Lock-in IA : ce que le leak de Claude Code et Conway changent pour ta stratégie multi-modèles

TL;DR pour les pressés

Le 31 mars 2026, Anthropic a publié par erreur plus de 512 000 lignes de code de Claude Code. Dedans : KAIROS, un mode d'agent always-on. Le lendemain, une analyse séparée révèle Conway, une plateforme d'agent permanent avec son propre format d'extension, .cnw.zip. Quelques jours plus tard, Anthropic cesse d'honorer les abonnements Claude dans les outils tiers comme OpenClaw. Le pattern est clair : la couche modèle reste compétitive, la couche d'exécution se ferme. Solution pour les opérateurs : Markdown local, multi-modèles par défaut, mémoire d'agent traitée comme une dette technique. La portabilité, ça se construit avant d'en avoir besoin.

Le mot d'un client qui m'a fait creuser

Mi-avril, un dirigeant de PME me dit : "Cowork a réorganisé tout mon Drive, mes mails, ma facturation. Je peux plus revenir en arrière."

Pas "je veux pas". "Je peux plus". La nuance fait toute la différence.

C'est le mécanisme classique de l'endowment effect appliqué à l'IA d'entreprise : une fois qu'un outil a absorbé tes process, le coût psychologique de partir devient supérieur au coût rationnel de rester. Sauf que dans le cas des agents apprenants, le coût de partir n'est plus seulement psychologique. Il devient technique, opérationnel, et bientôt structurel.

C'est exactement ce que le leak de Claude Code et la découverte de Conway nous obligent à regarder en face.

Ce qui a fuité (et qui n'aurait pas dû)

Le 31 mars 2026, Anthropic publie par erreur plus de 512 000 lignes de code source de Claude Code sur npm, via un fichier de source map oublié dans le paquet. Le chercheur Chaofan Shou le repère dans les heures qui suivent. Anthropic parle d'une erreur humaine de packaging et retire le paquet. Trop tard : le code a déjà été copié sur de nombreux forks et miroirs.

Au-delà du sujet sécurité, le code révèle des fonctions pas encore lancées. La plus commentée s'appelle KAIROS : un mode daemon où Claude Code tourne en agent d'arrière-plan permanent, et consolide sa mémoire pendant que tu es absent.

Le lendemain, 1er avril, TestingCatalog publie une analyse séparée du code de l'application Claude : Anthropic teste Conway, une plateforme d'agent always-on. Trois éléments méritent attention :

• Une interface séparée du chat : Conway tourne dans sa propre instance, avec ses propres espaces
• Un format d'extension propriétaire : des outils, onglets et gestionnaires de contexte installables sous forme de fichiers .cnw.zip
• Des webhooks : des URL publiques capables de réveiller l'agent quand un service externe l'appelle

Conway agirait en continu sur déclencheurs externes (mail, ticket, déploiement) sans que tu sois devant l'écran. Pas une feature de plus, une catégorie de produit différente. Cowork agit quand tu lui demandes. Conway agirait à ta place, en permanence.

Anthropic n'avait rien annoncé à la publication de cet article. Mais le code parle, et deux fois dans la même semaine.

La thèse : Anthropic prépare le prochain grand jardin clos

Mets bout à bout ce qui est sorti ces derniers mois :

• Claude Code (février 2025) : développeurs, sur demande
• Cowork (janvier 2026) : non-techniciens, sur demande étendue
• Channels (mars 2026) : pilotage à distance depuis une messagerie
• Routines (avril 2026) : automatisations hébergées dans le cloud d'Anthropic
• KAIROS et Conway (non lancés) : always-on

Le pattern n'est pas un modèle, c'est une couche d'exécution apprenante. Plus tu l'utilises, mieux elle te connaît. Mieux elle te connaît, plus elle a de valeur. Plus elle a de valeur, plus elle est dure à remplacer.

C'est du switching cost classique, version 2026.

Le mécanisme à comprendre : la portabilité des données est cadrée juridiquement (RGPD, Data Act). Quand tu changes de fournisseur, tu peux récupérer tes fichiers. Mais la portabilité du contexte d'agent, c'est-à-dire comment il a appris à bosser pour toi pendant six mois, n'a aucun standard. C'est le nouvel angle de capture, et personne n'en parle.

L'épisode OpenClaw d'avril confirme la stratégie. OpenClaw est un harness tiers, créé par Peter Steinberger, qui permettait d'utiliser un abonnement Claude pour piloter Claude via une interface alternative. Le 4 avril 2026, Anthropic annonce que les limites d'abonnement ne s'appliqueront plus aux outils tiers comme OpenClaw : leur usage passe à une facturation à l'usage, séparée de l'abonnement. Justification officielle : les abonnements n'ont pas été conçus pour les schémas d'usage de ces outils, qui contournent les optimisations de cache d'Anthropic.

Argument économique défendable. Un abonnement forfaitaire consommé par un outil tiers qui ne profite pas du cache coûte plus cher à servir que prévu. C'est de l'arbitrage, pas une fonctionnalité, et Anthropic a proposé des remboursements aux abonnés concernés.

Mais le signal reste net. Steinberger, passé chez OpenAI deux mois plus tôt, dit n'avoir obtenu qu'un report d'une semaine, et résume : « d'abord ils copient des fonctions populaires dans leur harness fermé, ensuite ils ferment la porte à l'open source ». Le signal pour les opérateurs est clair : la frontière entre "ouvert" et "captif" se déplace selon ce qui menace l'économie d'Anthropic. C'est leur droit. Mais c'est ton problème si t'as construit dessus sans plan B.

L'antithèse : Anthropic est aussi le plus ouvert des grands labos

Ce serait malhonnête de s'arrêter là. Anthropic joue ouvert sur des terrains où ils auraient pu fermer, et ça change la lecture stratégique.

Décembre 2025 : Anthropic donne le Model Context Protocol (MCP) à la Linux Foundation, dans une nouvelle entité appelée Agentic AI Foundation. La Linux Foundation compte plus de 10 000 serveurs MCP publiés, et le protocole est adopté par ChatGPT, Gemini, Microsoft Copilot, Cursor et VS Code. Ils auraient pu garder ça propriétaire. Ils l'ont donné.

Sur le pricing, même nuance. Claude Opus 4.7 affiche 5 $/M tokens en entrée et 25 $/M en sortie. Mais avec le prompt caching, les lectures de cache tombent à 0,50 $/M, soit 90 % de réduction, et le traitement en batch divise encore le prix par deux. Sur des entrées mises en cache et traitées en batch, tu paies 5 % du prix affiché. C'est pas du dumping, c'est pas non plus du tarif captif.

Et sur la sécurité, Anthropic publie sa Responsible Scaling Policy, avec des seuils de capacité au-delà desquels un modèle exige des protections supplémentaires avant déploiement. Mythos en est l'illustration : Anthropic ne prévoit pas de rendre Claude Mythos Preview disponible au grand public et le réserve à des partenaires qui sécurisent des logiciels critiques. Tu peux trouver ça marketing. Anthropic n'est d'ailleurs pas seul : OpenAI et Google DeepMind publient des cadres comparables. Mais c'est une transparence qu'on ne trouve pas sur la couche produit.

Donc voilà la lecture honnête : Anthropic verrouille la couche d'expérience (Conway, .cnw.zip, agents always-on) tout en ouvrant la couche de connectique (MCP) et en publiant ses règles de sécurité. C'est sophistiqué. La bonne question n'est pas "Anthropic est-il méchant ?" mais "qu'est-ce qui est ouvert, qu'est-ce qui est fermé, et où je dois mettre mes œufs ?"

Le test d'inversion : qu'est-ce qui te bloquerait pour partir ?

Avant de te donner ma reco, voilà un exercice que je fais avec mes clients. Inverse la question. Au lieu de "comment je sais que je suis bien chez Anthropic ?", demande "qu'est-ce qui me bloquerait pour partir demain ?"

Réponses typiques que je récupère en audit :

• "On a 18 mois de prompts custom dans la mémoire de l'agent." → Capture comportementale.
• "Notre équipe est formée que sur Claude." → Switching cost humain.
• "Toutes nos automations passent par Routines." → Lock-in d'infrastructure.
• "Notre client final connaît que ChatGPT et Claude." → Lock-in marketing.
• "On a optimisé tous nos prompts pour le tokenizer Claude." → Lock-in technique.

Si tu coches 3 cases ou plus, t'es plus client. T'es captif. Et le jour où ton fournisseur décide de changer ses prix, de couper une feature ou de pivoter (rappel : OpenClaw, une semaine de sursis), tu manges.

Ce n'est pas un scénario catastrophe, c'est juste de la gestion de risque. Toute boîte sérieuse pense à sa redondance fournisseur. L'IA devrait être traitée pareil.

La synthèse pratique : 3 principes qui marchent

Je bosse avec des PME, des scale-ups, des artisans, des industriels. La question revient toujours : "On utilise quoi, comment on évite de se planter dans 18 mois ?"

1. Garde ton contexte en Markdown, localement

Tes process, guides, notes de réunion, prompts qui marchent : tout en .md sur disque ou dans un repo. Pas dans la mémoire propriétaire d'un seul outil.

Avantages concrets :

• Lisible par n'importe quel modèle (Claude, GPT, Gemini, DeepSeek, Mistral, modèles locaux)
• Versionné via git, donc pas de perte
• Lisible dans 20 ans, indépendant des changements de fournisseur
• Permet le multi-modèles sans réécriture

Structure que j'utilise avec mes clients : 4 dossiers seulement. Projets (actifs, court terme), Casquettes (rôles permanents), Ressources (process, guides, frameworks), Archives (terminé, gardé pour référence). Tu pointes ton agent dessus, peu importe l'agent. Si tu changes de fournisseur, ton contexte suit.

C'est pas sexy. C'est ce qui marche.

2. Multi-modèles par défaut, pas par exception

Pour les tâches courantes (classification, résumés, extraction simple), les modèles économiques comme DeepSeek coûtent une fraction du prix d'Opus, souvent moins d'un dixième par token. Opus reste devant pour le code complexe et les workflows d'agents. Ne me crois pas sur parole pour la répartition : mesure-la sur tes propres tâches.

Construire ton stack autour d'un seul fournisseur, c'est te mettre une corde au cou. Construire autour de 2 ou 3 que tu alternes selon la tâche, c'est de l'architecture. Le multi-modèles ajoute un peu de mise en place au départ. Il t'épargne une migration complète le jour où tu dois changer.

Concrètement, ça veut dire : un router LLM dans ton code (LiteLLM, OpenRouter, ou ton propre wrapper), des prompts testés sur au moins 2 fournisseurs, et un benchmark interne sur tes propres tâches métier. Pas un benchmark MMLU, un benchmark tes tâches.

3. Méfie-toi de la mémoire des agents, pas des outils

Cowork, Conway, Microsoft Copilot, Salesforce Einstein, tous apprennent comment tu bosses. C'est leur valeur et leur mécanisme de capture. Pas un bug, le business model.

Si tu déploies un agent always-on chez un client, traite ces 3 questions dès le début :

• Qui possède la mémoire (toi, ton client, le fournisseur) ?
• Comment elle s'exporte si on veut changer ?
• Qu'est-ce qu'on garde hors de l'agent (comme connaissance documentée) pour ne pas dépendre uniquement de sa mémoire ?

C'est pas un blocage. C'est une checklist. Tu peux toujours utiliser les outils. Tu sais juste où tu mets les pieds.

Le détail du tokenizer 4.7 : pourquoi la dépendance coûte sans prévenir

Si je devais garder un seul fait pour illustrer le déplacement silencieux des coûts, c'est celui-là. Opus 4.7 utilise un nouveau tokenizer : le même texte peut produire entre 1 et 1,35 fois plus de tokens selon le type de contenu, à prix par token inchangé.

Donc même sans changer ton usage, ta facture peut augmenter jusqu'à 35 % sur certains contenus. Pas par malveillance : c'est probablement un meilleur tokenizer, plus efficace pour le modèle. Mais c'est typique de ce qui arrive quand tu dépends d'une seule plateforme. Les changements internes ont un impact sur ton P&L sans que tu puisses réagir.

C'est pas un complot. C'est juste la réalité de la dépendance, dans n'importe quel marché.

Ce qu'il faut retenir

Anthropic n'orchestre pas un hold-up. Ils exécutent une stratégie business classique, plutôt mieux que la moyenne : capturer les développeurs avec Claude Code, élargir aux non-techniques avec Cowork, préparer la stickiness avec les agents always-on, garder MCP ouvert pour rester crédibles sur l'écosystème.

Le problème n'est pas Anthropic. Le problème, c'est si tu construis ton activité dessus sans avoir pensé à ta sortie. Pas seulement les données, mais la mémoire opérationnelle, les process appris, les patterns extraits.

Ma reco aux clients en ce moment : utilisez Claude là où il est meilleur, c'est-à-dire à beaucoup d'endroits. Mais gardez votre savoir hors du jardin. Markdown local, multi-modèles dans le stack, agents traités comme des outils remplaçables et pas comme des collègues irremplaçables.

La portabilité, ça se construit avant d'en avoir besoin. Pas après.

À confirmer dans les prochains mois : Conway et KAIROS n'étaient pas lancés à la publication de cet article, et l'industrie peut tourner. Mais le pattern est assez clair pour que je commence à câbler mes clients dès maintenant.

Si cet article t'a aidé à clarifier ta stratégie IA, on peut en discuter. Digital Easy fait des audits multi-modèles pour des PME et des scale-ups qui veulent l'IA sans la dépendance. Réserve un Discovery Call de 20 minutes.