La recherche en IA te passionne ?
Les papers et avancées qui comptent, expliqués simplement, chaque soir. Gratuit.
Inclus dès l'inscription : notre sélection des meilleurs guides & comparatifs IA.
Choisis ton rythme
Gratuit · Pas de spam · Désabonnement en 1 clic
Claude Code fournit souvent des estimations de temps alignées sur des repères humains, parfois bien supérieures aux durées réellement observées avec l'aide d'un LLM. Deux approches sont avancées pour rendre ces estimations plus pertinentes : capitaliser sur les durées passées et découper finement les tâches en estimant explicitement côté LLM. Ces méthodes, bien que perfectibles, visent à fiabiliser la coordination au sein des équipes.
Découper les tâches et estimer explicitement côté LLM
Une première méthode consiste à demander à l’agent de découper la fonctionnalité en sous-tâches et d’estimer la durée de chacune, en précisant que l’estimation doit refléter le temps d’un LLM et non celui d’un humain. Cette approche ne nécessite pas d’historique important : elle repose sur un découpage suffisamment précis pour faciliter l’estimation. Les sous-tâches typiques incluent la recherche, l’implémentation de différentes parties et les tests, mais il est recommandé d’aller encore plus loin dans la spécificité. Plus la granularité est fine, plus l’estimation devient accessible, aussi bien pour un humain que pour un modèle. L’agent peut s’appuyer sur une connaissance implicite de sa propre efficacité, notamment pour la recherche, qui s’avère bien plus rapide avec un LLM qu’avec une recherche manuelle. Une fois chaque durée estimée, il suffit de les additionner pour obtenir une estimation totale.
Ancrer les chiffres dans l’historique des livraisons
Une autre approche consiste à constituer une base interne de durées réelles et à la relier à l’agent. Le suivi peut s’effectuer en documentant chaque tâche dans des tickets Linear ou dans un fichier markdown sur Notion, en notant précisément les heures de début et de fin pour chaque intervention de l’agent. Après plusieurs livraisons et corrections, il devient possible de créer une compétence dédiée, consultable par Claude Code lors d’une demande d’estimation. Cette base peut contenir des exemples comme 12 heures pour une fonctionnalité A, 3 heures pour une B, ou 4 heures pour une correction de bug. Face à une nouvelle demande, l’agent compare la tâche actuelle à ces précédents pour ajuster son estimation. Cette méthode améliore la pertinence des réponses, même si elle ne garantit pas une exactitude totale, car il reste impossible de prévoir tous les obstacles à l’avance.
Pourquoi les durées proposées restent calées sur l’humain
L’écart entre les estimations de Claude Code et la réalité provient principalement des données d’entraînement du modèle. Claude a été formé sur des sources humaines issues du web, comme des billets de blog relatant des durées d’implémentation ou des statistiques de dépôts à une époque où le code était écrit sans assistance IA, avant 2022. Les repères ainsi intégrés reflètent des rythmes humains : une fonctionnalité pouvait demander quatre semaines, une correction de bug deux jours. Les estimations générées aujourd’hui prolongent ces références et ne correspondent pas au rythme de travail d’un LLM.
Constats d’usage : des écarts importants sur des tâches courantes
Des retours d’expérience font état de réponses de l’ordre de trois à quatre semaines pour un seul ingénieur lorsqu’un agent est interrogé sur une fonctionnalité de chatbot. L’auteur indique observer fréquemment ce type d’estimation, alors que la même tâche peut être réalisée en une journée avec une bonne configuration. Il estime que la plupart des fonctionnalités peuvent être accomplies en douze heures si la spécification est claire, et exprime sa frustration face à l’absence d’estimations en minutes. Plus globalement, il constate que, sans cadrage spécifique, la plupart des IA de code fournissent des durées supérieures à celles observées en pratique.
Ce que cela change pour l’organisation et la suite
La fiabilité des estimations influence la coordination des équipes : chefs de produit et collègues ont besoin d’un horizon clair, d’autant que certaines tâches conditionnent le travail des autres. L’auteur prévoit une amélioration progressive des estimations à mesure que se multiplient en ligne les données sur les durées obtenues avec des LLM, tout en anticipant un certain retard avant d’atteindre une meilleure justesse. Le sujet est jugé important dans un contexte où ces outils modifient les pratiques et où la capacité à aligner humains et modèles devient une compétence essentielle. Une infographie est mentionnée comme synthèse des points clés.
