Idée principale

Extraire des chiffres d'une liste et synthétiser une fiche concurrent à partir de quinze analyses ne demandent pas la même capacité. Pourtant un skill est étiqueté par son étape la plus exigeante, et tout ce qu'il fait par ailleurs hérite de ce niveau — deux à trois fois le coût, pour un résultat identique.

Le découpage utile attribue un modèle par étape : extraction structurée à un petit modèle, synthèse à un modèle intermédiaire, orchestration multi-phases au plus capable. Ce qui justifie le niveau haut n'est jamais le skill dans son ensemble, ce sont les deux ou trois étapes qui échoueraient sans lui.

Pourquoi c'est important

Cela transforme un choix global, pris une fois et jamais rouvert, en une série de choix locaux argumentables — et ça oblige à dire quelle étape justifie le modèle le plus cher.

C'est aussi le levier de moindre effort : il ne demande aucune réécriture de la logique.

Nuances et limites

Servir plusieurs modèles dans un même skill ajoute de la tuyauterie et des passages de contexte entre étapes. En dessous d'un certain volume, le gain ne paie pas cette complexité.

Et une étape paraît simple parce qu'elle a toujours été traitée par un modèle capable : la rétrograder produit des sorties plausibles dont l'erreur ne se voit qu'en aval.

Questions ouvertes

• À quoi reconnaît-on qu'une étape a été rétrogradée trop bas, quand son résultat reste plausible ?