{"id":1083984,"date":"2026-02-06T10:30:03","date_gmt":"2026-02-06T10:30:03","guid":{"rendered":"https:\/\/www.artefact.com\/?post_type=blog&#038;p=1083984"},"modified":"2026-02-10T16:20:00","modified_gmt":"2026-02-10T16:20:00","slug":"long-run-ai-agents-part-2-three-approaches-that-actually-work","status":"publish","type":"blog","link":"https:\/\/www.artefact.com\/fr\/blog\/long-run-ai-agents-part-2-three-approaches-that-actually-work\/","title":{"rendered":"Agents AI \u00e0 long terme, 2e partie : trois approches qui fonctionnent vraiment"},"content":{"rendered":"<p><em><a href=\"https:\/\/www.linkedin.com\/in\/victor-coimbra-999a02a0\/\" target=\"_blank\" rel=\"noopener\">Victor Coimbra<\/a> a \u00e9t\u00e9 reconnu dans la liste Forbes Under 30 Brazil pour ses contributions exceptionnelles \u00e0 l'innovation dans le domaine de l'IA. Il a cofond\u00e9 les op\u00e9rations latino-am\u00e9ricaines de Artefact, qui constituent aujourd'hui un p\u00f4le technologique mondial comptant 200 employ\u00e9s. Il apporte une expertise approfondie dans la mise \u00e0 l'\u00e9chelle des solutions d'IA et la cr\u00e9ation d'\u00e9quipes technologiques performantes sur les march\u00e9s internationaux.<\/em><\/p>\n<p>En <a href=\"https:\/\/www.artefact.com\/fr\/blog\/long-run-ai-agents-part-1-the-problem-nobody-talks-about\/\">Premi\u00e8re partie<\/a>, Nous avons examin\u00e9 le probl\u00e8me : les syst\u00e8mes d'IA se d\u00e9gradent avec le temps, les performances de r\u00e9f\u00e9rence masquent les \u00e9checs de production, et m\u00eame les professionnels exp\u00e9riment\u00e9s peuvent travailler plus lentement avec l'aide de l'IA que sans elle. La trajectoire est prometteuse. La r\u00e9alit\u00e9 actuelle est d\u00e9sordonn\u00e9e.<\/p>\n<p>Alors, comment construire des syst\u00e8mes qui soutiennent r\u00e9ellement l'effort pendant des heures ?<\/p>\n<p>Trois approches ont \u00e9merg\u00e9 de diff\u00e9rentes communaut\u00e9s, chacune s'attaquant au m\u00eame probl\u00e8me fondamental : comment un syst\u00e8me d'intelligence artificielle peut-il maintenir un progr\u00e8s coh\u00e9rent lorsque sa m\u00e9moire de travail est limit\u00e9e ?<\/p>\n<h2>Approche 1 : Cyclisme du nouveau d\u00e9part<\/h2>\n<p>Fin 2025, une technique au nom absurde de \" Ralph Wiggum \" est devenue virale chez les praticiens. Ce nom vient d'un personnage des Simpsons \u2013 d\u00e9lib\u00e9r\u00e9ment ridicule, car l'id\u00e9e centrale est presque embarrassante de simplicit\u00e9.<\/p>\n<p>Laissez l'IA travailler. Lorsqu'elle commence \u00e0 se d\u00e9grader, arr\u00eatez-la. Recommencez \u00e0 z\u00e9ro. Laissez-la reprendre l\u00e0 o\u00f9 elle s'est arr\u00eat\u00e9e.<\/p>\n<p>C'est tout. L'IA travaille sur une t\u00e2che jusqu'\u00e0 ce que ses performances commencent \u00e0 diminuer. Elle s'arr\u00eate alors, enregistre ses progr\u00e8s dans un fichier et quitte le syst\u00e8me. Une nouvelle session commence avec une ardoise vierge. L'IA lit ce qui a \u00e9t\u00e9 accompli, identifie ce qui reste \u00e0 faire et continue.<\/p>\n<p>La philosophie : arr\u00eatez de lutter contre la limitation de la m\u00e9moire. Travaillez avec. Chaque session de travail fonctionne de mani\u00e8re ind\u00e9pendante. Le progr\u00e8s r\u00e9side dans les documents et les enregistrements, pas dans la t\u00eate de l'IA.<\/p>\n<h3>Ce que cela donne en pratique<\/h3>\n<p>Une mise en \u0153uvre typique se d\u00e9roule en trois phases :<\/p>\n<ul>\n<li><strong>Phase 1 (exigences) :<\/strong> L'homme et l'IA collaborent pour identifier ce qui doit \u00eatre fait. Le r\u00e9sultat est un document de sp\u00e9cification clair.<\/li>\n<li><strong>Phase 2 (planification) :<\/strong> L'IA analyse l'\u00e9cart entre la sp\u00e9cification et l'\u00e9tat actuel. R\u00e9sultat : une liste de t\u00e2ches class\u00e9es par ordre de priorit\u00e9. Il n'y a pas encore de travail effectif.<\/li>\n<li><strong>Phase 3 (ex\u00e9cution) :<\/strong> L'IA traite une t\u00e2che par session. Terminez la t\u00e2che, v\u00e9rifiez qu'elle a fonctionn\u00e9, documentez ce qui a \u00e9t\u00e9 fait, quittez. Nouvelle session. R\u00e9p\u00e9tez l'op\u00e9ration.<\/li>\n<\/ul>\n<p>La contrainte principale est que les t\u00e2ches doivent \u00eatre clairement mesurables. Cette approche fonctionne mal pour les exigences ambigu\u00ebs, les appels au jugement ou les travaux exploratoires sans finalit\u00e9 claire.<\/p>\n<h3>R\u00e9sultats des premiers adoptants<\/h3>\n<p>Les chiffres fournis par les praticiens sont frappants, bien qu'ils proviennent de l'auto-reports plut\u00f4t que d'\u00e9tudes contr\u00f4l\u00e9es.<\/p>\n<p>Un consultant a r\u00e9alis\u00e9 ce qui aurait \u00e9t\u00e9 un projet de $50 000 pour moins de $300 en co\u00fbts d'IA - en ex\u00e9cutant des sessions automatis\u00e9es pendant la nuit. Une \u00e9quipe de d\u00e9marrage a r\u00e9alis\u00e9 six livrables majeurs en une nuit, avec des r\u00e9sultats, des v\u00e9rifications et une documentation fonctionnels. Un praticien a construit un produit entier en trois mois de sessions automatis\u00e9es.<\/p>\n<p>Les co\u00fbts typiques varient de $50 \u00e0 100 pour des projets importants comportant plus de 50 sessions de travail. Chaque session dure de 30 \u00e0 45 minutes avant de se d\u00e9rouler \u00e0 v\u00e9lo.<\/p>\n<p>Anthropic a formalis\u00e9 cette approche en d\u00e9cembre 2025, en publiant un support officiel. Le mod\u00e8le est pass\u00e9 du statut de solution de contournement \u00e0 celui de m\u00e9thodologie approuv\u00e9e.<\/p>\n<h3>La limitation<\/h3>\n<p>Cette approche est d\u00e9terministe dans un monde impr\u00e9visible. Comme le dit un praticien, \u201cil vaut mieux \u00e9chouer de mani\u00e8re pr\u00e9visible que r\u00e9ussir de mani\u00e8re impr\u00e9visible\u201d : \"Il vaut mieux \u00e9chouer de mani\u00e8re pr\u00e9visible que r\u00e9ussir de mani\u00e8re impr\u00e9visible\".\u201d<\/p>\n<p>C'est \u00e0 la fois une force et une contrainte. Le cyclisme du nouveau d\u00e9part fonctionne lorsque vous pouvez d\u00e9finir clairement le succ\u00e8s. Il se heurte \u00e0 des difficult\u00e9s lorsque le succ\u00e8s est subjectif, lorsque la qualit\u00e9 est implicite et lorsque la \u201cbonne\u201d r\u00e9ponse n\u00e9cessite un jugement humain pour \u00eatre reconnue.<\/p>\n<h2>Approche 2 : M\u00e9moire s\u00e9lective<\/h2>\n<p>Le cycle Fresh-start \u00e9limine tout ce qui se trouve entre les sessions. Chaque cycle commence par un nouveau d\u00e9part. Et si vous pouviez pr\u00e9server s\u00e9lectivement les \u00e9l\u00e9ments importants ?<\/p>\n<p>La m\u00e9moire s\u00e9lective adopte une approche diff\u00e9rente : elle extrait et stocke les informations essentielles et rejette le reste. Au lieu de tout recommencer, l'IA h\u00e9rite d'un r\u00e9sum\u00e9 de ce qui est important.<\/p>\n<h3>Le mod\u00e8le \u00e0 deux r\u00f4les<\/h3>\n<p>Une mise en \u0153uvre courante utilise deux r\u00f4les d'IA sp\u00e9cialis\u00e9s :<\/p>\n<ul>\n<li><strong>R\u00f4le de mise en place :<\/strong> Ne fonctionne qu'au d\u00e9but. \u00c9tablit le contexte, identifie les informations cl\u00e9s, cr\u00e9e les documents de r\u00e9f\u00e9rence initiaux.<\/li>\n<li><strong>R\u00f4le de travail :<\/strong> G\u00e8re toutes les sessions suivantes. Maintient la continuit\u00e9 gr\u00e2ce \u00e0 trois artefacts : un suivi de l'avancement des travaux montrant les travaux termin\u00e9s et en attente, une liste de contr\u00f4le avec les \u00e9l\u00e9ments marqu\u00e9s comme \u00e9tant termin\u00e9s ou restants, et un historique des changements montrant ce qui a \u00e9t\u00e9 modifi\u00e9 et pourquoi.<\/li>\n<\/ul>\n<p>Le d\u00e9marrage de la session est explicite : confirmer l'\u00e9tat actuel, examiner les documents relatifs \u00e0 l'\u00e9tat d'avancement, s\u00e9lectionner les travaux restants les plus prioritaires, v\u00e9rifier la ligne de base avant d'entreprendre de nouveaux travaux.<\/p>\n<p>La diff\u00e9rence par rapport au cyclisme de d\u00e9part : l'\u00e9tape de la compression. Le r\u00f4le de travail h\u00e9rite d'un r\u00e9sum\u00e9 du contexte pertinent. Les recherches sugg\u00e8rent que cette approche peut permettre \u00e0 l'intelligence artificielle d'accomplir de longues s\u00e9quences de t\u00e2ches en n'utilisant que 16% des informations dont elle aurait eu besoin autrement. Soit une r\u00e9duction de 84% des frais g\u00e9n\u00e9raux.<\/p>\n<h3>M\u00e9moire avanc\u00e9e : Pr\u00e9servation des relations<\/h3>\n<p>L'\u00e9tat de l'art en mati\u00e8re de m\u00e9moire s\u00e9lective permet de pr\u00e9server non seulement les faits, mais aussi les relations.<\/p>\n<p>R\u00e9fl\u00e9chissez \u00e0 la mani\u00e8re dont les humains se souviennent des projets. Nous ne nous souvenons pas seulement de faits isol\u00e9s. Nous nous souvenons que telle d\u00e9cision a entra\u00een\u00e9 telle cons\u00e9quence, que telle personne assume telle responsabilit\u00e9, que tel document est li\u00e9 \u00e0 telle exigence. Les liens sont aussi importants que le contenu.<\/p>\n<p>Les syst\u00e8mes de m\u00e9moire IA avanc\u00e9s saisissent aujourd'hui ces relations. Lorsqu'ils stockent des informations, ils extraient non seulement ce qui s'est pass\u00e9, mais aussi qui \u00e9tait impliqu\u00e9, \u00e0 quoi cela \u00e9tait li\u00e9 et pourquoi c'\u00e9tait important. Lorsqu'ils r\u00e9cup\u00e8rent des informations, ils peuvent reconstituer le contexte en suivant ces fils de relations.<\/p>\n<p>Les mesures de performance de ces syst\u00e8mes : 26% am\u00e9lioration des \u00e9valuations de la qualit\u00e9. 90%+ r\u00e9duction de la surcharge d'information tout en maintenant la coh\u00e9rence. Meilleure gestion des t\u00e2ches qui s'\u00e9tendent sur plusieurs sessions.<\/p>\n<h3>Le compromis<\/h3>\n<p>La m\u00e9moire s\u00e9lective ajoute \u00e0 la complexit\u00e9. Vous avez besoin d'une infrastructure de stockage et de r\u00e9cup\u00e9ration. Vous devez d\u00e9cider ce qu'il faut garder et ce qu'il faut jeter. Vous devez vous assurer que la compression pr\u00e9serve ce qui est important.<\/p>\n<p>Ce probl\u00e8me n'est pas r\u00e9solu. Les syst\u00e8mes de m\u00e9moire peuvent perdre des d\u00e9tails essentiels. La compression peut introduire des distorsions subtiles. L'intelligence artificielle peut r\u00e9cup\u00e9rer le mauvais contexte au mauvais moment. La r\u00e9duction du 84% semble impressionnante jusqu'\u00e0 ce que le 16% que vous avez conserv\u00e9 perde quelque chose d'essentiel.<\/p>\n<h2>Approche 3 : Coordination de l'\u00e9quipe<\/h2>\n<p>Et si la r\u00e9ponse n'\u00e9tait pas une IA dot\u00e9e d'une meilleure m\u00e9moire, mais plusieurs syst\u00e8mes d'IA aux r\u00f4les bien d\u00e9finis ?<\/p>\n<p>La coordination d'\u00e9quipe d\u00e9compose le travail complexe en r\u00f4les sp\u00e9cialis\u00e9s coordonn\u00e9s par un responsable central. Chaque r\u00f4le a un champ d'action limit\u00e9, des besoins d'information limit\u00e9s et un travail sp\u00e9cifique. Le responsable conserve la vue d'ensemble et ne transmet que les informations pertinentes \u00e0 chaque travailleur.<\/p>\n<h3>Le motif en coulisse<\/h3>\n<p>Les principales entreprises d'intelligence artificielle l'utilisent en interne. La structure :<\/p>\n<p><strong>Coordinateur :<\/strong> Un syst\u00e8me d'intelligence artificielle capable d'analyser les demandes, de planifier l'approche, de conserver la m\u00e9moire et de diriger les sp\u00e9cialistes.<\/p>\n<p><strong>Sp\u00e9cialistes :<\/strong> Syst\u00e8mes d'IA cibl\u00e9s fonctionnant en parall\u00e8le pour des t\u00e2ches sp\u00e9cifiques.<\/p>\n<p>R\u00e9sultat : les syst\u00e8mes bas\u00e9s sur le travail d'\u00e9quipe sont 90% plus performants que les syst\u00e8mes d'IA individuels dans les t\u00e2ches de recherche complexes. Il ne s'agit pas d'une am\u00e9lioration marginale. Il s'agit d'un quasi-doublement des performances.<\/p>\n<p>L'id\u00e9e cl\u00e9 : la gestion de l'information explique 80% des diff\u00e9rences de performance dans l'IA en \u00e9quipe. Les outils et les mod\u00e8les d'IA sp\u00e9cifiques importent moins que la mani\u00e8re dont l'information circule entre les r\u00f4les.<\/p>\n<h3>Deux mod\u00e8les de coordination<\/h3>\n<p><strong>Mod\u00e8le de transfert :<\/strong> Un syst\u00e8me d'IA passe le contr\u00f4le \u00e0 un autre en cours de t\u00e2che. Chacun est au courant de l'existence des autres et d\u00e9cide du moment o\u00f9 il doit s'en remettre \u00e0 eux. Le travail se poursuit, mais la responsabilit\u00e9 est transf\u00e9r\u00e9e. Ce syst\u00e8me fonctionne bien pour les flux de travail s\u00e9quentiels et \u00e9chelonn\u00e9s.<\/p>\n<p><strong>Mod\u00e8le de gestionnaire :<\/strong> Un coordinateur central assigne le travail aux sp\u00e9cialistes et collecte les r\u00e9sultats. Les sp\u00e9cialistes renvoient les r\u00e9sultats ; le coordinateur garde le contr\u00f4le et prend les d\u00e9cisions. Il n'y a pas de transfert du fil principal. Fonctionne bien pour le traitement parall\u00e8le et la synth\u00e8se des r\u00e9sultats.<\/p>\n<p>Le choix d\u00e9pend de votre flux de travail. Les transferts fonctionnent bien lorsque les t\u00e2ches se d\u00e9composent naturellement en \u00e9tapes. Les mod\u00e8les de gestionnaire fonctionnent bien lorsque vous avez besoin d'un traitement parall\u00e8le avec une prise de d\u00e9cision centralis\u00e9e.<\/p>\n<h3>Normalisation de l'industrie<\/h3>\n<p>En 2025, l'industrie a normalis\u00e9 la mani\u00e8re dont les syst\u00e8mes d'IA se connectent entre eux et aux ressources externes. Pensez-y comme \u00e0 la normalisation des prises \u00e9lectriques : les produits de diff\u00e9rents fabricants peuvent d\u00e9sormais fonctionner ensemble.<\/p>\n<p>Une norme d\u00e9finit la mani\u00e8re dont l'IA se connecte aux sources d'information et aux outils. Une autre d\u00e9finit la mani\u00e8re dont les syst\u00e8mes d'intelligence artificielle communiquent entre eux. Ensemble, elles constituent des \u00e9l\u00e9ments de base qui peuvent \u00eatre assembl\u00e9s dans diff\u00e9rentes configurations.<\/p>\n<p>Cet aspect est important car il permet la modularit\u00e9. Un flux de travail construit par une \u00e9quipe peut incorporer des composants construits par une autre \u00e9quipe. Les syst\u00e8mes de m\u00e9moire deviennent interchangeables. Les sources d'information peuvent \u00eatre d\u00e9couvertes. L\u201c\u201d\u00e9cosyst\u00e8me de l'IA\" n'est pas une question de marketing, c'est une r\u00e9alit\u00e9 technique que ces normes rendent possible.<\/p>\n<h3>Les frais g\u00e9n\u00e9raux<\/h3>\n<p>L'IA en \u00e9quipe utilise environ 15 fois plus de ressources que l'IA \u00e0 interaction unique. C'est le co\u00fbt de la coordination. Pour les t\u00e2ches simples, ces frais g\u00e9n\u00e9raux annulent tout avantage. Pour les t\u00e2ches complexes, l'am\u00e9lioration de la fiabilit\u00e9 justifie les d\u00e9penses.<\/p>\n<p>Les modes de d\u00e9faillance sont \u00e9galement plus complexes. Une mauvaise conception du transfert a entra\u00een\u00e9 l'abandon de 40% clients par une entreprise de commerce \u00e9lectronique lorsque les transitions de l'IA ont d\u00e9rout\u00e9 les utilisateurs. Les d\u00e9faillances en cascade peuvent se propager dans les r\u00e9seaux d'IA. Une analyse de l'industrie de 2025 a identifi\u00e9 14 mod\u00e8les de d\u00e9faillance uniques dans la conception des syst\u00e8mes, les ruptures de coordination et la v\u00e9rification de la qualit\u00e9.<\/p>\n<h2>Choisir la bonne approche<\/h2>\n<p>Voici ce que je pense de ces options :<\/p>\n<ul>\n<li><strong>Cyclisme nouveau d\u00e9part<\/strong> fonctionne lorsque les t\u00e2ches sont clairement mesurables, que vous pouvez tol\u00e9rer des progr\u00e8s progressifs pr\u00e9visibles, que les progr\u00e8s peuvent \u00eatre enti\u00e8rement consign\u00e9s dans des documents et des dossiers, et que vous pr\u00e9f\u00e9rez la simplicit\u00e9 \u00e0 la sophistication.<\/li>\n<li><strong>M\u00e9moire s\u00e9lective<\/strong> Lorsque les t\u00e2ches n\u00e9cessitent de pr\u00e9server les relations entre les sessions, vous disposez d'une infrastructure de stockage et de r\u00e9cup\u00e9ration, l'efficacit\u00e9 est importante \u00e0 l'\u00e9chelle et vous pouvez investir dans des syst\u00e8mes de compression.<\/li>\n<li><strong>Coordination de l'\u00e9quipe<\/strong> fonctionne lorsque les t\u00e2ches se d\u00e9composent naturellement en sous-t\u00e2ches sp\u00e9cialis\u00e9es, que vous avez besoin d'un traitement parall\u00e8le, que le surco\u00fbt de coordination (15x les ressources) est acceptable et que vous pouvez g\u00e9rer des modes de d\u00e9faillance plus complexes.<\/li>\n<\/ul>\n<p>La plupart des syst\u00e8mes de production combinent des \u00e9l\u00e9ments de ces trois types de syst\u00e8mes. Un syst\u00e8me bas\u00e9 sur l'\u00e9quipe o\u00f9 chaque sp\u00e9cialiste utilise le cycle du nouveau d\u00e9part. Un coordinateur \u00e0 m\u00e9moire augment\u00e9e qui dirige des travailleurs sans \u00e9tat. Ces approches sont compl\u00e9mentaires et non exclusives.<\/p>\n<p>Le point commun : ces trois approches externalisent les informations que l'IA ne peut pas conserver de mani\u00e8re fiable en interne. Elles se distinguent par la quantit\u00e9 d'informations qu'elles externalisent et par la mani\u00e8re dont elles g\u00e8rent leur r\u00e9cup\u00e9ration.<\/p>\n<p><em>En <a href=\"https:\/\/www.artefact.com\/fr\/blog\/long-run-ai-agents-part-3-what-this-actually-means-for-organizations\/\">Troisi\u00e8me partie<\/a>, Nous examinerons ce que l'IA \u00e0 long terme signifie pour les organisations : comment le travail change, quelle gouvernance est n\u00e9cessaire et quelles sont les opportunit\u00e9s r\u00e9alistes en 2026.<\/em><\/p>\n<p>&nbsp;<\/p>\n<p><strong>R\u00e9f\u00e9rences<\/strong><\/p>\n<p><span style=\"text-decoration: underline;\">Documents de recherche<\/span><\/p>\n<ul>\n<li>Construire une IA pr\u00eate pour la production avec une m\u00e9moire \u00e0 long terme \u00e9volutive <a href=\"http:\/\/arxiv.org\/abs\/2504.19413\" target=\"_blank\" rel=\"noopener\">arxiv.org\/abs\/2504.19413<\/a><\/li>\n<li>Architecture de m\u00e9moire bas\u00e9e sur des graphes multiples pour l'IA <a href=\"http:\/\/arxiv.org\/abs\/2601.03236\" target=\"_blank\" rel=\"noopener\">arxiv.org\/abs\/2601.03236<\/a><\/li>\n<li>Mesurer l'IA dans la production - <a href=\"http:\/\/arxiv.org\/abs\/2512.04123\" target=\"_blank\" rel=\"noopener\">arxiv.org\/abs\/2512.04123<\/a><\/li>\n<\/ul>\n<p><span style=\"text-decoration: underline;\">Rapports sur l'industrie et livres blancs<\/span><\/p>\n<ul>\n<li>Modes de d\u00e9faillance des syst\u00e8mes d'intelligence artificielle - Microsoft<\/li>\n<li>Les le\u00e7ons de 2025 sur l'IA et la confiance - Google Cloud<\/li>\n<li>\u00c9tat de l'ing\u00e9nierie de l'IA - LangChain<\/li>\n<li>\u00c9valuation de r\u00e9f\u00e9rence par rapport \u00e0 l'\u00e9valuation en situation r\u00e9elle - METR<\/li>\n<\/ul>\n<p><span style=\"text-decoration: underline;\">Documentation technique<\/span><\/p>\n<ul>\n<li>Comment nous avons construit notre syst\u00e8me de recherche multi-agents - Anthropic<\/li>\n<li>Sp\u00e9cification du protocole de contexte de mod\u00e8le - modelcontextprotocol.io<\/li>\n<li>Documentation sur le cyclisme nouveau d\u00e9part (\u201cRalph Wiggum\u201d) - Geoffrey Huntley (<a href=\"http:\/\/ghuntley.com\/ralph\/\" target=\"_blank\" rel=\"noopener\">ghuntley.com\/ralph\/<\/a>)<\/li>\n<\/ul>","protected":false},"excerpt":{"rendered":"<p>Fin 2025, une technique au nom absurde de \" Ralph Wiggum \" est devenue virale chez les praticiens. Ce nom vient d'un personnage des Simpsons \u2013 d\u00e9lib\u00e9r\u00e9ment ridicule, car l'id\u00e9e centrale est presque embarrassante de simplicit\u00e9.<\/p>","protected":false},"featured_media":1086606,"parent":0,"template":"","meta":{"_acf_changed":false,"ep_exclude_from_search":false},"blog-category":[2995],"blog-language":[2991],"class_list":["post-1083984","blog","type-blog","status-publish","has-post-thumbnail","hentry","blog-category-ai-technology","blog-language-en"],"acf":[],"_links":{"self":[{"href":"https:\/\/www.artefact.com\/fr\/wp-json\/wp\/v2\/blog\/1083984","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.artefact.com\/fr\/wp-json\/wp\/v2\/blog"}],"about":[{"href":"https:\/\/www.artefact.com\/fr\/wp-json\/wp\/v2\/types\/blog"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/www.artefact.com\/fr\/wp-json\/wp\/v2\/media\/1086606"}],"wp:attachment":[{"href":"https:\/\/www.artefact.com\/fr\/wp-json\/wp\/v2\/media?parent=1083984"}],"wp:term":[{"taxonomy":"blog-category","embeddable":true,"href":"https:\/\/www.artefact.com\/fr\/wp-json\/wp\/v2\/blog-category?post=1083984"},{"taxonomy":"blog-language","embeddable":true,"href":"https:\/\/www.artefact.com\/fr\/wp-json\/wp\/v2\/blog-language?post=1083984"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}