Et si former votre assistant IA était aussi simple que d'enregistrer votre écran ?
Pendant des années, l'automatisation des tâches répétitives a exigé des compétences techniques solides : scripts bash, macros complexes, ou pipelines de CI/CD soigneusement orchestrés. L'ingénierie de prompt a ensuite ouvert une voie plus accessible, mais elle restait abstraite, textuelle, parfois frustrante à affiner. Anthropic franchit aujourd'hui une nouvelle étape avec Claude Cowork : l'apprentissage par démonstration, ou comment l'IA apprend directement en vous observant.
"Record a skill" : de l'écran à l'automatisation en quelques minutes
La nouvelle fonctionnalité de Claude Cowork — baptisée "Record a skill" — repose sur un principe déconcertant de simplicité. L'utilisateur lance l'enregistrement depuis le menu + de l'interface Cowork, exécute sa tâche normalement à l'écran, et commente ses actions à voix haute. Claude Cowork capture alors l'ensemble : mouvements de souris, clics, frappes clavier et narration audio.
Une fois l'enregistrement terminé, le système analyse la session et la convertit automatiquement en une compétence réutilisable ("skill"). La prochaine fois que la même tâche se présente, il suffit d'invoquer le skill sauvegardé plutôt que de répéter chaque étape manuellement.
Concrètement, imaginez un développeur qui doit régulièrement exporter des rapports depuis un back-office, les reformater, puis les envoyer par email. Avec cette approche, il effectue l'opération une fois en commentant ses actions — "je clique sur Exporter, je sélectionne le format CSV, j'ouvre le fichier dans l'éditeur..." — et Claude Cowork encode ce workflow pour une exécution future autonome.
La fonctionnalité est disponible pour les abonnés aux plans Pro, Max et Team d'Anthropic.
De l'ingénierie de prompt à l'ingénierie de démonstration
Ce changement de paradigme mérite qu'on s'y arrête. L'ingénierie de prompt (prompt engineering) consiste à formuler des instructions textuelles précises pour guider un modèle de langage. C'est puissant, mais cela suppose une certaine maîtrise : savoir décomposer une tâche en étapes, anticiper les ambiguïtés, itérer sur les formulations.
L'ingénierie de démonstration (demonstration engineering) inverse la logique : vous montrez, le modèle déduit. Plus besoin de verbaliser parfaitement chaque micro-étape. La narration vocale sert de contexte sémantique, tandis que l'enregistrement d'écran fournit la preuve comportementale. Le modèle multimodal reconstruit le flux procédural à partir de ces deux signaux complémentaires.
C'est une approche qui rappelle le few-shot learning appliqué non plus à des exemples textuels, mais à des démonstrations visuelles et auditives. Pour les équipes techniques, cela ouvre des perspectives intéressantes :
- Onboarding accéléré : un développeur senior enregistre ses procédures habituelles une fois, et les juniors peuvent les réutiliser ou s'en inspirer.
- Documentation vivante : le skill devient une forme de documentation exécutable, plus fiable qu'un wiki qui se périme.
- Automatisation sans code : des profils non techniques (chefs de projet, équipes métier) peuvent créer leurs propres automatisations sans passer par l'équipe dev.
OpenAI propose une fonctionnalité similaire dans son outil Codex, confirmant que l'apprentissage par démonstration devient un vecteur majeur de l'adoption des agents IA en entreprise.
Implications pour les équipes PHP/Symfony
Pour les développeurs web — et en particulier ceux qui travaillent dans l'écosystème PHP/Symfony — cette évolution soulève des questions concrètes.
Des workflows de développement plus fluides
Certaines tâches récurrentes en développement web sont fastidieuses précisément parce qu'elles combinent plusieurs outils : lancer une migration Doctrine, vider le cache Symfony, vérifier les logs, déclencher un job de queue. Aujourd'hui, ces séquences vivent dans des Makefiles ou des scripts shell. Demain, elles pourraient être enregistrées comme skills Cowork et déléguées à l'agent sans écrire une seule ligne de configuration.
La question de la fiabilité et du contrôle
L'enthousiasme doit cependant être tempéré par des questions légitimes. Quelle est la fidélité de la reproduction ? Le skill gère-t-il les cas limites (fenêtre non trouvée, délai réseau, état inattendu de l'interface) ? Dans un contexte de production — déploiement, manipulation de base de données, envoi d'emails — une automatisation mal calibrée peut avoir des conséquences sérieuses.
Il est probable que ces skills conviennent mieux, dans un premier temps, aux tâches à faible risque et haute répétabilité : reporting, génération de documents, navigation dans des interfaces métier internes. Les workflows critiques resteront mieux servis par des pipelines explicites, testables et versionnés.
Vers un nouveau rôle pour le développeur
Cette tendance confirme une mutation plus profonde du métier. Le développeur n'est plus seulement celui qui écrit du code, mais celui qui conçoit, supervise et valide des systèmes d'automatisation de plus en plus autonomes. Savoir identifier quelles tâches sont bonnes candidates à la démonstration, comment structurer une narration efficace pour guider le modèle, et comment auditer les skills générés — ce sont des compétences qui vont compter.
Conclusion : l'automatisation à portée de narration
Avec "Record a skill", Claude Cowork réduit la friction entre l'intention et l'automatisation. L'IA n'attend plus qu'on lui décrive parfaitement une tâche : elle l'observe, l'écoute, et l'encode. C'est un changement d'interface profond, qui déplace la barrière d'entrée de la rédaction de prompts vers la simple capacité à faire et à commenter.
Pour les équipes techniques, l'enjeu n'est pas de savoir si cette technologie va s'imposer — elle le fera — mais de développer dès maintenant les réflexes pour l'utiliser de façon rigoureuse : identifier les bons cas d'usage, documenter les skills créés, et maintenir une supervision humaine sur les automatisations sensibles.
Source : The Decoder
