Tout est parti d’un besoin assez banal.
Une amie préparait sa Carte Verte au golf. L’idée était simplement de lui créer quelques questions pour réviser les règles essentielles, les bons comportements et certaines situations rencontrées sur le parcours.
Un petit quiz. Rien de plus.
Quelques heures plus tard, le quiz était devenu Pass au Vert : une véritable application pensée pour le téléphone, installable, utilisable hors connexion, avec des leçons, des situations pratiques, un examen blanc et un suivi de progression. L’interface permet notamment de travailler la sécurité et des situations concrètes directement depuis un smartphone.
Mais ce qui m’a finalement le plus intéressé n’est pas l’application elle-même.
C’est la méthode utilisée pour la construire.
Parce que je n’ai pas demandé à une seule IA de réaliser le projet de bout en bout. J’ai progressivement utilisé plusieurs outils, chacun pour ce qu’il savait faire le mieux.
Et c’est probablement là que se situe l’une des évolutions les plus intéressantes de l’IA en 2026.
📱 À découvrir :
Du prompt unique à l’orchestration
Pendant longtemps, utiliser une IA revenait essentiellement à écrire un prompt, attendre la réponse, puis recommencer.
Sur Pass au Vert, la logique a été différente.
Le projet a circulé entre plusieurs environnements : Antigravity pour aller vite sur la première version, Codex pour reprendre le développement et fiabiliser le projet, puis ChatGPT Work pour effectuer un travail de recherche et d’audit documentaire avant de revenir dans Codex pour l’intégration finale.
Work et Codex ne sont d’ailleurs pas deux services sans rapport avec ChatGPT. OpenAI positionne désormais Work comme l’agent de ChatGPT destiné aux travaux longs, en plusieurs étapes, à l’analyse et à la création de livrables, tandis que Codex est dédié au développement logiciel, aux tests, aux commandes et au travail sur des dépôts de code.
Autrement dit : plutôt qu’un assistant généraliste à qui l’on demande tout, on commence à raisonner comme avec une petite équipe projet spécialisée.
1. Antigravity : transformer rapidement l’idée en produit visible
La première étape consistait surtout à rendre l’idée tangible.
Antigravity a permis de produire rapidement les premiers écrans et l’expérience mobile : accueil, modules d’apprentissage, situations, quiz, profil et navigation.
C’est probablement l’un des changements les plus spectaculaires apportés par les outils de développement assistés par IA : le temps entre l’idée et le premier prototype visuel s’est considérablement réduit.
Très vite, Pass au Vert ressemblait déjà à une véritable application.
Le projet disposait notamment de plusieurs leçons, de six situations illustrées et d’un système de quiz et de suivi de progression.
Mais cette rapidité crée aussi un piège.
Une interface peut donner l’impression que le projet est terminé alors que l’essentiel reste parfois à vérifier derrière.
Une application jolie n’est pas nécessairement une application robuste.
2. Codex : passer du prototype à une application fiable
C’est là que Codex a pris le relais.
Le rôle n’était plus de produire rapidement de nouveaux écrans, mais de reprendre le projet comme pourrait le faire un développeur chargé d’une recette technique : examiner le code existant, vérifier la structure des données, ajouter des tests et contrôler les comportements de l’application.
Le projet a alors été connecté à son dépôt GitHub et progressivement renforcé.
La banque de quiz a notamment été structurée dans des fichiers dédiés plutôt que de rester intégrée directement dans le code. Les tests ont également été considérablement développés : persistance des données, import-export, cohérence pédagogique et différents comportements de l’application ont été contrôlés automatiquement.
Une première recette technique avait déjà permis de vérifier les routes, les ressources statiques et le fonctionnement général sans erreurs de console ni ressources manquantes.
Mais un problème beaucoup plus intéressant subsistait.
Le code pouvait fonctionner parfaitement…
et pourtant donner de mauvaises réponses sur les règles du golf.
3. Work : utiliser une IA pour contrôler le travail produit avec l’IA
C’est probablement l’étape la plus instructive du projet.
La banque initiale comportait 105 questions. Certaines avaient déjà été considérées comme vérifiées ; d’autres nécessitaient encore une revue éditoriale.
J’ai alors confié cette partie à ChatGPT Work, non pas pour développer l’application, mais pour travailler comme un auditeur documentaire.
La consigne était différente : partir des questions existantes, les confronter aux sources de référence et signaler les formulations incorrectes, ambiguës ou insuffisamment étayées.
Le résultat a été assez révélateur.
Parmi les 18 questions identifiées comme nécessitant une revue :
- une seule a pu être conservée sans modification ;
- 14 ont nécessité des corrections ;
- 2 ont été réservées à une validation professionnelle ;
- 1 a finalement été rejetée.
Encore plus intéressant : un contrôle complémentaire d’un échantillon de questions pourtant déjà considérées comme vérifiées a permis d’en détecter deux autres à corriger.
4. Work trouve, Codex intègre
Une fois l’audit terminé, je n’ai pas demandé à Work de modifier lui-même l’application.
Le rapport est reparti dans Codex.
Cette séparation des rôles est importante.
Work avait pour mission de rechercher, comparer et formuler les corrections. Codex devait seulement les intégrer proprement sans casser le reste de l’application.
Au terme de ce processus, la banque contient 104 questions actives, dont 102 validées, tandis que deux restent volontairement écartées dans l’attente d’une validation professionnelle.
La recette finale atteint également 70 tests automatisés réussis.
Ce n’est pas le nombre de tests en lui-même qui est intéressant. C’est le changement de logique : le projet n’est plus simplement jugé sur le fait que « ça fonctionne chez moi », mais sur une série de contrôles reproductibles.
5. Sol, Terra… et surtout le niveau de raisonnement
Un autre enseignement du projet concerne le choix du modèle.
OpenAI propose aujourd’hui plusieurs modèles dans la famille GPT-5.6. Sol est présenté comme le modèle phare pour les travaux complexes, tandis que Terra vise davantage l’équilibre entre capacités, vitesse et coût pour le travail courant. Les deux sont disponibles, selon les offres, dans Work et Codex.
Cela conduit à une autre manière de travailler.
Pourquoi mobiliser le raisonnement le plus lourd pour une tâche mécanique ?
À l’inverse, pourquoi demander à un modèle optimisé pour la rapidité de prendre seul une décision d’architecture ou d’effectuer une analyse complexe ?
Dans ce projet, GPT-5.6 Sol avec un niveau de raisonnement élevé a été particulièrement pertinent pour les phases où il fallait comprendre plusieurs éléments simultanément : architecture, données, audit technique ou préparation de la mise en production.
Pour les opérations plus répétitives, l’intérêt de modèles comme Terra est justement de disposer d’une exécution plus rapide sans mobiliser systématiquement la puissance maximale.
Le choix ne porte donc plus simplement sur le nom du modèle, mais sur le couple :
outil + modèle + niveau de raisonnement.
Le résultat : Pass au Vert
Pass au Vert est finalement devenue bien plus que le petit quiz imaginé au départ.
L’application permet de travailler les fondamentaux du golf, de parcourir des situations pratiques, de répondre à des quiz et de suivre sa progression. Son interface a été conçue prioritairement pour une utilisation sur smartphone.
Elle reste bien entendu une application indépendante : elle n’est pas une application officielle de la Fédération française de golf et ne remplace ni l’enseignement ni l’évaluation réalisée par un professionnel.
👉 Tester gratuitement Préparer sa Carte Verte
La vidéo de présentation sera ajoutée dans Keystatic.
Alors, quelle est la meilleure IA ?
Après ces quelques heures de travail, ce n’est finalement plus la question que je me pose.
Antigravity a été particulièrement efficace pour matérialiser rapidement l’idée.
Codex a repris le rôle du développeur et du contrôleur technique.
Work a changé de posture pour devenir chercheur et auditeur.
Et les différents modèles permettent d’adapter la profondeur de raisonnement à la difficulté de chaque étape.
Le véritable gain de productivité ne vient donc pas forcément d’une IA extraordinairement puissante capable de tout faire seule.
Il vient de l’enchaînement des bons outils, avec une mission précise pour chacun.
La question n’est plus :
« Quelle est la meilleure IA ? »
Mais plutôt :
« Quelle est la bonne IA, pour cette tâche, à ce moment précis ? »
Et Pass au Vert est devenu, presque par accident, une excellente démonstration de cette nouvelle façon de travailler.
