Qu'est-ce qu'une fenêtre de contexte ? Le guide en clair (2026)

En résumé. La fenêtre de contexte, c’est la quantité maximale de texte qu’un modèle d’IA peut lire en une fois — mesurée en tokens. Elle englobe ta question, les documents que tu colles et le fil de la conversation. En 2026, elle va de 200 000 tokens environ (Claude) à 1–2 millions (GPT-5.x, Gemini). Dès qu’un chat dépasse la fenêtre, l’IA « oublie » les parties les plus anciennes.

Dernière vérification : 6 juillet 2026. Relu chaque trimestre, parce que les limites de contexte des modèles bougent plus vite que presque tout le reste en IA.

Tu colles un long contrat dans ChatGPT, tu poses trois questions bien senties — et à la quatrième, l’IA fait comme si elle n’avait jamais vu la page 40. Relou, oui. Mais ce n’est pas un bug, et l’IA n’est pas fainéante. Tu viens simplement de buter sur le bord de sa fenêtre de contexte. Et une fois que tu as compris ce que c’est, tout un tas de comportements bizarres de l’IA se met soudain à avoir du sens.

C’est aussi le chiffre dont chaque labo d’IA se vante en ce moment. Google a poussé à fond la fenêtre de 2 millions de tokens de Gemini, en en faisant l’argument phare de ses derniers modèles Pro. Bref, le terme est partout. Cette page, c’est la version en clair de ce qu’il veut vraiment dire — et de pourquoi il compte pour ton travail.

Une fenêtre de contexte, c’est la quantité maximale de texte — mesurée en tokens — qu’un modèle d’IA peut lire et prendre en compte en une seule fois, pendant qu’il rédige une réponse. En clair : tout ce que l’IA arrive à « voir » d’un coup. Plus la fenêtre est grande, plus elle en lit à la fois.

Ce qu’est vraiment une fenêtre de contexte, en clair

La fenêtre de contexte, c’est tout ce sur quoi une IA peut poser les yeux pendant qu’elle te répond : ta question du moment, tous les fichiers ou passages que tu as collés, les messages précédents de ce chat, et la réponse qu’elle est en train de construire. Imagine un bureau avec de la place pour un nombre fixe de pages. Tant qu’une page est sur le bureau, l’IA peut la lire. Le bureau se remplit, tu en poses d’autres, et les plus anciennes glissent par-dessus le bord. Ce moment précis — la page qui tombe du bureau — c’est exactement la raison pour laquelle un chatbot « oublie » ce que tu lui as raconté avant.

La fenêtre se mesure en tokens, pas en mots. Un token, c’est un bout de texte — grosso modo quatre caractères, ou environ trois quarts d’un mot. En français, on compte à peu près 100 tokens pour 75 mots. Une fenêtre de 200 000 tokens tient donc autour de 150 000 mots, ce qu’Anthropic chiffre à plus de 500 pages de matière. Le nombre exact de mots varie avec la langue et la mise en forme — le français, avec ses accents et ses mots un peu plus longs, se tokenise un poil moins bien que l’anglais (compte à peu près 20 % de tokens en plus pour le même texte) — mais l’ordre de grandeur suffit pour s’organiser.

Et voilà le truc que la plupart des gens ratent. La fenêtre de contexte, ce n’est pas seulement ton entrée. C’est l’entrée plus la sortie — la réponse du modèle sort du même budget. OpenAI le dit clairement : la fenêtre de contexte compte à la fois les tokens que tu envoies et ceux que le modèle génère en retour. Du coup, si tu remplis la fenêtre à ras bord avec un document énorme, tu peux étouffer la place dont l’IA a besoin pour écrire une longue réponse. La fenêtre, c’est un espace partagé, pas une boîte aux lettres.

Pourquoi la fenêtre de contexte compte maintenant

La fenêtre de contexte compte en 2026 parce que c’est le chiffre qui décide si tu peux confier à une IA un vrai morceau de travail — un contrat complet, un trimestre d’écritures comptables, une base de code entière — ou si tu dois tout découper en morceaux et perdre le fil au passage. Les limites ont bondi tellement vite que ce qui était impossible il y a un an est devenu routine.

Il y a deux ans, la fenêtre typique était minuscule. GPT-4o plafonnait à 128 000 tokens, GPT-3 à peine à 4 000 et quelques. Aujourd’hui, Claude est à 200 000 tokens par défaut et propose une option 1 million en bêta. La gamme GPT-5.x d’OpenAI va, selon la variante, de plusieurs centaines de milliers jusqu’à 1 million de tokens — l’appli ChatGPT elle-même tourne désormais autour de 400 000. Google annonce jusqu’à 2 millions de tokens pour Gemini, la plus grande en usage courant. Et à l’extrême, le Llama 4 Scout de Meta afficherait 10 millions de tokens (poids ouverts, auto-hébergé) — plus une démo de faisabilité qu’un truc pour le quotidien au bureau.

Pour un actif, c’est toute la différence entre « l’IA est un gadget pour les questions courtes » et « l’IA peut lire le truc en entier ». Une fenêtre de 200 000 tokens avale déjà un long rapport ; une fenêtre de 2 millions avale un livre. Mais — et c’est la partie honnête que la plupart des pages d’éditeurs zappent — arriver à faire rentrer quelque chose dans la fenêtre, ce n’est pas la même chose que voir le modèle s’en servir de façon fiable en entier. On y revient juste après.

Comment fonctionne la fenêtre de contexte (sans le jargon)

La fenêtre de contexte fonctionne en présentant au modèle un seul bloc de texte, et en le laissant prédire ce qui vient ensuite, un token à la fois. Tout ce qui est dans ce bloc — tes instructions, tes données collées, l’historique du chat, la réponse à moitié écrite — est en jeu. Rien en dehors n’existe, du point de vue du modèle. Il n’y a pas de « fichier à long terme » séparé dont il lirait en douce ; si un fait n’est pas dans la fenêtre à cet instant, le modèle ne peut pas le voir.

Quand une conversation s’allonge, l’outil doit décider ce qu’il garde. L’approche la plus simple, c’est une fenêtre glissante : garder les messages les plus récents qui tiennent, et laisser tomber discrètement les plus anciens. C’est pour ça qu’un long chat perd petit à petit ses premiers détails tout en se souvenant de ce que tu viens de dire. Certains outils sont plus malins — ils résument les échanges anciens en une note courte et gardent le résumé plutôt que le texte complet, si bien que l’essentiel survit même quand les messages mot pour mot disparaissent. Dans tous les cas, la fenêtre de contexte reste le plafond en dur, en dessous.

Un petit exemple rend la logique du budget partagé concrète. Disons que tu utilises un modèle avec une fenêtre de 200 000 tokens et que tu colles un document de 180 000 tokens. Il te reste alors autour de 20 000 tokens pour tout le reste : ta question, le raisonnement du modèle, sa réponse. Si tu demandes maintenant une réécriture de 50 pages, tu manques de place — pas parce que l’IA en serait incapable, mais parce qu’il n’y a plus d’espace dans la fenêtre où poser tout ça. Les modèles Claude récents savent même suivre leur propre budget restant en cours de tâche, pour éviter de se coincer eux-mêmes dans ce genre d’impasse.

Où la fenêtre de contexte apparaît dans le vrai travail

La fenêtre de contexte fixe en silence les règles de presque tout ce que tu fais avec l’IA sur de vrais documents. Elle décide combien tu peux coller, combien de temps un chat reste cohérent, et si tu as besoin d’un détour comme la recherche. Le tableau ci-dessous cartographie les situations quotidiennes où la fenêtre est ce qui, concrètement, aide ou bloque — le plus souvent, sans que personne ne te dise que c’est justement ça qui se joue.

Le motif à travers tout ça : la fenêtre de contexte est ton budget, et un bon travail avec l’IA consiste surtout à bien le dépenser. Colle la page qui compte, pas tout le classeur. Les actifs qui tirent le plus de l’IA en 2026 ne sont pas ceux qui ont accès à la plus grande fenêtre — ce sont ceux qui ont appris à être sélectifs sur ce qui y entre. C’est précisément sur cette habitude que reposent nos cours, parce que c’est la compétence la moins chère au plus gros rendement.

Ce que ça change pour les avocats

Pour les avocats, la fenêtre de contexte est la raison pour laquelle une IA relit un accord de confidentialité de 12 pages en quelques secondes mais cale sur un contrat-cadre de 300 pages avec 40 annexes. Tout le document doit rentrer dans la fenêtre pour que l’IA puisse raisonner dessus d’un bout à l’autre. Une fenêtre standard de 200 000 tokens couvre grosso modo 500 pages, donc la plupart des contrats isolés passent — mais un dossier complet avec les conclusions et les pièces déborde, et c’est exactement là que l’IA commence à « rater » une clause qu’elle ne peut tout bonnement pas voir.

Le mode opératoire qui tient la route : nourris l’IA un document à la fois, fais-lui repérer les clauses précises qui t’intéressent (responsabilité, résiliation, droit applicable), et mets ton instruction en haut du prompt, là où la mémoire est la plus forte. Sur un dossier énorme, ne colle pas tout — cherche d’abord les sections pertinentes, puis donne-les. La limite honnête, et elle est de taille pour le juridique : ne fais jamais confiance à une IA à long contexte pour attraper tous les renvois enfouis dans un contrat de 200 pages. L’effet « lost in the middle » (Liu et al., 2023) fait que le détail de la page 130 est justement celui qui a le plus de chances de passer à la trappe. La version finale, c’est toujours un humain qui la relit.

L’étape suivante : le cours IA pour avocats montre une façon rigoureuse et respectueuse du secret professionnel d’utiliser l’IA sur de vrais documents juridiques — ce que tu colles, ce que tu ne colles jamais, et comment vérifier la sortie. Deux premières leçons gratuites, sans carte bancaire.

Ce que ça change pour les comptables

Pour les comptables, la fenêtre de contexte décide quelle part du grand livre une IA peut examiner d’un coup. Si tu colles un export de 50 000 lignes d’écritures, tu ne files pas « un tableur » — tu files un déluge de tokens, parce que chaque cellule compte contre la fenêtre. C’est pour ça qu’une IA donne une réponse nette sur une balance réduite et une réponse floue sur un export de fin d’année brut. Le remède est rarement un modèle plus gros. C’est de coller les colonnes et la période qui comptent vraiment, pas tout l’export.

Le mode opératoire de référence pour la clôture mensuelle : tire les comptes ou les écarts précis que tu examines, donne à l’IA cet extrait ciblé plus une question claire, et laisse-la rédiger le commentaire. Garde le chat concentré sur une seule tâche — quand un fil de rapprochement s’allonge, les premiers chiffres sortent de la fenêtre et les nombres de l’IA se mettent à dériver. La limite honnête : une IA qui travaille dans une fenêtre de contexte fait ses calculs sur ce qu’elle voit à cet instant, et elle ratera avec aplomb un chiffre qui a défilé hors du champ, en haut. Vérifie les nombres toi-même, et ne colle jamais de données identifiant un client dans un chatbot grand public.

L’étape suivante : IA pour la comptabilité montre comment nourrir des données financières à l’IA correctement — ce qu’on inclut, ce qu’on laisse dehors, et comment faire travailler la fenêtre pour toi plutôt que contre toi. Deux premières leçons gratuites.

Ce que ça change pour le marketing

Pour les gens du marketing, la fenêtre de contexte est ce qui permet à une IA de vraiment sonner comme ta marque plutôt que comme de la bouillie générique — à condition de bien s’en servir. Colle ta charte de marque complète, trois de tes meilleurs e-mails et le brief, et le modèle peut garder tout ça « en tête » pendant qu’il rédige, tant que ça rentre dans la fenêtre. Avec des fenêtres qui atteignent maintenant le million de tokens et plus, tu fais entrer une sacrée dose de contexte de marque dans un seul prompt — il y a un an, ça voulait dire tout réexpliquer en boucle.

Le hic, c’est le milieu. Si tu mets une charte de marque de 40 pages en tête et que tu planques la vraie demande à la fin, le modèle lit le mieux tes instructions et le début de la charte — et le truc coincé entre les deux reçoit l’attention la plus faible (Liu et al., 2023). Mets donc le brief et les non-négociables tout en haut ou tout en bas, pas au milieu du fichier. La limite honnête : une plus grande fenêtre pousse à tout balancer, mais un contexte serré de tes trois meilleurs exemples bat en général un contexte gigantesque et flou. Moins, mais bien choisi, ça gagne.

L’étape suivante : écrire le prompt qui sort un premier jet fidèle à la marque du premier coup, c’est surtout une histoire de maîtrise du contexte. Prompt Engineering — gratuit, avec certificat — t’apprend exactement ça. Deux premières leçons gratuites.

Ce que ça change pour les développeurs

Pour les développeurs, la fenêtre de contexte, c’est tout l’enjeu du code assisté par IA. Pour refactoriser à travers plusieurs fichiers, le modèle a besoin de ces fichiers dans la fenêtre en même temps. Les modèles récents à long contexte rendent ça possible pour de bon — 1 million de tokens, c’est à peu près un repo de taille moyenne, donc une IA peut réellement « voir » une base de code entière d’un coup. C’est pour ça que la taille de la fenêtre de contexte, et pas seulement l’intelligence brute du modèle, est une caractéristique phare des outils de code en 2026.

Mais les développeurs sont aussi les plus échaudés par l’écart entre « ça rentre » et « ça se rappelle ». Un modèle peut ingérer tout ton repo et quand même perdre la trace d’une fonction définie 400 000 tokens plus tôt, parce que la mémoire s’affaisse au milieu des contextes très longs (Liu et al., 2023). Le mode opératoire qui tient : donne à l’IA les fichiers précis et les endroits d’appel pertinents plutôt que l’arbre entier, garde la tâche cadrée, et relis chaque diff. Traite un contexte gigantesque comme un confort pour lire, pas comme une garantie que le modèle a tout intériorisé.

L’étape suivante : Context engineering pour l’IA montre comment concevoir délibérément ce que le modèle voit — quoi charger, quand compacter, et comment éviter qu’une longue session ne dérive. Associe-le à Comment fonctionnent les LLM pour le tableau d’ensemble.

Ce que ça change pour les enseignants

Pour les enseignants, la fenêtre de contexte est ce qui fait que « charge le chapitre et interroge-moi » marche vraiment. Un chapitre de manuel, l’équivalent d’un lot de lectures pour une séquence, même un PDF complet rentre confortablement dans une fenêtre moderne, donc l’IA peut répondre à des questions, générer des exercices et résumer sans que tu retapes quoi que ce soit. Comme le rappellent les propres ingénieurs de Google, le long contexte est justement la fonctionnalité qui permet à un modèle d’avaler un livre entier d’un coup — et pour la préparation de cours, c’est franchement utile.

La limite qui vaut le coup d’être enseignée à tes élèves : l’IA raisonne sur ce qui est dans la fenêtre à cet instant, pas sur tout ce qu’elle a jamais lu. Si tu colles trois chapitres et que tu poses une question sur un paragraphe du milieu du chapitre deux, c’est ce détail-là qui a le plus de chances de devenir flou (Liu et al., 2023). Garde chaque chat concentré sur le matériel que tu travailles vraiment, et revérifie chaque fait, date ou citation précise avant qu’il ne parte sur une fiche — la fenêtre fait de l’IA un partenaire de révision rapide, pas un manuel infaillible.

L’étape suivante : Fondamentaux de l’IA est le point de départ accessible aux débutants — il explique les tokens, les fenêtres de contexte et comment obtenir des réponses fiables, sans jargon et sans code. Deux premières leçons gratuites.

Idées reçues courantes sur la fenêtre de contexte

Une poignée de mythes sur la fenêtre de contexte est à l’origine de l’essentiel de la frustration que les gens ressentent avec l’IA sur de vrais documents. La plupart viennent du marketing des éditeurs, qui vend le chiffre choc et saute les petites lignes. Ça vaut le coup de les remettre d’aplomb avant de confier à une IA quoi que ce soit qui compte.

« Une fenêtre de contexte plus grande, c’est toujours de meilleures réponses. »

À moitié vrai — et la moitié fausse coûte cher. Une fenêtre plus grande te laisse mettre plus dedans, mais elle ne pousse pas le modèle à lire attentivement. L’effet « lost in the middle », bien documenté, montre une courbe en U : forte au début et à la fin d’un long contexte, la plus faible au milieu (Liu et al., 2023). Et ce n’est pas réglé en 2026 — la recherche « Context Rot » de Chroma confirme que la fiabilité continue de se dégrader à mesure que la longueur augmente, du fait même du fonctionnement de l’attention des transformeurs. Bourrer une fenêtre de 2 millions de tokens de texte à peine pertinent donne souvent une moins bonne réponse qu’un prompt serré et bien choisi — plus des coûts plus élevés et des réponses plus lentes.

« La fenêtre de contexte, c’est la mémoire de l’IA. »

Non — et ça embrouille presque tout le monde. La fenêtre de contexte, c’est la mémoire à court terme du chat en cours, et elle est effacée dès que ce chat se termine. Une mémoire d’IA permanente est une fonctionnalité séparée, qui enregistre des faits sur toi à travers différentes conversations. Un long document que tu colles vit dans la fenêtre de contexte, pas dans la mémoire ; ferme le chat, et l’IA n’a aucune idée que tu l’as un jour partagé. C’est apparenté, mais ce n’est pas le même système — d’où le fait qu’on traite l’hallucination de l’IA comme sa propre notion, elle aussi liée à ce qui sort de la fenêtre.

« Si ça rentre dans la fenêtre, l’IA l’a lu entièrement. »

C’est la plus dangereuse pour le travail pro. Rentrer et se rappeler sont deux choses différentes. Un modèle peut accepter ton document de 500 pages sans broncher et quand même rater une clause à la page 300, parce que l’attention s’éclaircit sur des entrées très longues (Liu et al., 2023). Les benchmarks récents comme NoLiMa le montrent bien : des modèles qui frôlent le sans-faute sur une simple recherche d’aiguille dans une botte de foin s’effondrent nettement dès qu’il faut comprendre le passage du milieu, et pas juste le retrouver mot pour mot. Traite un grand contexte comme « l’IA peut consulter ça », pas comme « l’IA a appris ça par cœur ».

« Les tokens, c’est pareil que les mots. »

Proche, mais l’écart compte quand tu t’organises. Un token, c’est grosso modo quatre caractères ou trois quarts d’un mot, donc 100 tokens font autour de 75 mots. Les nombres, le code, la ponctuation et les autres langues se tokenisent différemment — une page de données financières denses avale plus de tokens qu’une page de texte courant, et le français, avec ses accents, se place souvent un peu moins bien que l’anglais. Quand tu estimes si un truc rentre, pars du principe que la fenêtre tient moins de mots que le nombre brut de tokens ne le laisse croire.

« Je devrais toujours prendre le modèle avec la plus grande fenêtre. »

Le plus souvent inutile, parfois contre-productif. La plus grande fenêtre coûte plus cher par appel et ne répare ni un prompt vague ni une entrée en désordre. La plupart des tâches du quotidien — un e-mail, une clause de contrat, une section de rapport — tiennent large dans une fenêtre de 200 000 tokens, avec de la marge. Sors le modèle à un ou deux millions de tokens quand tu as vraiment besoin de raisonner sur un énorme dossier d’un coup, pas par défaut. Bien dépenser la fenêtre bat le fait d’en avoir le plus.

Concepts liés

La fenêtre de contexte ne vit pas toute seule — quelques notions voisines reviennent sans arrêt avec elle, et les gens les confondent tout le temps parce qu’elles se chevauchent. Comme le glossaire IA de FindSkill grandit pièce par pièce, on renvoie ici pour l’instant vers les articles et cours qui vont bien — les pages de glossaire dédiées aux tokens, au RAG et à la mémoire de l’IA arrivent au fur et à mesure.

• Hallucination de l’IA — quand l’IA invente une réponse fausse mais crédible, souvent justement parce que l’info a quitté la fenêtre
• Résultats IA cohérents — pourquoi la même question reçoit des réponses différentes, et ce que la fenêtre de contexte a à voir là-dedans
• Compteur de tokens pour ChatGPT, Claude & Gemini — l’unité dans laquelle la fenêtre se mesure, pour compter toi-même
• ChatGPT vs Claude vs Gemini — quel modèle tient combien de contexte, en comparaison honnête
• Prompt Engineering — le cours qui t’apprend à bien poser ton prompt dans la fenêtre dont tu disposes

Le mot de la fin

La fenêtre de contexte, c’est juste ce qu’une IA peut lire en une fois — et une fois que tu piges ça, la plupart de ses bizarreries cessent d’être un mystère. Le chatbot oublie parce que le chat a dépassé la fenêtre. Le gros document devient flou au milieu parce que la mémoire s’y affaisse. Le remède n’est presque jamais « achète la plus grande fenêtre ». C’est d’apprendre à dépenser la fenêtre que tu as sur le texte qui compte vraiment. Colle la page, pas le classeur. Cette seule habitude sépare ceux qui tirent un travail fiable de l’IA de ceux qui s’y brûlent encore et encore.

À voir aussi

Si tu veux creuser la fenêtre de contexte — et apprendre à bien t’en servir dans ton métier précis — les cours et articles ci-dessous sont les prochaines étapes évidentes.

Cours sur la fenêtre de contexte et les sujets voisins

• Fondamentaux de l’IA — le point de départ pour débutants ; tokens, fenêtres, réponses fiables
• Prompt Engineering — gratuit, avec certificat ; bien poser ton prompt dans la fenêtre
• IA pour avocats — relecture de contrats respectueuse du secret professionnel
• IA pour la comptabilité — nourrir des données financières sans surcharger la fenêtre
• IA pour enseignants — préparer du matériel sans perdre le fil
• Context engineering pour l’IA — concevoir tout l’environnement d’information de l’IA
• Comment fonctionnent les LLM — tokens, fenêtres et ce qui se passe sous le capot
• Esprit critique face à l’IA — entraîner le réflexe de ne pas croire les sorties de l’IA aveuglément

Articles de blog qui vont bien

• Résultats IA cohérents — pourquoi la même question donne des réponses différentes
• Compteur de tokens pour ChatGPT, Claude & Gemini — compter et estimer les tokens toi-même
• ChatGPT pour Excel : fonctions FP&A — nourrir des données financières sans faire exploser la fenêtre
• ChatGPT vs Claude vs Gemini — les tailles de contexte en comparaison honnête

Questions fréquentes

Qu’est-ce qu’une fenêtre de contexte, en clair ? La fenêtre de contexte, c’est tout ce qu’une IA peut lire et garder en tête d’un coup, le temps d’une conversation : ta question, tout ce que tu as collé, et les échanges jusque-là. Elle se mesure en tokens, des bouts de texte d’environ quatre caractères chacun. Dès qu’un chat devient plus long que la fenêtre, les parties les plus anciennes sortent du champ — et c’est exactement pour ça que l’IA a l’air d’avoir oublié ce que tu lui as dit au début.

Pourquoi ChatGPT oublie ce que je lui ai dit avant ? Parce que la conversation a dépassé la fenêtre de contexte. Le modèle ne voit que la partie la plus récente du chat qui tient dans sa limite de tokens ; une fois cette limite franchie, les premiers messages tombent hors champ et l’IA ne peut vraiment plus les voir. Elle ne t’ignore pas et elle n’est pas cassée : l’ancien texte est simplement en dehors de la fenêtre. Un nouveau chat, ou recoller les faits importants, les ramène dans le champ.

Elle fait quelle taille, la fenêtre de contexte en 2026 ? Ça dépend du modèle. Claude est à 200 000 tokens par défaut, avec une option 1 million en bêta. Le GPT-5.x d’OpenAI gère selon la variante de plusieurs centaines de milliers jusqu’à 1 million de tokens, l’appli ChatGPT tournant autour de 400 000. Google annonce jusqu’à 2 millions de tokens pour Gemini. Comme repère : 1 million de tokens représente à peu près 600 000 à 700 000 mots en français, soit plusieurs livres.

Quelle différence entre fenêtre de contexte et mémoire de l’IA ? La fenêtre de contexte, c’est la mémoire à court terme : tout ce qui est dans le chat en cours, que l’IA oublie dès que ce chat se termine. La mémoire de l’IA, elle, est à long terme : des faits qu’elle enregistre et réutilise dans des conversations futures et séparées. La fenêtre, c’est ce qu’elle a sous les yeux maintenant ; la mémoire, c’est ce qu’elle emporte d’une session à l’autre. Un long PDF que tu colles vit dans la fenêtre de contexte, pas dans la mémoire.

Une fenêtre plus grande, ça veut dire de meilleures réponses ? Non, pas automatiquement. Une fenêtre plus grande te laisse mettre plus de choses dedans, mais les modèles se rappellent bien mieux les faits au tout début et à la toute fin d’un long contexte que ceux enfouis au milieu — le fameux problème « lost in the middle » (Liu et al., 2023). Bourrer la fenêtre de texte à peine pertinent dilue en plus la concentration de l’IA et coûte plus cher. Souvent, un contexte petit et bien choisi bat un contexte gigantesque et fouillis.

Comment éviter de buter sur la limite de la fenêtre ? Colle uniquement ce qui compte plutôt que des documents entiers, ouvre un nouveau chat pour une nouvelle tâche, et résume un long fil avant de continuer. Pour un travail récurrent sur une grosse base de connaissances, la recherche (RAG) ne va chercher que les extraits pertinents, pas toute la bibliothèque. Et mets tes instructions les plus importantes tout au début ou tout à la fin d’un long prompt — c’est là que le modèle lit le plus fidèlement.

Sources

1. Anthropic, « Context windows » (doc Claude), consulté le 06/07/2026. https://platform.claude.com/docs/en/build-with-claude/context-windows
2. Google AI for Developers, « Long context » (API Gemini), consulté le 06/07/2026. https://ai.google.dev/gemini-api/docs/long-context
3. IBM (Think), « Qu’est-ce qu’une fenêtre de contexte ? », consulté le 06/07/2026. https://www.ibm.com/think/topics/context-window
4. Wikipédia (fr), « Fenêtre de contexte », consulté le 06/07/2026. https://fr.wikipedia.org/wiki/Fen%C3%AAtre_de_contexte
5. LeMagIT, « Qu’est-ce qu’une fenêtre contextuelle ? », consulté le 06/07/2026. https://www.lemagit.fr/definition/Quest-ce-quune-fenetre-contextuelle
6. Tech-Connect, « C’est quoi les tokens en IA ? », consulté le 06/07/2026. https://www.tech-connect.info/technologies/tokens-ia-explication-simple-contexte-cout/
7. Liu et al., « Lost in the Middle: How Language Models Use Long Contexts » (arXiv 2307.03172, TACL 2024), consulté le 06/07/2026. https://arxiv.org/abs/2307.03172
8. Modarressi et al., « NoLiMa: Long-Context Evaluation Beyond Literal Matching » (arXiv 2502.05167), consulté le 06/07/2026. https://arxiv.org/abs/2502.05167
9. Chroma Research, « Context Rot: How Increasing Input Tokens Impacts LLM Performance », consulté le 06/07/2026. https://research.trychroma.com/context-rot