Claude Code et Codex : agents, skills et tâches récurrentes expliqués

Claude Code (Anthropic) et Codex (OpenAI) sont des agents IA. Vous leur donnez un objectif, ils lisent vos fichiers, lancent des programmes, contrôlent le résultat et recommencent jusqu'à ce que le travail soit fait. Ils sont nés pour programmer, mais ils savent aussi traiter un dossier de factures, un tableur de prix ou un rapport mensuel.

Trois notions suffisent pour bien s'en servir :

• L'agent travaille en boucle (comprendre, agir, vérifier), dans le cadre de permissions que vous lui fixez.
• Les skills sont des procédures écrites une fois, que l'agent ne charge qu'au moment où il en a besoin. Leur format est ouvert : une même skill fonctionne dans les deux outils.
• Les tâches récurrentes relancent une consigne à heure fixe, sur votre ordinateur ou dans le cloud.

Mon conseil, avant le détail : commencez par un fichier d'instructions court, transformez en skill ce que vous répétez, et ne planifiez une tâche qu'une fois qu'elle fonctionne bien à la main.

On parle de « Claude Code » et de « Codex » comme d'un seul programme. En réalité, chacun existe sous plusieurs formes qui partagent le même moteur.

Claude Code s'utilise dans un terminal, dans l'application de bureau Claude (onglet Code), dans les éditeurs VS Code et JetBrains, sur le web et depuis un téléphone. Les sessions web tournent sur des machines d'Anthropic : elles continuent quand vous fermez votre ordinateur portable. Pour le travail de bureau sans code, Anthropic décline la même mécanique d'agent dans Cowork, avec vos dossiers et vos connecteurs.

Codex vit depuis juillet 2026 dans l'application de bureau ChatGPT. On y choisit entre la conversation classique, ChatGPT Work (rapports, tableurs, présentations) et Codex (projets techniques). Il existe aussi en ligne de commande, sous licence open source, dans les éditeurs de code et dans le cloud d'OpenAI.

Côté prix, les deux sont compris dans les abonnements payants dès 20 dollars par mois et par personne (Claude Pro, ChatGPT Plus), ou 20 à 25 dollars par utilisateur dans les offres d'équipe (Claude Team, ChatGPT Business). Les forfaits supérieurs servent surtout à repousser les limites d'usage, calculées par tranches de cinq heures et par semaine.

Prenons une consigne concrète : « Compare la nouvelle liste de prix du fournisseur avec notre catalogue et signale les écarts de plus de 10 %. »

Un assistant de conversation vous répondrait par un texte. L'agent, lui, enchaîne des actions :

1. Il ouvre les deux fichiers pour comprendre leur structure.
2. Il écrit un petit script de comparaison, plutôt que de calculer « de tête ».
3. Il l'exécute, constate que trois références n'ont pas le même format, corrige.
4. Il relance, contrôle quelques lignes à la main, puis produit le tableau des écarts et un résumé.

Chaque étape est un appel d'outil : lire un fichier, chercher, exécuter une commande, consulter une page web. Le modèle choisit l'étape suivante en fonction du résultat de la précédente. C'est cette boucle (rassembler le contexte, agir, vérifier) qui distingue un agent d'un chatbot. Tout ce qui l'entoure (les outils disponibles, les autorisations, la gestion de la mémoire) s'appelle le harnais. J'y consacre un article entier.

La mémoire de travail n'est pas infinie

Tout ce que l'agent lit et produit s'accumule dans sa fenêtre de contexte, sa mémoire de travail. Elle est grande (chez Anthropic, de l'ordre d'un million de tokens, ces fragments de mots que lit le modèle, soit plus d'un millier de pages), mais la qualité des réponses baisse à mesure qu'elle se remplit. Quand elle sature, l'outil résume l'historique pour faire de la place. Les demandes et les décisions principales survivent ; une consigne glissée en passant au début peut disparaître.

Deux réflexes en découlent : une conversation par tâche, et les règles durables dans un fichier plutôt que dans le fil de discussion.

Le fichier d'instructions, la fiche d'accueil de l'agent

À chaque session, l'agent lit un fichier texte placé à la racine du dossier : CLAUDE.md pour Claude Code, AGENTS.md pour Codex. Depuis septembre 2026, Claude Code lit aussi AGENTS.md quand il ne trouve pas de CLAUDE.md. Un seul fichier peut donc servir aux deux.

On y met ce qu'on dirait à un nouveau collaborateur le premier jour : à quoi sert le dossier, les conventions, les commandes qui permettent de vérifier le travail, ce qu'il ne faut jamais faire. Anthropic recommande de rester sous 200 lignes. Pour chaque ligne, une question suffit : si je l'enlève, l'agent fera-t-il une erreur ? Si la réponse est non, elle n'a rien à faire là.

Claude Code tient en plus une mémoire automatique : il note de lui-même vos préférences et les informations utiles d'une session à l'autre. Relisez-la de temps en temps : ce qu'elle retient influence chaque session. Chez Codex, cette fonction existe mais reste désactivée par défaut.

Permissions : deux philosophies

Un agent qui exécute des commandes peut aussi supprimer un fichier ou envoyer des données ailleurs. Les deux éditeurs encadrent ce risque différemment.

Codex enferme l'environnement. Par défaut, il ne peut écrire que dans le dossier du projet et n'a pas accès à internet. Vous choisissez ensuite entre trois niveaux : il vous demande avant chaque action sensible, il fait relire ses actions par un modèle, ou il dispose d'un accès complet.

Claude Code filtre les actions. Depuis septembre 2026, son mode par défaut en session interactive s'appelle « auto » : un second modèle examine chaque action et bloque celles qui sortent du cadre (mettre en ligne en production, exécuter un script téléchargé, effacer l'historique des versions). Un bac à sable comparable à celui de Codex existe, mais il faut l'activer.

Les deux documentations le disent clairement : aucun de ces mécanismes ne garantit la sécurité. Retenez surtout ceci : les deux outils savent annuler une modification de fichier, mais aucun ne peut rappeler un email envoyé ou une écriture enregistrée dans votre comptabilité. Ce qui sort de l'ordinateur doit rester sous contrôle humain.

Un sous-agent est un agent que l'agent principal lance pour une partie du travail. Il démarre avec un contexte vierge, ses propres consignes et des outils limités, puis rend un résumé.

Exemple : vous devez relever les clauses de résiliation de 40 contrats. Plutôt que de tout lire dans une seule conversation, qui saturerait vite, l'agent principal confie dix contrats à chacun de quatre sous-agents. Chacun rend un tableau, l'agent principal assemble et contrôle. Le travail avance plus vite et la conversation principale reste lisible.

On définit un sous-agent dans un simple fichier : un nom, une description qui dit quand l'appeler, les outils autorisés et, au besoin, le modèle à utiliser (dossier .claude/agents/ pour Claude Code, .codex/agents/ pour Codex). Les deux outils en fournissent aussi d'office, par exemple un explorateur limité à la lecture.

Deux limites à connaître. Plusieurs agents consomment plus de tokens qu'un seul. Et plusieurs agents qui modifient les mêmes fichiers en même temps se marchent dessus. Les sous-agents excellent pour lire, chercher et relire. Un usage sous-estimé : le relecteur au contexte vierge, chargé de contrôler le travail avant de le déclarer terminé. Il n'a pas vu les hésitations de l'agent principal, il juge le résultat sur pièce.

Une skill est un dossier qui contient un fichier SKILL.md : un nom, une description, puis des instructions. Le dossier peut aussi contenir des modèles de documents, des références et des scripts.

Le principe tient dans une image : un classeur de procédures dont l'agent ne voit que les tranches. Au démarrage, il ne charge que le nom et la description de chaque skill, une centaine de tokens. Quand une demande correspond à une description, il ouvre la fiche, puis les annexes seulement si nécessaire. Vous pouvez donc installer des dizaines de skills sans alourdir chaque conversation.

Voici à quoi ressemble une skill qui prépare des offres :

offre-client/
  SKILL.md
  conditions-generales.md
  modele-offre.docx
  scripts/calcul-prix.py

---
name: offre-client
description: Prépare une offre client à partir d'une demande reçue par email. À utiliser pour tout devis, offre ou chiffrage.
---
1. Relève le besoin, le délai et le budget mentionnés. Liste ce qui manque.
2. Calcule le prix avec scripts/calcul-prix.py, jamais de tête.
3. Rédige l'offre dans modele-offre.docx en appliquant conditions-generales.md.
4. N'envoie rien. Enregistre le brouillon et résume les points à valider.

Remarquez l'étape 2 : le calcul passe par un script. Le modèle comprend la demande et rédige, le script garantit que 12 heures à 140 CHF font toujours 1'680 CHF. C'est cette répartition qui rend un agent fiable, et c'est tout le sujet de mon article sur la différence entre automatisation et agent IA.

Un format ouvert, donc portable

Anthropic a publié le format des skills comme standard ouvert en décembre 2025, sous le nom Agent Skills. OpenAI l'a adopté pour Codex dans la foulée, comme de nombreux autres outils. Seul l'emplacement change : .claude/skills/ pour Claude Code, .agents/skills/ pour Codex. Pour une entreprise, l'argument pèse : vos procédures ne sont pas prisonnières d'un fournisseur.

Écrire une skill qui fonctionne

• Une skill, un travail. « Préparer une offre » plutôt que « gérer les clients ».
• Une description qui dit quoi et quand. C'est la seule partie que l'agent lit pour décider d'ouvrir la skill. Une description vague, et la skill ne se déclenche jamais.
• Courte. Le fichier principal tient en quelques centaines de lignes au plus ; le détail va dans les annexes.
• Le calcul et le contrôle dans des scripts. Montants, formats, conversions : tout ce qui doit donner le même résultat à chaque fois.
• Testée sur trois cas réels, avec et sans la skill, pour vérifier qu'elle apporte vraiment quelque chose.
• Écrite ou relue par la personne qui fait le travail. L'étude SkillsBench (février 2026, 7'308 exécutions) a mesuré en moyenne 16 points de réussite en plus avec des skills rédigées par des humains, et aucun gain moyen quand le modèle rédigeait ses propres skills. Le savoir métier ne s'invente pas.

Une règle simple pour savoir quand en créer une : dès que vous retapez la même consigne, ou que vous corrigez l'agent deux fois sur le même point.

Ne téléchargez pas n'importe quelle skill

Une skill peut contenir des scripts que l'agent exécute avec vos droits. Anthropic recommande de la traiter comme un logiciel qu'on installe. La prudence est fondée : en février 2026, l'éditeur de sécurité Snyk a analysé 3'984 skills publiées sur deux catalogues publics, ClawHub et skills.sh. Plus de 13 % présentaient au moins un problème de sécurité critique, et 76 cas de code malveillant ont été confirmés. Une autre analyse, menée par Koi Security avec une méthode différente, en avait recensé 341 sur ClawHub quelques jours plus tôt. Lisez chaque fichier avant d'installer, ou écrivez vos propres skills.

Une tâche récurrente, c'est une consigne que l'agent exécute seul selon un horaire : chaque lundi à 7 h, chaque nuit, toutes les heures. Avant d'en créer une, trois questions comptent davantage que l'outil :

1. Où tourne-t-elle ? Sur votre ordinateur, elle accède à vos fichiers locaux. Dans le cloud, elle tourne même ordinateur éteint, mais ne voit que ce que vous lui confiez (un dossier, des connecteurs).
2. Avec quels droits ? Une tâche planifiée agit en votre nom : ses messages et ses modifications apparaissent sous votre identité. Chez Anthropic, les tâches cloud reçoivent par défaut tous vos connecteurs. Ne gardez que ceux dont elle a besoin.
3. Que produit-elle ? Un rapport, un brouillon, une liste à valider : oui. Une action qui engage l'entreprise sans relecture : non.

Quelques exemples qui fonctionnent bien dans une PME :

• Chaque lundi à 7 h, compiler les demandes de la semaine écoulée et préparer l'ordre du jour de la séance d'équipe.
• Chaque nuit, contrôler les factures fournisseurs déposées dans un dossier et signaler celles qui n'ont pas de bon de commande.
• Chaque mois, faire une veille sur les nouveautés réglementaires d'un domaine, sources à l'appui.
• Chaque semaine, vérifier le site de l'entreprise (liens cassés, formulaires, pages lentes) et envoyer un résumé.

OpenAI résume bien la répartition des rôles : la skill définit la méthode, la planification définit le moment. Mettez la tâche au point à la main, transformez-la en skill, puis planifiez-la. Et si elle ne demande aucun jugement (exporter un fichier à heure fixe, par exemple), une automatisation classique sera moins chère et plus fiable qu'un agent.

Voici les options disponibles en octobre 2026 :

Les hooks sont des scripts déclenchés à un moment précis de la vie de l'agent : avant une commande, après une modification, à la fin d'une tâche. Leur intérêt tient en une phrase de la documentation d'Anthropic : une instruction est une demande, pas une garantie. Un hook, lui, s'exécute à chaque fois. On s'en sert pour bloquer l'écriture dans un dossier de comptabilité clôturé, garder la trace de chaque action ou être prévenu quand l'agent attend une réponse.

MCP (Model Context Protocol) est le standard ouvert qui branche un agent sur vos outils : CRM, base documentaire, agenda, logiciel métier. Chaque branchement s'appelle un connecteur (ou serveur MCP). Anthropic précise qu'il n'audite pas les connecteurs proposés par des tiers. OpenAI donne un conseil simple : ajoutez un connecteur quand il supprime une manipulation réelle, pas « au cas où ».

Les plugins regroupent skills, hooks, sous-agents et connecteurs dans un paquet qu'on installe d'un coup. Ils servent à partager une même configuration avec toute une équipe.

Anthropic et OpenAI publient chacun leurs recommandations, et elles se recoupent largement. Voici celles qui font vraiment la différence, par ordre d'importance.

1. Donnez un moyen de vérifier. Des tests, un total de contrôle, une capture d'écran, un fichier de référence. Un agent qui peut constater son erreur la corrige ; un agent qui ne le peut pas vous la livre. Demandez la preuve, pas l'affirmation que « tout fonctionne ».
2. Faites planifier avant d'agir. Les deux outils ont un mode plan : l'agent explore et propose, vous validez avant qu'il modifie quoi que ce soit. Inutile pour une tâche qui tient en une phrase, précieux pour tout le reste.
3. Donnez une consigne complète. L'objectif, le contexte (fichiers, exemples), les contraintes, et ce qui permet de dire que c'est terminé.
4. Un fil par tâche. Après deux corrections infructueuses, repartez d'une conversation neuve avec une meilleure consigne plutôt que d'empiler les rectifications.
5. Entretenez le fichier d'instructions. Quand l'agent répète une erreur, ajoutez une ligne. Quand une ligne ne sert plus, supprimez-la.
6. Commencez avec des permissions serrées, et desserrez-les à mesure que vous connaissez le comportement de l'outil sur vos dossiers.
7. Ajoutez les connecteurs un par un, quand ils lèvent un vrai blocage.
8. Faites relire. Un second agent au contexte vierge pour les erreurs de fond, un humain pour tout ce qui sort de l'entreprise.

C'est souvent là que tout se joue pour une PME, et les réglages par défaut varient selon l'abonnement.

• Abonnements personnels (Claude Free, Pro et Max ; ChatGPT Free et Plus) : l'utilisation de vos échanges pour entraîner les modèles dépend d'un réglage de votre compte. Chez Anthropic, si vous l'acceptez, la conservation passe à cinq ans. Chez OpenAI, le même réglage s'applique aux tâches Codex. N'y traitez pas de données de clients.
• Abonnements d'entreprise (Claude Team et Enterprise ; ChatGPT Business et Enterprise) : pas d'entraînement sur vos données par défaut. Chez Anthropic, la conservation standard est de 30 jours ; une option sans aucune conservation existe sur Enterprise, sur demande, au prix de plusieurs fonctions cloud.
• Lieu de traitement : les données envoyées à Anthropic sont traitées aux États-Unis ou ailleurs dans le monde. Pour rester en Europe, il faut passer par AWS Bedrock ou Google Vertex (les plateformes cloud d'Amazon et de Google), ce qui prive de certaines fonctions, dont les tâches cloud. OpenAI propose sur ses offres Enterprise et Edu de conserver et de traiter les données en Europe. Aucun des deux ne garantit un traitement en Suisse.
• Ce que dit le droit suisse : pour le Préposé fédéral à la protection des données et à la transparence (PFPDT), la loi sur la protection des données (nLPD) s'applique directement à l'IA. Transparence sur l'usage, contrôle humain possible pour les décisions automatisées, analyse d'impact en cas de risque élevé. En pratique : inscrire l'outil au registre des traitements si vous en tenez un (les entreprises de moins de 250 collaborateurs en sont souvent dispensées), conclure un contrat de sous-traitance, informer clients et collaborateurs, et vérifier la certification du fournisseur au Swiss-US Data Privacy Framework pour les transferts vers les États-Unis.

Ces outils conviennent très bien pour le code, la documentation interne et les données sans caractère sensible. Pour des dossiers couverts par le secret professionnel ou des données de santé, je conseille plutôt un agent construit sur des modèles hébergés en Suisse, où vous savez exactement par où passent vos données.

Les deux outils convergent : mêmes standards (skills, MCP, AGENTS.md), mêmes concepts, mêmes prix d'entrée. Les différences tiennent à la philosophie et à l'écosystème plus qu'à la puissance brute, qui change à chaque nouvelle version de modèle.

Quatre critères pour choisir :

1. Ce que vos équipes utilisent déjà. Si tout le monde travaille dans ChatGPT, Codex est déjà dans l'application. Si vous êtes sur Claude, Claude Code s'ajoute naturellement.
2. Vos contraintes de données. Le traitement en Europe est plus direct chez OpenAI (offre Enterprise), plus indirect chez Anthropic (via AWS ou Google).
3. Le degré d'encadrement voulu. Bac à sable fermé par défaut chez Codex, filtrage des actions chez Claude Code.
4. Un essai réel. Confiez la même tâche aux deux pendant une semaine, sur vos propres dossiers. C'est le seul comparatif qui vaille.

Comme les skills et le fichier d'instructions passent de l'un à l'autre, le choix reste réversible. Et si vous voulez que vos équipes prennent ces outils en main sur leurs propres cas, c'est précisément l'objet de ma formation IA en entreprise.

• Anthropic, documentation de Claude Code : fonctionnement, bonnes pratiques, skills, tâches planifiées, utilisation des données (consultée en octobre 2026)
• OpenAI, documentation de Codex : skills, tâches planifiées, bac à sable, AGENTS.md (consultée en octobre 2026)
• Agent Skills, spécification ouverte
• SkillsBench, arXiv 2602.12670 (version 1, février 2026)
• Snyk, ToxicSkills (5 février 2026)
• Linux Foundation, création de l'Agentic AI Foundation (9 décembre 2025)
• Koi Security, ClawHavoc (1er février 2026)
• PFPDT, la loi sur la protection des données s'applique à l'IA (mise à jour du 8 mai 2025)