L’AI Workspace après le chat : Artifacts, contexte multi-fenêtre et Virtual Partners

AI chat a rendu les modèles de pointe utilisables. Il n’a pas pour autant rendu AI work fiable.

Pour les développeurs et les architectes, les limites apparaissent vite. Un fil de chat peut expliquer un design, rédiger un plan de migration ou résumer des logs. Mais le travail réel ne reste pas dans un transcript. Il devient diagrams, specs, patches, research notes, test results, pull-request comments, incident timelines, decision records et follow-up tasks. Il se ramifie aussi : une fenêtre étudie le comportement en production, une autre compare les contraintes de fournisseurs, une autre rédige une note de conception, et une autre prépare les étapes d’implémentation.

Le prochain AI workspace n’est donc pas une boîte de chat plus grande. C’est un système pour gérer des work objects, un execution state, des parallel surfaces et une delegated continuity.

Cet article présente ce changement à travers quatre questions de conception :

1. Quel est le work object ? Le système produit-il une réponse ou un artifact durable, inspectable, révisable et livrable ?
2. Où se trouve runtime truth ? Le workspace sépare-t-il ce qui a été dit, exécuté et modifié ?
3. Combien de surfaces peuvent fonctionner en parallèle ? L’utilisateur peut-il garder plusieurs windows, sessions, panes et contexts sans tout écraser dans un seul thread ?
4. Qui maintient continuity ? Existe-t-il un virtual partner au niveau du workspace pour décomposer, déléguer, suivre et synthétiser le travail entre sessions ?

Ces questions sont désormais plus importantes que la présence d’une interface de chat. Chat est le point d’entrée. Le workspace est le plan de contrôle.

Four layers of AI work: Chat, Artifact, Runtime, and Virtual Partner

1. Pourquoi la boîte de chat ne suffit pas

La boîte de chat est excellente pour l’échange conversationnel. Elle conserve mal les frontières du travail. Un transcript unique mélange intention utilisateur, raisonnement du modèle, tool results, brouillons, décisions à conserver, erreurs temporaires et action history. C’est acceptable pour une courte Q&A, mais fragile dès que l’AI exécute un workflow multi-étapes, coordonne des fichiers, utilise des tools ou passe le relais entre sessions.

Les systèmes logiciels séparent déjà logs, source files, builds, tests, deployment state et issue comments. Les AI workspaces ont besoin de la même séparation entre conversation, output, runtime state et decision memory de long terme.

2. Quatre questions de conception pour les AI workspaces post-chat

Question 1: Qu’est-ce qui compte comme work object ?

Une réponse est éphémère ; un artifact est durable. Dans un système workspace-first, la valeur réside souvent dans un document, un code patch, une research table, un diagram, un test plan, un decision log, un spreadsheet, une presentation ou un task board. Cet objet doit avoir un état, survivre au tour qui l’a produit et rester révisable sans rejouer toute la conversation.

Claude décrit Artifacts comme du contenu substantiel autonome, généralement au-delà de 15 lines, et indique 20 MB per artifact de stockage persistant. OpenAI indique que ChatGPT Canvas peut s’ouvrir automatiquement pour du contenu généré de plus de 10 lines. Ces détails montrent qu’une sortie AI importante a besoin de sa propre surface et d’un cycle de vie : draft, inspect, revise, validate, complete et parfois hand off.

Question 2: Où se trouve runtime truth ?

Un transcript est une trace de conversation, pas toujours la meilleure source de vérité d’exécution. Quand un agent modifie des fichiers, appelle des outils, ouvre un navigateur, lit des documents ou lance des tests, le workspace doit savoir ce qui a été tenté, terminé, échoué, changé et justifié par des evidence.

Cette séparation améliore fiabilité, reprise et gouvernance. L’utilisateur peut vérifier si le système a réellement exécuté le contrôle. Un travail long peut être repris plus sûrement. Dans une équipe, l’audit trail doit distinguer instruction, action, result et decision.

Le transcript doit expliquer le travail, mais il ne doit pas être le seul endroit où le travail existe.

Question 3: Combien de surfaces parallèles l’utilisateur peut-il garder ?

AI work devient multi-window.

• Workspace : frontière durable autour des matériaux, sessions et préférences.
• Session : conversation ou workstream centré sur une tâche.
• Tab : unité visible d’attention parallèle.
• Pane : surface locale pour artifact, browser, terminal, document ou comparison view.
• Window : conteneur au niveau du système d’exploitation pour différentes phases ou projets.

Cette hiérarchie reflète le travail réel. Un bon multi-window AI workspace n’est pas seulement plus d’espace écran ; c’est un système de partitionnement du contexte.

Question 4: Qui maintient continuity ?

L’étape après artifacts et windows est un partner au niveau du workspace. Ce n’est pas un avatar, mais un orchestrator : il comprend le workspace goal, décompose le travail, délègue des subtasks, suit l’avancement, détecte les evidence manquantes et résume les décisions. L’utilisateur garde le jugement ; le partner maintient la mémoire opérationnelle.

Un virtual partner peut indiquer quelles sessions sont active, blocked ou complete, quel artifact est le candidate deliverable courant, quelles assumptions restent non vérifiées, quelle branche doit rejoindre le final output et quel context doit rester isolé.

3. Artifact discipline : des réponses aux livrables

Artifacts est souvent présenté comme une fonction d’interface, mais l’idée importante est la discipline. Claude Artifacts et ChatGPT Canvas montrent que le travail généré a besoin d’une surface éditable séparée. Claude Projects ajoute un modèle de contexte de projet plus large avec un 200K context window, soit environ un 500-page book. ChatGPT Projects ajoute des frontières de type workspace autour de chats, files, instructions et collaborators.

Pour MCPlato, artifact discipline signifie que les sorties deviennent stateful et reviewable :

• stateful deliverables, pas seulement des fragments de conversation ;
• phase awareness, pour distinguer draft, candidate et final output ;
• context and tool isolation, pour éviter d’hériter d’hypothèses ou de permissions sans lien ;
• completion checks, afin que done signifie evidence collectées et constraints respectées ;
• decision trace, pour comprendre pourquoi l’artifact a cette forme.

C’est moins magique que “autonomous agent”, mais plus utile. Les professionnels ont besoin d’une AI qui laisse des objets fiables, inspectables et modifiables.

4. Runtime et le problème du monolith

Beaucoup de produits AI commencent comme un monolith : chat thread, tool runner, file picker, memory layer et UI ensemble. C’est efficace au début, mais limitant lorsque les workflows grandissent. Un workspace runtime doit coordonner quatre vérités :

1. Conversation truth : ce que l’utilisateur a demandé et ce que l’assistant a répondu.
2. Material truth : quels source files, documents, pages et data ont été utilisés.
3. Execution truth : quelles actions ont été réalisées et quels results sont revenus.
4. Decision truth : ce que l’équipe a accepted, rejected, deferred ou shipped.

Si tout est condensé dans le transcript, l’inspection devient difficile. Si tout est séparé sans expérience cohérente, le système se fragmente. Le défi est de séparer les responsabilités tout en gardant le travail lisible.

5. Multi-window context : d’un thread à plusieurs work surfaces

Plus les agents deviennent capables, moins un thread unique suffit. Research, drafting, source checks, formatting, implementation et testing sont naturellement parallèles, mais le modèle mono-thread les sérialise. Un multi-window AI workspace doit soutenir le parallélisme sans perdre la cohérence.

Workspace comparison map: Chat/Canvas, IDE Agent, Cloud Agent, and AI-Native Workspace

Le workspace post-chat sera plutôt un environnement en couches capable d’héberger plusieurs modes de travail.

6. Virtual Partner / Sprite : orchestration, pas théâtre

Un visage flottant au-dessus du workspace ne résout pas la gestion du contexte. La version utile du virtual partner traduit des objectifs en sub-workstreams, assigne sessions ou agents, suit blockers, open questions et finished outputs, décide quand un artifact est prêt pour review, résume les différences entre drafts ou branches et conserve decision history sur plusieurs jours.

Pour MCPlato, l’orientation publique est d’aider les utilisateurs à exploiter plusieurs AI sessions comme un partner system cohérent. L’humain reste responsable du jugement ; le partner réduit la charge de planification, de mémoire et de fusion. La coordination doit rester inspectable.

7. Competitor comparison : ce que révèlent les chiffres

Le marché avance déjà vers des workspaces structurés, mais différents fournisseurs prouvent différents points.

Claude and ChatGPT : du chat au contexte de projet et aux surfaces éditables

Claude Projects montre la force du contexte partagé avec un 200K context window, environ un 500-page book. Claude Artifacts fournit une surface séparée pour des sorties autonomes substantielles, généralement plus de 15 lines, avec 20 MB per artifact de stockage persistant. ChatGPT Canvas peut s’ouvrir automatiquement au-delà de 10 lines. ChatGPT Projects organise chats, uploaded files, instructions et collaborators. Ces produits valident les frontières artifact et project, tout en restant centrés sur une conversation principale avec l’assistant.

GitHub Copilot and Cursor : le codebase comme workspace

Les developer tools ont pour centre de gravité le repository. Microsoft a indiqué que GitHub Copilot comptait 20 million users, était utilisé par 90% of the Fortune 100, et que les clients Copilot Enterprise avaient progressé de 75% quarter over quarter en FY2025 Q4. GitHub cite plus de 100 million developers et une promesse de productivité “up to 55%”. Cursor a annoncé avoir levé $2.3 billion avec une $29.3 billion post-money valuation, dépassé $1 billion in annualized revenue, servi des millions de développeurs et compté plus de 300 employees.

Replit and Devin : l’exécution cloud comme workspace

Replit Agent 3 peut travailler jusqu’à 200 minutes, est 10x more autonomous, et rend les tests 3x faster et 10x more cost-effective. Replit a annoncé $400 million levés à une valorisation de $9 billion, plus de 50 million users, 85% of the Fortune 500 et une trajectoire vers $1 billion run-rate revenue fin 2026. Devin liste Pro à $20/month, Max à $200/month, Teams à $80/month, et jusqu’à 10 concurrent sessions sur les plans concernés.

Manus and Notion : largeur contre mémoire de workspace

Manus Wide Research décrit hundreds of independent agents, des tests jusqu’à 250 items, 50–100 items in minutes, et affirme que l’AI traditionnelle se dégrade au-delà de 8–10 items. Notion mentionne $10 per 1,000 credits après essai et des notifications d’usage à 80% et 100%. Le signal commun est le passage de answer generation à managed work systems.

8. Où se situe MCPlato

MCPlato relève davantage de la catégorie AI-native workspace que du chat pur, de l’IDE ou de l’agent autonome uniquement cloud. Ses cas d’usage les plus forts coordonnent plusieurs AI sessions sur des connected materials et produisent des outputs reviewable : research-to-article pipelines, multi-source analysis, document production, task decomposition, cross-session review et workflows developer/architect avec traceable decisions.

MCPlato ne remplace pas tous les outils spécialisés. Cursor et GitHub Copilot sont plus proches de la boucle interne du code. Claude et ChatGPT sont de fortes interfaces généralistes. Replit et Devin se concentrent sur cloud execution. Notion est intégré aux bases de connaissances d’équipe.

L’opportunité de MCPlato est la coordination layer :

• session-based work, pour garder les task threads séparés mais connectés ;
• local-first material handling, pour travailler avec connected directories et files quand c’est pertinent ;
• artifact discipline, pour transformer les outputs en deliverables ;
• multi-window context, pour garder les workstreams parallèles visibles ;
• virtual partner orchestration, pour aider à decompose, delegate, track et summarize ;
• decision trace, pour revoir ce qui a changé et pourquoi.

La limite compte autant : l’orchestration ne supprime pas la review. Multi-session AI work peut amplifier les erreurs si les context boundaries sont floues. Les workflows local-first exigent une gestion prudente des permissions. Un virtual partner doit exposer ses assumptions et son status.

9. Conclusion : le workspace est le produit

La boîte de chat restera utile : c’est la manière la plus rapide de demander, clarifier et itérer. Mais elle ne suffit plus comme conteneur principal du travail AI sérieux. Le post-chat AI workspace a besoin de quatre couches :

1. Chat pour l’intention et le dialogue.
2. Artifacts pour des work objects durables.
3. Runtime pour execution state, evidence et recovery.
4. Virtual partners pour coordination et continuity entre sessions.

Les gagnants ne seront pas seulement ceux qui ont l’assistant le plus intelligent. Ils rendront AI work lisible : ce qui est fabriqué, d’où cela vient, ce qui a été exécuté, ce qui a échoué, ce qui a été accepté et ce qui reste ouvert.

References

1. Anthropic, “Introducing Projects,” https://www.anthropic.com/news/projects
2. Anthropic Support, “What are Artifacts and how do I use them?”, https://support.claude.com/en/articles/9487310-what-are-artifacts-and-how-do-i-use-them
3. OpenAI Help Center, “What is the Canvas feature in ChatGPT and how do I use it?”, https://help.openai.com/en/articles/9930697-what-is-the-canvas-feature-in-chatgpt-and-how-do-i-use-it
4. OpenAI Help Center, “Projects in ChatGPT,” https://help.openai.com/en/articles/10169521-projects-in-chatgpt
5. Microsoft Investor Relations, “FY25 Q4 Earnings,” https://www.microsoft.com/en-us/investor/events/fy-2025/earnings-fy-2025-q4.aspx
6. GitHub Blog, “GitHub Copilot Workspace,” https://github.blog/news-insights/product-news/github-copilot-workspace/
7. Replit Blog, “Introducing Agent 3,” https://replit.com/blog/introducing-agent-3-our-most-autonomous-agent-yet
8. Replit Blog, “Replit raises $400 million,” https://replit.com/blog/replit-raises-400-million-dollars
9. Devin, “Pricing,” https://devin.ai/pricing/
10. Manus Docs, “Wide Research,” https://manus.im/docs/features/wide-research
11. Cursor Blog, “Series D,” https://cursor.com/blog/series-d
12. Notion Help, “Everything you can do with Notion AI,” https://www.notion.com/help/guides/everything-you-can-do-with-notion-ai