J’utilise GPT-5 pour des tâches plus complexes et plus longues. Par exemple, je l’utilise avec Background Agents pour des tâches indépendantes, et avec des agents au premier plan en parallèle lorsque je passe d’une tâche à l’autre et que j’examine leurs résultats.

GPT-5 est l’un des modèles les plus faciles à guider que j’aie utilisés. Pour certaines tâches, j’ai dû être plus explicite sur ce que j’essayais d’accomplir. Quand je restais vague, le modèle prenait une direction différente de celle que j’attendais. Quand j’étais plus précis, j’ai été surpris par son intelligence.

Au cours de la semaine dernière, GPT-5 m’a sorti de plusieurs impasses en codant, en résolvant un bug complexe que d’autres modèles n’arrivaient pas à élucider. Je l’ai utilisé pour des tâches comme passer en revue nos requêtes Stripe et identifier les meilleures optimisations pour réduire la latence.

Le style de rédaction par défaut de GPT-5 était plus verbeux que je ne le souhaitais, donc j’ai pu créer une règle pour rendre les réponses plus concises. Je préfère aussi un comportement plus agentique, donc j’ai pu orienter le modèle pour qu’il pose moins de questions de suivi après le prompt. Je l’utilise pour des problèmes de codage plus difficiles.

Ma façon préférée de faire un test rapide consiste à utiliser le même prompt avec de nombreux modèles et à voir si l’un d’eux peut produire en une seule fois ce que j’attendais. Notre frontend et notre backend utilisent des protobufs, ce qui perturbe parfois les modèles. J’ai demandé à GPT-5 de créer un endpoint d’API backend ainsi que le composant React frontend correspondant, situés dans deux sous-modules distincts de notre monorepo. Il a réussi à générer ce code correctement et à régénérer les protobufs pour corriger les erreurs de type en une seule fois.