Paperclip : beaucoup appris, une productivité encore à trouver
Avec Claude, je peux demander une modification, lancer des commandes et examiner le résultat. Avec Paperclip, j’ai organisé une équipe d’agents pour aller plus loin. Pourtant, je peine encore à retrouver cette efficacité immédiate. J’ai beaucoup expérimenté et appris. Mais je ne sais pas encore dire combien de temps j’ai gagné.
Ce décalage est le point de départ de ce bilan. Depuis la mise en place de mon laboratoire, fin octobre, j’explore une question assez pratique : comment adapter un environnement d’agents IA à mon travail pour qu’il m’aide à avancer ?
1. Le modèle ne fait pas tout
On parle de « harnais » en IA pour désigner l’environnement dans lequel un modèle travaille : ses instructions, les outils auxquels il accède, le contexte qu’on lui fournit, sa mémoire et les contrôles qui permettent de vérifier ses résultats. C’est ce qui relie ses capacités à une action dans un environnement réel.
Cette notion m’intéresse parce qu’un même modèle peut être plus ou moins utile selon cet environnement. S’il ne retrouve pas une décision, ne peut pas consulter un document ou ne sait pas comment transmettre son travail, ses capacités ne suffisent pas à faire avancer le projet.
Mon enjeu est de trouver une organisation adaptée à mes activités : explorer des idées de produits, challenger des hypothèses, produire des maquettes et développer des prototypes. La productivité que je recherche comprend le résultat produit, mais aussi le temps que je consacre à le préparer, à le suivre et à le vérifier.
Le harnais fait le lien entre l’objectif et le résultat. Chacun de ses éléments demande aussi un travail de construction.
2. Trop de travaux en parallèle, pas assez de vision globale
Avec Claude, j’arrive déjà à faire des choses concrètes. Mais les tâches s’accumulent. Je passe d’un sujet à l’autre, je reprends un échange, j’explique ce qui a été décidé ailleurs. Je dois savoir ce qui avance, ce qui attend une réponse et ce qui peut réellement être considéré comme terminé.
Cette continuité concerne plusieurs projets et plusieurs IA. Je veux pouvoir réutiliser une méthode éprouvée sur un projet pour en faire avancer un autre, et transmettre à Codex ce que j’ai appris avec Claude, ou l’inverse. Mettre à jour les instructions d’un agent pour un seul projet ne suffit pas : je cherche à capitaliser les méthodes, les décisions et les apprentissages utiles entre projets et entre outils, en gardant leur contexte et leurs limites.
À mesure que les travaux se multiplient, le suivi devient un travail en soi. Une bonne réponse dans une conversation ne règle pas la continuité entre plusieurs conversations. Je reste celui qui rapproche les informations et remet les sujets en mouvement.
Paperclip, concrètement
Le site de Paperclip, consulté le 16 novembre 2026.
Paperclip est une application open source que l’on peut héberger soi-même pour organiser le travail d’agents IA. Elle rassemble des objectifs, des projets et des tâches, avec un organigramme, des responsabilités et un historique des échanges. Les agents s’appuient sur des moteurs comme Claude Code ou Codex ; Paperclip fournit le cadre dans lequel leur travail est attribué et suivi.
Ce qui m’a attiré, c’est la possibilité de réunir mes travaux dans un même espace. Je voulais retrouver les priorités, savoir à qui une tâche était confiée et comprendre où une décision de ma part était attendue. La possibilité d’utiliser les outils IA avec lesquels je travaillais déjà, tout en expérimentant une installation locale, correspondait aussi à ma démarche.
Je l’ai choisi comme terrain d’essai pour cette combinaison : coordination des agents, visibilité sur les projets et possibilité d’adapter l’environnement à mes besoins. Ce choix ne reposait pas sur un comparatif exhaustif des plateformes, ni sur un gain de productivité déjà démontré.
C’est là que j’ai voulu essayer Paperclip. Mon hypothèse : des rôles persistants, des tâches suivies et une mémoire commune pourraient m’aider à déléguer davantage, tout en gardant une vue d’ensemble.
Puis-je confier un objectif à une équipe d’agents, suivre l’avancement de plusieurs projets et obtenir des résultats concrets, tout en gardant la main sur les décisions importantes ?
Je voulais pouvoir examiner un livrable, comprendre un blocage et trancher un choix sans reprendre toute l’histoire du projet. PRISM, mon terrain d’exploration autour de parcours de formation personnalisés, a fourni un premier cas de travail.
3. Une organisation construite par ajustements
J’ai commencé avec des fonctions de coordination, de recherche et de prototypage. L’organisation s’est ensuite élargie, avec une branche Exploration et une branche Opérations. J’ai ajouté un CEO IA pour consolider l’information, un Chief of Staff pour les investigations documentées, puis des fonctions de développement, de design et de sécurité.
Une lecture simplifiée des fonctions expérimentées. Les flèches représentent les circuits de travail visés.
L’organisation configurée dans Paperclip au moment de ce bilan.
La branche Exploration doit clarifier les besoins, challenger les hypothèses et préparer des prototypes. La branche Opérations doit prendre en charge des réalisations cadrées, avec du développement et une revue de sécurité. Le CEO doit faire remonter les avancées, les risques et les décisions à prendre.
Cet organigramme a évolué au fil des besoins. Certains rôles ont été précisés ou regroupés. J’ai aussi travaillé sur les accès aux outils, la mémoire partagée, l’historique des décisions et les règles de passage de relais. Chaque ajout répondait à un problème rencontré. Leur accumulation a également rendu le dispositif plus complexe.
4. Deux scènes qui montrent où j’en suis
Une maquette produite, mais difficile à faire évoluer
Sur le parcours de prépositionnement RNCP, je voulais pouvoir examiner un prototype, commenter un écran et demander une modification. Un prototype interactif et ses captures ont été conservés dans un « Case », une notion propre à Paperclip qui permet de regrouper et de conserver les livrables d’un travail.
Le résultat existait. Mais le HTML était proposé en téléchargement. Pour travailler dessus, je devais encore l’ouvrir à part et trouver comment transmettre un retour précis. Dire « modifie cette zone » demande de partager la même vue et la même version.
J’ai donc demandé un aperçu HTML annotable, avec des remarques reliées à la maquette et la possibilité de créer des tâches d’itération. Au stade documenté de cet essai, cette évolution a été confiée aux agents ; je ne la présente pas ici comme une fonctionnalité livrée et validée.
Je me suis rendu compte que j’étais en train de recréer dans Paperclip une surcouche de fonctions déjà présentes dans les outils IA que j’utilise. Pour consulter une maquette, la commenter et la faire évoluer, travailler directement dans Claude Design aurait été plus facile. Cela pose une question sur le rôle que je veux donner à Paperclip : coordonner mes travaux entre projets et entre IA, sans devoir y reconstruire tous leurs outils.
Une revue prête, mais un passage de relais bloqué
J’ai aussi rencontré des erreurs lorsque les agents tentaient de passer leurs tâches en revue. Certaines tâches se retrouvaient bloquées alors que l’étape attendue était une relecture.
Il a fallu diagnostiquer le circuit, corriger une règle et remettre des tâches dans un état permettant la suite. Le correctif a été testé, puis appliqué. Paperclip est encore en développement : ces difficultés s’inscrivent aussi dans l’expérimentation d’un outil qui évolue. Elles font partie du coût de cet essai, sans permettre de conclure à une limite durable du projet. Cela ne démontrait pas encore que toute la chaîne de revue allait désormais se dérouler seule.
C’est une bonne illustration de mon ressenti : je cherche à déléguer la coordination et je passe du temps à réparer ses mécanismes. Un statut, une assignation ou une règle de transition peut suffire à interrompre le travail, même si l’agent sait réaliser sa tâche.
Le résultat utile comprend aussi la consultation, le retour et la reprise du travail.
5. Ce que j’ai appris, et ce qu’il reste à prouver
Mon sentiment de patauger ne résume pas tout ce qui s’est passé. J’ai appris à préciser les responsabilités, à organiser la mémoire, à distinguer un arbitrage métier d’un problème technique et à demander des preuves de réalisation. J’ai aussi expérimenté les limites des connexions, des permissions, des quotas et des outils disponibles dans les sessions des agents.
Un rôle dans un organigramme ne garantit pas l’accès aux moyens nécessaires. Une consigne ne garantit pas son application. Une configuration enregistrée ne prouve pas qu’un parcours fonctionne de bout en bout. Ces distinctions reviennent souvent dans cette expérimentation.
Je me pose également une question sur mes propres choix : ai-je élargi l’équipe avant de stabiliser un premier parcours complet ? Chaque fonction ajoutée avait sa raison d’être. Mais leur coordination peut absorber une partie du bénéfice attendu. C’est une hypothèse à tester, pas encore une explication définitive de mes difficultés.
Pour la suite, je veux resserrer l’évaluation sur un travail borné et utile. Définir le livrable et les critères de fin, puis comparer une exécution directe avec Claude et un parcours via Paperclip. Observer le temps humain, les relances, les corrections et la qualité du résultat.
Cette comparaison doit m’aider à décider quels éléments du harnais conserver, lesquels simplifier et quels travaux confier à cette organisation. L’apprentissage fait partie de la valeur de l’expérience. Il ne suffit pas à démontrer un gain de productivité.
La question reste ouverte : à quelles conditions cette équipe d’agents commence-t-elle à me décharger du travail et à me donner une meilleure maîtrise de mes projets ? C’est ce que je veux maintenant mettre à l’épreuve.