Résumé des points clés
Récemment, un nouveau courant appelé “Loop Engineering” a pris son essor dans le domaine de la programmation par intelligence artificielle (IA). Auparavant, les développeurs devaient manuellement fournir des instructions à l’IA pour qu’elle rédige du code. Aujourd’hui, les experts recommandent de concevoir des systèmes cycliques dotés de mécanismes de feedback, permettant à l’IA de se guider elle-même et de travailler de manière continue. Deux spécialistes du secteur, Boris Cherny, le créateur de Claude Code, et Peter Steinberger, le fondateur de “Lobster”, défendent activement cette nouvelle approche. Cependant, ce concept rencontre des obstacles concrets, tels que les coûts élevés des tokens et les difficultés de débogage. Claude Code prend déjà en charge nativement la fonctionnalité Loop et a résolu certains problèmes techniques liés aux opérations prolongées.
1. De “diriger l’IA” à “laisser l’IA se diriger elle-même”
En simplifiant, auparavant, pour faire coder une page de connexion utilisateur, il fallait ouvrir un outil d’IA et entrer une instruction comme “Créez-moi une page de connexion”. Puis ajuster le code après sa génération. Avec Loop Engineering, on définit des règles cycliques, par exemple : “Vérifiez toutes les heures si la page de connexion contient des bogues → corrigez-les → testez automatiquement → soumettez le code si le test est réussi”. L’IA exécute alors ces instructions en boucle, sans nécessiter d’intervention manuelle à chaque étape.
Boris Cherny explique que son travail a évolué : il passe désormais de la rédaction des instructions à la conception de ces cycles qui guident l’IA. Peter Steinberger souligne également l’importance de créer des mécanismes cycliques plutôt que de fournir des instructions ponctuelles. C’est comme donner à l’IA un “manuel de travail autonome”, lui permettant de passer d’une “employée temporaire” à une “collaboratrice permanente”.
2. Le Loop n’est pas une répétition infinie : il faut des “freins” et une “navigation”
Certains se demandent si un Loop ne consiste pas simplement à exécuter une tâche de manière régulière (par exemple, envoyer des e-mails automatiquement). En réalité, un Loop efficace doit inclure un cycle de feedback : il faut indiquer à l’IA ses objectifs, évaluer son performance et déterminer quand arrêter.
Par exemple, dans le cadre d’une optimisation pour un site e-commerce, l’IA pourrait vérifier les données des comportements des utilisateurs, ajuster la mise en page des produits, effectuer des tests A/B, et continuer à s’améliorer jusqu’à atteindre l’objectif (augmentation du taux de conversion). Le feedback provient des données de conversion, les “freins” représentent l’atteinte de cet objectif, et la “navigation” permet de corriger le cours des actions.
Garry Tan, PDG de YC, rappelle qu’il ne faut pas transformer l’IA en une machine à répétitions mécaniques ; elle doit être capable de trouver ses propres problèmes et d’optimiser les processus de manière autonome.
3. Des contraintes pratiques : les tokens coûtent cher, ce n’est pas abordable pour tous les développeurs
L’idée du Loop est prometteuse, mais le principal obstacle est son coût élevé. Chaque itération du cycle implique une appel à l’API de l’IA, ce qui consomme des tokens (l’équivalent du “carburant” de l’IA). Pour une exécution toutes les 1 minute, cela représente 480 appels en 8 heures, soit un coût considérable. Les grandes entreprises (comme Anthropic et OpenAI) disposent d’une réserve quasi illimitée de tokens, mais les développeurs individuels ou les petites équipes ont des budgets limités. Peter Steinberger souligne que “le temps est plus précieux que les tokens”, mais certains répondent que cela relève de problèmes financiers plutôt que techniques.
Claude Code a mis en place des restrictions pour maîtriser les coûts : le intervalle minimal entre deux itérations est d’une minute, et l’exécution ne peut durer plus de 3 jours ; l’IA s’arrête automatiquement lorsque l’on ferme l’application. Cependant, ces mesures ne résolvent que partiellement le problème.
4. L’évolution de Claude Code : de 20 minutes à plusieurs jours d’exécution continue
Il y a un an, Claude Code ne pouvait fonctionner qu’en continu pendant 20 minutes (ce qui limitait ses capacités). Aujourd’hui, il peut fonctionner pendant plusieurs jours. Il a résolu trois problèmes majeurs :
- Perte de contexte : à chaque itération, l’IA oubliait ce qu’elle avait fait précédemment. Maintenant, elle conserve le contexte des sessions et se souvient des actions effectuées (par exemple, des bogues corrigés).
- Manque de planification : auparavant, l’IA devait soit terminer tout d’un coup, soit s’arrêter au milieu. Aujourd’hui, elle utilise le modèle Opus pour planifier ses tâches (par exemple, en divisant la création d’un site e-commerce en étapes : page d’accueil, page des produits, page de paiement), et le modèle Sonnet pour exécuter le code de manière plus efficace.
- Judgment imprecis : l’IA pouvait considérer un travail inachevé comme terminé (par exemple, une page avec des boutons, mais sans logique backend). Aujourd’hui, elle utilise une structure composée d’un générateur de code, d’un évaluateur et d’un planificateur : le générateur crée le code, l’évaluateur teste le fonctionnement (par exemple, en vérifiant si un bouton permet de payer), et le planificateur organise les étapes. L’évaluateur établit également des critères d’acceptation avant de commencer à coder.
5. Des difficultés pratiques : débogage complexe et coûts de migration élevés
De nombreux développeurs ont constaté que l’application du Loop est plus compliquée qu’espéré :
- Débogage difficile : déboguer un cycle qui s’est exécuté 47 fois est beaucoup plus complexe que de déboguer une instruction simple. Il faut suivre l’état de chaque itération pour identifier l’erreur.
- Coûts de migration élevés : certains projets ne sont pas adaptés au Loop, et la migration vers d’autres outils nécessite beaucoup de temps et de ressources. Un développeur a déclaré : “J’ai introduit le Loop dans mon entreprise, mais personne ne veut s’en occuper maintenant.”
- Base technique insuffisante : beaucoup de développeurs n’ont pas les compétences nécessaires pour créer des instructions fiables, ce qui entraîne des problèmes.
Le Loop est donc une direction prometteuse pour l’avenir, mais il est encore à un stade précoce. Les développeurs doivent être prudents avant de l’adopter.
Conclusion
Le Loop Engineering représente la prochaine étape dans la programmation par IA : il permet à l’IA de passer d’une exécution passive à une action active. Cependant, des problèmes de coût, de débogage et de mise en œuvre restent à résoudre. Pour les grandes entreprises, cela représente un outil pour améliorer l’efficacité ; pour les développeurs individuels, il faudra attendre que la technologie soit plus mature et les coûts plus abordables. Néanmoins, cette tendance est déjà en marche : dans quelques mois, il est possible que des postes de “ingénieurs Loop” apparaissent sur LinkedIn.