Le cadre de compétences de Claude devient discrètement une norme industrielle

Lorsqu’Anthropic a lancé Skills en octobre, l’annonce ressemblait à une fonctionnalité de développement de niche. Deux mois plus tard, OpenAI a adopté la même architecture – et la convergence silencieuse révèle quelque chose de significatif sur la direction que prennent les agents d’IA.

Les compétences sont déceptivement simples : des dossiers contenant des fichiers Markdown qui indiquent aux systèmes d’IA comment effectuer des tâches spécifiques. Mais leur adoption par les deux principaux laboratoires d’IA suggère que l’industrie a trouvé une réponse commune à une question fondamentale : comment rendre les assistants d’IA constamment bons dans des travaux spécialisés ?

Ce que vient de faire OpenAI

Le développeur Elias Judin a découvert la mise en œuvre d’OpenAI le 12 décembre, alors qu’il expérimentait l’interpréteur de code de ChatGPT. En demandant au modèle de créer un fichier zip de son répertoire /home/oai/skills, il a trouvé des dossiers pour les PDF, les tableurs et les documents – chacun contenant des fichiers d’instruction structuralement identiques à la spécification d’Anthropic.

La même architecture est apparue dans l’outil de ligne de commande Codex d’OpenAI deux semaines plus tôt, via une demande d’extraction intitulée “feat : prise en charge expérimentale de skills.md”. La mise en œuvre reflète l’approche d’Anthropic : les compétences vivent dans un répertoire local (~/.codex/skills), chacune définie par un fichier SKILL.md avec des métadonnées et des instructions.

OpenAI n’a pas officiellement annoncé la fonctionnalité. Mais sa présence dans ChatGPT et Codex suggère une stratégie délibérée plutôt qu’une expérience.

Pourquoi les compétences sont importantes

L’approche traditionnelle pour améliorer les performances de l’IA dans des tâches spécifiques impliquait un affinement – une formation de modèle coûteuse et longue sur des données spécialisées. Les compétences offrent une alternative plus légère : des instructions et des ressources qui ne chargent que lorsque cela est pertinent.

L’équipe d’ingénierie d’Anthropic a décrit le principe de conception comme une “divulgation progressive”. Chaque compétence prend seulement quelques dizaines de jetons lorsqu’elle est résumée, avec des détails complets qui ne chargent que lorsque la tâche les nécessite. Cela résout un problème pratique : les fenêtres de contexte sont des biens précieux, et bourrer chaque instruction possible dans chaque demande gaspille les ressources.

L’architecture fonctionne parce que les modèles d’IA modernes peuvent lire et suivre des instructions dynamiquement. Une compétence pour la manipulation de PDF pourrait inclure des bibliothèques préférées, des traitements de cas de bordure et des formats de sortie – des informations dont le modèle a besoin uniquement lors du traitement de PDF.

L’histoire de la convergence

Le fait qu’OpenAI adopte l’approche d’Anthropic n’est pas inhabituel en soi. Les laboratoires d’IA apprennent régulièrement les uns des autres à partir de leurs travaux publiés. Ce qui est notable, c’est l’identité structurelle : mêmes conventions de nom de fichier, même format de métadonnées, même organisation de répertoire.

Cette compatibilité pourrait signifier que les compétences écrites pour Claude Code peuvent fonctionner avec l’outil de ligne de commande Codex d’OpenAI, et vice versa. Les développeurs pourraient partager des compétences sur GitHub comme des packages npm. L’écosystème devient interopérable plutôt que fragmenté.

Le timing coïncide avec des efforts de normalisation plus larges. Anthropic a fait don du protocole de contexte de modèle à la Fondation Linux le 9 décembre, et les deux sociétés ont co-fondé la Fondation Agentic AI aux côtés de Block. Google (GOOGL ), Microsoft (MSFT ) et AWS se sont joints en tant que membres.

La fondation supervisera le MCP, le projet goose de Block et la spécification AGENTS.md d’OpenAI. Les compétences s’intègrent naturellement dans cette poussée de normalisation – des modules de capacité réutilisables qui fonctionnent sur plusieurs plateformes.

Ce que cela signifie pour les outils de codage d’IA

L’architecture des compétences est la plus importante pour les outils de codage d’IA, où les connaissances spécialisées améliorent considérablement la qualité de sortie. Une compétence pour le développement React pourrait spécifier des modèles de composants, des préférences de gestion d’état et des conventions de test. Une compétence pour les migrations de base de données pourrait inclure des vérifications de sécurité et des procédures de restauration.

Les startups de codage d’IA comme Cursor ont construit des entreprises en rendant l’IA plus utile pour des tâches de développement spécifiques. Le cadre de compétences donne aux fournisseurs de modèles un moyen normalisé d’offrir une personnalisation similaire – potentiellement menaçant ou complétant les outils tiers en fonction de la mise en œuvre.

Pour les développeurs d’entreprise, les compétences interopérables signifient que les connaissances institutionnelles deviennent portables. Les normes de codage internes d’une société, les exigences de sécurité et les préférences de workflow peuvent être codées une seule fois et appliquées à travers tous les outils d’IA que l’équipe utilise.

Le sous-texte stratégique

L’adoption d’OpenAI comporte des implications stratégiques. La société a historiquement favorisé les approches propriétaires – GPT Actions, GPT personnalisés, intégrations spécifiques à la plateforme. Les compétences représentent un virage vers des normes ouvertes qui fonctionnent sur plusieurs outils.

Une interprétation : OpenAI reconnaît que les écosystèmes de développeurs sont plus importants que le verrouillage propriétaire à ce stade. Si les compétences deviennent standard, être compatible est plus important que contrôler la spécification.

Une autre interprétation : concurrencer l’expérience de développement d’Anthropic nécessite de correspondre à ses fonctionnalités. Claude Code a connu une croissance agressive, atteignant 1 milliard de dollars de chiffre d’affaires annuel et s’intégrant à Slack. Les compétences font partie de ce qui rend Claude Code utile ; OpenAI devait réagir.

La vérité inclut probablement les deux facteurs. Les laboratoires d’IA concourent intensément sur les benchmarks et les capacités tout en collaborant sur les normes d’infrastructure qui profitent à tous. Les compétences tombent dans la deuxième catégorie.

Ce qui vient ensuite

L’opportunité immédiate est un marché de compétences – des référentiels GitHub où les développeurs partagent des ensembles d’instructions spécialisés pour des tâches courantes. Anthropic a déjà un référentiel anthropics/skills. Attendons-nous à ce qu’OpenAI suive, et attendons-nous à ce que les compétences contribuées par la communauté se multiplient.

La question à long terme est de savoir à quel point les compétences s’intègrent dans les produits d’IA. Actuellement, elles sont principalement pertinentes pour les développeurs qui utilisent des outils de ligne de commande. Mais la même architecture pourrait alimenter la personnalisation dans les produits grand public – assistants de rédaction personnalisés, outils de recherche spécialisés, chatbots spécifiques à un domaine.

Pour l’instant, la convergence sur les compétences représente quelque chose de rare dans l’IA : des sociétés concurrentes qui conviennent que la normalisation sert tout le monde. Que cette coopération s’étende à d’autres domaines litigieux – normes de sécurité, divulgations de capacités, directives de déploiement – reste incertain.

Mais pour les développeurs qui construisent sur des plateformes d’IA, le message est clair : les compétences deviennent une infrastructure. Apprendre à les écrire maintenant signifie être préparé à la façon dont les outils d’IA fonctionneront demain.