Formation Agent IA : Claude Cowork & ChatGPT Work

Programme de notre formation Agent IA : Claude Cowork & ChatGPT Work

[Jour 1 : matin]

Comprendre le travail agentique

• Comparer une même mission en conversation, automatisation déterministe et workflow agentique
• Distinguer conversation, projet, workflow et agent : contexte, enchaînement des étapes et autonomie
• Comprendre la boucle agentique : objectif > plan > action (tool use) > observation > contrôle et replanification
• Identifier le harnais agentique (agent harness) : outils, contexte, permissions et contrôles qui encadrent le modèle
• Situer Chat, Work, Projects et Codex côté OpenAI, et Claude avec Cowork, Projects et Claude Code côté Anthropic
• Distinguer Skills (méthodes), connecteurs et MCP (accès aux données et outils), et plugins (paquets pouvant les regrouper)
• Choisir le modèle et l’effort de raisonnement, lorsqu’il est réglable, selon la difficulté, le délai et les quotas
• Identifier les tâches à automatiser ou à déléguer à des agents spécialisés
• Atelier pratique : comparer plusieurs situations métier, puis choisir le niveau de délégation adapté au scénario fil conducteur de la formation.

Cadrer une mission et préparer son environnement

• Cartographier le processus : entrées, étapes, décisions, exceptions et résultat attendu
• Transformer une demande métier en contrat de mission : objectif, périmètre, sources, critères de réussite et limites
• Préparer les fichiers, ressources et connexions aux outils métier, en vérifiant les données autorisées et les règles de confidentialité
• Définir l’autonomie : proposer, agir après validation ou exécuter sous supervision
• Séparer lecture et écriture, régler les permissions et les garde-fous (guardrails) selon les règles internes
• Privilégier un connecteur ou un outil dédié, puis le navigateur et le computer use selon les besoins. Limiter le périmètre d’impact (blast radius) par le moindre privilège
• Prévoir les clarifications et placer les validations humaines (human-in-the-loop, approval gates) avant les actions sensibles, externes ou irréversibles
• Atelier pratique : rédiger le brief avec le résultat attendu, les critères de qualité et les validations. Préparer les ressources et vérifier les accès nécessaires.

[Jour 1 : après-midi]

Structurer le contexte, la mémoire et le journal de mission

• Passer du prompt engineering au context engineering : instructions, sources, mémoire, outils et état de mission
• Organiser les instructions et les fichiers dans un projet, en distinguant mémoire persistante et état de travail
• Adopter une convention Markdown adaptable : brief (BRIEF.md), règles (RULES.md) et critères de qualité (QUALITY.md)
• Utiliser STATE.md pour l’état courant et LOG.md pour tracer les actions, décisions, erreurs et reprises
• Amener l’agent à poser les bonnes questions : informations manquantes, ambiguïtés et arbitrages métier
• Comprendre le RAG : rechercher des passages documentaires pour étayer les réponses et le distinguer de la mémoire
• Limiter le contexte parasité (context pollution) et la dégradation dans les contextes longs (context rot) par un chargement à la demande (just in time)
• Préserver les objectifs, décisions, sources et prochaines actions lors d’une compaction du contexte ou d’une reprise
• Repérer les injections de prompt (prompt injection) et distinguer les consignes autorisées des contenus externes
• Atelier pratique : organiser le contexte à partir du brief, faire clarifier les informations manquantes et initialiser l’état et le journal de mission. Tester le traitement d’une contradiction ou d’une instruction parasite.

Décomposer et orchestrer une mission complexe

• Décomposer l’objectif en tâches et dépendances. Distinguer les règles appliquées par les outils des décisions du modèle
• Structurer le workflow : Collecter > Analyser > Produire > Contrôler
• Reconnaître les principaux schémas d’orchestration : chaining, routing, parallélisation, orchestrator-workers et evaluator-optimizer
• Privilégier un agent unique par défaut et identifier l’intérêt des sous-agents pour spécialiser le travail ou isoler le contexte
• Définir pour chaque étape ses entrées, ses outils, son résultat attendu et son critère de fin
• Organiser les passages de relais (handoffs), les points de contrôle (checkpoints) et la consolidation des résultats
• Suivre les actions et les hypothèses de l’agent, intervenir pour corriger ou valider, et préparer la reprise des tâches en arrière-plan
• Atelier pratique : décomposer puis exécuter la mission et consolider un premier livrable. Consigner les sources, les décisions et les points à contrôler.

[Jour 2 : matin]

Tester et corriger le premier livrable

• Compléter les informations nécessaires au contrôle avec la recherche approfondie (Research / Deep Research), les documents, les données et les applications connectées
• Contrôler les documents, tableaux, présentations ou sites selon un contrat de sortie : format, champs attendus et traitement des informations manquantes
• Comprendre les sorties structurées (structured outputs) et distinguer format conforme et contenu exact. Découvrir, en présentation théorique, les modèles de décision spécialisés comme Jev de TypeSafe AI
• Construire un mini jeu de tests métier (evals) : cas nominal, données modifiées ou manquantes, contradiction, cas limite et instruction malveillante
• Vérifier l’exhaustivité, la cohérence, la traçabilité des sources et les effets réels des actions
• Distinguer faits, calculs, interprétations et hypothèses. Prévoir abstention et escalade humaine en cas d’incertitude
• Articuler auto-contrôle (reflection), juge IA (LLM-as-a-judge) et validation humaine
• Effectuer une reprise ciblée : corriger le livrable et les consignes, puis rejouer les evals pour détecter les régressions
• Atelier pratique : construire les tests à partir des critères du brief, évaluer le premier livrable et corriger les défauts observés. Rejouer les tests pour valider le livrable et la méthode.

Transformer une méthode validée en Agent Skill

• Différencier prompt réutilisé, instructions de projet, modèle de document, GPT personnalisé, plugin et Agent Skill
• Cibler un usage récurrent et une responsabilité unique. Rechercher un Skill existant avant d’en créer un
• Comprendre le standard ouvert Agent Skills : SKILL.md, nom, description, instructions et ressources
• Formaliser la méthode validée : entrées, étapes, règles, exemples, exceptions, contrôles et formats de sortie
• Charger les gabarits, exemples et références au besoin : chargement progressif (progressive disclosure)
• Tester le déclenchement et le non-déclenchement, et comparer les résultats avec et sans Skill sur de nouvelles données
• Vérifier la provenance, le contenu et les permissions avant installation. Versionner le Skill et documenter ses limites et sa portabilité entre plateformes
• Situer la migration des GPT personnalisés vers les plugins : reprendre et retester les instructions, ressources et intégrations
• Atelier pratique : formaliser la méthode en Skill et l’exécuter sur un second jeu de données. Vérifier son déclenchement et contrôler le résultat avec les evals de référence.

[Jour 2 : après-midi]

Automatiser un workflow avec Claude Cowork et ChatGPT Work

• Choisir les processus à automatiser et planifier des tâches ponctuelles ou récurrentes (Scheduled Tasks)
• Découvrir le suivi de missions dans le temps : agents persistants comme dots dans ChatGPT et tâches planifiées dans Claude Cowork
• Distinguer exécution planifiée, continuité du contexte et suivi proactif
• Choisir l’exécution locale ou cloud selon les ressources nécessaires, notamment lorsque l’ordinateur est éteint
• Définir les entrées, conditions, fréquence, fuseau horaire, résultat attendu et condition d’arrêt
• Distinguer déclencheur horaire et événementiel, comme un webhook, et identifier les intégrations complémentaires nécessaires
• Prévoir les erreurs avec retry, fallback (solution de repli), reprise et escalade vers l’humain
• Éviter les doublons (idempotence) en vérifiant les actions effectuées ou incertaines avant toute relance
• Relire l’historique et vérifier les points de validation pour ajuster l’autonomie
• Atelier pratique : planifier le workflow validé, contrôler une première exécution et tester une relance après un échec simulé. Vérifier l’absence de doublon.
• Démonstration guidée : observer un workflow alimenté par plusieurs sources et déclenché sur événement.

Superviser et partager un workflow agentique

• Différencier workflow personnel, Skill partagé et workflow d’équipe
• Définir le propriétaire, les responsabilités, les permissions et les règles de maintenance
• Adapter la supervision (human-on-the-loop) à la mission. Suivre les exécutions, versions, appels d’outils (tool calls), validations, erreurs et reprises : principes d’observabilité
• Mesurer le retour sur investissement (ROI) : qualité, temps gagné, durée d’exécution, consommation, coût et interventions humaines
• Partager une bibliothèque de Skills et des automatisations avec documentation, reprise manuelle et versions de secours
• Rejouer les evals de référence après un changement de modèle, de Skill ou de connecteur. Réexaminer les accès et l’utilité du workflow
• Atelier final : exécuter le workflow sur des données inédites, traiter les anomalies et valider les livrables. Préparer sa réutilisation par un autre utilisateur.
• Restitution collective : présenter le workflow, les tâches déléguées, les résultats des tests et les contrôles retenus. Expliquer les adaptations entre Claude Cowork et ChatGPT Work.