Claude Code a aidé à bâtir un CRM fonctionnel de 46 000 lignes — et un guide existe déjà

Habr AI a publié un cas détaillé sur la façon dont une équipe de deux personnes a construit un CRM commercial presque entièrement avec Claude Code. En un mois et demi, elle a obtenu 46 000 lignes de code, un produit fonctionnel et un ensemble de règles sans lesquelles ce mode de travail tourne vite au chaos.

Ce qu'ils ont construit

Les auteurs décrivent non pas un prototype pédagogique, mais un CRM fonctionnel pour traiter les demandes entrantes et suivre les affaires. Le système peut répondre automatiquement aux e-mails, créer des tâches et faire avancer le client dans l'entonnoir.

Le projet a été écrit par deux personnes. L'une cumulait les rôles de manager et d'analyste, collectait les tâches des appels via ReadAi et les rangeait dans Jira par MCP. L'autre pilotait le processus de développement, d'implémentation et de test. La stack retenue : NestJS, NextJS, ShadCN UI et PostgreSQL.

La conclusion clé de l'expérience est simple : ce qui impressionne, ce n'est pas le chiffre de 46 000 lignes, mais le fait qu'un client utilise déjà le projet. La différence compte face au scepticisme habituel envers le vibe coding, souvent associé soit à des démos de week-end, soit à une production accélérée de dette technique. Ici, les auteurs montrent le scénario inverse : si l'on borne à l'avance les tâches, les rôles et les règles de travail, l'IA peut n'être pas un jouet, mais un outil tout à fait pratique pour le développement commercial.

Comment le processus a été organisé

Le principal artefact de l'équipe a été un fichier claude.md court — pas une décharge de connaissances, mais un point d'entrée avec la description du projet, la stack, des liens vers la documentation et des règles de base. Tout le reste a été sorti dans des fichiers md distincts par module : affaires, traitement du courrier, API et autres parties du système. Pour le backend, la base de données et d'autres domaines, ils ont créé leurs propres « agents » sous forme d'instructions avec des motifs, des contraintes et des erreurs typiques. L'idée est que Claude ne lise que le contexte dont il a besoin à l'instant, au lieu de dépenser des tokens sur tout le projet.

• Un claude.md court avec l'essentiel
• Des fichiers md distincts pour les gros modules
• Des instructions spécialisées pour le backend et la base de données
• Un contexte par tâche
• Une relecture obligatoire après la génération

La deuxième règle : ne pas mélanger les tâches dans une même fenêtre. Les auteurs conseillent de s'en tenir au schéma « un contexte = une tâche », de faire un clear une fois la tâche terminée et d'utiliser resume pour y revenir. La raison : quand le contexte déborde, Claude compresse l'historique et perd des détails au pire moment. Pour les gros morceaux de travail, ils activaient le plan mode afin de découper l'implémentation en sous-tâches indépendantes.

Selon leur estimation, même l'abonnement de base à 20 dollars suffit pour 3–5 heures de travail actif, si la documentation et la structure du projet sont déjà prêtes.

Où surgissent les problèmes

L'article passe en revue à part les défaillances typiques. Claude peut confondre des méthodes de bibliothèques, oublier ce qui a déjà été discuté, produire du code en double ou proposer des choix d'architecture qui s'articulent mal avec le reste du système.

Les API externes sont une source d'erreurs à part. Si l'on va chercher la documentation sur internet à la volée à chaque fois, le modèle dépense plus de tokens et se trompe plus souvent sur les paramètres ou les scénarios d'usage. Pour chaque intégration, l'équipe demandait donc d'abord à l'IA de compiler un fichier md à partir de la documentation officielle, et ne passait au code qu'ensuite.

Les auteurs conseillent aussi de ne pas sauter la phase de discovery, de ne pas se fier sans vérification à un cahier des charges que le client a généré avec une IA, et de ne pas attendre un résultat parfait du premier coup. Pour les tâches d'architecture complexes, ils ont branché Sequential Thinking, afin que le modèle déroule d'abord une chaîne de raisonnement plutôt que de se jeter sur le code. Pour naviguer dans une grande base de code, Serena s'est révélé utile : il économise du contexte dans la recherche de fichiers.

Ils formulent le principe général très directement :

« L'essentiel est de comprendre ce que tu veux obtenir en sortie et de

ne pas générer du chaos ».

Ce que cela signifie

Le cas de Habr AI montre que, dans le vibe coding, le vrai déficit n'est pas la génération de code, mais la maîtrise du processus. Claude Code accélère le développement, mais seulement si l'équipe a de la discipline en matière de documentation, de découpage des tâches, de relecture et de gestion du contexte.

Pour les studios et les équipes produit, c'est en somme une nouvelle compétence opérationnelle : savoir écrire des prompts ne suffit pas, il faut savoir concevoir un environnement où l'IA ne se disperse pas dans le projet, mais le fait avancer.