Le navigateur devient un moteur d’IA, mais seulement pour des tâches circonscrites

Ordinateur portable affichant une visualisation d’IA locale dans le navigateur sur le bureau d’un développeur.

L’annonce de Microsoft du 19 novembre apporte un changement concret à la plateforme web d’Edge : certaines opérations d’IA peuvent désormais s’exécuter dans le navigateur, sur l’appareil de l’utilisateur, au lieu d’être exclusivement envoyées à un service distant. Le petit modèle de langage intégré à Edge passe de Phi-4-mini à Aion Instruct, un modèle de 2,3 milliards de paramètres conçu pour les tâches de texte exécutées localement. La Prompt API qui l’accompagne offre aux sites web et aux extensions de navigateur un accès depuis JavaScript. Microsoft présente Aion comme plus petit et plus rapide que Phi-4-mini, avec la prise en charge de tâches courantes telles que la génération de texte, le résumé, le suivi d’instructions et la production de sorties structurées (Microsoft Edge Blog).

La précision importante est que cela ne transforme pas le navigateur en solution de remplacement générale des modèles cloud. Un modèle local compact est surtout utile lorsque la tâche poursuit un objectif circonscrit, possède une forme prévisible et présente un mode d’échec acceptable. Cela comprend le résumé d’un texte, la réécriture d’une phrase, l’extraction de champs dans une structure connue, la classification d’une intention ou l’ajout d’une logique légère à une application. Un site pourrait utiliser le modèle pour déterminer laquelle d’un petit ensemble de routes correspond le mieux à la demande d’un utilisateur, transformer une longue note en brouillon plus court ou proposer une formulation plus claire avant l’envoi du texte. Ces opérations sont utiles précisément parce que le produit peut définir à quoi ressemble un bon résultat et quoi faire lorsqu’il est absent ou imparfait.

La plateforme de Microsoft distingue également les requêtes générales des fonctionnalités plus spécialisées. La Prompt API est testée dans le cadre d’un test d’origine, tandis que la Decisions API reste une préversion expérimentale destinée aux développeurs. Cette dernière est conçue pour les questions oui/non, les choix multiples et l’évaluation de textes, en renvoyant des décisions structurées plutôt qu’un passage généré. Elle peut donc servir à classifier des intentions, orienter des contenus et établir un classement. Elle souligne aussi la limite centrale : les développeurs disposent d’un moyen de tester une nouvelle voie d’exécution, pas d’un contrat universel et stable dont chaque produit devrait dépendre dès sa première version.

La même logique de tâches circonscrites s’applique aux Writing Assistance APIs d’Edge. Microsoft documente des API expérimentales pour résumer, rédiger et réécrire du texte avec le petit modèle de langage intégré au navigateur (Microsoft Learn). Ces fonctionnalités sont plus faciles à introduire de manière responsable, car la saisie d’origine peut rester visible. Un produit peut présenter un résumé ou une réécriture comme une suggestion, conserver le texte source et laisser l’utilisateur accepter, modifier ou refuser le résultat. Si le modèle local n’est pas disponible, l’interface peut basculer vers un traitement côté serveur ou vers une modification manuelle classique. Cette conception est plus solide que de traiter silencieusement le texte généré comme une autorité.

L’exécution locale modifie les arbitrages techniques ; elle ne les supprime pas. Microsoft indique que la Prompt API exécute le modèle sur le même appareil que celui où se trouvent les entrées et les sorties, et que les données saisies ne quittent pas l’appareil ni ne sont collectées pour entraîner des modèles d’IA. Après le téléchargement initial du modèle, les requêtes ne nécessitent pas de latence réseau, et le modèle fourni par le navigateur est partagé entre les sites installés dans cette instance d’Edge (Prompt API documentation). Ces caractéristiques peuvent rendre une réécriture ou un classificateur local attrayant, notamment lorsqu’il est préférable de ne pas envoyer le texte à un service d’inférence distant. Mais le téléchargement lors de la première utilisation, les exigences matérielles, le statut du navigateur et les réglages de l’utilisateur déterminent toujours si la fonctionnalité est réellement disponible ou suffisamment rapide.

Pour un produit web, le bon modèle mental est donc celui d’un moteur d’exécution à plusieurs niveaux. Aion Instruct constitue une option pour de petites opérations bien délimitées, lorsqu’Edge peut la fournir. L’inférence cloud reste pertinente lorsqu’une couverture plus large des appareils, un raisonnement plus performant ou un comportement plus homogène sont nécessaires. Les déploiements locaux personnalisés reposant sur WebNN, WebGPU ou ONNX Runtime restent des choix distincts lorsqu’une équipe a besoin de davantage de contrôle sur le modèle et la pile d’exécution. L’API du navigateur peut simplifier l’accès à un modèle partagé, mais elle ne fait pas disparaître les questions de compatibilité, de qualité, d’examen de la confidentialité ou de conception des solutions de repli.

La première question d’implémentation ne devrait pas être de savoir si un site peut appeler la Prompt API. Il faut plutôt se demander si une opération donnée a sa place sur l’appareil : poursuit-elle un objectif précis, l’utilisateur peut-il accepter un résultat imparfait, l’entrée originale peut-elle être conservée et existe-t-il une solution déterministe lorsque l’inférence locale n’est pas disponible ? Les résumés, reformulations, extractions structurées, classifications d’intention et petites décisions de routage sont des candidates naturelles. Les tâches exigeant une vaste couverture factuelle, un jugement à fort enjeu ou un comportement identique dans tous les navigateurs sont bien plus difficiles à justifier. L’annonce d’Edge doit surtout être considérée comme une invitation à tester une tâche ciblée à la fois, en traitant le navigateur comme un environnement d’exécution d’IA supplémentaire, et non comme le seul.

Ce que Aion et la Prompt API changent pour un produit web

La proposition concrète de Microsoft consiste à intégrer un petit modèle de langage à l’environnement du navigateur, plutôt que d’imposer à chaque site de le télécharger, de l’héberger ou de l’appeler via le réseau. Dans son annonce du 19 novembre, Microsoft présente Aion Instruct comme le nouveau modèle intégré à Edge, qui remplace Phi-4-mini dans ce rôle. La Prompt API qui l’accompagne fournit aux sites web et aux extensions de navigateur une interface JavaScript pour demander à ce modèle local d’effectuer des tâches délimitées. La distinction est importante : les équipes produit ne reçoivent pas un assistant cloud généraliste dans chaque onglet. Elles disposent d’une capacité d’inférence gérée par le navigateur, utile lorsque l’entrée, la sortie et la plage de qualité acceptable sont toutes raisonnablement contraintes.

Le changement le plus direct concerne l’architecture. Un site peut créer une session avec le modèle, envoyer des prompts, recevoir du texte généré, puis libérer la session une fois le travail terminé. La documentation de Microsoft consacrée à la Prompt API décrit la prise en charge des réponses en flux continu, ce qui permet à une interface d’afficher le résultat au fur et à mesure de sa production au lieu d’attendre la réponse complète. Elle documente également des moyens de limiter la génération et de surveiller la disponibilité du modèle ainsi que la progression de son téléchargement. Pour un produit, ces éléments sont loin d’être accessoires. Le cycle de vie d’une session influe sur la mémoire utilisée ; le flux continu modifie la latence perçue ; les contraintes déterminent si le résultat peut être intégré à un processus structuré ; et l’état du téléchargement permet d’expliquer le délai de la première utilisation au lieu de donner l’impression que la fonctionnalité est défaillante.

Une intégration typique ressemble donc moins à « ajouter un chatbot » qu’à « ajouter une opération locale ». Un outil de rédaction peut envoyer le paragraphe en cours avec l’instruction de le reformuler dans un ton précis. Une interface d’assistance peut classer la demande d’un utilisateur avant de choisir une orientation. Un formulaire peut demander au modèle d’extraire un petit ensemble de champs à partir d’un texte, tandis qu’une fonction d’accessibilité peut produire une description alternative ou un résumé concis. Dans chaque cas, le navigateur fournit le chemin d’exécution du modèle, mais l’application reste responsable de l’interface, de la conception des prompts, de la validation, des autorisations et de la décision à prendre lorsque le modèle n’est pas disponible. Microsoft présente ces API d’IA intégrées dans ce cadre orienté vers les tâches, aux côtés des fonctions de rédaction, de reformulation et de résumé décrites dans sa documentation sur les Writing Assistance APIs.

Cette répartition des responsabilités est essentielle, car la génération locale ne rend pas la sortie fiable par nature. Le modèle peut produire un texte incomplet, maladroit ou incompatible avec le format attendu par l’application. Si le résultat commande un libellé visible, une orientation de recherche ou une action structurée, la page doit le valider et conserver une voie de secours claire, sans modèle. Une approche utile consiste à traiter le modèle comme une transformation facultative de données existantes : le texte original reste accessible, la version générée peut être prévisualisée ou annulée, et l’application peut poursuivre avec l’entrée inchangée si la génération échoue. La fonctionnalité gagne ainsi en résilience, tandis que le rôle du modèle reste suffisamment limité pour être testé.

La solution fournie par le navigateur modifie également la décision de déploiement par rapport à une API cloud classique. Avec un modèle cloud, l’application envoie une requête vers le point de terminaison d’un fournisseur et doit tenir compte des allers-retours réseau, des identifiants de service, des limites d’utilisation, du coût des requêtes et du traitement des données en dehors de l’appareil. Avec Aion via la Prompt API, l’inférence est censée s’effectuer sur l’appareil de l’utilisateur et être orchestrée par Edge. L’annonce de Microsoft présente cette approche comme un modèle hybride : l’exécution locale peut prendre en charge les opérations adaptées, tandis que des modèles distants plus performants restent indiqués pour les tâches qui dépassent le périmètre du modèle intégré au navigateur. Il ne s’agit donc pas de remplacer l’IA cloud par une solution exclusive, mais d’ajouter un niveau d’exécution auquel un produit web peut recourir pour certaines interactions.

Ce niveau est particulièrement intéressant pour les opérations répétées et relativement simples. Une demande locale de réécriture ou de classification peut éviter d’envoyer plusieurs fois le même texte à un serveur, tout en restant utile lorsqu’une application doit conserver une opération sur l’appareil. Les développeurs ne doivent toutefois pas considérer que « sur l’appareil » signifie nécessairement instantané ou universellement privé dans tous les aspects opérationnels. Le navigateur peut devoir télécharger le modèle avant la première utilisation, et la page doit toujours déterminer quel contenu elle place dans les prompts et ce qu’elle fait du texte renvoyé. La confidentialité du produit dépend donc de la conception complète de la fonctionnalité, et pas uniquement de l’endroit où l’inférence est exécutée. La documentation et l’annonce de Microsoft fournissent la capacité du navigateur ; elles ne dispensent pas l’application de mettre en place sa propre gouvernance des données.

L’autre possibilité consiste à fournir ou à appeler un modèle depuis la propre pile de l’application. Une équipe peut créer une fonctionnalité adossée au cloud, intégrer un modèle ou un runtime, ou étudier des solutions de niveau inférieur comme WebNN, WebGPU ou un déploiement fondé sur ONNX. Ces approches offrent davantage de contrôle sur le modèle choisi, le runtime, le contrat de prompting et le rythme des versions, mais elles transfèrent aussi une plus grande partie de la charge de livraison à l’équipe. L’application peut devoir empaqueter les ressources du modèle, gérer les téléchargements, prendre en compte la diversité des appareils et maintenir elle-même le chemin d’exécution. Un modèle fourni par le navigateur peut réduire cette duplication : lorsque Edge gère déjà le modèle concerné, un site peut appeler l’interface prise en charge par le navigateur au lieu de distribuer indépendamment ce même modèle à chaque utilisateur.

Le téléchargement partagé par le navigateur constitue l’avantage produit le plus évident de cette organisation. Le modèle est associé à la capacité du navigateur plutôt qu’au bundle privé d’un site ; une application n’a donc pas à faire télécharger à ses utilisateurs une copie distincte pour activer une petite fonctionnalité locale. Cela peut simplifier le pipeline d’assets du site et permettre de concentrer l’intégration sur la détection des capacités, le comportement des sessions, les prompts et les solutions de repli. Cela ne garantit pas pour autant que le modèle est déjà présent sur l’appareil d’un utilisateur donné. La première utilisation peut toujours nécessiter des vérifications de disponibilité et le téléchargement du modèle. L’expérience doit donc tenir compte de cet état avant d’afficher un contrôle qui semblerait immédiatement prêt.

La surface d’API établit également une limite utile entre l’infrastructure du navigateur et la logique produit. Le navigateur peut indiquer si une session de modèle peut être créée et communiquer la progression pendant que le modèle devient disponible. La page peut alors décider d’afficher une amélioration, de la différer ou d’utiliser une autre implémentation. Une fois la session devenue inutile, l’application peut la détruire au lieu de traiter le modèle comme une dépendance permanente et invisible. Ce fonctionnement convient mieux aux fonctionnalités déclenchées à des moments précis — comme « Réécrire », « Résumer » ou « Classer » — qu’à l’hypothèse selon laquelle chaque partie d’un site devrait consulter en continu un modèle de langage.

Pour les développeurs, la question essentielle n’est donc pas de savoir si JavaScript peut désormais appeler un modèle d’IA. Il faut déterminer si une action donnée du produit possède une entrée délimitée, une sortie testable et une solution de repli crédible lorsque le navigateur ne peut pas fournir d’inférence locale. Aion et la Prompt API facilitent le prototypage de cette catégorie de fonctionnalités, puisque le modèle et le mécanisme d’exécution sont fournis par Edge. Ils ne suppriment pas le travail d’ingénierie lié aux contrats de prompting, à la vérification des sorties, au contrôle laissé à l’utilisateur, à l’état du téléchargement et aux chemins alternatifs. Ces considérations ouvrent sur la prochaine question d’implémentation : comment un produit doit détecter les capacités réelles du navigateur et de l’appareil avant de promettre une interaction alimentée par l’IA.

Le coût caché de l’implémentation : détecter les capacités

La première erreur d’ingénierie serait de traiter la Prompt API comme une fonctionnalité ordinaire du navigateur. Une page peut contenir le bon JavaScript tout en étant incapable d’exécuter une requête locale. La disponibilité dépend du canal et de l’état de la fonctionnalité dans Edge, du système d’exploitation, de la version requise d’Edge, des capacités graphiques de l’appareil, des paramètres du navigateur et des stratégies d’administration. Aion Instruct et la Prompt API ne constituent pas une base universelle automatiquement accessible à chaque visiteur ; ce sont des capacités que l’application doit découvrir à l’exécution.

Cette découverte doit avoir lieu avant de promettre à l’utilisateur un résultat assisté par l’IA. Les exigences actuelles comprennent notamment au moins 3 Go de VRAM, suffisamment d’espace de stockage dans le profil du navigateur et une connexion réseau non limitée pour télécharger le modèle lors de la première utilisation. Le modèle est fourni par le navigateur, mais celui-ci doit tout de même le récupérer et le stocker avant qu’une session puisse effectuer une inférence locale. Un appareil peut donc réussir une simple vérification de version du navigateur, puis échouer parce qu’il ne dispose pas de la mémoire graphique, de l’espace dans le profil ou des conditions réseau nécessaires à la configuration. Les stratégies d’entreprise peuvent également déterminer si la fonctionnalité est disponible, et les paramètres d’IA sur l’appareil peuvent être désactivés. On obtient ainsi une matrice de capacités, et non un simple test oui/non.

Dans un véritable produit web, la détection des capacités doit être considérée comme une composante de l’expérience utilisateur. Vérifiez d’abord que l’API concernée existe, puis qu’une session peut être créée et que le modèle est disponible, avant d’engager l’utilisateur dans un parcours qui en dépend. Lorsque l’API fournit des informations sur le téléchargement ou la disponibilité du modèle, utilisez-les pour distinguer « non pris en charge » de « préparation en cours ». Cette distinction compte : l’utilisateur qui attend un premier téléchargement doit voir un état de préparation, tandis qu’un appareil administré sur lequel l’IA sur l’appareil est désactivée doit se voir proposer une autre solution. L’application doit aussi partir du principe qu’une capacité peut changer entre deux visites ou selon l’appareil utilisé. La vérification doit donc être effectuée par l’application en fonctionnement, et non reposer uniquement sur des hypothèses définies lors de la compilation.

Les limites de temps sont tout aussi importantes. L’inférence locale peut éviter un aller-retour vers un service distant, mais elle ne rend pas toutes les requêtes instantanées ; la configuration initiale du modèle ajoute en outre un délai distinct. Définissez un délai maximal pour la préparation du modèle et pour la requête elle-même. Si l’une ou l’autre étape dépasse cette limite, l’interface doit cesser d’attendre et appliquer un mécanisme de repli défini à l’avance. Il peut s’agir d’une implémentation côté serveur, d’un parcours classique sans IA ou d’un simple message permettant à l’utilisateur de continuer sans assistance. L’essentiel est que ce repli soit déterministe : l’utilisateur doit savoir ce qui se passera lorsque le chemin local sera indisponible, trop lent ou interrompu.

Le modèle de conception le plus sûr consiste à conserver l’entrée d’origine à chaque étape. Une réécriture locale doit afficher une proposition à côté du texte saisi par l’utilisateur, et non remplacer la source avant validation du résultat. Un résumé, une classification ou un champ extrait doit être identifié comme une sortie générée pouvant être vérifiée, tandis que le document ou la demande d’origine doit rester récupérable. Cette approche facilite la gestion ordinaire des erreurs, mais elle est particulièrement importante lorsqu’une session de modèle échoue après que l’interface a déjà changé d’état. Si le navigateur ne peut pas créer de session, si le téléchargement est bloqué ou si une requête expire, l’utilisateur ne doit pas perdre le texte à l’origine de l’opération.

Les vérifications de capacité doivent également tenir compte de l’état des API elles-mêmes. La Prompt API est proposée par l’intermédiaire d’un parcours d’origin trial, et les surfaces d’IA connexes du navigateur restent expérimentales ou limitées à des scénarios de préversion pour les développeurs. Ce statut influence la quantité de logique produit qu’il est raisonnable de construire autour de ces API. Une équipe peut tester l’expérience, mesurer son utilité et déterminer quelles tâches tirent parti de l’exécution locale, mais elle ne doit pas supposer qu’un point d’entrée expérimental se comportera comme un contrat stable et interopérable entre navigateurs. Le navigateur, le système d’exploitation, le matériel de l’appareil, l’état du profil et l’environnement de politiques s’interposent tous entre l’appel JavaScript et l’obtention d’un résultat.

Une implémentation pratique doit donc prévoir trois parcours : une assistance locale lorsque la vérification des capacités réussit, une nouvelle tentative encadrée ou un état de préparation lorsque le modèle est encore en cours de mise à disposition, et une solution de repli prévisible lorsque les conditions requises ne sont pas réunies. Consignez ces résultats sans les considérer comme des échecs interchangeables. Le suivi des appareils incompatibles, des paramètres désactivés, des restrictions de stratégie, des échecs de téléchargement, des délais d’expiration et des traitements terminés avec succès permet à l’équipe de comprendre où la fonctionnalité fonctionne et où elle crée des frictions. Tant que les API ne sont pas arrivées à maturité, ces données valent davantage que l’hypothèse selon laquelle une démonstration prometteuse représenterait l’ensemble des utilisateurs qu’un site en production doit servir.

Là où les équipes devraient commencer à tester — et là où elles devraient attendre

Le point de départ le plus sûr est une fonctionnalité où le modèle améliore un workflow existant sans devenir l’unique moyen de l’utiliser. La réécriture locale en est un bon exemple : l’utilisateur peut demander une version plus courte, plus claire ou plus formelle d’un texte, tandis que l’original reste disponible si le résultat est médiocre ou si le navigateur ne peut pas exécuter le modèle. La synthèse suit le même principe lorsque le texte source complet reste visible et qu’une solution côté serveur ou manuelle est disponible. Les Writing Assistance APIs de Microsoft décrivent cette famille de tâches assistées par le navigateur, tandis que la Prompt API fournit une interface plus générale aux applications qui doivent envoyer des prompts à un modèle de langage intégré.

La classification et le routage constituent eux aussi de bons pilotes, à condition de considérer les résultats comme des suggestions et non comme des décisions incontestables. Un modèle local pourrait aider à trier un message entrant, à suggérer une intention, à choisir un parcours de navigation ou à déterminer quelle assistance d’accessibilité proposer. Ces usages sont intéressants parce que l’application peut conserver les données d’entrée et poursuivre avec un parcours déterministe lorsque le modèle est indisponible ou incertain. Le même principe s’applique aux fonctionnalités d’accessibilité légères : un modèle exécuté dans le navigateur peut aider à produire une version en langage clair, une brève description ou une présentation alternative, mais le produit ne doit pas supprimer le contenu source ni supposer que la formulation générée convient à chaque utilisateur.

Avant de mettre en production ces expériences, les équipes devraient constituer un jeu de données de test à partir d’entrées représentatives et ne nécessitant pas d’autorisations particulières. Ces cas doivent couvrir des textes courts et longs, des demandes ambiguës, des contenus mal formés, plusieurs styles rédactionnels et des instructions adverses intégrées à du texte contrôlé par l’utilisateur. Chaque exécution doit être évaluée sur davantage de critères que la simple réception d’une réponse. Les tests de qualité doivent indiquer si la sortie conserve le sens, respecte le format demandé, évite d’inventer des détails et reste exploitable lorsque le modèle refuse de répondre ou produit une réponse incomplète. Pour la classification et le routage, le jeu de tests doit également inclure des cas où la bonne action consiste à laisser l’entrée inchangée ou à la transmettre à un parcours serveur existant.

Les mesures opérationnelles comptent autant que la qualité rédactionnelle. Les équipes devraient mesurer le délai lors de la première utilisation, la latence au cours des sessions suivantes, les taux d’échec, le comportement des téléchargements ainsi que l’effet sur la batterie ou la réactivité de l’appareil. Le premier téléchargement du modèle et les exigences matérielles documentées pour Edge montrent qu’une API disponible localement ne garantit pas que le modèle sera immédiatement disponible pour chaque visiteur. Une expérimentation utile consigne donc le parcours de capacité choisi : modèle local, implémentation de repli ou aucune amélioration. Elle doit aussi distinguer une véritable réponse du modèle d’un délai d’expiration, d’une requête refusée, d’un navigateur non pris en charge, d’une restriction d’entreprise ou d’un paramètre utilisateur désactivant l’IA sur l’appareil.

La revue de la confidentialité doit commencer par le flux de données, et non par l’hypothèse que « sur l’appareil » signifie automatiquement qu’une fonctionnalité est sûre. L’application décide toujours quel texte elle place dans un prompt, combien de temps elle conserve le contenu original et les résultats générés, et si elle envoie l’une ou l’autre de ces valeurs à un serveur pour la journalisation ou le traitement de repli. Les textes sensibles doivent être traités conformément aux règles déjà en vigueur dans le produit, et les prompts doivent séparer clairement les instructions de l’application du contenu utilisateur non fiable. Un modèle exécuté localement peut réduire la nécessité de transmettre certaines entrées, mais il ne dispense pas de gérer avec soin la conservation des données, le consentement, le contrôle des accès et les tests d’utilisation abusive.

Le mode de secours du navigateur doit être conçu comme un état produit à part entière, et non comme une exception dissimulée dans la gestion des erreurs. Si le modèle n’est pas disponible, l’interface peut conserver le texte d’origine, proposer un outil d’édition classique, utiliser une capacité serveur existante lorsque cela est pertinent ou indiquer clairement que l’amélioration n’est pas disponible. Les délais d’attente doivent être plafonnés, les nouvelles tentatives ne doivent pas enfermer l’utilisateur dans une boucle et le texte généré doit rester visiblement distinct jusqu’à son acceptation. Les données de télémétrie liées aux solutions de secours peuvent ensuite montrer si les échecs se concentrent autour d’une version de navigateur, d’un système d’exploitation, d’une capacité matérielle, de l’état du téléchargement, d’une règle de politique ou d’une tâche particulière.

Pour l’instant, ces éléments doivent guider l’adoption. Des projets pilotes étroitement délimités, aux résultats réversibles et dotés d’une voie non fondée sur l’IA fiable, peuvent apprendre beaucoup aux équipes. Mieux vaut attendre avant de rendre un flux de travail essentiel dépendant de la Prompt API, de la Decisions API ou des fonctionnalités d’écriture associées, tant que leurs interfaces restent expérimentales, limitées à une préversion ou soumises à des conditions d’accès susceptibles d’évoluer. Le seuil pertinent n’est pas de savoir si une démonstration fonctionne sur une seule machine de développement, mais si la fonctionnalité se comporte de manière prévisible dans les conditions prises en charge et continue de servir les utilisateurs lorsque le modèle local est absent. Aion Instruct et la Prompt API font de l’inférence côté navigateur un domaine crédible à tester, mais l’interopérabilité stable, la qualité mesurée et un comportement de secours explicite doivent déterminer le moment où les tests deviennent une dépendance de production.