Les assistants de programmation alimentés par l'intelligence artificielle font face à un défi de plus en plus critique : la dégradation progressive de leur mémoire de session, communément appelée pourrissement du contexte. Ce phénomène n'est pas une panne technique, mais une limite inhérente au fonctionnement des grands modèles de langage. Alors que ces outils gagnent en autonomie dans la rédaction et le débogage de code, leur capacité à maintenir une sortie de qualité diminue inévitablement à mesure que la fenêtre de contexte s'alourdit. Le pourrissement du contexte se divise en deux catégories distinctes. La première, dite intrinsèque, découle de l'architecture même du modèle. Lors de la génération de chaque token, le système distribue un budget d'attention fixe sur l'ensemble des informations présentées. En pratique, cela signifie que les données pertinentes entrent en concurrence avec un flux croissant de détails superflus, affaiblissant progressivement le signal. De plus, la position des informations dans la mémoire joue un rôle décisif : les modèles excellent à se souvenir des débuts et des fins de session, mais leur précision chute nettement au centre. Ainsi, les performances réelles s'érodent bien avant d'atteindre la limite officielle de tokens. La seconde catégorie, le pourrissement de contenu, relève du contrôle de l'utilisateur. Elle survient lorsque la session accumule des hypothèses erronées, des recherches trop larges ou des notes obsolètes. Chaque erreur non corrigée devient une nouvelle donnée d'entrée, créant un effet d'entraînement où le modèle affine ses raisonnements sur des bases faussées. Contrairement à une idée reçue, ces outils n'ont pas de mécanisme interne pour détecter leur propre dérive ni pour arrêter une course à l'erreur une fois engagée. La sortie finit par sembler cohérente jusqu'à son échec complet. Pour contrer ces effets, les experts et développeurs adoptent désormais des pratiques de gouvernance du contexte. La première règle consiste à considérer la fenêtre comme un espace de travail actif et non comme un stockage passif. Au démarrage, il est crucial de n'inclure que les instructions essentielles, les conventions du projet et les compétences nécessaires, en repoussant le reste dans des fichiers de référence externes. Pendant la session, l'objectif doit être régulièrement réaffirmé, et les tâches volumineuses confiées à des sous-agents isolés. Lorsque les contradictions s'accumulent ou qu'un point mort technique se répète, la meilleure stratégie n'est pas de forcer la poursuite, mais de réinitialiser la session ou de créer une branche dédiée pour les recherches. Cette approche repose sur un principe fondamental : la qualité du contexte prime sur sa quantité. Les workflows modernes s'apparentent désormais à la gestion de versions traditionnelle, où chaque divergence est explorée, synthétisée, puis fusionnée proprement dans le fil principal. L'intelligence artificielle reste un copilote puissant, mais elle nécessite une supervision humaine constante pour trier ce qui doit être retenu, ce qui doit être exclu et ce qui doit être archivé. À l'ère des assistants autonomes, la maîtrise du pourrissement du contexte n'est plus un détail technique, mais une compétence essentielle pour garantir fiabilité, précision et efficacité dans le développement logiciel.