Le prompt d’Anthropic Claude Opus 5 apparaît en ligne, révélant la couche de contrôle derrière son IA

Anthropic Claude Opus 5 a été lancé le 24 juillet, et un prétendu prompt système de 135 027 caractères est apparu sur GitHub le même jour. Le fichier affirme reproduire les instructions utilisées par les applications web et mobiles d’Anthropic, y compris les définitions complètes des outils et les règles de comportement.

Cette affirmation n’a pas été authentifiée de manière indépendante. Anthropic n’a pas confirmé publiquement que chaque ligne provenait de son environnement de production. Toutefois, le document compte 1 511 lignes, environ 19 370 mots anglais et quelque 34 000 tokens estimés.

Le calendrier importe autant que le contenu. Anthropic a présenté Opus 5 comme un modèle d’usage quotidien doté de capacités renforcées en programmation agentique, en travail de longue durée et en vérification. En moins de 24 heures, des développeurs partageaient également des jeux élaborés et des démonstrations 3D interactives attribués au modèle.

Il en résulte un lancement à deux visages inhabituel. Les démonstrations publiques montrent ce qu’Opus 5 peut produire, tandis que le prétendu prompt révèle l’importante couche de contrôle qui façonne ces résultats.

Cette tension dépasse le cadre d’Anthropic. Les produits d’IA de pointe reposent de plus en plus sur des instructions système, des schémas d’outils, des politiques de mémoire, des classificateurs et une logique applicative. Le modèle fournit l’intelligence, mais le système de contrôle qui l’entoure décide de la manière dont cette intelligence atteint les utilisateurs.

Le prétendu prompt s’apparente davantage à un manuel d’exploitation du produit

L’affirmation la plus importante n’est pas qu’Anthropic Claude utilise un prompt système, mais que son produit grand public dépendrait d’un manuel d’exploitation d’une ampleur inhabituelle.

Un prompt système est un ensemble d’instructions masquées fourni avant le message d’un utilisateur. Il peut définir l’identité de l’assistant, les outils disponibles, le style de réponse, les limites de sécurité et les informations produit actuelles.

Anthropic reconnaît déjà que ses interfaces grand public utilisent ces instructions. Ses archives officielles de prompts système répertorient une entrée Claude Opus 5 datée du 24 juillet 2026. L’entreprise indique que ces prompts fournissent des informations à jour et orientent le comportement de ses applications web et mobiles.

Le document GitHub contesté va bien au-delà du contenu visible sur cette page d’archives. La personne qui l’a mis en ligne affirme que le fichier a été capturé depuis les interfaces de chat web et mobile d’Anthropic. Le dépôt décrit cette reproduction comme verbatim ou presque verbatim, y compris les schémas de paramètres des outils.

Cette description demeure une affirmation du propriétaire du dépôt. Les lecteurs ne devraient pas considérer le fichier comme du code source authentifié ou une configuration de production vérifiée. Un prompt système extrait à travers les réponses d’un modèle peut contenir des omissions, du texte dupliqué, une mise en forme modifiée ou du contenu généré.

Néanmoins, plusieurs détails correspondent au comportement de Claude documenté publiquement. Le fichier identifie Opus 5 comme le modèle sélectionné, utilise la date de lancement correcte et décrit des fonctionnalités associées aux interfaces actuelles d’Anthropic. Il fait également référence à la gamme publique de modèles de l’entreprise et à ses applications grand public.

La taille du document est frappante. Selon le rapport d’origine sur la fuite du prompt, le fichier contient 135 027 caractères et 19 370 mots anglais. Une estimation approximative fondée sur le nombre de caractères le situe autour de 34 000 tokens, bien que ce nombre varie selon la mise en forme et le comportement du tokenizer.

Les métadonnées GitHub visibles indiquent 1 511 lignes et une taille de fichier d’environ 132 KB. Le fichier de prompt publié comporte des sections consacrées aux informations produit, au comportement de sécurité, à la mémoire, aux recommandations d’applications, à la recherche et à l’utilisation d’outils.

Cela ne signifie pas que chaque interaction consomme l’intégralité du document sous la même forme. Les systèmes d’IA grand public peuvent assembler les prompts de manière dynamique selon les fonctionnalités activées, les paramètres du compte, l’état de la conversation et les outils disponibles. La mise en cache des prompts peut également réduire les coûts de traitement répétés.

L’expression « prompt système complet » doit donc être nuancée. Le fichier semble représenter une configuration applicative, et non toutes les instructions utilisées dans l’API d’Anthropic, Claude Code, les déploiements en entreprise ou l’infrastructure interne de sécurité.

La documentation d’Anthropic distingue explicitement ses prompts grand public de l’API Claude. Les développeurs qui utilisent l’API fournissent leurs propres instructions système et définitions d’outils. Ils ne devraient pas supposer que le prétendu prompt web régit leurs applications.

Même avec ces limites, le document révèle un schéma architectural important. Un assistant d’IA grand public n’est pas simplement un modèle attendant une question. C’est une couche produit coordonnée qui entoure le modèle d’outils, de politiques, de mémoire, de recherche et de commandes propres à l’interface.

C’est pourquoi l’affirmation d’une fuite crée davantage de pression qu’une simple publication de prompt. Elle offre aux concurrents et aux développeurs une possible carte de la manière dont Anthropic transforme un modèle généraliste en agent grand public contrôlé.

Trente schémas d’outils montrent où réside la valeur du produit

Le prétendu prompt d’Anthropic Claude suggère que l’orchestration applicative contribue désormais autant à l’expérience utilisateur que le modèle sous-jacent.

Le fichier définirait 30 outils à l’aide de schémas JSON, un format structuré qui précise les paramètres et sorties acceptés. Ces outils couvrent l’exécution de commandes, la récupération sur le web, la recherche d’images, la météo, les informations sportives, les cartes, les recettes et la mémoire persistante.

Un schéma d’outil ne contient pas l’intelligence nécessaire pour accomplir une tâche. Il fournit au modèle un contrat fiable pour appeler un autre service. Le modèle doit décider quel outil utiliser, fournir des arguments valides, interpréter le résultat et poursuivre la conversation.

Cette séquence est au cœur de l’IA agentique. Un chatbot classique renvoie du texte. Un agent peut effectuer des recherches, exécuter du code, manipuler des fichiers, consulter du contexte stocké et combiner les résultats de plusieurs actions.

L’annonce officielle d’Opus 5 d’Anthropic met précisément l’accent sur ce type de travail. L’entreprise affirme que le modèle s’est amélioré dans l’ingénierie logicielle en plusieurs étapes, l’utilisation d’ordinateurs, les tâches de longue durée et l’auto-vérification.

Le prétendu prompt montre le niveau de détail opérationnel nécessaire pour rendre ces capacités fiables. Il ne se contente pas de nommer des outils. Il décrit quand les appeler, comment formater leurs entrées et ce que l’assistant devrait dire ensuite.

Ces instructions permettent d’éviter plusieurs défaillances fréquentes des agents. Un modèle peut inventer des paramètres, appeler un outil non pertinent, répéter une action ou décrire un résultat avant de l’avoir reçu. Des schémas détaillés réduisent ces chemins d’échec.

Le document semble également inclure un outil nommé recommend_claude_apps. Ses instructions demanderaient à l’assistant de recommander des applications Anthropic pertinentes tout en accomplissant la tâche en cours.

Par exemple, le travail de programmation peut être associé à Claude Code, tandis qu’une recherche plus longue peut être associée à Cowork. Les tâches liées aux feuilles de calcul, aux présentations, au design, au navigateur et aux e-mails peuvent déclencher d’autres suggestions de produits.

Cette section soulève une question commerciale qui mérite un examen attentif. Le même assistant qui conseille les utilisateurs peut aussi les orienter vers le portefeuille de produits en expansion du fournisseur. Cela ne rend pas automatiquement la recommandation trompeuse, mais cela introduit une incitation de plateforme.

Les règles alléguées tentent de limiter cette incitation. Les recommandations doivent être liées à la tâche en cours, rester peu nombreuses et ne pas remplacer le travail demandé. Le fichier demande séparément à Claude de ne pas choisir de prestataires de services tiers à moins que l’utilisateur en identifie un.

Cette distinction est révélatrice. Les propres applications d’Anthropic peuvent être proposées de manière proactive, tandis que les services tiers font l’objet d’un traitement plus prudent. Le document combine ainsi des règles de protection des utilisateurs avec un canal de distribution intégré.

Les concurrents reconnaîtront cette stratégie. OpenAI, Google, Microsoft et Anthropic relient de plus en plus leurs modèles à des outils de programmation, des applications bureautiques, des navigateurs, des sources de données et des systèmes d’exploitation. Le produit gagnant pourrait être celui qui propose l’orchestration la plus fiable, plutôt que le meilleur score de benchmark isolé.

Les schémas divulgués peuvent aider des développeurs externes à étudier ce style d’orchestration. Ils peuvent examiner les conventions de nommage, les descriptions de paramètres, les règles de séquencement et la gestion des échecs. Toutefois, copier les seuls schémas ne recréera pas le comportement produit de Claude.

Les éléments invisibles restent importants. L’authentification, les autorisations de service, les classificateurs, le routage des modèles, la télémétrie, les paramètres de compte et les implémentations backend ne figurent pas dans une description d’outil visible. Il en va de même pour les évaluations utilisées afin de déterminer si un agent se comporte de manière fiable.

Les démonstrations partagées après le lancement illustrent cette distinction. Des rapports décrivaient des développeurs utilisant Opus 5 pour créer un jeu à la première personne, un jeu de tir 3D et un prototype de type Rocket League. Une autre démonstration aurait généré un environnement interactif avec des visuels procéduraux et du vent simulé.

Ces exemples sont visuellement convaincants, mais ce ne sont pas des benchmarks contrôlés. Une publication sur les réseaux sociaux révèle rarement chaque prompt, modification, appel d’outil, tentative échouée ou intervention humaine. « Un seul prompt » peut également masquer un important échafaudage déjà fourni par une application.

Anthropic fournit des éléments plus solides, bien que toujours sélectionnés par l’entreprise, dans ses documents de lancement. Elle indique qu’Opus 5 a reconstruit une pièce mécanique 3D après avoir conçu un pipeline de vision par ordinateur à partir de pixels bruts. L’entreprise décrit également une réparation logicielle dans laquelle le modèle a traité la cause sous-jacente plutôt que le seul symptôme visible.

Ensemble, le prompt et les démonstrations conduisent à la même conclusion. La capacité du produit provient du modèle, auquel s’ajoute un environnement d’exécution de plus en plus élaboré. Évaluer uniquement le nom du modèle laisse de côté une grande partie du système réellement expérimenté par les utilisateurs.

La mémoire d’Anthropic Claude est contrainte par ce qu’elle doit oublier

La section la plus importante du document décrit un système de mémoire conçu pour préserver la continuité sans laisser l’assistant établir librement le profil de ses utilisateurs.

La prétendue section memory_filesystem couvre environ 230 lignes. Elle décrit des fichiers persistants qu’une autre instance de Claude peut lire lors d’une conversation ultérieure.

Il ne s’agit pas de mémoire de modèle au sens biologique. Il s’agit de texte stocké et injecté dans un contexte ultérieur, permettant à une nouvelle session de retrouver certains faits concernant un utilisateur, un projet, une préférence ou une relation.

La structure proposée sépare les informations en fichiers et répertoires. Un profil peut contenir des détails d’identité, des fichiers thématiques peuvent consigner des centres d’intérêt, des fichiers de domaine peuvent suivre des travaux actifs et des fichiers consacrés à des personnes peuvent représenter les individus dans la vie de l’utilisateur.

Les opérations disponibles incluraient la lecture, l’écriture, l’ajout, le remplacement de texte, le listage de fichiers et la suppression de fichiers. La suppression fait l’objet d’une condition particulièrement stricte : l’assistant ne devrait l’utiliser que lorsque l’utilisateur le demande explicitement.

Les restrictions les plus intéressantes concernent l’écriture. Le document indique que Claude ne devrait stocker que les faits directement énoncés par l’utilisateur. Les nouvelles entrées reçoivent une étiquette [stated], tandis que l’assistant devrait éviter d’enregistrer ses propres inférences.

Cette règle répond à un problème difficile de l’IA persistante. Un modèle peut transformer une remarque temporaire en profil durable, ou convertir une incertitude en fait affirmé. Une fois sauvegardée, cette interprétation peut influencer les conversations ultérieures sans que l’utilisateur en voie l’origine.

La politique présumée interdit de stocker les conclusions auxquelles Claude est parvenu. Elle exclut également les plans de l’assistant, les recherches sur le web, les détails enrichis et les recommandations. Si Claude propose plusieurs options et que l’utilisateur en sélectionne une, ce choix peut être mémorisé, mais l’analyse abandonnée ne doit pas être conservée.

Cela crée un modèle de mémoire plus limité que ce que de nombreux utilisateurs pourraient attendre. L’assistant n’est pas censé constituer une biographie complète. Il enregistre des déclarations sélectionnées susceptibles de rendre le travail futur moins répétitif.

Les informations sensibles font l’objet de restrictions supplémentaires. Le document bloquerait le stockage durable des problèmes de santé, opinions politiques, situations financières, évaluations de personnalité, documents d’identité, adresses précises et informations concernant les enfants.

Il applique également des considérations de confidentialité aux personnes mentionnées par l’utilisateur. Les membres de la famille peuvent être représentés par leurs liens de parenté plutôt que par leurs noms. Cette conception cherche à éviter que l’assistant d’une personne ne devienne une base de données incontrôlée sur autrui.

La politique rejetterait certaines préférences, même lorsque l’utilisateur demande leur enregistrement. Parmi les exemples figurent des instructions exigeant des éloges inconditionnels, supprimant tout désaccord, encourageant une dépendance émotionnelle ou empêchant l’assistant de remettre en question des choix dangereux.

C’est un compromis important. Le contrôle de l’utilisateur suggère normalement qu’une demande explicite de mémorisation devrait être respectée. La position apparente d’Anthropic est qu’un futur modèle ne devrait pas hériter d’instructions le rendant moins honnête ou moins sûr.

Le système cherche également à limiter les excès émotionnels. Selon le fichier, le contexte stocké ne devrait pas conduire Claude à laisser entendre une relation plus profonde que celle que le système entretient réellement.

Une future instance de Claude ne ressent pas le temps écoulé entre les conversations. Elle reçoit du texte sélectionné pendant son exécution. La mémoire crée une continuité pour l’utilisateur, mais elle n’établit pas une conscience continue pour le modèle.

Cette distinction compte à mesure que les assistants deviennent plus personnels. Un produit peut se souvenir de l’échéance d’un projet, d’une préférence rédactionnelle ou du rôle d’un collègue sans entretenir une relation de type humain avec l’utilisateur.

Les instructions présumées demanderaient à Claude d’éviter d’annoncer qu’il a accédé à une mémoire stockée. L’interface peut exposer les opérations de mémoire, mais les réponses conversationnelles ne devraient pas répéter que l’assistant se souvient d’un utilisateur issu de sessions antérieures.

Ce choix améliore la fluidité des échanges, mais peut aussi réduire la transparence. Les utilisateurs peuvent ne pas savoir quand une réponse s’appuie sur des informations stockées, à moins que l’interface ne fournisse un indicateur clair.

Les acheteurs en entreprise devraient examiner ce problème de près. La mémoire persistante peut améliorer l’assistance, la recherche et la continuité des projets. Elle crée aussi des exigences de conservation, de contrôle d’accès, de suppression et d’audit qu’un simple prompt ne peut résoudre.

Les organisations doivent savoir où les mémoires sont stockées, quelles applications peuvent les lire, comment les autorisations se propagent et comment les administrateurs peuvent enquêter sur une entrée incorrecte. Elles ont également besoin de protections contre les injections de prompt cachées dans des fichiers persistants.

Des recherches récentes sur les agents persistants ont identifié la mémoire comme une surface d’attaque potentielle. Des instructions malveillantes peuvent survivre à une session et en influencer une autre si le système traite le contenu stocké comme un contexte fiable.

Les règles présumées réduisent certains risques en limitant ce que l’assistant peut écrire. Elles n’indiquent pas comment le backend d’Anthropic valide, isole, chiffre ou fait expirer la mémoire. Ces contrôles ne peuvent pas être vérifiés à partir du fichier public.

Le renversement central est clair. La section consacrée à la mémoire est longue parce qu’une mémoire utile dépend d’un oubli discipliné. Anthropic semble considérer l’omission comme un comportement central du produit, et non comme une fonctionnalité manquante.

Les règles de droit d’auteur révèlent une couche de contrôle juridique, pas une intelligence du modèle

Le prompt présumé montre que le comportement d’Anthropic Claude est façonné par des contraintes juridiques explicites qui priment sur l’utilité ordinaire.

Sa section sur le droit d’auteur déclarerait la conformité non négociable et subordonnée uniquement à la sécurité. Elle demande à l’assistant de paraphraser chaque fois que possible et impose une limite stricte de moins de 15 mots pour toute citation.

Cette limite s’applique à l’échelle mondiale pour chaque source, selon le fichier. Claude ne devrait pas diviser un passage plus long en plusieurs petites citations ni retirer les guillemets tout en suivant de près la formulation originale.

Les instructions interdisent également de reconstituer un article à l’aide de titres copiés, d’une structure correspondante ou d’un récit point par point. Les chansons, poèmes et autres œuvres créatives courtes font l’objet de restrictions encore plus fortes.

Ces règles sont plus strictes qu’une simple demande d’éviter la copie. Elles transforment le respect du droit d’auteur en liste de contrôle procédurale pouvant être évaluée lors de la génération.

Cette approche aide à comprendre pourquoi le prompt est si volumineux. Un modèle de pointe peut déjà comprendre une instruction générale visant à respecter la propriété intellectuelle. Un produit grand public a tout de même besoin de règles précises pour les situations ambiguës, les contournements récurrents des utilisateurs et les cas limites.

Le document révèle également le coût de la précision des politiques. Chaque restriction ajoutée consomme du contexte et crée des interactions avec d’autres instructions. Une demande peut simultanément impliquer de la recherche, des citations, la sécurité, l’utilisation d’outils, les préférences de l’utilisateur et la mise en forme.

Anthropic doit décider quelle règle l’emporte lorsqu’elles entrent en conflit. Le prompt présumé établit à plusieurs reprises des priorités au lieu de laisser la résolution au jugement général du modèle.

Cela affaiblit une hypothèse populaire concernant les systèmes d’IA avancés. Un meilleur raisonnement du modèle n’élimine pas l’ingénierie des politiques. Des agents plus capables peuvent effectuer des actions aux conséquences plus importantes, de sorte que les fournisseurs les entourent souvent de contrôles plus denses.

Il existe aussi un compromis en matière de sécurité. Publier ou extraire des politiques détaillées peut aider les chercheurs à identifier des incohérences. Cela peut aussi aider des utilisateurs adversariaux à concevoir des prompts contournant des limites connues.

Le secret des prompts ne constitue toutefois pas une défense durable. Des chercheurs ont démontré des méthodes permettant de récupérer progressivement les instructions système d’applications de modèles de langage. L’étude universitaire PLeak a montré que des attaques automatisées d’exfiltration de prompts pouvaient surpasser des références conçues manuellement.

Cet historique signifie qu’Anthropic devrait supposer que des règles comportementales importantes finiront par devenir observables. La conception la plus sûre consiste à appliquer les contraintes critiques au moyen de plusieurs couches, notamment des classificateurs, des autorisations, des vérifications de sortie et une exécution d’outils restreinte.

Anthropic affirme qu’Opus 5 est son modèle le plus aligné à ce jour. Son audit comportemental automatisé a attribué au modèle un score global de comportement désaligné de 2,3, le plus faible parmi les modèles récents présentés par l’entreprise.

L’entreprise affirme également qu’Opus 5 est moins vulnérable aux abus et moins susceptible d’entreprendre des actions imprudentes difficiles à annuler. Il s’agit des résultats d’évaluation d’Anthropic, et non d’une confirmation indépendante de chaque déploiement dans le monde réel.

Le prompt présumé fournit une explication possible du comportement mesuré. Il comprend des instructions très spécifiques relatives à la sécurité, au bien-être, à la politique, au droit et à la recherche. Le système décrit également des rappels susceptibles d’apparaître lorsque des classificateurs détectent certaines conditions.

Pourtant, un prompt long peut produire un faux sentiment de sécurité. Les modèles ignorent parfois des instructions, comprennent mal les conflits ou se comportent différemment au fil de longues conversations. Une injection de prompt peut aussi placer du contenu non fiable à proximité de règles privilégiées.

Les protections les plus solides doivent donc exister en dehors du prompt. Un outil devrait appliquer les limites d’autorisation même si le modèle demande une opération dangereuse. Le stockage en mémoire devrait rejeter les champs interdits même si l’assistant les génère. Les contrôles de droit d’auteur devraient détecter la reproduction au lieu de reposer uniquement sur l’autosurveillance.

Le document ne peut pas montrer si ces protections existent ni dans quelle mesure elles sont efficaces. Il décrit le comportement attendu de l’assistant, et non l’ensemble de l’architecture de sécurité derrière le produit.

C’est la principale incertitude de l’article. Le fichier paraît plausible et recoupe des fonctionnalités connues de Claude, mais son authenticité et son exhaustivité restent non confirmées. Même un prompt authentique révélerait plus clairement l’intention des politiques que la qualité de leur application.

Les développeurs devraient résister à deux conclusions opposées. La première est que le fichier expose la formule secrète complète d’Anthropic. La seconde est que les prompts système n’ont pas d’importance parce que les modèles peuvent raisonner sans eux.

La réponse pratique se situe entre ces positions. Le modèle crée une capacité générale. Le prompt transforme cette capacité en une personnalité de produit et un flux de travail particuliers. Les contrôles backend déterminent si cette conception résiste à des entrées hostiles ou inattendues.

Ce que la fuite présumée d’Opus 5 pousse Anthropic à clarifier

La prochaine phase permettra de déterminer si Anthropic considère l’exposition des prompts comme un incident de sécurité, une occasion de transparence ou une caractéristique attendue des produits d’IA publics.

Le premier signal est une réponse officielle au dépôt. Anthropic peut confirmer le fichier, identifier les sections modifiées ou expliquer quels éléments figurent déjà dans ses archives publiques de prompts.

Une réponse détaillée renforcerait la confiance dans la provenance du document. Le silence laisserait la question centrale de l’authenticité sans réponse, même si certains passages continuent de correspondre au comportement observé du produit.

L’entreprise n’a pas besoin de publier des détails d’implémentation exploitables. Elle peut néanmoins préciser si le fichier représente un prompt de production fixe, une sortie reconstituée ou un assemblage provenant de plusieurs interfaces.

Le deuxième signal est l’historique des versions du dépôt. Les chercheurs devraient surveiller les suppressions, corrections, nouvelles captures, demandes liées au droit d’auteur ou contestations techniquement précises émanant d’employés d’Anthropic.

Un document stable ne prouve pas son authenticité. Cependant, les modifications peuvent révéler quelles affirmations résistent à l’examen et quelles sections étaient spéculatives, dupliquées ou liées à des expériences temporaires dans l’application.

La reproduction indépendante compte davantage que la répétition sur les réseaux. Si plusieurs chercheurs obtiennent des sections correspondantes à partir de comptes et d’interfaces distincts, le niveau de confiance augmente. Si les sorties varient fortement, l’idée d’une « fuite complète » devient plus difficile à défendre.

Le troisième signal est le comportement du produit au cours des un à trois prochains mois. Anthropic pourrait réviser les limites de citation, la gestion de la mémoire, les recommandations d’applications ou les définitions d’outils après avoir observé comment les utilisateurs sondent les règles exposées.

Ses archives publiques de prompts système fournissent une référence utile. Les futures mises à jour pourront montrer si l’entreprise modifie des instructions fondamentales après la publication du dépôt.

Les développeurs devraient également surveiller si les démonstrations d’Opus 5 deviennent des projets reproductibles. Un prototype 3D jouable est impressionnant, mais des preuves utiles exigent des prompts, des fichiers source, des historiques d’itération et des conditions de test.

Si des équipes indépendantes reproduisent ces résultats avec peu de corrections humaines, les affirmations d’Anthropic sur les agents gagnent en crédibilité. Si les démonstrations dépendent d’une infrastructure cachée ou de nombreuses réparations, leur valeur devient plus limitée.

La comparaison avec OpenAI, Google et d’autres fournisseurs de modèles va également s’intensifier. Les concurrents peuvent étudier les restrictions de mémoire et les descriptions d’outils du prompt présumé sans dupliquer le modèle d’Anthropic.

Cela crée une pression autour de l’architecture produit. Un concurrent doté d’un modèle légèrement moins performant peut tout de même offrir une meilleure expérience grâce à des autorisations plus robustes, des contrôles de mémoire et une orchestration des outils plus efficace.

Les acheteurs en entreprise devraient réagir en élargissant leurs évaluations des modèles. La qualité des résultats reste importante, mais elle ne constitue qu’une partie du risque de déploiement.

Une évaluation sérieuse devrait examiner les instructions système, les autorisations des outils, la rétention de la mémoire, les journaux d’audit, le routage de secours et le comportement face aux injections de prompt. Les équipes devraient tester si le produit respecte les politiques lors de longues sessions impliquant plusieurs outils, plutôt que seulement dans de courts échanges.

Les développeurs qui s’appuient sur l’API font face à un défi connexe. La configuration grand public d’Anthropic ne protège pas automatiquement les applications sur mesure. Les utilisateurs de l’API restent responsables de leurs propres prompts, outils, frontières de données et suites d’évaluation.

Le fichier divulgué peut fournir des idées de conception, mais le copier constituerait un mauvais substitut à la modélisation des menaces. De nombreuses instructions font référence à des interfaces et services propres à Anthropic. D’autres peuvent entrer en conflit avec les obligations légales d’un développeur ou les attentes des utilisateurs.

Les équipes devraient plutôt en extraire des principes. Ne stocker que des faits durables. Séparer les déclarations des utilisateurs des inférences du modèle. Exiger une autorisation explicite pour toute suppression ou action aux conséquences importantes. Traiter le contenu externe comme non fiable. Appliquer les règles sensibles en dehors du modèle de langage.

Les travailleurs du savoir devraient s’y intéresser, car ces contrôles cachés influencent les résultats ordinaires. Les résumés de recherche, les préférences mémorisées, les citations, les recommandations et les refus peuvent tous découler de la politique de l’application plutôt que des connaissances sous-jacentes du modèle.

Une habitude utile consiste à conserver les prompts, décisions et sources importants en dehors de tout assistant unique. Une bibliothèque de prompts personnelle peut rendre ces instructions vérifiables et réutilisables lorsque le comportement du modèle évolue.

La fuite présumée ne prouve pas qu’Opus 5 est dangereux, ni qu’elle expose les poids ou les données d’entraînement du modèle. Elle offre un aperçu supposé des instructions entourant un déploiement grand public.

Cet aperçu est précieux, car il modifie la question que les développeurs posent. Il ne s’agit plus seulement de savoir si un modèle peut générer un jeu, corriger du code ou effectuer une recherche sur le web.

La question plus difficile est de savoir qui contrôle sa mémoire, ses outils, ses limites juridiques et ses recommandations de produits pendant qu’il travaille.

Au cours des prochains mois, surveillez la réponse d’Anthropic, les reproductions indépendantes et les évolutions de l’archive publique des prompts. Ces signaux permettront de déterminer s’il s’agissait d’une capture fidèle ou d’une reconstitution élaborée.

Quoi qu’il en soit, le document a déjà mis en lumière une vérité plus large sur Anthropic Claude et ses concurrents. Les produits d’IA de pointe deviennent des systèmes logiciels gouvernés, et non de simples modèles dépouillés.

Avant d’en adopter un, demandez des preuves concernant l’ensemble de la couche opérationnelle. Quelles instructions peuvent changer sans préavis ? Quelles informations persistent ? Quelles actions nécessitent une approbation ? Où les restrictions sont-elles appliquées lorsque le modèle ne les respecte pas ?

Ces questions survivront à ce dépôt et compteront davantage que n’importe quelle démonstration virale.