Claude Fable 5 commence à interroger les développeurs après avoir supprimé 80 % des instructions système

Le 6 juillet 2026, Thariq Shihipar, ingénieur chez Anthropic, a publié "A Field Guide to Claude Fable: Finding Your Unknowns". Ce n'est pas un autre document sur les techniques d'instructions. Il y a un mois, Thariq a utilisé Claude Code pour monter une vidéo de Fable 5 à partir de zéro, durant laquelle il a demandé au modèle de scanner ses "zones d'ignorance". Il a ainsi appris des connaissances sur l'étalonnage des couleurs. Cette méthodologie marque un changement dans le cœur du paradoxe de la collaboration en IA : lorsque Fable 5 a supprimé 80 % des instructions système et que l'intelligence du modèle n'est plus un goulot d'étranglement, la qualité de la production dépend désormais de la capacité des développeurs à clarifier l'inconnu.

Guide de terrain de Claude Fable : découvrez vos inconnues | Blog officiel d'Anthropic

La carte n'est pas le territoire : le nouveau goulot d'étranglement après la suppression de 80 % des instructions

Le 9 juin 2026, Anthropic a officiellement lancé Claude Fable 5 et le modèle Mythos 5. Fable 5 est une version largement publiée avec un classificateur de sécurité, tandis que Mythos 5 est une version invitée avec certaines restrictions levées. Le guide de terrain publié en juillet est essentiellement une confirmation officielle du flux de travail à l'ère de Fable 5.

Dans le mode de réponse traditionnel de l'IA, les développeurs ont tendance à "épaissir la carte". Face à des modèles peu intelligents, ils doivent empiler des exemples Few-shot détaillés et des contraintes strictes dans les instructions système. Les instructions système de Claude Code atteignaient un jour 65k Tokens. Après le lancement de Fable 5, Anthropic a directement réduit de 80 % les instructions système, passant d'une stratégie de "donner des contraintes" à "donner du contexte".

Cette réduction n'est pas une compression aléatoire, mais une réponse directe à l'augmentation des capacités du modèle. Les 65k Tokens d'instructions système contenaient de nombreuses règles rigides concernant le style de code, les normes de manipulation de fichiers et les limites de sécurité. Ces règles étaient nécessaires à l'époque des modèles faibles pour éviter que le modèle ne s'écarte de son chemin lors de longues conversations. Cependant, la capacité de raisonnement de Fable 5 est désormais suffisamment forte pour juger du bon chemin d'action en fonction du contexte, sans ces contraintes rigides. Les ingénieurs d'Anthropic ont découvert lors des tests internes que conserver trop de règles rigides perturbait en fait la prise de décision de Fable 5. Le modèle pouvait contourner une solution optimale pour respecter une règle ou hésiter en cas de conflit entre les règles.

Ce changement repose sur un fait cruel : Fable 5 est suffisamment intelligent, et si la "carte" des développeurs ne marque pas l'"inconnu", il se précipitera dans la mauvaise direction avec une efficacité extrême. À l'époque des modèles faibles, les développeurs s'efforçaient d'épaissir les instructions pour éviter les malentendus. Mais à l'ère de Fable 5, des contraintes trop lourdes deviennent des chaînes. Si les instructions système imposent trop de règles rigides, Fable 5 pourrait contourner l'objectif réel pour respecter ces règles. La décision d'Anthropic de réduire les instructions est en réalité une libération du modèle, lui permettant de s'appuyer sur le contexte et sa propre capacité de raisonnement, plutôt que sur un appariement mécanique des règles.

Lorsque les modèles traditionnels rencontrent des instructions floues, ils exécutent généralement en "complétant" en fonction des meilleures pratiques de l'industrie, ou refusent directement. Cela conduit souvent les développeurs à découvrir que l'IA a introduit des biais architecturaux cachés après la fusion du code. Un scénario typique est le suivant : un développeur décrit dans les instructions un besoin pour un module d'authentification utilisateur, mais ne spécifie pas clairement l'algorithme de cryptage des mots de passe. Les modèles traditionnels utiliseront par défaut des algorithmes courants mais non sécurisés comme MD5 ou SHA1, car ils en ont vu beaucoup dans les données d'entraînement. Les développeurs ne découvrent ce problème qu'au moment de l'audit de sécurité. Fable 5 change cette logique. Le goulot d'étranglement de la qualité de la production passe de la capacité de raisonnement du modèle à l'expertise des développeurs et à leur capacité à définir l'inconnu. Si les développeurs ne peuvent pas définir clairement les limites de la tâche et les risques potentiels, la puissante capacité de raisonnement de Fable 5 pourrait en fait accélérer la génération de code erroné.

Quatre types de matrice d'inconnu : comment l'IA interroge les développeurs

Le cœur du guide de terrain est de classer les problèmes de tâches en quatre catégories : connu connu, connu inconnu, inconnu connu et inconnu inconnu. En lien avec Claude Code, ces quatre types d'inconnu se traduisent par des modèles d'instructions spécifiques, couvrant l'ensemble du cycle de vie, de la mise en œuvre à la post-mise en œuvre.

Le connu connu correspond au plan de mise en œuvre. Dans le cadre de la refonte d'une grande base de code, les développeurs savent clairement quels modules doivent être modifiés, mais ne sont pas sûrs de l'ordre des modifications. Les développeurs peuvent demander à l'IA de placer en premier les modèles de données les plus susceptibles de changer pour révision, et de placer la reconstruction mécanique en dernier. Cela garantit que l'IA s'aligne d'abord avec les développeurs sur l'architecture centrale avant de générer une grande quantité de code métier en amont, évitant ainsi de générer beaucoup de code supérieur lorsque les interfaces de bas niveau ne sont pas encore définies. Dans un projet de migration de code de niveau Stripe contenant 50 millions de lignes de code Ruby, cette stratégie de tri peut réduire considérablement le travail de reprise. Si l'IA termine d'abord la réécriture de la logique métier supérieure, puis que le modèle de données de bas niveau change, tout le code supérieur doit être réécrit.

Le connu inconnu correspond à l'entretien. C'est l'un des modèles les plus disruptifs de Fable 5. L'IA n'attend plus passivement des instructions, mais interroge les développeurs. Lors de la conception d'une API à haute concurrence, les développeurs peuvent être conscients qu'ils doivent gérer un grand nombre de requêtes, mais n'ont pas de conclusion sur la stratégie de limitation ou le plan de cohérence du cache. Les développeurs peuvent demander à l'IA : "Pose d'abord des questions dont mes réponses changeront la conception de l'architecture." L'IA pourrait poser des questions sur les exigences de cohérence des données, les prévisions de QPS de pointe ou les indicateurs de stratégie de dégradation. Grâce à cette interrogation, l'IA pousse les développeurs à concrétiser leurs idées floues.

Dans un scénario de conception d'architecture de microservices, un développeur informe Fable 5 qu'il a besoin de mettre en œuvre un service de commande. Fable 5 ne commencera pas directement à écrire du code, mais posera des questions : le changement d'état de la commande nécessite-t-il une garantie de transaction inter-services ? Si oui, doit-on utiliser le modèle Saga ou la soumission en deux phases ? La réduction des stocks se fait-elle lors de la création de la commande ou après le paiement réussi ? Chacune de ces questions modifiera directement la conception finale de l'architecture. En répondant à ces questions, les développeurs complètent en réalité leur propre conception architecturale.

L'inconnu connu correspond au brainstorming et au prototypage. Pour les questions esthétiques ou intuitives où "voir c'est savoir ce que l'on veut", les développeurs peuvent demander à l'IA de générer plusieurs prototypes HTML de différentes directions pour que l'humain puisse faire un choix. Lors du développement d'un tableau de bord de données, les développeurs peuvent avoir du mal à décrire avec précision la mise en page d'interaction idéale. En demandant à Fable 5 de générer quatre prototypes HTML avec des points d'accent différents, les développeurs peuvent visuellement choisir et combiner des éléments. Ce modèle reconnaît les limites de la cognition humaine et utilise le prototypage rapide pour compenser le manque de description linguistique.

L'inconnu inconnu correspond à la recherche de points aveugles. Les développeurs donnent directement l'instruction à l'IA : "Aidez-moi à trouver mes inconnus inconnus dans ce module." Lors du traitement d'une logique de rappel de paiement apparemment simple, les développeurs peuvent ignorer le risque de double facturation dû à des requêtes concurrentes ou le mécanisme de réessai de temps d'attente du tiers. L'IA, ayant une vue d'ensemble du code, peut signaler aux développeurs les conditions limites, les points de legacy historiques ou les vulnérabilités potentielles qu'ils pourraient avoir négligées.

Thariq, en montant la vidéo de lancement de Fable 5, a justement utilisé la recherche de points aveugles. Ne connaissant rien à l'étalonnage des couleurs, il a demandé à Claude Code de scanner les zones d'ignorance dans le processus de traitement vidéo, et le modèle a signalé de manière proactive les points clés de connaissance concernant la conversion de l'espace colorimétrique et l'application de LUT. Le processus opérationnel spécifique est le suivant : Thariq a d'abord demandé à Claude Code de charger le fichier vidéo et d'analyser ses métadonnées colorimétriques, puis a donné l'instruction au modèle "trouve les détails techniques que je pourrais avoir négligés dans le processus d'étalonnage des couleurs". Claude Code a renvoyé une liste, comprenant les différences entre les espaces colorimétriques Rec.709 et Rec.2020, le moment de conversion entre l'encodage Log et l'encodage linéaire, ainsi que les différences d'effet de l'application de fichiers LUT à différents nœuds. Thariq a appris un par un à partir de cette liste, transformant les "inconnus inconnus" en "connus", et a finalement terminé le montage vidéo.

Dans le processus de mise en œuvre, Fable 5 exige que l'on prenne des notes en cours de route. Les développeurs doivent maintenir un fichier implementation-notes.md pour enregistrer les décisions conservatrices de l'IA qui s'écartent du plan. Lorsque l'IA découvre qu'un plan original n'est pas réalisable et adopte une solution de repli, cette décision sera consignée. Cela garantit que les humains gardent toujours le contrôle sur l'avancement réel du projet, plutôt que de laisser l'IA évoluer seule dans l'ombre. Dans un projet de migration de base de données, l'IA pourrait découvrir que l'outil d'importation en masse prévu présente un bug connu dans la version de la base de données cible, et adopter une solution de repli consistant à importer ligne par ligne. Cette décision sera enregistrée dans implementation-notes.md, permettant aux développeurs de comprendre la logique de jugement de l'IA lors de l'examen ultérieur et de la renverser si nécessaire.

L'opération la plus contre-intuitive se produit lors de l'étape d'acceptation. Après une longue conversation, il est impossible de comprendre les modifications profondes de l'IA simplement en regardant le Code Diff. Thariq demande à Claude de générer un rapport HTML contenant le contexte et des explications intuitives, avec un ensemble de questions de test à la fin. Le code ne sera fusionné que si toutes les questions du test sont correctement répondues. Cela renverse complètement le paradigme traditionnel de "l'homme teste l'IA", en utilisant les questions de l'IA pour compenser le manque de compréhension humaine des opérations opaques lors de longues conversations. Les questions de test peuvent inclure : "Pourquoi utiliser un verrou optimiste dans cette fonction plutôt qu'un verrou pessimiste ?" "Dans quel scénario cette stratégie d'invalidation de cache peut-elle entraîner une incohérence des données ?" Les développeurs doivent être capables de répondre précisément à ces questions pour prouver qu'ils ont compris les modifications de l'IA.

Le double système de Fable 5 et Mythos 5 : Libération des capacités et retour de sécurité

Anthropic a simultanément lancé Fable 5 et Mythos 5, reflétant l'équilibre entre la libération des capacités et le contrôle de la sécurité. Mythos 5, en tant que partie du projet Project Glasswing, a levé certaines restrictions de cybersécurité et est destiné aux utilisateurs invités. Fable 5, en tant que version largement publiée, intègre un classificateur de sécurité strict.

Fable 5, lorsqu'il est confronté à des problèmes sensibles tels que la cybersécurité ou la biologie, revient automatiquement à Claude Opus 4.8. Selon les responsables, dans les premières données, plus de 95 % des sessions Fable ne déclenchent aucun retour de sécurité, avec un taux de faux positifs inférieur à 5 %.

Ce double système garantit que Fable 5 peut être lancé en toute sécurité sur le marché de masse, mais entraîne également une rupture dans l'expérience. Certains développeurs rencontrent des retours forcés lors de la programmation réseau de base ou de la recherche en biologie. Par exemple, lors de la rédaction d'un outil d'audit de sécurité impliquant l'analyse de paquets de données réseau, Fable 5 peut déclencher le classificateur de sécurité, interrompant ainsi un flux de travail efficace initialement dirigé par Fable 5, et dégradant instantanément les capacités du modèle. Les développeurs rédigeant des scripts de test de règles de pare-feu peuvent également être renvoyés à Opus 4.8 en raison de la logique de scan de port incluse dans le code. Bien que les responsables aient promis de réduire la portée du classificateur dans les mises à jour futures et de lancer un programme d'accès de confiance pour les chercheurs, à ce stade, le retour de sécurité reste l'un des points de douleur signalés par les développeurs.

Brûlage de tokens et fatigue d'interaction : Le coût de la clarification proactive

La clarification proactive des mécanismes inconnus a entraîné des coûts et des problèmes d'expérience significatifs dans l'utilisation réelle.

Le brûlage de tokens est le point de douleur le plus signalé par les développeurs. Fable 5 active par défaut la pensée adaptative, ne permettant pas de désactiver la chaîne de pensée, et ne pouvant être contrôlée que par le paramètre d'effort. De nombreux utilisateurs de la communauté Reddit se plaignent que Fable 5 "mange mon plan Max", car les sorties sont extrêmement longues et la pensée est toujours activée, entraînant une consommation incontrôlée de tokens. Fable 5 est tarifé à 10 $/million de tokens en entrée et 50 $/million de tokens en sortie, avec un contexte par défaut de 1 million de tokens, cette vitesse de consommation impose une pression économique substantielle sur les développeurs individuels. Des utilisateurs ont signalé qu'au cours d'une refonte de code de taille moyenne, le processus de réflexion et les sorties de questions de Fable 5 ont consommé des centaines de milliers de tokens en quelques minutes. Dans le cadre du plan d'abonnement Max 20x, certains utilisateurs ont rapporté que la vitesse de consommation de Fable 5 atteignait 2 $ par minute, bien au-delà des attentes.

Les retours de la communauté montrent que l'effort moyen de Fable 5 dépasse souvent l'effort maximal d'Opus 4.8. Cela signifie que lors du traitement de tâches simples, Fable 5 consomme toujours une grande puissance de calcul pour une réflexion approfondie. Pour les développeurs ayant un budget limité, il est impératif d'utiliser strictement le paramètre d'effort ou d'éviter d'utiliser Fable 5 pour des tâches simples. Certains développeurs ont résumé leur expérience pratique : pour des opérations CRUD claires ou un traitement de chaînes simple, un faible effort suffit ; pour des tâches complexes impliquant la conception d'architecture, il faut activer un effort moyen ou élevé. Mais même ainsi, la consommation de tokens de Fable 5 reste significativement plus élevée que celle des modèles précédents.

La fatigue d'interaction affecte également les développeurs. Faire passer des entretiens aux développeurs par l'IA peut améliorer la qualité de la conception de l'architecture, mais augmente considérablement le nombre d'interactions et le coût en temps. Pour des tâches CRUD avec des objectifs clairs et des chemins définis, cette collaboration socratique devient un fardeau. Les développeurs doivent constamment répondre aux questions de l'IA pour faire avancer la génération de code. Dans un environnement de développement agile à rythme rapide, ces interruptions fréquentes peuvent entraîner une baisse de l'efficacité du développement. Une simple fonctionnalité d'inscription d'utilisateur, si elle utilise le mode d'entretien de Fable 5, peut nécessiter de répondre à 5 à 10 questions sur la stratégie de mot de passe, la vérification par e-mail, les rôles des utilisateurs, alors que le développeur souhaite simplement générer rapidement un prototype. La valeur de Fable 5 réside dans l'identification des points aveugles dans des projets complexes, et non comme un substitut universel dans tous les scénarios.

Les faux positifs du classificateur de sécurité affectent également la cohérence du flux de travail. Bien que les responsables aient promis de réduire la portée du classificateur dans les mises à jour futures, à ce stade, les interruptions du processus de développement normal par des retours de sécurité demeurent. Cette rupture d'expérience amène certains développeurs à douter de la stabilité de Fable 5. Dans des domaines spécifiques tels que l'audit de sécurité, le développement d'outils de test de pénétration et l'analyse de données biologiques, les développeurs peuvent avoir besoin de passer fréquemment à Mythos 5 ou d'attendre l'approbation du programme d'accès de confiance, ce qui complique le flux de travail.

De l'ingénierie des instructions à la gestion de l'inconnu : Le nouvel arbre de compétences des développeurs

Le lancement de Claude Fable et la publication du guide pratique envoient un message clair : le modèle est désormais suffisamment intelligent, il est temps pour les développeurs d'agir.

Les nouvelles compétences que les développeurs doivent acquérir ne consistent pas à rédiger des prompts plus longs, mais à définir l'inconnu, à gérer l'incertitude et à identifier leurs points aveugles dans les questions de l'IA. Il s'agit d'une transition d'une "ingénierie des instructions" à une "gestion de l'inconnu". OmniTools estime que cette refonte du flux de travail est plus disruptive qu'une simple mise à niveau des paramètres.

Dans l'ingénierie des instructions traditionnelle, les développeurs se concentrent sur la manière de décrire les exigences de manière plus claire et sans ambiguïté. En revanche, dans la gestion de l'inconnu, les développeurs doivent reconnaître leurs limites cognitives et utiliser la capacité de questionnement de l'IA pour combler ces lacunes. Cela exige des développeurs une expertise plus forte dans leur domaine, afin de pouvoir donner des jugements précis lorsque l'IA pose des questions. Lorsque l'IA demande : "Ce rappel de paiement doit-il gérer les notifications répétées dues à des fluctuations réseau ?", le développeur doit être capable d'évaluer la gravité de cette question et de fournir une réponse raisonnable. Si le développeur lui-même manque de compréhension des conditions limites du système de paiement, les questions de l'IA ne pourront pas combler cette lacune de connaissance.

Mais ce mécanisme n'est pas infaillible. Ses limites d'application se situent dans des projets complexes et la conception de systèmes, et il est surdimensionné pour des tâches simples. Lorsque l'IA ne prétend plus être omnisciente, les développeurs doivent faire face à leurs lacunes cognitives. Le mécanisme de clarification proactive de Fable 5 échange essentiellement le coût d'interaction contre la qualité du code. Pour les développeurs prêts à investir du temps dans la réflexion sur l'architecture, ce mécanisme peut réduire considérablement le risque de retravail ultérieur ; tandis que pour les équipes cherchant à itérer rapidement, ce mécanisme peut devenir un obstacle à l'efficacité.

Du double système de Fable 5 et Mythos 5 à la méthodologie du guide pratique, Anthropic redéfinit les frontières de la collaboration entre l'IA et les développeurs. Le modèle n'est plus un outil d'exécution passif, mais un partenaire collaboratif doté de capacités de réflexion active. Le rôle des développeurs évolue de "rédacteur d'instructions" à "gestionnaire de l'inconnu". Cette transformation exige des développeurs qu'ils réévaluent leur flux de travail et trouvent un nouvel équilibre entre efficacité et qualité.

Ce contenu est fourni à titre informatif uniquement et ne constitue pas un conseil financier, d'investissement, juridique ou fiscal. Les événements, récompenses, promotions en ligne ou informations mentionnées ici ne doivent pas être considérés comme une recommandation, une sollicitation ou une invitation à acheter, vendre, trader ou effectuer toute autre opération sur des actifs crypto. Les actifs crypto sont très volatils et peuvent entraîner des pertes. La disponibilité des services, produits et événements liés à WEEX peut varier selon les régions. Veuillez vous assurer que votre participation respecte les lois et réglementations locales applicables.