Cet article est issu d'une publication LinkedIn du 24 mars 2026. Il reflète ma manière de travailler à cette époque et constitue une étape de ma réflexion sur les IA génératives.
On me pose régulièrement la même question, sous des formes différentes : "Quel est le meilleur LLM ?" ChatGPT, Claude, Mistral, Gemini — la liste s'allonge, et la question revient à chaque nouvelle sortie. Elle part d'une bonne intention, mais elle repose sur un présupposé que je ne partage plus : qu'il existerait un modèle unique, supérieur aux autres sur tous les plans, qu'il suffirait de trouver et d'adopter.
Ma réponse a fini par changer. Je ne cherche plus le meilleur outil. Je cherche la meilleure combinaison d'outils. Et cette bascule, discrète en apparence, change concrètement la façon dont j'aborde chaque nouvelle tâche.
Pendant vingt ans, nous avons toujours combiné nos outils
Ce n'est pas une idée neuve. C'est même, pour quiconque a développé du logiciel un minimum de temps, une évidence qu'on a simplement cessé de formuler.
Un développeur n'utilise jamais un seul outil. Il choisit un langage pour une tâche, un autre pour une tâche voisine. Il combine un framework backend avec une bibliothèque frontend qui n'a rien à voir avec lui. Il stocke ses données dans une base relationnelle pour certains besoins, dans une base documentaire pour d'autres. Son IDE n'est pas son terminal, qui n'est pas sa plateforme de déploiement, qui n'est pas son outil de monitoring.
Personne ne s'étonne de cette diversité. Personne ne demande "quel est le meilleur langage de programmation", en s'attendant à une réponse univoque. La question elle-même serait mal posée — on répondrait "ça dépend du contexte", et cette réponse suffirait à clore la discussion.
Les LLM s'inscrivent, à mes yeux, dans exactement la même continuité. Ce sont des outils, avec des forces et des faiblesses, pensés par des équipes différentes, entraînés sur des corpus différents, optimisés pour des usages différents. Leur nouveauté technologique nous a fait oublier, un temps, ce que vingt ans de pratique logicielle nous avaient pourtant déjà appris : la diversité outillée est la norme, pas l'exception.
Pourquoi je parle de constellation
J'aurais pu parler de "boîte à outils". C'est l'image classique, elle fonctionne, mais elle me semblait insuffisante pour décrire ce que j'observais dans ma propre pratique.
Une boîte à outils suppose une hiérarchie fonctionnelle stricte : chaque outil a un usage précis, on le sort quand on en a besoin, on le range ensuite. Ce n'est pas tout à fait ce qui se passe avec les LLM. Leurs usages se chevauchent. Un même besoin peut être couvert par deux ou trois d'entre eux, avec des résultats différents, pas nécessairement hiérarchisables entre "meilleur" et "moins bon".
L'image de la constellation dit autre chose. Une constellation est composée d'étoiles qui n'ont, individuellement, aucun rapport les unes avec les autres. Elles n'ont pas la même taille, pas le même âge, pas la même luminosité, parfois pas même la même distance réelle par rapport à nous — leur proximité apparente est un effet de perspective, pas une propriété physique. Ce qui donne du sens à l'ensemble, ce n'est pas la nature de chaque étoile prise isolément. C'est la figure qu'elles dessinent une fois regardées ensemble, depuis un point de vue donné.
C'est très exactement ce que je constate avec mes outils IA. Chacun a ses propres caractéristiques, indépendantes des autres. Mais la valeur que j'en tire ne provient pas de l'addition de leurs qualités individuelles. Elle provient de la façon dont je les fais interagir, dans le cadre spécifique de mon travail. Change le point de vue — le métier, le contexte, les habitudes de quelqu'un d'autre — et la constellation se redessine différemment, avec les mêmes étoiles.
Les étoiles de ma constellation
Voici, à ce stade de mars 2026, les outils qui composent la mienne. Ce n'est pas un comparatif technique — d'autres le font très bien, avec des benchmarks et des tableaux de scores. C'est un état des lieux de ce que j'apprécie chez chacun, et de la place qu'il occupe dans mes journées de travail.
ChatGPT — l'instinct
ChatGPT a été le premier outil avec lequel j'ai construit une vraie familiarité d'usage. Il comprend vite, y compris en français, ce qui n'était pas toujours le cas des premières générations de LLM disponibles côté grand public. Des mois d'échanges répétés ont fini par installer quelque chose qui ressemble à un réflexe : je sais comment lui parler pour obtenir ce que je veux, sans avoir à reformuler trois fois.
La voix et les images font partie de cette familiarité. Je peux lui parler comme à un collaborateur habitué à mon vocabulaire, et lui demander une illustration sans avoir à préciser un style à chaque fois — il a "appris" mes préférences visuelles au fil des sessions. Concrètement, sur la génération de visuels pour mes présentations ou mes posts, le temps que j'y consacre a été divisé de façon nette : ce n'est plus une tâche à part entière, c'est une parenthèse dans le flux de travail.
Sa limite, à mes yeux, n'est pas dans ce qu'il produit, mais dans ce pour quoi il n'est pas taillé. Je ne vais pas lui confier un raisonnement technique long, avec beaucoup de contexte à maintenir sur plusieurs étapes. Ce n'est pas son terrain de jeu naturel — ou en tout cas, ce n'est pas là que j'ai construit ma confiance avec lui.
Mistral — le mur du départ
Mistral mérite une place dans cet article, précisément parce que mon expérience avec lui illustre un phénomène que je trouve important à nommer : celui du mur d'entrée qui interrompt une exploration avant même qu'elle ait commencé.
Quand je l'ai testé, l'échange oral n'était pas disponible, ou en tout cas pas dans les conditions où j'aurais pu l'intégrer facilement à mes habitudes. Ce détail, en apparence mineur, a suffi à couper court à mon exploration. Je n'ai pas creusé plus loin — pas parce que l'outil manquait de fond, mais parce que la porte d'entrée que j'utilise pour tous mes autres outils n'était pas ouverte de la même façon chez lui.
C'est un constat honnête plutôt qu'un jugement définitif : je ne saurai jamais ce que j'ai raté avec Mistral, dans cette configuration-là. Et c'est justement ce point qui me semble intéressant à partager. L'adoption d'un outil IA ne se joue pas uniquement sur ses capacités brutes. Elle se joue aussi, très concrètement, sur la façon dont on peut l'intégrer à ses réflexes existants dès les premières minutes.
Claude — la profondeur qui se mérite
Avec Claude, j'ai buté sur un mur comparable au départ : l'interaction orale imposait l'anglais, alors que je travaille spontanément en français. La différence, cette fois, c'est que j'ai insisté.
Et la persévérance a payé. Ce que Claude propose ne se révèle pas dans les trente premières secondes d'un échange. Sa force apparaît progressivement : sa capacité à tenir un contexte long sans le perdre en route, sa profondeur d'analyse quand on lui donne un problème structuré, et l'intégration via MCP qui lui permet de se connecter directement à mes outils de travail plutôt que de rester cantonné à une fenêtre de conversation isolée.
Ce que j'observe concrètement, c'est un nombre de projets initiés nettement plus élevé qu'avant — pas uniquement des projets techniques, mais des idées que je n'aurais probablement pas creusées sans ce dialogue en profondeur. Claude ne me donne pas juste des réponses. Il me pousse, par la qualité de ses questions en retour, à mieux formuler ce que je cherche réellement à faire. C'est une différence de nature, pas seulement de degré.
Copilot CLI — l'exécution
Dans le terminal, pour le développement au sens strict, un profil encore différent : Copilot CLI n'est pas là pour dialoguer, il est là pour exécuter. Rapide, intégré directement dans le flux de travail, sans détour conversationnel superflu.
Ce n'est pas un outil de réflexion. C'est un outil d'action, qui prend tout son sens une fois que la réflexion en amont — souvent menée avec Claude ou ChatGPT — a déjà clarifié ce qu'il faut produire.
Ce que cette approche a changé dans mon quotidien
Le premier changement, et sans doute le plus important, est un changement de posture. Je ne me demande plus "quel outil dois-je utiliser aujourd'hui", comme s'il fallait trancher une bonne fois pour toutes. Je me demande "quelle étape de mon travail est en cours, et quel outil correspond le mieux à cette étape précise". La question se déplace du choix d'un outil vers la lecture de ma propre tâche.
Concrètement, une même journée de travail peut faire intervenir trois ou quatre de ces outils, chacun sur un segment différent. Une phase d'exploration d'idée avec ChatGPT, parce que l'échange y est fluide et rapide. Une phase de structuration d'un sujet complexe avec Claude, parce que le contexte doit être maintenu sur la durée. Une phase d'exécution technique avec Copilot CLI, parce qu'il faut simplement que le code sorte, vite et proprement.
Le second changement, plus discret, concerne ma tolérance à l'imperfection d'un outil donné. Avant, une limite rencontrée avec un LLM ressemblait à un point d'arrêt : "cet outil ne sait pas faire ça, dommage." Aujourd'hui, une limite ressemble davantage à une information de routage : "cet outil ne sait pas bien faire ça, je vais donc faire cette partie ailleurs." Ce n'est pas la même expérience psychologique. La frustration diminue, parce qu'elle n'a plus le dernier mot sur la suite du travail.
Un exemple concret : sur un projet récent de refonte de contenu, j'ai utilisé ChatGPT pour esquisser rapidement plusieurs angles possibles, Claude pour approfondir celui qui tenait le mieux la route une fois le contexte complet du projet posé, puis Copilot CLI pour industrialiser la partie technique qui en découlait. Aucun des trois outils, seul, n'aurait couvert l'ensemble du besoin de façon aussi fluide.
Conclusion
La véritable valeur ne réside pas dans le choix d'un modèle, mais dans la manière de les faire travailler ensemble. C'est la conclusion à laquelle je suis arrivé en mars 2026, après plusieurs mois à observer mes propres habitudes plutôt qu'à les théoriser à l'avance.
Cette réflexion n'est pas figée. Elle continuera d'évoluer, au rythme des outils qui apparaissent, de ceux qui progressent, et de ceux que j'apprendrai peut-être à mieux utiliser après un second essai, là où le premier avait échoué. La constellation elle-même n'est pas un état stable — elle se redessine, doucement, à mesure que je change de point de vue sur mon propre travail.
Ce qui a évolué depuis
Cet article correspond à ma vision du printemps 2026 — un moment où combiner plusieurs LLM représentait déjà, à mes yeux, un vrai changement de posture par rapport à la recherche d'un outil unique.
Mes expérimentations m'ont ensuite amené vers des sujets que je n'avais pas encore explorés à cette date : les serveurs MCP, les agents IA, l'orchestration d'outils entre eux, et plus largement la conception de solutions digitales où humains, IA et applications collaborent au sein d'un même système.
Je ne détaille pas ces sujets ici — ils méritent chacun leur propre article. Si cette réflexion sur la constellation d'outils vous a parlé, je vous invite à poursuivre avec les articles plus récents du blog, qui prolongent ce cheminement.