Résumé : les modèles d'IA générative sont des systèmes entraînés sur d'immenses quantités de texte. Ils sont très bons pour synthétiser, rédiger et analyser. Ils ne raisonnent pas, ne vérifient pas les faits d'eux-mêmes, et ne connaissent pas notre entreprise sans qu'on le leur indique.
Comment ça fonctionne
Un LLM (Large Language Model, soit "grand modèle de langage") est un système informatique entraîné sur des milliards de pages de texte : livres, articles, sites web, documentation technique, code source. Cet entraînement lui a appris à reconnaître des motifs dans le langage et à prédire quelle suite de mots est la plus probable dans un contexte donné.
Ce n'est pas de la "compréhension" au sens humain du terme. C'est une capacité statistique très poussée à produire du texte cohérent et pertinent. Mais cette capacité est suffisamment puissante pour rédiger, analyser, traduire, structurer et synthétiser avec une qualité qui surprend.
Pensez à un collaborateur qui aurait lu une quantité extraordinaire de documents dans sa vie : rapports, études, guides professionnels, littérature technique. Il peut nous aider sur presque n'importe quel sujet. Mais il ne connaît pas notre entreprise, nos clients ou nos procédures internes. Pour être vraiment utile sur nos sujets, nous devons lui donner ce contexte. C'est exactement ce que font nos agents : ils tournent sur notre serveur, accèdent à nos documents internes, et appliquent les instructions qui leur sont données. Hermes comme Claude Code fonctionnent sur ce principe — ce qui change, c'est leur spécialité.
Deux concepts à connaître
La fenêtre de contexte
C'est la quantité d'information que l'IA peut prendre en compte dans une seule conversation. Imaginez une feuille de travail qui a une taille maximale : tout ce que nous y mettons (nos instructions, l'historique de la conversation, les documents que nous chargeons, la réponse en cours) doit tenir dans cette feuille.
Plus la fenêtre de contexte est grande, plus l'IA peut travailler sur des documents longs et des sujets complexes. Les modèles récents ont des fenêtres très grandes, ce qui leur permet de traiter des contrats, des rapports ou des corpus documentaires entiers en une seule fois.
Les tokens
L'IA ne traite pas le texte mot par mot, mais en unités appelées tokens. Un token correspond environ à un mot courant ou à une portion de mot complexe. En pratique, 1 000 tokens représentent environ 750 mots. Nous n'avons pas à compter les tokens au quotidien, mais ce concept explique pourquoi certaines opérations sur des documents très longs ont des limites.
Ce que l'IA fait bien
La synthèse, d'abord. Résumer un long document en points essentiels, dégager les grandes tendances d'un ensemble de textes. La rédaction aussi : produire un premier jet structuré sur un sujet donné, adapter un contenu à un public ou un format différent. L'analyse : extraire des informations précises d'un document, comparer des options, repérer des incohérences. La traduction, avec une qualité souvent supérieure aux outils classiques. Et la structuration : transformer des notes brutes en document organisé, créer des plans, reformuler clairement.
Ce que l'IA fait mal
Les hallucinations
L'IA peut produire des informations fausses présentées avec le même niveau de confiance que les informations exactes. Elle ne sait pas ce qu'elle ne sait pas. Si elle n'a pas la réponse dans son entraînement ou dans le contexte que nous lui avons fourni, elle peut en inventer une plutôt que de l'admettre.
Par exemple : nous demandons un résumé d'un article de loi. L'IA cite l'article L.121-4 du Code de commerce. Cet article n'existe pas, mais la référence a l'air parfaitement crédible. Rien dans la réponse ne signale qu'elle invente.
Autres exemples courants :
- Nous demandons des statistiques sur notre secteur. L'IA nous donne un chiffre précis ("le marché français de l'agroalimentaire bio a progressé de 8,3 % en 2024") qui semble fiable, mais elle l'a inventé.
- Nous demandons de résumer un long document. L'IA reformule correctement 90 % du contenu, mais glisse un détail qui n'est pas dans le texte original, comme une date ou un montant légèrement différent.
- Nous lui demandez qui a dit une citation célèbre. Elle attribue la phrase à la mauvaise personne, avec assurance.
Le point commun : l'IA ne signale jamais qu'elle n'est pas sûre. Elle présente tout avec le même aplomb.
Le raisonnement sur des données absentes
L'IA ne peut travailler qu'avec ce que nous lui donnons. Si nous lui demandons d'analyser notre situation sans lui fournir nos données, elle extrapolera ou inventera. "Analyse mes ventes du dernier trimestre" sans lui transmettre les chiffres ne donnera rien d'utile.
Les sujets critiques
Sur les questions juridiques, fiscales, médicales ou financières, l'IA peut produire des réponses qui semblent exactes mais qui ne constituent pas un avis professionnel. Elle ne connaît pas le détail de notre situation, les évolutions récentes de la réglementation, ni les subtilités locales. Utilisons-la pour structurer nos questions ou préparer un rendez-vous avec un expert. Pas pour remplacer l'expert.
Chatbot vs Agent : une distinction essentielle
Un chatbot répond à nos questions. Nous posons, il répond. C'est une conversation à sens unique.
Un agent, c'est autre chose. Un agent a :
- Des instructions précises qui définissent son rôle et son comportement
- Un accès direct à nos données via des tools (lecture de fichiers, recherche, connecteurs MCP)
- Des compétences spécialisées (skills) qui encadrent sa façon de travailler
- La capacité de chercher dans nos sources avant de répondre
Quand nous utilisons Hermes via l'un de nos profils, nous n'utilisons pas un chatbot. Nous travaillons avec un agent configuré pour notre rôle dans l'entreprise.
| Chatbot | Agent | |
|---|---|---|
| Instructions | Génériques | Personnalisées pour notre métier |
| Données | Aucune donnée d'entreprise | Connecté à nos sources |
| Comportement | Répond à tout, vaguement | Spécialisé, cadré, précis |
| Exemple | ChatGPT en accès libre | Hermes avec notre profil market |
Agent de code vs Agent généraliste
Tous les agents ne sont pas conçus pour les mêmes usages. Deux grandes familles se distinguent :
Claude Code — Un agent de codage
Cet agent vit exclusivement à l'intérieur d'un dépôt de code (repo) et fonctionne selon une boucle d'outils étroite conçue pour lire, écrire et exécuter des tests. Il est strictement limité à la session en cours, ce qui signifie qu'il oublie l'intégralité des informations dès que vous le fermez. Son architecture est entièrement conçue pour interagir avec des bases de code. C'est l'outil idéal quand vous travaillez sur une feature, une PR ou un bug : il a les bons outils et rien d'autre.
Hermes — Un agent mature
Cet agent vous accompagne de manière globale à travers l'ensemble de votre vie. Il est persistant et possède la capacité d'apprendre de chaque tâche accomplie. Capable de planifier des tâches en arrière-plan, il développe et enrichit en permanence un modèle de plus en plus approfondi de vous, de vos habitudes et de vos préférences. C'est l'outil quotidien pour la rédaction, l'analyse, la veille, et tout ce qui dépasse le cadre d'un simple repo de code.
| Claude Code | Hermes | |
|---|---|---|
| Domaine | Code & développement | Polyvalent (rédaction, analyse, code, veille…) |
| Mémoire | Aucune (session only) | Persistante — apprend de chaque tâche |
| Périmètre | Un repo à la fois | Toute l'organisation (docs, projets, outils) |
| Autonomie | Réactif (sur demande) | Proactif — planifie, cron, arrière-plan |
| Profil utilisateur | Développeur | Tous les métiers (dev, design, market…) |
Les 5 briques d'un agent
Un agent, qu'il s'appelle Hermes ou Claude Code, est l'assemblage de 5 éléments :
-
Le modèle de langage (LLM) : le moteur qui génère les réponses. Claude, GPT, Gemini ou Mistral selon la tâche.
-
Les instructions : le "brief" de l'agent. Elles définissent son rôle, son ton, ses limites. C'est ce qui fait la différence entre un assistant générique et un agent utile.
-
Le workspace et les sources : les fichiers de notre Space, plus les connecteurs MCP (Notion, GitHub, Slack...) auxquels l'agent peut accéder. Sans données, l'agent ne connaît pas notre entreprise.
-
Les skills : des compétences transversales chargées sur le profil sous forme de fichiers markdown. Par exemple,
verifyqui lance l'app et observe le comportement après une modif, oucode-reviewqui passe en revue les diffs du moment. -
Les tools : ce que l'agent peut faire à chaque tour — lire et écrire des fichiers (
Read,Write,Edit), chercher dans le workspace (Glob,Grep), exécuter des commandes (Bash), ou appeler des MCP servers externes.
Comment un agent accède à nos données
Prenons Hermes comme exemple : c'est un harness — une orchestration de tools que l'agent décide d'appeler à chaque tour. Concrètement, quand nous posons une question à un agent comme Hermes :
- L'agent explore le workspace (et les Spaces du profil) avec
GlobouGreppour repérer les fichiers pertinents - Il lit ce dont il a besoin avec
Read— le fichier en entier, pas seulement un extrait - Il génère sa réponse à partir de ce qu'il a lu, et peut continuer à fouiller si besoin
C'est différent d'un RAG (Retrieval-Augmented Generation, l'approche de Dust et consorts) où un index par embeddings pré-extrait des passages avant que l'agent ne réponde. Ici, l'agent contrôle directement quels fichiers consulter et dans quel ordre. Pour les données hors workspace, il utilise les MCP servers configurés sur le profil (Notion, GitHub, Slack...).
C'est grâce à ses tools que Hermes peut nous répondre "notre dernière proposition pour le client Martin est dans workspace/clients/martin/2026-03-12-proposition.md, elle porte sur..." plutôt qu'une réponse générique.
De son côté, Claude Code utilise ses propres outils directement dans le repo — lecture et écriture de fichiers, exécution de commandes shell, recherche dans le code. Pas de Spaces, pas de MCP. L'agent décide quels fichiers lire, quels tests lancer, et itère jusqu'à ce que la tâche soit faite.
Dans les deux cas, l'agent ne modifie un fichier que si nous (ou ses instructions) le lui demandons explicitement. La lecture, elle, est libre.
Le vault Obsidian partagé
Un vault Obsidian est accessible à tous nos profils en parallèle du workspace propre à chaque profil. C'est une mémoire commune — notes métier, références, comptes-rendus — que tout profil peut lire et enrichir.
L'auto-apprentissage de Hermes
Une capacité propre à Hermes : il capitalise sur l'expérience. Quand il résout un problème nouveau, il crée automatiquement un skill — une procédure réutilisable pour les prochaines sessions. Au fur et à mesure, Hermes consolide cette bibliothèque de skills, archive les procédures devenues obsolètes, et ne garde que ce qui reste utile.
C'est un cycle continu d'apprentissage et de ménage : découvrir, formaliser, maintenir, archiver. Claude Code n'a pas cette mémoire persistante — chaque session repart de zéro, ce qui est un choix délibéré pour rester focalisé sur la tâche immédiate.
Ce que ça change avec ces agents
Les agents résolvent le principal problème de l'IA générique : l'absence de contexte. Que ce soit Hermes (connecté à nos documents internes, nos Spaces, nos procédures métier) ou Claude Code (dans un repo avec ses conventions, son historique git, son CI), en configurant chaque agent avec ses sources et ses instructions, nous obtenons un outil qui connaît notre organisation — et qui reste hébergé sur notre infrastructure.
Les hallucinations diminuent quand l'IA a accès à nos sources fiables. La pertinence augmente quand les instructions sont précises.
C'est la différence entre un stagiaire débutant à qui on n'a rien expliqué, et un collaborateur bien briefé avec accès aux bons documents.