Jugement, Exécution, Révision et Boucle : construire votre runtime personnel d’IA

Utilisez des objectifs, des ancres, une structure et des frontières pour maintenir la collaboration humain-IA sur une trajectoire lisible.

L’une des idées centrales de Système et Liberté est l’infini borné.

La vraie liberté émerge à l’intérieur de frontières claires. Une vraie frontière n’est pas seulement quelque chose que vous affirmez avoir posé. C’est un fait structurel que d’autres peuvent lire, reconnaître et choisir de ne pas franchir.

La collaboration humain-IA fonctionne de la même manière.

Les modèles de langage sont puissants, mais ils dérivent naturellement. Ils peuvent halluciner, produire des constructions fausses mais cohérentes en interne, et perdre un contexte important dans les longues sessions de travail. C’est comme si vous aviez recruté un collègue extrêmement intelligent, très rapide, doté d’une mémoire imparfaite, et dangereusement doué pour optimiser le mauvais objectif.

Le problème est plus profond : il est en partie inscrit dans la nature même de ces systèmes. Aujourd’hui encore, nous ne comprenons pas entièrement, au niveau mathématique, les principes de fonctionnement globaux des grands modèles. Une grande partie du domaine avance encore par ajustement de paramètres, observation des sorties et accumulation d’expérience. À une certaine échelle, l’intelligence commence à émerger ; mais pourquoi elle émerge ainsi n’est pas encore complètement expliqué.

Un grand modèle doit donc être compris comme un système d’ingénierie empirique en évolution rapide, non comme une machine à laquelle on pourrait tout confier après avoir lu son manuel.

Si vous ne lui donnez pas d’objectif, il ne sait pas ce qu’il doit faire.
Si vous ne calibrez pas ses ancres, il s’éloignera de la trajectoire au fil d’améliorations qui semblent raisonnables.
Si vous ne lui donnez pas de frontières, il étendra la complexité de votre projet jusqu’à le rendre difficile à maintenir.
Si vous ne définissez pas de boucle, il s’arrêtera après chaque étape pour vous demander quoi faire ensuite.

La clé de la collaboration humain-IA consiste donc à construire un runtime personnel d’IA : un état de fonctionnement borné dans lequel l’IA peut continuer à exécuter, vérifier, réparer et avancer, tout en restant sur une trajectoire verrouillée par des objectifs, des ancres, une structure et des frontières.

J’appelle cette structure un runtime personnel d’IA.

JERL — Judgment, Execution, Review, Loop — est rendu ici en français par : jugement, exécution, révision et boucle.

Ici, « runtime » ne désigne pas un outil isolé. Il désigne une structure de travail : l’IA y exécute de façon continue, plusieurs conversations IA distinctes peuvent se relire et se contrôler mutuellement, et le système attend le jugement humain aux frontières.

Voici comment construire une première version minimale.

1. Préparer votre point d’entrée de travail

Ma configuration de travail actuelle, en juin 2026, ressemble à ceci :

PC
Windows
Codex Windows App
application mobile GPT
compte GPT avec abonnement

Ce n’est qu’un exemple de configuration disponible. Vous pouvez utiliser Claude, Gemini, Copilot, Grok ou des produits similaires proposés par d’autres fournisseurs de modèles. La marque n’est pas le point central. Le point central est la combinaison de capacités.

Vous avez besoin d’un point d’entrée de travail avec l’IA qui puisse lire un répertoire local, exécuter des tâches de façon continue, conserver le contexte du projet et collaborer avec vous dans la durée. L’application mobile sert à noter, lancer, consulter et compléter les tâches. Pour lire et écrire dans un répertoire local et exécuter en continu, le PC reste l’environnement principal.

2. Créer un répertoire de travail sur votre PC

Placez votre projet dans un répertoire principal. À l’intérieur, créez au minimum trois sous-répertoires :

01_raw_materials_and_documents
02_AI_work_documents
03_outputs

01_raw_materials_and_documents contient les matériaux que vous préparez vous-même : notes, brouillons, captures d’écran, historiques de conversation, documents de référence, anciennes versions et éléments de contexte. Le point essentiel est simple : l’humain place d’abord les matériaux sources dans un espace lisible. L’IA doit pouvoir accéder à la base factuelle.

02_AI_work_documents contient les documents que l’IA va maintenir : règles de collaboration, mémoire du projet, protocoles de tâche, terminologie, règles de boucle et listes de révision. Vous pouvez et devez aussi relire ces documents vous-même.

03_outputs contient les livrables finaux : essais, plans, traductions, textes de pages, versions publiables et fichiers de livraison. Cette séparation évite à l’IA de tomber dans une confusion sémantique inutile et maintient une frontière propre.

3. Écrire un premier guide de collaboration humain-IA

Ensuite, écrivez un guide simple de collaboration humain-IA.

Il n’a pas besoin d’être complexe. Commencez par les points les plus importants :

Comment vous voulez que l’IA travaille.
Ce que l’IA ne doit pas faire.
Ce qui exige une approbation humaine.
Quels matériaux ne doivent pas être publiés.
Quelles formulations factuelles ne doivent pas être modifiées.
Où les sorties doivent être placées.
Comment le travail doit être vérifié.
Dans quels cas l’IA doit s’arrêter.

Ce guide n’a pas besoin d’être complet dès le premier jour. Il va s’améliorer au fil du travail et devenir progressivement votre système d’exploitation.

Par exemple, vous pouvez commencer par écrire :

Ne pas modifier l’objectif du projet sans approbation.
Ne pas réécrire la position de l’auteur.
Ne pas sacrifier le jugement original pour rendre un passage plus fluide.
Ne pas traiter un matériau non confirmé comme un fait public.
Lorsqu’un nouvel objectif, une nouvelle frontière ou un nouveau sens public apparaît, s’arrêter et attendre le jugement humain.

Cette étape est importante. Le danger le plus fréquent de l’IA n’est pas toujours qu’elle soit incapable de faire le travail. C’est qu’elle sait rendre le mauvais travail raisonnable en apparence. Le guide de règles est la première frontière que vous lui écrivez.

4. Créer trois conversations de projet

Dans l’application Codex sur votre PC, créez des conversations de projet et faites-les pointer vers le répertoire de travail que vous venez de préparer.

Je recommande au minimum trois conversations :

conversation de discussion
conversation d’exécution
conversation de révision

La conversation de discussion comprend les matériaux, découpe les objectifs et conçoit les plans. C’est là que vous alignez l’objectif, l’ancre, la structure et la frontière.

La conversation d’exécution fait avancer les tâches selon le plan. Elle ne réinvente pas la direction. Elle travaille dans la structure confirmée.

La conversation de révision cherche les erreurs, les manques et les risques. Cette étape est essentielle. Ne la sautez pas.

La méthode minimale est simple : les trois conversations partagent le même répertoire de travail ; la conversation de discussion produit une carte de tâche ; l’humain transmet cette carte à la conversation d’exécution ; le résultat de l’exécution est ensuite donné à la conversation de révision. Quand vous serez plus à l’aise, vous pourrez automatiser davantage ces passages de relais.

Ces trois conversations utilisent le même répertoire, mais leurs rôles sont différents. Cela permet de séparer le jugement, l’exécution et la révision, de maintenir des frontières nettes et d’éviter qu’une seule conversation ne devienne une masse de contexte incontrôlable.

5. Utiliser la première conversation pour initialiser l’environnement

Ne demandez pas à l’IA de produire du travail immédiatement.

Demandez d’abord à la conversation de discussion de lire vos règles de collaboration, puis de lire 01_raw_materials_and_documents.

Vous pouvez lui dire :

Veuillez d’abord lire les règles de collaboration et les matériaux sources dans le répertoire de travail.
Construisez d’abord le contexte du projet.

Ou :

Commencez par comprendre ce qu’est ce projet, quels matériaux existent, quel est l’objectif, quelles positions sont déjà confirmées et quelles parties ne doivent pas être modifiées sans approbation.

Le but de cette étape est de faire passer l’IA d’un état de réponse temporaire à un état de compréhension de projet.

Beaucoup de gens rencontrent des problèmes avec l’IA parce que chaque tâche commence par un prompt isolé. L’IA ne connaît pas votre histoire, vos lignes rouges, votre objectif de long terme ni les formulations que vous avez déjà validées. Elle ne peut que dériver à l’intérieur de la fenêtre actuelle.

6. Faire générer les quatre documents de fonctionnement

À ce stade, vous pouvez demander à l’IA de générer les quatre documents de fonctionnement de l’environnement humain-IA :

AGENTS : guide de comportement de l’IA
MEMORY : mémoire de long terme du projet
Protocol : protocole d’exécution des tâches
LOOP : mécanisme de boucle

Ces quatre fichiers peuvent partir de mes Personal AI Runtime Templates open source.

Votre rôle est de donner les modèles à l’IA, puis de fournir les matériaux sources, l’objectif et les frontières. La conversation de discussion génère alors une première version adaptée à votre projet. Vous n’avez plus qu’à relire les jugements clés.

AGENTS est le guide de comportement de l’IA dans cet espace de travail. Il lui dit qui elle est ici, comment elle doit travailler, quel style elle doit suivre et dans quels cas elle doit s’arrêter.

MEMORY est la mémoire de long terme du projet. Elle enregistre les faits du projet, les préférences de l’auteur, les termes clés, l’état actuel et les jugements déjà confirmés, afin d’éviter que l’IA ne repose sans cesse les mêmes questions.

Protocol définit l’exécution des tâches. Il précise comment une tâche est reçue, comment les matériaux sont lus, où les sorties sont placées, comment le travail est vérifié, dans quels cas l’IA peut continuer et dans quels cas elle doit revenir au jugement humain.

LOOP est le mécanisme de boucle. Il définit le passage de relais entre discussion, exécution, révision, réparation et continuation. Sans boucle, l’IA termine souvent une étape puis s’arrête.

Si vous utilisez Codex ou un environnement similaire capable de lire des fichiers locaux, les noms de fichiers peuvent être :

AGENTS.md
MEMORY.md
TASK_PROTOCOL.md
LOOP.md

Au début, chaque document n’a besoin que d’un squelette minimal :

AGENTS.md : rôle, comportement par défaut, actions interdites, règles d’arrêt.
MEMORY.md : contexte du projet, termes clés, jugements confirmés, état actuel.
TASK_PROTOCOL.md : comment définir l’objectif, l’entrée, la sortie et les critères d’acceptation.
LOOP.md : discussion -> exécution -> révision -> réparation -> mise à jour de la mémoire -> continuation.

Il faut aussi préciser qui maintient quoi :

Conversation de discussion : met surtout à jour MEMORY, TASK_PROTOCOL et LOOP.
Conversation d’exécution : suit TASK_PROTOCOL et met à jour les traces de tâche et les sorties si nécessaire.
Conversation de révision : fournit des constats et ne modifie pas les objectifs ni les ancres.
Humain : confirme AGENTS, les frontières, les positions publiques et les changements majeurs de direction.

Une fois ces quatre documents créés, vous avez construit la version minimale utilisable de votre environnement de collaboration humain-IA.

Mais un squelette doit encore être testé.

7. Exécuter une boucle minimale

Ne commencez pas par une grande tâche. Choisissez une tâche petite, vérifiable et capable de produire un fichier.

Par exemple :

À partir des matériaux dans 01_raw_materials_and_documents,
rédigez une présentation du projet en moins de 800 mots,
et placez-la dans 03_outputs.

Demandez d’abord à la conversation de discussion de créer une carte de tâche. Cette carte doit au minimum préciser :

Quel est l’objectif.
Où se trouvent les matériaux d’entrée.
Où placer le fichier de sortie.
Quels sont les critères d’acceptation.
Quelles parties l’IA ne doit pas décider seule.

Transmettez ensuite la carte à la conversation d’exécution. Une fois l’exécution terminée, donnez le fichier produit à la conversation de révision. La conversation de révision n’a qu’un travail : dire si la sortie s’est écartée de l’objectif, de l’ancre, de la structure ou de la frontière.

Si la révision trouve un problème, renvoyez-le à la conversation d’exécution pour réparation. Après la réparation, demandez à la conversation de discussion de mettre à jour MEMORY.md ou LOOP.md avec toute règle ou leçon nouvellement confirmée.

À ce stade, vous n’avez pas seulement créé quelques fichiers. Vous avez réellement terminé une boucle :

discussion -> exécution -> révision -> réparation -> mise à jour de la mémoire

Une fois cette boucle exécutée, votre environnement de travail humain-IA commence vraiment à vivre.

8. Revenir sur cette structure

Cette méthode peut d’abord se résumer en quatre points de verrouillage :

objectif
ancre
structure
frontière

Elle peut aussi se déployer en quatre actions :

jugement
exécution
révision
boucle

L’objectif répond à la question : qu’est-ce que nous voulons vraiment terminer cette fois-ci ?

L’ancre répond à la question : quels jugements, quels faits, quels choix de style et quelles positions ne doivent pas dériver ?

La structure répond à la question : comment la tâche est-elle découpée, où vivent les matériaux, comment les rôles sont-ils séparés, comment le résultat est-il livré et comment les parties se relient-elles ?

La frontière répond à la question : qu’est-ce qui ne doit pas être fait, quels matériaux ne doivent pas être publiés, quelle formulation factuelle ne doit pas changer et quelles décisions exigent une confirmation humaine ?

Les humains sont responsables de ces choses.

De quoi l’IA est-elle responsable ?

L’IA lit les matériaux, organise l’information, propose des plans, exécute des tâches, vérifie les résultats, soumet le travail à la révision, répare les problèmes, met à jour les documents de travail et continue d’avancer dans la trajectoire confirmée.

C’est la forme de collaboration humain-IA orientée vers l’avenir.

Les humains n’ont plus besoin de surveiller chaque étape. Ils ne devraient pas non plus être réduits à des boutons de confirmation. Les humains verrouillent l’objectif, l’ancre, la structure et la frontière. L’IA travaille en continu à l’intérieur de cette trajectoire.

9. Pourquoi une conversation de révision est nécessaire

Beaucoup de gens demandent : si l’IA principale peut déjà s’auto-vérifier, pourquoi faut-il une autre conversation de révision ?

La raison est simple : l’exécution et la révision doivent être séparées.

Une collaboration humain-IA sans couche de révision n’est, au fond, qu’un système de sortie dérivant branché sur votre flux de travail.

Une conversation fait avancer. Une autre cherche les erreurs. L’une termine le travail. L’autre vérifie si le travail s’est écarté de l’objectif, s’il a introduit un glissement de concept, ajouté une complexité inutile ou laissé passer des risques.

C’est une division du travail pour l’IA.

Les équipes humaines fonctionnent déjà ainsi. Les écrivains et les éditeurs n’occupent pas la même position. Les ingénieurs et les reviewers non plus. Dès que la collaboration humain-IA devient un environnement de travail, elle a besoin d’une séparation structurelle similaire.

La conversation de révision doit en particulier vérifier :

L’objectif a-t-il été discrètement modifié ?
L’ancre a-t-elle dérivé ?
La structure a-t-elle été trop étendue ?
Une frontière a-t-elle été franchie ?
Une affirmation factuelle a-t-elle changé ?
Le sens public a-t-il changé ?
La sortie répond-elle réellement à la tâche ?

Cette étape détermine si la boucle de travail avec l’IA peut rester stable dans le temps.

10. Quand l’IA doit s’arrêter et demander à l’humain

L’IA peut avancer en continu, mais elle ne peut pas courir sans limite.

J’inscris les cas suivants dans les règles d’arrêt :

Un nouvel objectif apparaît.
Une nouvelle structure apparaît.
Une nouvelle frontière apparaît.
Une nouvelle ancre apparaît.
Une affirmation factuelle doit changer.
La position de l’auteur doit changer.
Des matériaux sources pourraient devoir être publiés.
La sortie crée un nouveau sens public.
Le travail touche à des conséquences juridiques, de copyright, de réputation, commerciales, financières ou à d’autres conséquences irréversibles.

Dans ces cas, l’IA doit s’arrêter et revenir au jugement humain.

Ce sont des problèmes de jugement. Le jugement ne peut pas être externalisé vers un modèle. Un modèle peut aider à analyser les options, mais le jugement final doit être humain.

11. Le vrai changement

Le vrai changement apporté par cette méthode dépasse le simple fait de faire exécuter davantage de tâches par l’IA.

Le vrai changement, c’est que vous commencez à construire votre propre runtime personnel d’IA.

Ici, le runtime désigne une structure de travail : les humains sont responsables du jugement, des objectifs, des ancres et des frontières ; l’IA avance en continu dans la trajectoire ; la couche de révision empêche la dérive, les substitutions de concepts et l’inflation de complexité.

Dans l’ancien mode, nous traitions l’IA comme un assistant :

L’humain demande.
L’IA répond.
L’humain relance.
L’IA répond encore.

Ce mode est utile, mais il transforme facilement l’humain en opérateur qui ajoute sans cesse du contexte, appuie sur des boutons de confirmation et sauve le travail de la dérive.

Le mode futur devrait être différent :

Les humains confirment l’objectif, l’ancre, la structure et la frontière.
L’IA exécute, vérifie, transmet, répare et continue.
La conversation de révision continue de chercher les problèmes.
L’IA principale ne quitte pas la boucle avant l’apparition d’un nouveau point de jugement.

C’est ainsi que l’on construit une trajectoire opératoire contrôlable pour l’IA et qu’on l’empêche de fonctionner en automatique total, sans frontières.

L’automatisation par l’IA sans frontières introduira directement dans votre travail la dérive du modèle, l’hallucination, l’optimisation locale et l’inflation de complexité.

Une fois verrouillée par des objectifs, des ancres, une structure et des frontières, l’IA peut cesser d’être une fenêtre de chat intelligente et devenir une boucle de travail capable de continuer à avancer.

Le futur environnement personnel de travail ne sera pas seulement une boîte de dialogue plus intelligente.

Ce sera un runtime personnel d’IA composé de boucles qui continuent d’exécuter, se relisent mutuellement et attendent le jugement humain à la frontière.

Seul ce qui est borné peut devenir infini.

À propos de l'auteur

Wang Xiao est architecte de protocoles d'IA, auteur de System and Freedom, créateur du Danbing AI Protocol / SLAPS Framework et initiateur d'OathAI.

Son travail porte sur la co-création humain-IA, la gouvernance des protocoles, l'ancrage sémantique et la continuité du savoir à long terme, en explorant comment les connaissances humaines et les structures collaboratives peuvent être préservées, calibrées et héritées à l'ère de l'IA.

Avertissement

Cet essai reflète les observations et réflexions méthodologiques actuelles de l'auteur, fondées sur sa pratique personnelle, sa recherche et son expérience de collaboration humain-IA. Les méthodes liées à Danbing / SLAPS / OathAI continuent d'être organisées et développées. Leurs effets pratiques peuvent varier selon le contexte de la tâche, la capacité du modèle, l'environnement d'exécution et le niveau d'engagement.

Cet essai ne constitue pas un conseil juridique, d'investissement, médical, professionnel, ni une garantie de mise en œuvre technique. Les lecteurs qui appliquent ces méthodes à des projets réels doivent exercer leur propre jugement selon leur situation et assumer la responsabilité des résultats concrets.