Claude Code a aidé à créer un système CRM fonctionnel de 46 000 lignes — un guide est déjà disponible

Sur Habr AI, une étude de cas détaillée a été publiée sur la façon dont une équipe de deux personnes a construit un système CRM commercial presque entièrement en utilisant Claude Code. En un mois et demi, ils ont produit 46 mille lignes de code, un produit fonctionnel et un ensemble de règles sans lesquelles ce mode se transforme rapidement en chaos.

Ce Qu'Ils Ont Construit

Les auteurs décrivent non pas un prototype éducatif, mais un système CRM fonctionnel pour traiter les demandes entrantes et gérer les deals. Le système peut répondre automatiquement aux e-mails, créer des tâches et faire progresser les clients dans l'entonnoir. Le projet a été écrit par deux personnes : l'une cumulait les rôles de gestionnaire et d'analyste, collectant les tâches à partir des appels vidéo via ReadAI et les organisant dans Jira via MCP ; l'autre gérait le processus de développement lui-même, la mise en œuvre et les tests.

Ils ont choisi NestJS, NextJS, ShadCN UI et PostgreSQL comme stack. La conclusion clé de cette expérience est simple : ce qui est impressionnant, ce n'est pas le chiffre de 46 mille lignes en lui-même, mais que le client utilise déjà le produit. C'est une distinction importante par rapport au scepticisme habituel envers le vibe coding, souvent associé à des démos de fin de semaine ou à la production accélérée de dette technique.

Dans ce cas, les auteurs démontrent le scénario opposé : si vous limitez clairement les tâches, les rôles et les règles de travail à l'avance, l'IA peut être non pas un jouet, mais un outil assez pratique pour le développement commercial.

Comment Ils Ont Organisé le Processus

Le principal artefact de l'équipe a été un fichier claude.md court—non un dépôt de connaissances, mais un point d'entrée avec une description du projet, la stack, des liens vers la documentation et les règles de base. Tout le reste a été déplacé vers des fichiers md-séparés par modules : deals, traitement des e-mails, 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 modèles, des contraintes et des erreurs typiques. L'idée est que Claude ne lise que le contexte nécessaire à ce moment-là, plutôt que de dépenser des tokens sur l'ensemble du projet à la fois.

• Fichier claude.md court avec les informations les plus importantes
• Fichiers md-séparés pour les modules importants
• Instructions spécialisées pour le backend et la base de données
• Un contexte pour une tâche
• Examen obligatoire après la génération

La deuxième règle est de ne pas mélanger les tâches dans une même fenêtre. Les auteurs recommandent de respecter le schéma « un contexte = une tâche », de faire clear après l'achèvement et d'utiliser resume pour revenir. La raison en est que lorsque le contexte déborde, Claude compresse l'historique et perd les détails au pire moment. Pour les gros morceaux de travail, ils activaient plan mode pour diviser la mise en œuvre en sous-tâches indépendantes. Selon leur estimation, même un abonnement de base de 20 $ suffit pour 3–5 heures de travail actif si la documentation et la structure du projet sont déjà préparées.

Où Surgissent les Problèmes

L'article discute séparément des défaillances typiques. Claude peut confondre les méthodes des bibliothèques, oublier ce qui a déjà été discuté, produire du code en double ou suggérer des solutions architecturales qui ne s'intègrent pas bien avec le reste du système. Une source séparée d'erreurs est les API externes.

Si vous tirez la documentation d'Internet à la volée à chaque fois, le modèle dépense plus de tokens et fait plus souvent des erreurs sur les paramètres ou les scénarios d'utilisation. C'est pourquoi pour chaque intégration, l'équipe a d'abord demandé à l'IA d'assembler un fichier md-séparé basé sur la documentation officielle, puis seulement ensuite passée au code. Les auteurs recommandent également de ne pas sauter la découverte, de ne pas faire confiance sans vérifier un document de spécifications que le client a généré via l'IA, et de ne pas s'attendre à un résultat parfait à la première tentative.

Pour les tâches architecturales complexes, ils utilisaient Sequential Thinking pour permettre au modèle de d'abord parcourir une chaîne de raisonnement avant d'écrire immédiatement du code. Pour naviguer dans une grande base de code, Serena s'est avérée utile, économisant du contexte sur la recherche de fichiers.

« L'essentiel est de comprendre ce que vous voulez obtenir en sortie

et de ne pas générer du chaos. »

Ce Que Cela Signifie

Le cas de Habr AI montre bien que le principal déficit du vibe coding 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 documentation, division des tâches, révision et gestion du contexte. Pour les studios et les équipes produit, c'est essentiellement une nouvelle compétence opérationnelle : il ne suffit pas de savoir écrire des prompts, vous devez être capable de concevoir un environnement où l'IA ne s'étale pas sur le projet mais le fait avancer.