne devrait jamais changer ni se diluer : qui l’AI incarne, exactement comment elle doit formater sa réponse, et quelles normes et contraintes s’appliquent toujours. Tout cela se trouve dans le fichier Skill, en dehors du chat.
- Bruit — tout ce qui est propre à cette tâche, à cette semaine, à ces échanges précis : « fais plus court », « utilise les chiffres de ce client », « non, l’autre version ». Tout cela reste dans le chat, et ce n’est pas grave s’il devient long, puisque ces éléments ne rivalisent pas avec vos instructions fondamentales pour attirer l’attention du modèle.
Lorsque ces deux couches sont séparées, un projet de longue durée cesse d’être un long chat qui se dégrade. Il devient une série de chats bien structurés, chacun commençant avec exactement le même ensemble de consignes précises chargé depuis le fichier de Skill, chacun pouvant s’étendre autant que nécessaire sur le travail réel sans jamais devoir redéfinir ce que signifie « bien faire ». Vous obtenez la fraîcheur de la deuxième solution (un nouveau chat, un contexte vierge) sans le coût de cette deuxième solution (tout retaper de mémoire), car les consignes n’ont jamais été piégées dans l’ancien fil.
Cela résout également un problème auquel aucune des deux mauvaises solutions ne remédie : la cohérence entre les sessions. Si vos normes restent dans votre tête et sont retapées de manière légèrement différente à chaque fois, la qualité dérive d’un projet à l’autre, et pas seulement au sein d’un même chat. Un fichier de Skill est le même fichier à chaque fois : vous le versionnez une fois, vous l’affinez lorsque vous apprenez quelque chose de nouveau, et chaque futur chat bénéficie instantanément de l’amélioration.
Les fils d’analytique deviennent longs — tableaux de bord, schémas d’événements, calendriers de reporting. Rafa maintient les normes analytiques dans un fichier de Skill afin que la sixième semaine du projet soit aussi rigoureuse que le premier jour.
Voir Rafa — Spécialiste de l’analytique marketing →À quoi cela ressemble en pratique
Imaginons que vous meniez une mission de plusieurs semaines — un audit de croissance, la mise en place continue d’une solution d’analytique, un projet de conseil avec un client. Au lieu d’un chat marathon qui perd peu à peu le fil, le fonctionnement ressemble à ceci :
- Votre RÔLE/FORMAT/NORMES figurent dans un fichier de Skill (un document court et structuré — le type de document que vous colleriez comme prompt système ou comme instruction de projet Claude/ChatGPT).
- Chaque session de travail, ou chaque nouvelle phase du projet, commence par un nouveau chat avec ce fichier de Skill chargé.
- Le chat lui-même peut être aussi long et désordonné que la tâche réelle l’exige, car les consignes fondamentales ne suivent pas le même transcript, où elles pourraient être supplantées par du texte plus récent.
- Lorsque vous apprenez quelque chose qui devrait s’appliquer à toutes les futures sessions — une préférence de mise en forme, une contrainte que vous devez sans cesse répéter — vous modifiez le fichier de Skill une seule fois, plutôt que chaque chat à venir.
L’effet net est que la qualité reste constante sur un projet de longue durée au lieu de décliner progressivement. Vous ne luttez pas contre la fenêtre de contexte ; vous ne lui demandez simplement pas d’accomplir une tâche pour laquelle elle n’a jamais été vraiment adaptée : servir de mémoire permanente pour des consignes durables.
Une pensée structurée, formée chez McKinsey, chargée à nouveau à chaque session — ainsi, une longue mission de conseil n’hérite pas de la dérive d’une discussion surchargée.
Voir Thomas – Consultant en stratégie →Indiquez comment vous — ou votre équipe — utilisez réellement les discussions avec l’AI et obtenez une estimation mensuelle concrète du gaspillage de tokens et des coûts liés à la répétition des prompts, comparée à l’utilisation d’un fichier de Skill persistant. Aucune inscription, aucun e-mail : uniquement les calculs de cet article appliqués à vos chiffres.
Essayez le calculateur →FAQ
Pourquoi un AI semble-t-il « oublier » les instructions que je lui ai données plus tôt dans la même discussion ?
Il ne l’a pas littéralement oublié : le texte est toujours présent dans la fenêtre de contexte. Mais à mesure que la conversation s’allonge, vos instructions d’origine représentent une part de plus en plus faible de tout ce que le modèle doit prendre en compte, et les messages plus récents ont tendance à exercer davantage d’influence sur la réponse. Le résultat ressemble à un oubli, mais il s’agit en réalité d’une dilution.
Le fait de commencer une nouvelle discussion n’est-il pas la solution la plus simple ?
Cela résout le problème de dilution, mais en crée un nouveau : vous perdez le contexte spécifique à la tâche qui rendait l’AI utile pour ce projet précis et devez vous souvenir de vos instructions d’origine — ou les retrouver — pour les saisir à nouveau. Un fichier de Skill vous offre le bénéfice d’un contexte vierge sans le coût de mémoire, car vos instructions permanentes résident entièrement en dehors de la discussion.
Quelle est la différence entre un fichier de Skill et un prompt simplement plus long et plus détaillé ?
Un prompt plus long reste intégré à la discussion et vieillit de la même manière que tous les autres messages : il est soumis à la même dilution au fil d’un long échange. Un fichier de Skill est indépendant de toute conversation donnée : vous le chargez à nouveau au début de chaque nouvelle discussion ou de chaque nouveau projet. Il ne rivalise donc jamais avec les messages récents pour attirer l’attention du modèle et n’accumule jamais le bruit propre à une tâche donnée.
En résumé :
Les longues discussions ne deviennent pas moins pertinentes parce que le modèle se dégrade : elles le deviennent parce que vos instructions permanentes se retrouvent enfouies sous une pile croissante d’échanges spécifiques à chaque tâche. Conservez le RÔLE/FORMAT/NORMES dans un fichier de Skill compact et réutilisable — comme Sofia, Rafa ou Thomas — chargez-le à nouveau dans chaque nouvelle discussion et laissez la conversation ne conserver que le bruit dont elle a réellement besoin.
