IA à quatre mains : quand Codex conçoit et Claude construit un moteur de décision

Compiler, dans quatre langues, les règles de voyage aérien des animaux pour une centaine de compagnies et plus de cent soixante destinations — avec, pour chaque cas, le canal autorisé, les races admises, les documents exigés et les dimensions de caisse — relève du genre de tâche qui, menée à la main, occuperait une petite équipe pendant des années. C'est pourtant ce travail qu'un moteur de décision a permis de rassembler en moins d'un mois, non pas grâce à une intelligence artificielle unique, mais grâce à deux plateformes travaillant de concert.

L'approche mérite qu'on s'y arrête, car elle illustre une tendance de fond : plutôt que de tout confier à un seul modèle, on répartit le travail entre des IA aux rôles distincts, qui se complètent et se contrôlent mutuellement. Voici, en détail, la méthode employée, et le cas concret qui lui a donné naissance : le moteur du site quadrilingue My Dog Can Fly.

Deux IA, deux rôles : l'architecte et le bâtisseur

Le principe tient dans une division du travail que tout chef de projet reconnaîtra. D'un côté, Codex, l'agent de développement d'OpenAI issu de l'univers ChatGPT, joue le rôle d'architecte : il cadre le problème, définit la stratégie, dessine l'architecture de l'outil — le modèle de données, la logique des règles, la structure du moteur — puis traduit l'ensemble en consignes précises. De l'autre, Claude, le modèle d'Anthropic, endosse le rôle de bâtisseur : il exécute ces consignes, écrit et programme le moteur, et mène la recherche puis la collecte des sources.

Cette séparation n'a rien de cosmétique. Confier la conception et la réalisation à deux systèmes différents crée une forme de contre-pouvoir : l'architecte fixe un cadre que le bâtisseur doit respecter, si bien que les écarts, les incohérences ou les zones floues apparaissent précisément au moment où l'un met en œuvre ce que l'autre a prescrit. Là où un modèle unique tend à valider ses propres approximations, la répartition des rôles introduit une friction saine — celle qui, dans un cabinet d'architecture, sépare celui qui dessine de celui qui construit.

La méthode, étape par étape

Concrètement, le déroulé s'organise en quatre temps qui s'enchaînent et se rebouclent.

1. Cadrer et concevoir

Codex commence par formaliser le problème : quelles questions l'outil doit-il résoudre, selon quelles règles, à partir de quelles données ? Il en déduit une architecture — schéma de données, arbre de décision, structure des fiches — et fixe les contraintes que le reste du projet devra honorer.

2. Rédiger les consignes

Cette architecture est ensuite transformée en instructions détaillées, assez explicites pour être exécutées sans réinterprétation hasardeuse : formats attendus, règles de validation, protocole de collecte des preuves.

3. Construire et sourcer

Claude prend le relais et assure le gros œuvre : il programme le moteur et, surtout, conduit la recherche des sources selon un protocole strict, qui donne la priorité aux sites officiels des compagnies dans la langue du pays d'origine, cite l'information de façon verbatim, et enregistre pour chaque donnée l'URL, la langue, la date de vérification et le canal concerné. Rien n'est déduit d'un silence, et aucune source tierce n'est jamais retenue comme preuve finale.

4. Vérifier en boucle

Les résultats remontent, sont confrontés au cadre initial, corrigés, puis revalidés — avec, à chaque étape charnière, un contrôle humain. C'est cette boucle, davantage que la puissance brute des modèles, qui garantit la cohérence de l'ensemble.

Le cas My Dog Can Fly Engine

Le terrain d'application de cette méthode est un moteur baptisé My Dog Can Fly Engine, cœur d'un site quadrilingue entièrement consacré au voyage aérien des animaux. À partir de deux villes, l'outil détermine les vols réellement possibles pour un animal, identifie les compagnies qui l'acceptent et précise, pour chacune, les conditions du voyage : en cabine, en soute ou en fret aérien.

La valeur de l'outil tient au niveau de détail qu'il compile. Il renseigne les restrictions par race — un point crucial pour les chiens brachycéphales, ces races au museau aplati, comme les bouledogues ou les carlins, dont beaucoup de compagnies refusent le transport en soute pour des raisons respiratoires —, mais aussi les conditions vétérinaires, les documents administratifs exigés, les modalités de retour vers le pays d'origine et jusqu'aux dimensions des caisses de transport admises. Autant d'informations éparpillées, changeantes et rédigées dans une multitude de langues, que le moteur rassemble en un point de décision unique.

Pourquoi c'était impossible à la main

La difficulté ne se réduit pas au volume — une centaine de compagnies, plus de cent soixante destinations et quatre langues de publication, soit des milliers de fiches et de combinaisons. Elle tient surtout à la nature de l'information : dispersée sur des sites officiels souvent mal indexés, formulée différemment d'un transporteur à l'autre, mise à jour sans préavis, et rédigée dans la langue de chaque pays. Rassembler tout cela manuellement, tout en maintenant la cohérence et la fraîcheur des données, aurait mobilisé une équipe pendant des années.

L'IA a ramené ce délai à moins d'un mois. Mais l'accélération n'aurait aucune valeur sans la rigueur du protocole de preuve qui l'encadre : c'est parce que chaque information s'appuie sur une citation officielle, datée et vérifiable, que la compilation demeure fiable plutôt que simplement vraisemblable. La vitesse ne dispense pas de la méthode — elle la rend seulement soutenable à cette échelle.

Ce que cette approche nous apprend

Au-delà du cas particulier, la leçon se transpose à quantité de projets : dès lors qu'il faut compiler, structurer et rendre exploitable une masse d'informations hétérogènes, l'association d'une IA qui conçoit et d'une IA qui construit, sous supervision humaine, ouvre des possibilités qui étaient hors d'atteinte il y a peu encore. À une condition, toutefois, que la recherche de vitesse ne fasse jamais l'économie de la vérification : un outil de ce type constitue une aide à la décision d'une valeur inédite, mais les conditions de transport évoluent, et un voyage avec un animal se confirme toujours, en dernier ressort, directement auprès de la compagnie et des autorités concernées.

Questions fréquentes

Pourquoi utiliser deux IA plutôt qu'une seule ?

Parce que séparer la conception de la réalisation instaure un contrôle mutuel : l'architecte fixe un cadre, le bâtisseur l'exécute, et les incohérences se révèlent à la jonction. Un modèle unique a davantage tendance à valider ses propres approximations, quand deux systèmes aux rôles distincts se corrigent l'un l'autre.

L'IA n'invente-t-elle pas des informations ?

C'est le risque principal, et c'est précisément ce que le protocole de preuve neutralise : chaque donnée s'adosse à une citation officielle verbatim, assortie de son URL, de sa langue et de sa date de vérification. Rien n'est déduit d'un silence, et les sources tierces ne servent qu'à ouvrir une piste, jamais de preuve finale.

Combien de temps a demandé la compilation ?

Moins d'un mois, là où le même travail mené manuellement aurait occupé une équipe pendant des années — l'écart tenant autant au volume qu'à la dispersion multilingue des sources.

Peut-on se fier à l'outil pour organiser un voyage ?

C'est une aide à la décision d'une précision rare, qui fait gagner un temps considérable. Mais les règles des compagnies évoluent : avant de réserver, il demeure indispensable de confirmer les conditions directement auprès du transporteur et des autorités.

Source. L'exemple décrit dans cet article s'appuie sur le moteur du site My Dog Can Fly : outil de recherche de vol pour animaux.

Pour aller plus loin

Dans le prolongement de cet article :

• Auto-héberger son blog sur un VPS : pourquoi et comment — les contraintes réelles avant de quitter l'hébergement mutualisé
• Géolocalisation et météo en temps réel : comment un service adapte ses alertes à votre position — la mécanique derrière une alerte déclenchée au bon endroit
• Vidéo générative (text-to-video) : où en est-on vraiment en 2026 — où en est le text-to-video, promesses écartées