Low, medium, high : quel niveau d'effort choisir pour son agent IA ?

Dans mon article sur les modèles ChatGPT, j’ai glissé une petite phrase sur la fin à propos de l’effort de raisonnement. Eh bien, il est l’heure d’en parler.

Si vous avez déjà ouvert Claude Code / Cowork ou ChatGPT Codex, vous l’avez sûrement croisé (et si ce n’est pas encore le cas, mon guide pour démarrer avec un agent IA est là pour ça). Ce petit menu à côté du nom du modèle, avec des mots comme low, medium, high, parfois xhigh ou max. On le laisse souvent tel quel, parce qu’on ne sait pas trop ce qu’il change. Et pourtant, c’est un vrai levier : il joue sur la qualité du résultat, sur le temps d’attente et sur la facture.

Un deuxième curseur à côté du modèle

Quand je parlais de choisir son modèle Claude, je décrivais un compromis entre intelligence, vitesse et coût. L’effort ajoute un deuxième curseur, et il ne règle pas la même chose.

Anthropic le résume bien dans un article sur le sujet :

• le modèle, c’est à quel point l’agent est capable ;
• l’effort, c’est à quel point l’agent est minutieux.

Le modèle, c’est ce qu’il sait faire et ce qu’il connait. L’effort, c’est le mal qu’il va se donner avant de considérer que le travail est fini. Son acharnement, son exploration, ses vérifications, plusieurs comportements se cachent derrière.

Ce n’est pas seulement du temps de réflexion. Avec un agent capable de lire des fichiers, lancer des commandes, chercher sur le web, l’effort influence sa façon de travailler : combien de fichiers il va ouvrir, s’il lance les tests, s’il revérifie son travail, combien d’étapes il enchaîne avant de revenir vers vous.

L’article d’Anthropic propose une image que j’aime bien : un modèle très capable en effort bas, c’est cinq minutes avec un expert. Un modèle plus modeste en effort haut, c’est l’après-midi entier avec un bon généraliste. Les deux peuvent être le bon choix. Ça dépend de ce que vous lui demandez.

Évidemment, plus d’effort, c’est plus de travail produit par l’agent. Donc ça consomme plus de temps, et plus de quota (ou d’argent via API). Pas besoin de demander à un expert de passer l’après-midi sur un traitement de document qui se règle en cinq minutes.

Il ne savait pas, ou il n’a pas assez cherché ?

Quand le résultat ne vous convient pas, la question n’est pas toujours « est-ce que je monte l’effort ? ». Anthropic propose une question simple que je trouve très utile :

L’IA ne savait pas assez, ou elle n’a pas assez essayé ?

Si elle avait toutes les infos, qu’elle a clairement fait l’effort, et qu’elle s’est quand même trompée, c’est plutôt une affaire de modèle. Il faut monter d’un cran.

Si elle a oublié de regarder un fichier, n’a pas vérifié, s’est arrêtée à mi-chemin ou a survolé le sujet, c’est plutôt une affaire d’effort.

Sans oublier le contexte qu’on lui donne. Avant de toucher à l’un ou l’autre, ça vaut le coup de vérifier sa propre consigne. Est-ce qu’elle était claire ? Est-ce que l’IA avait accès aux bons documents, aux bons outils ? Souvent, une demande floue ou un manque de contexte ne se rattrape pas en poussant des curseurs.

Comment je règle le mien

Dans mon cas, j’utilise le plus souvent medium et high.

Je monte vers high voire xhigh, quand j’ai besoin que l’agent explore : qu’il aille en profondeur, qu’il ouvre beaucoup de portes, qu’il ne s’arrête pas à la première piste. C’est le cas pour les sujets à forte complexité, pour une session de debug difficile, pour des phases qui demande de la créativité, de la recherche, de l’analyse profonde. Là, je veux qu’il prenne le temps d’essayer, de fouiller et d’imaginer des scénarios que je n’avais pas en tête.

À l’inverse, je descends vers low ou medium quand la tâche est simple, ou quand un plan très précis est déjà dessiné. Et ce n’est pas seulement pour gagner du temps. Un agent poussé à l’effort maximal sur une tâche bien définie a tendance à sortir du cadre : il explore des choses qu’on ne lui a pas demandées, remet en question des décisions déjà prises alors qu’on lui avait tracé un petit chemin bien balisé à suivre. Ce n’est pas toujours ce que l’on veut.

On retrouve un peu la même logique que pour le choix du modèle. Un cadre clair et précis n’a pas besoin de beaucoup de réflexion. Un problème ouvert, oui.

Le guide d’OpenAI sur les modèles GPT-6 propose d’ailleurs une grille qui va dans le même sens :

• faible pour les tâches courantes, comme extraire des faits ou faire de petites modifications ;
• moyen pour les tâches qui demandent du discernement, comme planifier une fonctionnalité ou comparer des options ;
• élevé pour un débogage difficile, une analyse approfondie ou un examen minutieux ;
• très élevé / max à tester quand élevé ne suffit pas, et à garder uniquement si le gain justifie le temps et le coût en plus.

J’apporte juste une petite nuance sur planifier. Je vois deux moments autour de la plannification : créer le plan, et le suivre. Suivre un plan déjà écrit demande peu d’effort, alors que l’établir nécessite souvent de faire des recherches, d’explorer plusieurs pistes, de raisonner.

Vous voyez où je veux en venir ? J’aurais tendance à utiliser un effort élevé pour planifier. Mais comme toujours, ce n’est pas une règle absolue, il faut s’adapter à la tâche et au contexte.

Pas de réglage magique

Est-ce qu’il existe le bon niveau d’effort pour tous ? Je ne pense pas (et très probablement non).

Anthropic conseille de rester sur l’effort par défaut la plupart du temps, et de l’ajuster comme une préférence par type de travail. OpenAI dit à peu près pareil pour Codex : commencer par le niveau par défaut du modèle, le baisser pour les tâches simples, le monter pour les analyses approfondies.

Pourquoi pas, commencer par un effort medium n’est pas déconnant. Et puis, au fil du temps, on finit par connaître ses propres types de tâches : la recherche, le petit correctif, la rédaction, la tâche qui suit un plan déjà écrit, etc. On se fabrique chacun une idée du réglage qui fonctionne bien.

Ce que je raconte plus haut, ce sont mes grandes lignes. Elles ne sont pas figées. Les modèles changent régulièrement, leurs réglages par défaut aussi. Ça bouge également vite, ce qui marchait il y a trois mois ne marchera peut-être plus demain avec le nouveau modèle ou outil. Il faut s’adapter.

Alors si vous êtes toujours resté sur le réglage par défaut, essayez de le bouger. Montez l’effort sur une tâche qui vous résiste, baissez-le sur une tâche bien cadrée, et regardez ce qui change. C’est encore la meilleure façon de trouver vos bons réglages.