
Tech • IA • Robotique • Jeu
Anthropic ajoute un système de mods à Claude Code qui peut altérer l’interface et le comportement interne du produit. Ces extensions ne se limitent pas à des intégrations externes: elles peuvent intercepter des événements, modifier les prompts et influencer les appels d’outils. Le changement rapproche Claude Code d’une plateforme programmable plutôt que d’un simple assistant de développement. Il marque aussi une ouverture plus profonde aux personnalisations métier et aux workflows maison.
Le nouveau cadre permet d’agir sur ce que Claude Code affiche, sur les données envoyées au modèle et sur la manière dont les outils sont invoqués. Les développeurs peuvent aussi ajouter des éléments d’interface, des compétences spécifiques et des commandes sur mesure. Cette granularité donne un contrôle inhabituellement large sur l’expérience utilisateur. En pratique, elle transforme l’outil en couche d’orchestration adaptable aux besoins d’équipes techniques variées.
Les premiers exemples illustrent des cas d’usage immédiatement opérationnels. Un mod affiche en direct une ventilation du contexte au-dessus du prompt, pour rendre plus lisible ce que le système mobilise. Un autre ajoute un panneau latéral listant tous les agents d’un projet avec lancement en un clic. Un troisième masque les adresses e-mail jusqu’au survol, afin de limiter les fuites d’informations pendant les démonstrations ou enregistrements.
Le système repose sur une structure de type plugin.json et hook.json, ce qui suggère une continuité avec des schémas déjà connus des développeurs. Cette approche facilite l’adoption en s’appuyant sur des conventions de packaging et d’exécution compréhensibles. Elle laisse entrevoir un écosystème de modules réutilisables plutôt qu’une collection d’ajouts ad hoc. Pour Anthropic, c’est aussi une manière de standardiser l’extension de Claude Code sans fragmenter le produit.
Every présente Every Agent, un collègue IA partagé directement intégré à Slack. Le produit s’éloigne du modèle d’assistant individuel pour privilégier un agent visible et améliorable collectivement par les équipes. L’objectif est de faire circuler les bonnes pratiques d’usage de l’IA dans l’entreprise au lieu de les laisser enfermées dans des sessions privées. Ce positionnement place la collaboration, et non la seule performance brute du modèle, au centre de l’adoption.
La thèse défendue est que le vrai gain vient moins du prompting isolé que de la formalisation de workflows reproductibles. En passant par Slack, les prompts, réponses et enchaînements d’actions deviennent visibles à l’échelle de l’organisation. Les équipes peuvent alors observer ce qui fonctionne, réutiliser des pratiques efficaces et les améliorer au fil du temps. L’agent devient ainsi un support de transmission du savoir opérationnel autant qu’un outil de production.
Every souligne que le principal blocage n’est pas seulement la qualité des modèles, mais la difficulté à évaluer si une sortie IA est réellement utile pour une fonction donnée. Cette dimension de jugement reste souvent implicite, portée par quelques utilisateurs avancés. Le produit vise donc à capter ce savoir-faire et à le convertir en procédures partageables. L’enjeu n’est pas seulement d’obtenir une réponse, mais d’industrialiser les critères qui permettent de dire qu’elle est bonne.
L’approche cible explicitement les profils d’ambassadeurs IA déjà présents dans les entreprises, ceux qui expérimentent, affinent les prompts et diffusent les usages. Every Agent cherche à transformer ces pratiques dispersées en infrastructure collective accessible depuis Slack. Cette logique peut réduire la dépendance à quelques experts informels et accélérer la montée en compétence des équipes. Elle traduit une évolution du marché vers des agents intégrés aux outils de travail quotidiens et gouvernés socialement.