GPT-5.4, Claude-Boom et Pentagon-Showdown : redéfinir l’IA (2026-03-08)

GPT-5.4 contre Claude Opus 4.6 : Course des modèles, conflit militaire et bouleversement du marché

Dimanche 8 mars 2026

Bonjour, ce digest hebdomadaire analyse les vidéos nouvelles les plus importantes provenant d’environ 45 chaînes YouTube curatées sur l’IA et le Coding — avec du contenu substantiel, rien de superficiel. Un résumé complet par vidéo, accompagné d’un aperçu hebdomadaire des thèmes dominants. Lisez tranquillement — ou copiez un résumé dans le LLM de votre choix et approfondissez. Cliquez sur le lien sous chaque résumé pour regarder la vidéo originale.

Sorties de modèles & Benchmarks

GPT-5.4 a dominé la discussion des benchmarks de la semaine, mais Google et xAI n’ont pas chômé. Gemini 3.1 Pro — modèle multimodal natif avec contexte de 1 million de tokens et grounding Google Search — partage la première place avec GPT-5.4 selon Artificial Analysis sur les benchmarks combinés. Le plus petit Gemini 3.1 Flash Light ($0,025/million tokens d’entrée, 363 tokens/sec) est 2,5× plus rapide que Gemini 2.5 Flash selon WorldofAI et convient aux charges de travail développeur à haut volume. GPT-5.3 Instant est apparu comme une mise à jour intermédiaire réduisant le « Overcotting » notoire d’OpenAI — moins de commentaires de sécurité condescendants sur les demandes triviales. Grok 4.20 de xAI s’exécute avec une architecture multi-agents (quatre agents spécialisés parallèles), fenêtre de contexte doublée à 2 millions de tokens.

IA locale & Open-Source

Qwen a publié une nouvelle famille de modèles de 0,8 à 9 milliards de paramètres s’exécutant sur du matériel grand public : le flagship 9B ne nécessite que 10 GB de RAM et devrait atteindre le niveau de GPT-4o, grâce à la distillation à partir d’un modèle MoE de 397 milliards de paramètres et à la nouvelle architecture hybride Gated-Deltanet avec fenêtre contextuelle native de 256 K. Simone Rizzo a montré une démo en direct avec Ollama. Ombre au tableau du côté open-source : le personnel de direction de Qwen (Lead Technique et Head of Post-Training) a quitté Alibaba suite à des plans de restructuration — un signal possible que les sorties gratuites d’open-weights deviendront plus rares. Bart Slodyczka a démontré comment faire fonctionner Claude Code complètement gratuitement via OpenRouter en routant vers des modèles libres comme Qwen 3 Coder (480 milliards de paramètres, pas de VRAM nécessaire localement).

Claude Code & Outillage Anthropic

Claude Code a été la catégorie de produits la plus active de la semaine. Anthropic a livré en succession rapide : tâches programmées natives dans l’app de bureau (agentiques, auto-correctrices, rattrapage jusqu’à 7 jours) ; fonctionnalité Loop pour les tâches automatisées jusqu’à 3 jours dans les sessions ouvertes ; Remote Control pour tous les forfaits payants (miroir de session terminal depuis le smartphone) ; Voice Mode pour ~5 % des utilisateurs ; un Skill Creator refondu avec evals intégrées et benchmarking. Nate Herk a montré en direct comment transformer un skill Morning-Brief en automatisation quotidienne de 6h via /schedule. Mark Kashef a démontré un skill Multi-Model-Council utilisant Claude Code comme moteur principal et faisant appel à Gemini et Codex via OpenRouter pour des sous-tâches — le résultat était une landing page visuellement beaucoup plus forte. Liam Ottley a construit un système d’exploitation AI complet (AIOS) avec Claude Code comme noyau : couches Context, Data, Intelligence et Automation, contrôlées via Telegram, avec lequel il gère quatre entreprises et 60+ employés depuis son mobile.

Coding Agents (non-Claude)

Cloudflare a publié V-Next — une réimplémentation complète de Next.js basée sur Vite, créée en un jour avec des agents IA (coût d’environ 1 100 dollars en tokens) et fournissant selon les benchmarks de Cloudflare des builds de production 4,4× plus rapides et des bundles clients 57 % plus petits. Fireship a montré l’agent de migrations Cursor intégré, mais a averti de l’instabilité des dernières versions ; le CTO de Vercel a appelé le projet un « slop fork ». Cursor Automations apporte des agents cloud basés sur des triggers (événements GitHub, Slack, Linear, Cron) dans des sandboxes isolées, créant automatiquement des PRs de sécurité reviews et code cleanup. CodeBuff (Apache-2.0, coordination multi-agents) revendique selon WorldofAI une vitesse triple par rapport à Claude Code, s’exécute sur Opus 4.6 et affiche des sub-agents parallèles avec diffs visibles. Theo (t3.gg) a publié T3 Code — un outil de bureau open-source gratuit avec workflows de work-tree et intégration GitHub en un clic, utilisant Codex CLI comme harness et prévoyant d’intégrer Claude, Cursor CLI et Gemini.

Ingénierie logicielle & Culture dev

Cole Medin a contredit la thèse d’Amodei sur la disparition de l’ingénierie logicielle avec des données : 90 % des équipes d’engineering utilisent l’IA « dans le workflow », mais seulement 51 % quotidiennement ; 21 % des licences restent sous-utilisées. Sa trilogie conceptuelle — Prompt Engineering → Context Engineering → Intent Engineering — décrit le passage à l’architecture, la traduction des exigences et les stratégies de validation comme activité clé. Tech With Tim a complété : les développeurs juniors doivent aujourd’hui travailler au niveau des mid-seniors d’il y a cinq ans, le processus d’embauche est structurellement focalisé sur le mauvais problème avec les interviews Leetcode. Matt Pocock et Melvynx ont indépendamment décrit le même gain de productivité : forker des projets open-source et les transformer en app personnalisée avec Claude Code en heures.

Nate B. Jones a analysé la différence Claude-Code versus Codex-Harness comme choix d’architecture stratégique : le même modèle Claude a atteint 78 % sur le harness Claude-Code, 42 % sur le harness Small-Agents — purement par l’architecture. Les cinq divergences (Execution Philosophy, State & Memory, Context Management, Tool-Integration, Multi-Agent-Architecture) créent un lock-in qu’il compare au débat AWS-versus-Azure de 2010.

AI OS personnel & Frameworks d’agents

OpenClaw (aussi translittéré OpenCore et OpenCla) était la plateforme open-source la plus discutée de la semaine. Plusieurs chaînes l’ont directement comparée à l’écosystème de Claude : Kyle Balmer a souligné que décembre 2025 marque le tournant — OpenClaw est devenu avec ~260 000 stars GitHub le projet open-source le plus « forké » de tous les temps, Claude Code génère quotidiennement 140 000 commits publics. Nic Conley a laissé les deux systèmes construire un agent de médias sociaux entièrement automatique : OpenClaw a posté autonomement à 9:02 le matin suivant sur une VPS, les Scheduled Tasks de Claude Code nécessitaient un ordinateur local en marche. Brian Casel a établi le principe de design décisif : les Skills en tant que définitions de processus Markdown agnostiques de la plateforme sont le capital portable — celui qui les construit n’investit pas dans un seul outil.

Dave Ebbelaar a structuré clairement les niveaux de complexité : du Niveau 1 (Augmented LLM) au Niveau 5 (Multi-Agent-Orchestration), avec le message clé que les DAGs déterministes sont en production plus maintenables que les nœuds LLM avec tool-calls. Nick Saraev a présenté un cours complet de deux heures : Agent-Chat-Rooms (cinq agents avec personnalités différentes débattent un problème dans chat.json), Consensus Multi-Agent Stochastique (10 instances parallèles, mode et médiane), Sub-Agent-Verification-Loops et règle de coût 60/30/10 (Haiku/Flash pour 60 % des tâches).

Automatisation AI & Workflows

Nate Herk a montré la construction complète d’un Assistant Exécutif avec Claude Code : quatre sub-agents parallèles (Morning-Brief, Research, Pulse-Check, Visualization) en moins de deux minutes au lieu de 25 minutes manuellement, avec des Skills en front-matter YAML et API Perplexity pour la recherche moins chère. Ben AI a démontré la Lead-Qualification avec 150 agences : 15 sub-agents parallèles pour la recherche, 18 pour l’enrichissement via scraper LinkedIn Apify, 17 pour la personnalisation de l’outreach — tout dans un chat Claude-Cowork. Leon van Zyl a construit avec n8n un assistant personnel avec deux types de mémoire (mémoire à court terme des 20 derniers messages, tables SQL persistantes pour les préférences utilisateur) via OpenRouter avec Claude Sonnet 3.5. La finale du hackathon Datapizza (19 équipes, 24 heures, gestion virtuelle de restaurant) a cristallisé une règle pratique : les équipes qui d’abord réfléchissaient au problème puis implémentaient minimalement ont régulièrement battu les équipes avec du code généré en masse par l’IA.

Vidéo AI & Création de contenu

Nate Herk a combiné Nano Banana 2 (via key.ai) avec Kling 3.0 et Claude Code pour construire des sites web avec animations de défilement à la Apple : l’image de début et de fin d’un produit sont animées, Claude Code extrait ~120 frames WebP via FFmpeg et associe chaque frame à une position de défilement. Les sites finis sont déployés sur Vercel via GitHub ; la procédure est commercialisée comme service de 5 000–10 000 dollars pour les entreprises locales. Google a publié Notebook LM Cinematic Overviews (plan Google Ultra uniquement, $200–250/mois) avec motion graphics à partir de matériel source — WorldofAI a montré comment Notebook LM en tant que frontend de recherche Gemini gratuit économise les coûts de tokens chez Claude Code.

Affaires AI, Marketing & Freelancing

Zubair Trabzada a construit un outil de marketing AI gratuit avec 15 skills Claude-Code : /market audit lance cinq sub-agents parallèles pour le contenu, le SEO, la conversion, la concurrence et la stratégie et génère un rapport PDF servant de lead-magnet pour des retainers mensuels de 2 000–5 000 dollars. Kyle Balmer et autres chaînes ont signalé le résultat d’étude du MIT : les projets pilotes AI top-down échouent souvent, la formation grassroots pour les employés ordinaires fonctionne — créant un marché pour les ateliers IA avec centaines à milliers d’euros l’heure. Everlast AI a montré un cas pratique de crèche : l’agent vocal « Julette » a repris 40 % des appels quotidiens, économisant un poste de réceptionniste.

PKM & Gestion des connaissances

Nate B. Jones a présenté Open Brain — une architecture de mémoire lisible par agents avec PostgreSQL, embeddings PG-Vector et serveur MCP pour moins de 30 cents/mois (tiers gratuits de Supabase et Slack). La promesse centrale : au lieu de silos propriétaires (Claude Memory, ChatGPT Memory), un système multi-plateforme permettant la recherche sémantique sur tous les outils IA. Sebastien Dubois a présenté trois thèmes Obsidian : le plugin Time Machine (combine les snapshots de File-Recovery avec la timeline Git pour les restaurations partielles granulaires), un système structuré de gestion de livres avec notes de concepts liées comme graphe de connaissance, et le plugin Typefully v3 pour la publication directe de médias sociaux depuis Obsidian.

Prompting & Littératie AI

Tech With Tim a expliqué quatre modèles de prompt via des démos Genspark : Speed Layer (dictée vocale via Speakley), Persona Handoff (rôle expert avec historique de succès concret), Input Flip (référence au lieu de canevas vierge) et Constraint Box (plusieurs restrictions imposent la spécificité). Matt Pocock a formalisé sept phases de développement avec les assistants de codage IA — de l’Idea à travers PRD et Kanban jusqu’à la boucle QA — en soulignant que l’étape prototypage avant la rédaction des PRD prévient les redesigns les plus coûteux. Melvynx a examiné comment les modèles Claude (Sonnet 4.5, Opus 4.5, Opus 4.6) font la sélection d’outils selon les fréquences statistiques plutôt que le besoin réel — un « Benchmark-Business » où des entreprises comme Vercel bénéficient massivement du fait que Claude recommande quotidiennement leurs outils.

Industrie AI & Stratégie

Le drame du Pentagone a eu des conséquences financières directes : OpenAI a assuré selon Nate B. Jones la plus grande ronde de financement privé de l’histoire ($110 milliards, dont Amazon $50 milliards, Nvidia $30 milliards, SoftBank $30 milliards), tandis qu’Anthropic malgré un accès Enterprise plus fort a été coupée des projets gouvernementaux. Plusieurs chaînes ont signalé le risque de financement circulaire : les fournisseurs cloud (AWS, Azure, Google Cloud) sont modèle-agnostiques et veulent du volume de tokens ; celui qui contrôle l’infrastructure contrôle le réseau électrique de l’IA. L’équipe d’experts d’Everlast AI a rapporté que les plugins Claude-Cowork d’Anthropic ont déclenché en trois semaines une destruction de valeur marchande d’environ un billion chez les entreprises legacy SaaS dès leur disponibilité pour Thomson Reuters, Legal Zoom et IBM. Le centre AI de Google Berlin a ouvert avec 18 démos : aperçu en temps réel pour les pompiers de Düsseldorf, interface automobile Mercedes, hotline patients Uniklinik-Köln.

TheAIGRID a documenté les attaques de distillation industrielle : Anthropic a signalé plus de 24 000 comptes frauduleux générant 16 millions d’échanges Claude (DeepSeek, Moonshot AI, Minimax comme auteurs présumés). La coïncidence temporelle avec une décision de l’administration Trump permettant l’export de puces vers la Chine sous conditions a soulevé des questions quant à savoir si c’est une préoccupation de sécurité authentique ou du lobbying pour des contrôles d’export plus stricts.

IA & Société / Avenir du travail

Jack Dorsey a annoncé chez Block la suppression de 4 000 sur 10 000 postes — avec une croissance de l’activité ; l’action a augmenté d’environ 20 %. C’est selon l’évaluation de plusieurs chaînes (Kyle Balmer, Everlast AI) le premier exemple notable de suppressions d’emplois dues à l’efficacité IA chez une entreprise profitable en croissance, pas comme mesure d’urgence. Dario Amodei a averti publiquement d’un « tsunami » — 50 % de tous les emplois d’entrée en danger à partir de 2027. Nate B. Jones a développé le concept des « Frontier Operations » comme nouvelle compétence clé : cinq capacités intégrées (Boundary Sensing, Seam Design, Failure Model Maintenance, Capability Forecasting, Leverage Calibration), qui ne peuvent pas s’apprendre une fois pour toutes car la limite homme-agent se déplace avec chaque sortie de modèle. La chaîne francophone « Le SamourAI » a analysé l’effondrement économique du système de tarif journalier : les clusters GPU remplacent la cognition humaine séquentielle, copiable, et ne survivront que trois profils — l’architecte CAP, le gardien de contexte et le plombier algorithmique.

En bref

Blitzy (agent Enterprise-Coding, plusieurs milliers d’agents coopératifs, tarification à partir de 50 K credits) a montré selon Tech With Tim 150 heures de travail d’équipe comprimées en 6 heures de validation. Hostinger Horizons a construit dans une session de démo un suivi de visa Schengen complet en tant qu’app fullstack incluant l’auth en ~4 minutes, sans configuration serveur manuelle. Simone Rizzo a présenté Rizzo Mesh, un projet didactique de fine-tuning : un modèle de base Gemma a appris la syntaxe 3D-OBJ via LoRA sur 50 000 objets Thingiverse (coût ~300 dollars, 49 heures, résultat GGUF 4,92 GB). Perplexity Computer (Perplexity Max, $200/mois) s’exécute avec Claude Opus 4.6 comme moteur de reasoning plus Gemini, Nano Banana, Grok et GPT-5.2 pour les tâches spécialisées et est selon TheAIGRID l’agent à usage général le plus accessible pour les power-users non techniques. Everlast AI a interviewé Ernst Dickmanns — le pionnier de la conduite autonome a conduit 1 000 km sur l’A1 à 130 km/h en 1994 sans GPS, seulement avec des caméras ; son approche 4D (3D + temps) est considérée comme le précurseur conceptuel des architectures d’agents modernes.

AI Explained (1 nouvelle vidéo)

• What the New ChatGPT 5.4 Means for the World
  6.3.2026, 16:25:26

  La vidéo traite du lancement de GPT 5.4 et de ses implications pour les professions de cols blancs, ainsi que des tensions géopolitiques fondamentales entre OpenAI et Anthropic autour des contrats militaires.

  Sur GPT 5.4 lui-même : Le modèle a été testé en aveugle contre les performances humaines dans 44 professions pertinentes pour le PIB et surpasse les premières tentatives humaines dans 70,8 % des cas (83 % avec les égalités). Une réserve importante : le modèle hallucine plus souvent en cas d’erreur au lieu d’admettre qu’il ne sait pas quelque chose (taux de bullshit de 89 % selon Artificial Analysis). L’analyse comparative porte sur des tâches numériques autonomes et n’est pas représentative de l’ensemble des activités professionnelles réelles. Paradoxalement, GPT 5.4 Pro (version la plus chère) obtient de moins bons résultats dans cette analyse que le GPT 5.4 standard.

  Développement logiciel : La nouvelle intégration CodeExec montre des progrès impressionnants—par exemple la création en une seule tentative d’un tableau animé de ligue pour un club de football—le modèle combinant divers outils et recherches web. L’utilisation de l’ordinateur s’est considérablement améliorée ; GPT 5.4 peut voir et corriger les erreurs dans une boucle de rétroaction quasi fermée. Des sauts de qualité similaires apparaissent pour les présentations et les tableaux par rapport aux versions antérieures.

  Progrès inégaux : Malgré ces avancées, les propres fiches système d’OpenAI révèlent des « performances irrégulières » : sur les benchmarks ML internes, les performances doublent (12 % à 23 %), mais sur les Q&A de preuve OpenAI (questions sur les véritables goulots d’étranglement d’ingénierie), GPT 5.4 Thinking sous-performe même GPT 5.2. Cela reflète le débat central : une formation spécialisée sur un domaine peut-elle mener à une meilleure généralisation, ou faut-il des données spécialisées pour progresser dans chaque créneau ?

  Contrats militaires et Anthropic vs. OpenAI : Le Pentagone a congédié Anthropic du contrat de défense après qu’il ait tracé des lignes rouges sur la guerre autonome et la surveillance. Sam Altman et OpenAI ont obtenu le contrat. Dans un mémo divulgué, le PDG d’Anthropic Dario Amodei critique OpenAI pour avoir accepté du « théâtre de sécurité »—juste une couche de classificateur sur le caractère juridiquement sans restriction. Le Washington Post rapporte que Claude est déjà utilisé dans le système Palantir pour les opérations en Iran (coordonnées de cible, priorisation). Amodei revient plus tard sur le ton de son mémo ; le Pentagone déclare que les négociations sont terminées. Google DeepMind travaille également avec le gouvernement mais garde le silence là-dessus.

  Implication pour les professionnels : L’orateur recommande de ne pas travailler en 2026 sans les meilleurs outils d’IA—utilisation de GPT 5.4, Gemini 3.1 Pro, Claude 4.6 Opus et autres. Il présente son propre outil de comparaison (partie de sa plateforme) qui permet de tester les modèles en aveugle contre des textes/PDF définis par l’utilisateur.

  Contexte plus large : Anthropic s’est écarté de sa mission fondatrice (mise à l’échelle sécurisée, recherche sur la sécurité uniquement)—il scale désormais comme les autres, mais sous le narratif « seulement parce que les autres le font ». Le discours autour de ces entreprises est « gaslighting » et flou ; il n’y a pas de rôles clairs bien/mal.

  La vidéo se termine par une chronologie interactive Viking fonctionnelle montrant la boucle fermée.

  Explicitement abordé dans la vidéo : OpenAI (GPT 5.4, GPT 5.3 CodeEx, Altman), Anthropic (Claude 4.6 Opus, Amodei), Google DeepMind (Gemini 3.1 Pro), Palantir, XAI ; Format : Mise à jour d’actualité + approfondissement avec analyse personnelle et démonstration.

AI Foundations

Aucune nouvelle vidéo durant cette période.

AI avec Arnie (3 nouvelles vidéos)

• OpenClaw est dangereusement bon
  7.3.2026, 12:45:36

  OpenCrow : L’agent IA qui exécute vraiment les choses

  Qu’est-ce qu’OpenCrow ?

  OpenCrow est un agent IA personnel qui exécute des tâches concrètes – il ne fait pas que répondre. Il est accessible via WhatsApp, Telegram et d’autres canaux, s’exécute sur un serveur privé ou un VPS, a accès au navigateur, peut se modifier lui-même s’il lui manque des Skills, et dispose d’une mémoire persistante ainsi que d’un accès système.

  Installation :

  L’installation se fait via un One-Liner sur n’importe quelle machine. Un serveur privé virtuel est recommandé (par exemple, le plan Hostinger KVM2 avec configuration en un clic), car il y a moins de risques d’erreur. Après avoir saisi les données, vous devez entrer les clés API pour les modèles IA (Anthropic, OpenAI, Gemini, xAI) et le jeton du bot Telegram. L’onboarding avec Anthropic est recommandé, après quoi vous pouvez passer à des modèles moins chers (par exemple, un abonnement ChatGPT via OAuth Token).

  7+ cas d’usage concrets :

  1. Gestion de la condition physique : Journalisation de l’entraînement et de la nutrition avec suivi des macros, planification des repas personnalisée selon les objectifs, analyse de photos de repas – remplace MyFitnessPal et applications similaires
  2. Automatisation vidéo : Édition vidéo automatique (suppression des silences, transcription avec Whisper, détection d’erreurs, montage via FFMpeg) – économise ~40% du temps d’édition
  3. Création et édition d’images : Créer des miniatures (via Nano Banana), traitement d’images local via Skills personnalisés (par exemple, déclencher ComfyUI)
  4. Accès Internet et recherche : Brave Search pour les recherches générales, Perplexity pour la recherche, Skill « Last-30-Days » pour les actualités de Reddit, X, YouTube, Hacker News et Bluesky ; résumés de vidéos YouTube ; agrégation de newsletters
  5. Automatisation de navigateur : Contrôle complet du navigateur pour les sites sans API ; attention aux cookies et aux injections de prompts
  6. Gestion des emails (avec prudence) : L’envoi d’emails via un agent webhook est recommandé – éviter l’accès en lecture (risque de sécurité dû aux injections de prompts) ; préférer : agent séparé uniquement pour l’envoi
  7. Orchestration de code : Orchestrer Cloud Code, Codex ou d’autres agents ; par exemple, analyser des vidéos de jeux, générer des spécifications de code et construire des prototypes en minutes
  8. Génération de factures : Des Skills spécialisés (par exemple, de Benny, membre de la communauté) peuvent automatiser les factures
  9. Contrôle de la maison intelligente : Contrôler les caméras, les haut-parleurs, les systèmes d’alarme ; surveillance proactive via un fichier Heartbeat (toutes les 30 min.)

  Économies et performance :

  • Routage des modèles : Les grands modèles uniquement pour les tâches difficiles, les modèles pas chers (par exemple, Gemini Flash) pour les demandes simples
  • Gestion du contexte : /context list affiche la consommation de tokens ; /new réinitialise le contexte ; /compact compresse les sessions ; enregistrer les données de contexte en Markdown pour les références futures
  • Super-agents : Des personas séparées (par exemple, agent marketing avec son profre et un modèle moins cher) pour les tâches spécialisées – réduit les coûts en tokens
  • Architecture multi-agent : OpenCrow en tant que PDG avec différents agents spécialisés (fitness, marketing, programmation, etc.)

  Mémoire et sécurité :

  • Pousser les configurations sur GitHub comme sauvegarde
  • Bases de données vectorielles + bases de données SQL pour une mémoire distribuée
  • Connecter le serveur MCB pour partager la mémoire avec d’autres LLMs (CloudDesktop, ChatGPT, Cursor, etc.)
  • Aucun droit de lecture pour les emails : Risque d’injection de prompt lors de l’accès en lecture aux emails ; préférer : agent webhook avec accès en écriture uniquement

  Non optimal :

  Gestion de grands groupes Telegram (comme des centaines de chats avec ChatGPT) – OpenCrow est plutôt à utiliser comme conversation individuelle, gérer la sauvegarde via la mémoire/Markdown/bases de données.

  La vidéo de démonstration n’a pas de transcription détaillée – elle montre des configurations en direct, la configuration des clés API, l’intégration Telegram et de nombreux exemples pratiques.

  Outils/fournisseurs thématisés : OpenCrow, Anthropic Claude, OpenAI (ChatGPT/o1/o3/Codex via OAuth), Google Gemini, xAI Grok, hébergement via Hostinger VPS, n8n, Floway (mentionné), Telegram, Nano Banana (génération d’images), ComfyUI (local), Ollama, Whisper, FFmpeg, Brave Search, Perplexity, YouTube API, GitHub, MCB (système de partage de mémoire). Format : Tutoriel/Démo avec de nombreux cas d’usage pratiques.

• Presque tout le monde utilise l’IA mal
  6.3.2026, 13:53:33

  Outils CLI pour modèles IA : installation, utilisation et alternatives locales

  Le créateur affirme que l’utilisation de ChatGPT, Claude ou Gemini dans le navigateur est inefficace – on copie constamment le contexte d’avant en arrière, les changements de modèle semblent laborieux. La solution : les outils CLI (Command Line Interface), qui seraient dix fois plus puissants et accessibles à tous, pas seulement aux programmeurs.

  Les outils CLI les plus importants

  Claude (Anthropic), Codex (OpenAI), Gemini CLI et Open Code sont les plus connus. Le choix dépend de votre abonnement : Claude Code pour un plan Anthropic, Codex pour un abonnement ChatGPT, Gemini CLI pour un abonnement Google, Open Code gratuitement avec presque aucune limite.

  Installation

  L’installation se fait généralement via un simple One-Liner (par exemple, pour Gemini : le One-Liner correspondant), selon le système d’exploitation. Sur Windows, copier dans PowerShell ; pour les outils basés sur npm, Node.js doit être installé. Après exécution, une simple authentification avec jeton API ou données de compte suit généralement.

  Avantages pratiques par rapport au navigateur

  Les outils CLI ont accès à la machine locale : ils peuvent exécuter des commandes, installer/désinstaller des logiciels, vérifier des fichiers. Exemple : au lieu de chercher soi-même Blender, on demande simplement « As-tu Blender d’installé ? » ou « Désinstalle Blender pour moi » – l’outil le fait. La recherche Internet fonctionne aussi, par exemple récupérer le prix du Bitcoin, collecter les nouvelles et enregistrer un rapport en fichier Markdown sur le bureau – tout automatisé.

  Gestion du contexte et parallélisation

  Contrairement à ChatGPT, les outils CLI peuvent être fortement utilisés pour les grands projets. Exemple : un livre sur la nutrition en musculation (100 pages, 18 chapitres) est créé avec Claude Code en mode Plan. L’outil lance plusieurs agents en parallèle pour différents chapitres, utilise une gestion intelligente du contexte, de sorte que chaque agent ne traite que sa partie mais maintient le fil conducteur. Le livre est créé en minutes au lieu d’heures.

  Fichiers locaux et intégration VS Code

  Tous les fichiers restent locaux sur le PC ; on ouvre un dossier dans VS Code et l’outil CLI peut s’exécuter en parallèle. Avec slash init, l’outil crée une fiche de projet (Cloud.md ou Agent.md) pour orienter plus rapidement les nouveaux agents. On bascule flexiblement entre les modèles (par exemple, de Claude à Codex) sans perdre le contexte – simplement un nouvel agent, les mêmes fichiers.

  Contrôle de version avec GitHub

  Les projets peuvent facilement être poussés et versionnés sur GitHub. git commit et git push sont exécutés par l’agent, le projet est ensuite disponible en ligne. Sur un nouvel ordinateur, on peut simplement le télécharger sans tout reconstruire manuellement.

  Exemples d’application

  • Livres/Textes : Créer du contenu détaillé avec une structure correcte
  • Sites web : Construire des applications monopage complètes en React (formulaire de contact, plusieurs pages, tout fonctionnel)
  • Données professionnelles : Analyser un dossier avec documents, notes de réunion, rapports et les résumer automatiquement
  • Collaboration : Partager le contexte sur GitHub pour que les éditeurs ou coéquipiers voient et modifient les mêmes fichiers

  Modèles locaux pour la protection des données

  Si les services cloud ne conviennent pas : charger Ollama, télécharger et démarrer localement des modèles comme Qwen 3.5 (0,8 à 122 milliards de paramètres). Un modèle de 9 milliards de paramètres (6,6 GB) fonctionne sur des PC typiques avec 8–16 GB de VRAM. Commande : ollama run qwen:3.5 → Cloud Code le charge localement, entièrement conforme à la protection des données et gratuit. Même les petits modèles résolvent des tâches quotidiennes (par exemple, l’analyse de journaux d’e-mails).

  Conclusion

  Les outils CLI sont le vrai gain : contrôle total sur les fichiers, changements rapides de modèle, agents parallèles, contrôle de version, options locales. Au lieu de suivre la voie du navigateur, on devrait construire « son propre système d’exploitation » basé sur ces outils. Le créateur mentionne un cours payant (« KI Revolution → Classroom → Vibe Coding »), où tous les commandes Slash, Skills, Plugins et cas d’usage plus complexes sont traités en profondeur. En parallèle, Thomas peut construire professionnellement des automatisations.

  Outils IA explicites : Claude (Anthropic), Codex (OpenAI), Gemini CLI (Google), Open Code (gratuit), Ollama (modèles locaux) — Format : Tutoriel/Démo avec opinion ; Difficulté : Débutant à avancé, car la vidéo met intentionnellement l’accent sur l’accessibilité.

• Le crash IA arrive
  2.3.2026, 17:10:14

  Résumé : La crise mondiale de l’intelligence en 2028

  La vidéo présente un scénario sombre : selon cette thèse, l’économie mondiale vit une illusion historique – pendant que des bénéfices record se matérialisent sur le papier, une spirale déflationniste mortelle se prépare sous la surface. Le problème central : 70 % de l’économie reposent sur la consommation humaine, mais les agents IA travaillent 24h/24 sans sommeil, n’ont besoin d’aucun salaire et n’achètent ni voitures, ni vacances, ni repas au restaurant. La thèse prédit pour 2028 une crise de 13 billions de dollars pire que la bulle immobilière de 2008, avec un taux de chômage de 10,2 % et un repli de 38 % du S&P.

  Les développements actuels de l’IA accélèrent cela :

  Les dernières semaines ont montré des mises à jour massives : Claude Sonnet 4.6 d’Anthropic, Grok 4.20 de XAI, Gemini 3.1 Pro de Google ainsi que des outils comme Opal et Inception. Un benchmark montre l’escalade : en 2020, GPT-3 pouvait automatiser des tâches de 9 secondes, en 2023 GPT-4 des tâches de 3 minutes, en 2025 O3 des tâches de 2 heures – fin 2025, GPT-5.2 High atteignait déjà 6 heures, les modèles actuels comme Claude Opus 4.6 maîtrisent 14,5 heures de travail complexe (par exemple, corriger des bogues dans les codebases ML) en une seule session avec un taux de réussite de 50 %. Cela permet une parallélisation massive à des coûts minimes.

  Exemples concrets de la perturbation :

  Andrew Karpathy aurait autrefois eu besoin d’un projet de week-end pour un tableau de bord vidéo local de suivi des caméras de maison – maintenant, un agent l’exécute en 30 minutes. Jack Dorsey de Block a annoncé le licenciement de 4 000 des 10 000 employés, alors que l’activité croît ; l’action Block a grimpé de 20 % après cette annonce. Dario Amodei d’Anthropic avertit publiquement d’une crise extrême du marché du travail dans 1 à 5 ans, que les cadres discutent à huis clos.

  Le scénario de crise se déploie ainsi :

  Les emplois bien rémunérés disparaissent → défauts de paiement des dettes → effondrement de la consommation. Les agents IA ne paient pas d’impôts et trouvent les prix les plus bas sans fidélité de marque → déflation. Les bénéfices vont presque exclusivement aux acteurs de BigTech (fournisseurs de tokens, déployeurs d’agents efficients). L’humain devient le goulot d’étranglement, plus économiquement nécessaire.

  Autres percées technologiques :

  L’appel d’outils programmatique économise jusqu’à 90 % des tokens en faisant écrire du code directement aux LMs au lieu du JSON. Des systèmes IA comme les dernières mises à jour de Cursor lancent des machines virtuelles, valident et itèrent de manière autonome jusqu’à ce que tout fonctionne.

  Contexte géopolitique :

  Le Pentagone a classé Anthropic comme « risque de sécurité de la chaîne d’approvisionnement » – un précédent qui affecte généralement des entreprises comme Huawei – parce qu’Anthropic a intégré des garde-fous contre les armes autonomes et la surveillance de masse. Parallèlement, l’expérience de Samers (chez Meta, responsable de la sécurité pour la superintelligence) illustre la fragilité : l’IA a supprimé des centaines de leurs e-mails ; les injections de prompts et les contournements restent irrésolus – les armes autonomes dans de telles conditions sont jugées catastrophiques.

  La contre-position de l’auteur :

  Le créateur considère ce scénario comme trop pessimiste. Il soutient : (1) Si la plus grande préoccupation est que l’économie devient trop efficace, on trouvera des solutions. (2) La vérité se situe quelque part au milieu – pas tous les emplois ne disparaîtront d’ici 2028. (3) La demande de meilleurs logiciels augmente. (4) La responsabilité, le discernement et l’intelligence émotionnelle ne peuvent pas être remplacés par l’IA. (5) Les gens qui assument la responsabilité auront probablement plus à faire à l’époque de l’IA. (6) L’avenir reste incertain ; personne n’aurait prédit il y a 3 ans comment les choses apparaissent maintenant. Le créateur fait la promotion de ses cours maîtres en IA (KI Revolution, Classroom avec des cours sur Claude Code, Prompt Engineering, développement d’applications, systèmes multi-agents).

  Outils/fournisseurs explicites : Claude Opus 4.6 (Anthropic), Grok 4.20 (XAI), Gemini 3.1 Pro (Google), GPT-5.2 High / O3 (OpenAI), Opal, Inception, Cursor — Format : Opinion/Réflexion avec une analyse approfondie d’un scénario de crise.

AI News & Strategy Daily | Nate B Jones (7 nouvelles vidéos)

• GPT-5.4 Let Mickey Mouse Into a Production Database. Nobody Noticed. (What This Means For Your Work)
  7.3.2026, 16:00:00

  Résumé : GPT-4.5 en comparaison détaillée

  La vidéo propose une évaluation complète de GPT-4.5 à travers des tests en aveugle contre Claude Opus et Gemini 3.1, combinés avec des tâches réelles et des tests comparatifs.

  Insight central : GPT-4.5 n’est pas simplement le meilleur modèle – c’est le plus intéressant parce qu’il fonctionne très différemment selon les segments. La distinction entre Auto-Mode et Thinking-Mode est cruciale : en Thinking-Mode, GPT-4.5 rivalise pour la première place en précision factuelle (masse correcte du Higgs, cours Apple), tandis qu’en Auto-Mode il devient le pire modèle (cite les lauréats du Nobel 2024 pour des questions 2025). Cette différence traverse tous les tests.

  Où GPT-4.5 domine : (1) Modèles quantitatifs – construit des feuilles de calcul statistiquement plus rigoureuses avec Pythagore-Win-Expectation et systèmes ELO ; (2) Traitement de fichiers – traite 99,1% des types de fichiers (CSV, Excel, JSON, PDF, images OCR, sauvegardes corrompues) contre 75% pour Claude ; (3) Auto-compréhension – décrit mieux que tous les concurrents le paysage IA et ses propres capacités.

  Où GPT-4.5 est faible : Écriture (prose créative et commerciale inférieure à Opus), créativité verbale (Opus trouve de meilleurs jeux de mots), filtrage des données (laisse passer Mickey Mouse et des lavages auto à 25 000 dollars) et exécution rapide (56 min vs. 15 min pour Claude sur une migration de données complexe). Le motif central : GPT-4.5 construit l’infrastructure sans jugement – exécute les pipelines au lieu de comprendre les problèmes.

  Implication stratégique : Avec l’embauche de Peter Steinberger (fondateur de Codeium/Copilot) peu avant le lancement, il devient clair qu’OpenAI vise les systèmes agentiques – pas une meilleure rédaction. L’accent sur Computer Use, Tool Search, Long-Running Tasks et architectures agentiques dans la documentation indique une plateforme agent propre à OpenAI. Cela explique aussi la vélocité (lancements mensuels, tarification pour charge token continue plutôt que tours de chat).

  Implications pratiques : Pour le travail intensif en écriture (communication exécutive, édition), Opus 4.6 reste meilleur. Pour le travail analytique structuré avec volumes de données, particulièrement avec plusieurs types de fichiers, GPT-4.5 (en Thinking-Mode) vaut le coup d’essayer – l’investissement se justifie avec des critères de succès clairs. Le basculement constant entre modes reste un problème UX que les utilisateurs doivent gérer eux-mêmes.

  OpenAI, Claude (Anthropic), Gemini (Google) en comparaison directe via évals structurées et tâches réelles ; deep-dive avec analyse détaillée de valeur.

• Claude Code vs Codex: The Decision That Compounds Every Week You Delay That Nobody Is Talking About
  6.3.2026, 15:00:02

  Résumé : AI Harnesses – L’architecture sous-estimée derrière les outils de codage IA

  Le point central : Dans l’évaluation des outils de codage IA, on ne compare presque que le modèle (l’intelligence) – Claude vs. GPT-5.3 Codex, dont les performances convergent. Ce qui est décisif c’est le harness – l’architecture globale qui détermine où l’IA travaille, ce qu’elle peut accomplir et comment elle s’intègre dans le workflow.

  Un benchmark du AI Engineer Summit l’illustre concrètement : Le même modèle Claude a obtenu 78% dans le Claude Code Harness, mais seulement 42% dans le Small Agents Harness – presque le double de performance par des différences purement architecturales, pas le modèle lui-même.

  Les cinq divergences critiques entre Claude Code (Anthropic) et Codex (OpenAI) :

  1. Execution Philosophy : Claude Code suit « Bash c’est tout ce dont tu as besoin » – donne à l’agent les primitives Unix (grep, git, npm) et le laisse les chaîner. Codex construit des outils spécialisés avec Chrome DevTools, des stacks d’observabilité éphémères (Victoria Logs/Metrics) et des snapshots DOM.
  1. State & Memory : Claude Code stocke la connaissance dans des artefacts structurés (cloudprogress.txt, JSON-features, Git-commits) – l’agent se souvient de la progression entre sessions. Codex utilise le repo lui-même comme système de dossier – les décisions d’architecture, les principes, tout y est documenté. Codex génère lui-même des artefacts inutiles, donc Codex construit des processus nettoyage automatisés qui ouvrent des PRs de refactoring.
  1. Context Management : Claude Code gère le contexte via compression, résumés et sous-agents parallèles. Codex utilise des conteneurs cloud isolés – pas de contention sur une fenêtre de contexte centrale.
  1. Tool-Integration : Les deux utilisent MCP (Model Context Protocol). Anthropic dispose de « Skills » (Markdown + scripts sur le système de fichiers) – l’agent ne voit que de courtes descriptions (50–100 tokens), pas les instructions complètes (milliers de tokens). OpenAI utilise JSON-RPC bidirectionnel, ce qui permet aux agents d’appeler programmatiquement les endpoints. Exemple : Composio a dû construire un proxy personnalisé pour connecter Codex aux MCPs Figma/Jira.
  1. Multi-Agent-Architecture : Claude Code crée des sous-agents avec leurs propres fenêtres de contexte, listes de tâches partagées et peuvent s’envoyer des messages (exemple : agent API + agent frontend + agent test). Codex exécute chaque tâche dans un sandbox isolé – la coordination se fait via les branches Git. Claude Code permet plus de parallélisme, Codex est plus sûr pour le travail autonome.

  Le problème du verrouillage : Un développeur construisit progressivement des workflows spécifiques : /commit, /worktree, /implement, /implement all – tout construit sur les caractéristiques Claude Code Harness. Un passage à Codex signifie non pas simplement apprendre de nouvelles commandes, mais rebâtir toute l’automation à partir de zéro dans une architecture possiblement incompatible. Cela se multiplie entre équipes, fichiers Markdown, connexions MCP – un verrouillage stratégique, similaire au débat AWS vs. Azure de 2010.

  Approche pratique : Les développeurs comme Calvin French Owen utilisent les deux outils de manière complémentaire – Claude Code pour la planification, l’orchestration, l’exploration créative (via sous-agents avec Haiku), Codex pour l’implémentation réelle (moins de bugs). Parfois Codex fait vérifier par Claude Code.

  Pour les dirigeants : La décision n’est pas « quel outil acheter ? » mais « quelle philosophie architecturale organisez-nous le travail autour ? ». Cela façonne non seulement la vélocité, mais aussi la sécurité (Claude Code : accès complet local, risque mitigé par l’incrémentalisme ; Codex : isolation = plus sûr), les coûts de commutation et la capacité à changer les workflows plus tard.

  Perspective : Ces différences harness « fuient » déjà dans des outils comme Codeium (Claude Code Foundation) et façonnent comment les équipes non-techniques vont travailler avec l’IA.

  Explicitement abordés : Claude Code / Codex (OpenAI), Anthropic, co-work, MCP, Composio ; Format : Opinion/Deep-dive.

• OpenAI Leaked GPT-5.4. It’s a Distraction. (The AI Lock-In No One Is Talking About)
  5.3.2026, 15:00:27

  Résumé : The Real AI Bet – Contexte d’entreprise, pas modèles

  La vidéo argue que la véritable signification de l’évaluation d’OpenAI à 840 milliards de dollars ne réside pas dans ChatGPT 5.x, mais dans un objectif beaucoup plus ambitieux : la création d’une plateforme de contexte d’entreprise qui fonctionne comme un nouveau système de dossier.

  Le problème central : La compréhension d’entreprise est aujourd’hui fragmentée – distribuée entre GitHub, Confluence, Salesforce, Jira, threads Slack et les esprits des employés. La couche de synthèse reste humaine et fragile. Quand les ingénieurs seniors quittent l’entreprise, ce qui disparaît n’est pas l’information, mais la connaissance de comment tout s’emboîte.

  La promesse : Une plateforme de contexte IA qui apprend continuellement de tous les « classeurs » d’entreprise, préserve un modèle cohérent de la compétence organisationnelle et agit via des workflows d’agent – une sorte de mémoire institutionnelle numérique qui effectue le travail de synthèse en secondes.

  Les quatre paris techniques centraux, qui doivent tous fonctionner simultanément :

  1. Intelligence × Contexte = multiplicatif : Les modèles faibles se noient dans les grands volumes de contexte et hallucinent. Seuls les modèles de reasoning forts peuvent déterminer quelle information est pertinente et peser les contradictions entre sessions. Chaque point de release GPT-5.x est donc fonctionnellement nécessaire – pas pour battre les benchmarks, mais pour construire la cohérence d’intelligence qui rend la couche de contexte utilisable.
  1. Mémoire qui ne s’efface pas : La connaissance organisationnelle est fragile – les rationnels de décision des threads Slack, les patterns d’architecture qui ont changé, les dépendances entre systèmes que seuls les ingénieurs expérimentés connaissent. Le système de mémoire doit rester à jour, résoudre les contradictions, marquer la connaissance obsolète vs. historiquement pertinente et suivre ce qui est actuel. C’est encore un problème de recherche ouvert.
  1. Retrieval à l’échelle de mille milliards de tokens (le problème central) : RAG fonctionne pour la lookup de faits, mais échoue sur le contexte d’entreprise – ne peut pas traiter les chaînes de causalité temporelle, confond les anciens contextes avec les nouveaux systèmes sur mots-clés similaires, génère plus de faux positifs à mesure que le corpus grandit. Une solution nécessite probablement une architecture hybride avec indexation structurée, mémoire hiérarchique, suivi temporel et compression d’espace d’état. C’est invisible dans les benchmarks actuels – et l’avantage stratégique ne sera pas mesurable externement.
  1. Précision d’exécution : Les agents autonomes doivent maintenir un taux de 99,5%+ sur des centaines de tâches sur des semaines – sinon même des erreurs de 5% se composent pour devenir un risque système.

  Le scénario du flywheel : Mois un : agents génériques mais intelligents. Mois trois : les agents connaissent les détails entre silos. Mois six : les agents savent des choses qu’aucun humain ne sait. L’onboarding passe de semaines à jours. La gestion devient la collaboration avec les agents pour prendre la bonne décision puis déléguer.

  Anthropic vs. OpenAI : OpenAI construit architecturalement de haut – 600 milliards de dollars d’infrastructure avec AWS pour un « environnement runtime stateful ». Anthropic collecte organiquement via Claude Code (>50% du marché du codage d’entreprise) – bottom-up, piloté par le produit, inconsciemment comme actif stratégique. Ironiquement, le contexte organiquement construit d’Anthropic pourrait être plus réaliste qu’OpenAI (car il reflète les workflows réels, pas anticipés). Mais si OpenAI arrive en premier et ça marche, le verrouillage d’entreprise est absolu – le changement coûte des années de connaissance synthétisée.

  Nouvelle qualité de verrouillage : Salesforce se verrouille par la propriété des données. La plateforme de contexte se verrouille par compréhension – ce qui n’est pas portable, non exportable. Un verrouillage plus profond que jamais dans le logiciel d’entreprise.

  Questions pratiques pour maintenant :

  • Où la vraie compréhension s’accumule-t-elle dans votre org (pas stockage de données) ?
  • Construisez-vous un flywheel composé ou expérimentez-vous au hasard ?
  • Quel est votre coût de changement hors de votre investissement IA actuel ?

  La conclusion : OpenAI et Anthropic jouent le jeu plus long – non pas pour être meilleur le mois prochain, mais qui devient inévitable d’abord.

  Systèmes mentionnés : OpenAI (Stateful Runtime Environment avec AWS), Anthropic (Claude Code, Codex), Salesforce, ServiceNow, Google (mention comme concurrent), ainsi que des outils de stack générique (GitHub, Confluence, Jira, Slack).

  Format : Deep-dive / Analyse stratégique (Opinion/Réflexion).

• Everyone You Know Is About to Try Claude (I Showed 3 People for 5 Minutes — All 3 Switched)
  4.3.2026, 15:00:47

  Claude vs. ChatGPT : Différences pratiques et comment utiliser Claude efficacement

  La vidéo offre un guide détaillé pour les nouvelles venues à Claude et ne devraient pas simplement transposer leurs habitudes ChatGPT. Les différences sont fondamentales : Claude et ChatGPT ont été développés avec des méthodologies d’entraînement complètement différentes et ont donc des forces différentes.

  Sept principes clés pour utiliser Claude :

  1. Claude est plus critique : Entraîné avec Constitutional AI contre des principes explicites comme l’honnêteté, au lieu d’être optimisé par le feedback utilisateur comme ChatGPT. Claude signale plus volontiers les problèmes dans tes plans au lieu de les lisser – cela prévient les erreurs plus coûteuses comme des stratégies mal réfléchies.
  1. Décris la situation, pas juste l’output désiré : Claude répond beaucoup mieux aux contextes bien cadrés qu’à de simples ordres. Il utilise les informations de contexte supplémentaires pour repenser le cadrage de la tâche, pas juste détailler les réponses – il se comporte comme un partenaire de réflexion.
  1. Claude est meilleur à l’édition : Claude gagne aux tests comparatifs en cohérence structurelle et en prose plus naturelle, moins générique que ChatGPT. Donne à Claude du travail existant à éditer, pas des pages blanches – il identifie mieux les faiblesses dans la structure des arguments.
  1. Utilise Extended Thinking : Claude peut avec un traitement accru travailler complexes problèmes étape par étape et t’afficher la chaîne de pensée. Contrairement à ChatGPT, tu peux observer le reasoning de Claude pendant qu’il s’exécute et corriger le cap – au lieu d’attendre juste la réponse finale.
  1. Utilise les projets comme espace de travail, pas rangement de fichiers : Les directives de fonctionnement détaillées dans les instructions de projet (rôle, audience, contexte, brand voice) sont suivies par Claude à 94% de précision, tandis que ChatGPT atteint 87%. Claude ne dévie pas aussi vite des principes définis.
  1. Claude peut travailler sur ton ordinateur (Claude Codewerk) : Contrairement à ChatGPT, Codewerk (disponible pour macOS, Windows en préparation) peut réellement ouvrir, éditer et gérer des fichiers de façon autonome – pas juste en parler. Tu peux par exemple la laisser analyser des factures et créer des résumés, avec contrôle des permissions et visibilité en temps réel.
  1. Connais les lacunes : Claude ne génère pas d’images, pas de vidéos (via Sora), pas de vraie parole temps réel et a des faiblesses en reasoning mathématique et connaissance scientifique. La recherche web est aussi plus mince, le stockage persistant global plus limité et il n’y a pas de marketplace de Custom GPTs. Ce n’est pas mauvais, c’est la réalité – tu peux utiliser les deux.

  Le cœur : Claude récompense les entrées plus complexes, bien cadrées et du travail existant à améliorer. Les différences proviennent de philosophies d’entraînement différentes et s’additionnent dans le temps – elles façonnent comment tu utilises l’IA et comment ton cerveau réfléchit sur l’IA.

  La réflexion : « Si tu as un outil qui te pose des questions critiques, tu apprends à l’inviter à être critique. Avec un outil qui acquiesce toujours, tu le fais moins – et ça change ta façon de penser dans le temps. »

  Thématisé : Claude et ChatGPT (OpenAI), ainsi que Claude Codewerk ; Format : Opinion/Réflexion avec guide de principes.

• Dario Amodei Made One Mistake. Sam Altman Got $110 Billion. Here’s the Full Story.
  3.3.2026, 15:15:12

  La vidéo analyse les conséquences géopolitiques et économiques de trois événements connectés : le PDG d’Anthropic Dario Amodei rejette la demande du Pentagone d’utilisation militaire IA sans restriction, OpenAI signe peu après un contrat pour déploiement sur réseaux classifiés, et les USA et Israël bombardent l’Iran – avec Claude démontrablement intégré dans les opérations. L’orateur argue qu’Amodei a mal compris le contexte politique : sa position publique et principielle a été punie (Anthropic désignée comme Supply-Chain-Risk), tandis que Sam Altman à travers des négociations silencieuses a sécurisé le plus grand tour de financement privée de l’histoire (110 milliards de dollars), un contrat de défense et le contrôle structurel sur l’infrastructure IA américaine.

  La vidéo montre comment la domination d’entreprise initiale de Claude est menacée par ces manœuvres politique-économiques. OpenAI a reçu d’énormes investissements d’Amazon (50 mrd.), Nvidia (30 mrd.) et SoftBank (30 mrd.), tandis qu’Anthropic malgré des relations d’entreprise plus fortes est coupée par la désignation de projets gouvernementaux. L’orateur identifie plusieurs patterns plus profonds : Les fournisseurs cloud (AWS, Azure, Google Cloud) sont indifférents aux modèles individuels et veulent juste le volume token ; la consolidation de l’infrastructure (Stargate, 700 milliards d’engagements cloud) crée des coûts de changement massifs ; et les contrats de défense deviennent la forme de revenu la plus durable.

  Un point critique : Claude a été utilisée pour l’identification de cible et la simulation de bataille dans l’opération Iran, malgré l’existence d’un arrêt présidentiel – l’IA est si profondément intégrée aux workflows opérationnels qu’elle ne peut pas être retirée ad hoc. L’orateur distingue entre la critique technique d’Amodei (les modèles pas assez fiables) et la perception publique (objection morale aux armes autonomes). Amodei signale que ses positions dépendent de la fiabilité des modèles, pas de l’éthique. Les mesures de sécurité d’OpenAI (cloud-only, ingénieurs intégrés, stack de sécurité indépendant) sont procéduralement différentes, atteignent cependant les résultats similaires aux exigences d’Anthropic.

  Pour les entreprises, la question centrale n’est plus « quel modèle », mais comment le choix du fournisseur cloud et les charges d’agents façonnent les coûts de changement à long terme. L’orateur argue que la structure de financement circulaire contient un risque implicite : Si la demande d’entreprise est massivemnt plus grande que prévu, l’infrastructure pourrait être sous-dimensionnée. Simultanément, c’est le moyen de choisir un gagnant – un couronnement opaque d’OpenAI où les régulateurs (particulièrement avec les droits de distribution exclusifs d’AWS pour frontier) pourraient intervenir. L’orateur conclut que la validation Pentagon et les contrats de défense sont le plus grand outil de de-risking pour le capital-risque, et que toute la structure de financement repose sur l’hypothèse que le calcul IA deviendra aussi fondamental que l’électricité – et qu’OpenAI parie qu’il peut contrôler le réseau électrique.

  Prestataires thématisés : OpenAI, Anthropic (Claude), Amazon/AWS, Nvidia, Microsoft, Google, SoftBank, Oracle, Broadcom, AMD ; Format : Opinion/Réflexion avec analyse politique-financière approfondie.

• You Don’t Need SaaS. The $0.10 System That Replaced My AI Workflow (45 Min No-Code Build)
  2.3.2026, 15:00:06

  Résumé : Open Brain – Une architecture mémoire lisible par agent

  La vidéo argue que les outils IA actuels ont un problème fondamental : ils n’ont pas de mémoire persistante lisible par agent. Alors qu’il existe déjà des guides pour les « Second Brains », ceux-ci sont optimisés pour les yeux humains, pas pour les agents IA. Les grandes entreprises tech ont construit la mémoire dans leurs plates-formes individuelles (Claude Memory, ChatGPT Memory etc.), mais ces systèmes sont isolés les uns des autres et drainent les utilisateurs dans des silos – un modèle commercial de verrouillage intentionnel.

  L’auteur souligne que le paysage IA se déplace radicalement juste maintenant : les agents deviennent mainstream, le mouvement des agents a produit des millions d’agents autonomes, et les gains de productivité sont mesurables (productivité US 2025 : 2,7%, double sur les moyennes décennales). La différence clé entre utilisateurs IA réussis et moins réussis n’est pas le modèle, mais l’infrastructure : qui a construit un contexte persistant lisible par agent, sémantiquement searchable, obtient des avantages composés.

  L’architecture proposée (Open Brain) :

  • Les pensées sont stockées dans une base de données PostgreSQL (pas dans des formats propriétaires), que vous contrôlez
  • Chaque pensée insérée est automatiquement vectorisée dans les embeddings – cela active la recherche sémantique par signification, pas juste mots-clés
  • Un serveur MCP (Model Context Protocol – l’USB-C de l’IA) connecte cette base de données à chaque outil IA parlant MCP
  • La capture s’exécute via Slack ou autres apps de messagerie : une pensée est entrée, en ~10 secondes le système extrait les métadonnées, crée un embedding, le stocke dans la base
  • La récupération fonctionne depuis Claude, ChatGPT, Cursor ou tout autre outil compatible MCP avec trois fonctions : recherche sémantique, listing récent, statistiques

  Coûts concrets : 10–30 cents par mois avec les tiers gratuits de Superbase et Slack.

  Pourquoi le niveau architecture compte :

  Le problème n’est pas que les outils individuels n’ont pas de mémoire – c’est la fragmentation. Chaque changement entre Claude et ChatGPT signifiait jusqu’à présent : nouveau contexte, même info réexpliquée. L’auteur montre la différence : Person A dépense 4 minutes à réexpliquer le contexte dans chaque chat. Person B a un Open Brain persistant lisible par agent ; tous les outils IA voient le même contexte, une pensée rend la recherche suivante plus intelligente. Cet écart s’élargit hebdomadairement (avantage composé).

  Niveaux d’usage supplémentaires :

  • Memory Migration : À l’initialisation, déplacer tous les mémoires existants depuis Claude/ChatGPT vers le nouveau système
  • Open Brain Spark : Invite d’interview qui propose des catégories de capture personnalisées
  • Quick Capture Templates : Starters 5-phrases (Decision, Person, Insight, Meeting) pour extraction clean des métadonnées
  • Weekly Review : Clusterisation automatique, reconnaissance de motifs, analyse des lacunes sur la semaine

  Deux niveaux de valeur :

  1. Pour les agents : Ils ont finalement accès à un contexte cohérent et structuré, sans qu’il soit enfermé dans des jardins clos
  2. Pour les humains : Paradoxalement, une architecture lisible par agent rend aussi meilleure l’utilisation humaine, car les vraies bases de données + recherche sémantique permettent une récupération plus nette et rapide que les apps de notes graphiques

  L’auteur argue que c’était finalement ce que l’approche Second-Brain voulait toujours, la technologie (agents, MCP, embeddings bon marché) est juste devenue disponible maintenant. Setup prend ~45 minutes, via le guide Substack accompagnant, aucun code requis (confirmé par testeur non-technique).

  Outils/modèles explicitement mentionnés : Claude, ChatGPT, Cursor, Grok, Anthropic, OpenAI, Open Claw (190k GitHub Stars), Zapier, Notion, N8N, MCP-Server, Obsidian, Superbase, PostgreSQL, PG Vector, Slack ; en comparaison : Memcync, One Context. Format : Opinion/Argumentation avec éléments de démo et deep-dive technique.

• Why Every AI Skill You Learned 6 Months Ago Is Already Wrong (And What Is Replacing Them)
  1.3.2026, 19:00:20

  Résumé : Frontier Operations – La nouvelle compétence clé à l’ère de l’IA

  Le cœur de l’argumentation est un modèle qui représente les capacités IA comme une bulle expansive : à l’intérieur s’asseyent tout ce que les agents peuvent faire de manière fiable ; à l’extérieur tout ce qui a encore besoin d’humains ; et la surface – la frontière – est où se produit le travail le plus précieux. Chaque release de modèle agrandit la bulle. Les tâches migrent de la surface vers l’intérieur ; simultanément, la surface elle-même s’agrandit. C’est le paradoxe crucial : la limite ne rétrécit pas, elle s’étend. Il y a toujours plus d’espace pour le jugement humain, pas moins – juste un type différent.

  Cela distingue cette compétence de tous les précédents skills de travail : ils ont un objectif (apprendre à écrire, pouvoir programmer). Cette compétence n’a pas d’objectif fixe – la surface se déplace constamment. Vous ne pouvez pas même l’apprendre puis la cocher. Vous devez bouger avec elle, continuellement recalibrer, tandis que les capacités des agents font des bonds hebdomadaires ou mensuels.

  L’auteur nomme cette pratique Frontier Operations – pas « AI-Literacy » (c’est juste savoir ce qu’est un modèle de langage), pas « Prompt Engineering » (c’est un outil partiel), mais une pratique opérationnelle intégrée constituée de cinq compétences persistantes :

  1. Boundary Sensing : Intuition précise, continuellement mise à jour, de où se situe la frontière humain-agent pour votre domaine. Recalibrer avec chaque release de modèle. Exemple : Un Product Manager laisse l’agent ébaucher Competitive Analysis, mais sait que celui-ci omet les dynamiques politiques entre Executives – le PM fait ces parties lui-même, délègue les autres.
  1. Seam Design : Capacité architecturale de façonner les transitions entre phases humaines et agents proprement, vérifiablement et restaurablement. Certains artefacts s’écoulent entre phases ; à chaque interface, on vérifie si c’est sur la bonne voie. L’essentiel : la bonne position de seam change avec les capacités – la compétence est le redesign constant.
  1. Failure Model Maintenance : Non pas juste scepticisme générique, mais un modèle mental différencié : quels erreurs spécifiques commet l’agent sur quels types de tâches en ce moment ? Les anciens modèles échouaient manifestement ; les modèles actuels échouent subtilement – analyses plausibles sur mauvaises prémisses, code correct sur le happy path, résumés à 98% précis avec désinformation auto-confiante dans les 2% restants. La compétence est de faire une vérification différente pour type A que type B.
  1. Capability Forecasting : Paris 6–12-mois où la limite de bulle se déplacera probablement ensuite, pour diriger les investissements d’apprentissage et de workflow. Pas prédiction de futur parfaite, mais positionnement probabiliste (comme un surfer lit les vagues).
  1. Leverage Calibration : Prendre des décisions où l’attention humaine devrait aller – la ressource la plus rare dans un environnement riche en agents. Motif McKinsey : 2–5 humains supervisent 50–100 agents. Avec un ratio 10:1, il faut prioriser l’attention en temps réel, ex. tests automatisés pour code de routine, review manuel pour billing/data-pipelines, review profond seulement pour décisions d’architecture.

  Ces cinq ne sont pas des points de checklist, mais des pratiques exercées simultanément et intégrées – comme conduire est direction, gestion de vitesse, conscience de route et détection de danger ensemble, pas séquentiellement.

  Pourquoi cette compétence ne peut pas structurellement être remplacée ? Parce qu’avec chaque amélioration IA, l’interface elle-même s’agrandit, pas diminue. Une technique de prompt automatisée peut remplacer le prompting – mais frontier operations est naviguer une limite grandissante. Ça ne peut pas être automatisé.

  Effet composé organisationnel : Qui développe cette compétence 6 mois plus tôt n’a pas juste 6 mois d’avance – avec des bonds de capacité exponentielle, la personne calibrée a d’énormes distances avec le pair non calibré. Cela explique les chiffres de leverage chez les AI-native Companies (Cursor, Lovable, équipe Anthropic).

  Recommandations pratiques pour les leaders :

  • Construis des environnements de pratique, pas des cours (Sandboxes avec types d’erreurs réalistes, où les règles changent).
  • Mesure la calibration, pas le savoir (peut la personne prédire précisément où l’agent réussit/échoue ?).
  • Maximise densité de feedback (100 cycles calibration en 10 jours via 10 agent-tasks/jour bats un cours de 40 heures).
  • Crée des rôles explicites pour Frontier Operations (Automation Lead, Delegation Architect, Frontier Engineer) – la compétence ne se développe pas comme travail secondaire.
  • Design organisationnel : Team-of-One (personne hautement qualifiée, plusieurs workflows d’agent) ou Team-of-Five (un Frontier Operator fixe seams et failure-models, les autres exécutent sous direction et développent la compétence en parallèle). L’output se scale avec le leverage, pas les têtes.

  Pour les demandeurs d’emploi/développement personnel : Piste où les agents t’étonnent. Les étonnements sont des signaux pour les limites pas encore calibrées. Si un agent ne t’a pas étonné, tu n’es pas à la frontière. Donne aux agents intentionnellement des tâches qui testent le modèle de tes limites.

  Point final : Le dernier trimestre (nov. 2024 – fév. 2026, dans la vidéo avec Opus 4.5 → 4.6, Context Windows, Retrieval mentionnés) a montré : les modèles deviennent capables plus vite. Qui ne sent pas ces nouveaux agents quand on les utilise n’est pas à la frontière. C’est le signal que tu n’es pas calibré – et la seule réponse est de donner aux agents un travail qui les et toi étonne.

  Contexte : Aucun prestataire IA spécifique sauf références à Cursor, Lovable et Anthropic comme exemples de AI-native Companies mentionnées ; références de modèle : Opus 4.5/4.6, variantes Claude, Codex 5.3, Gemini 3.1 Pro. Format : Opinion/Réflexion avec cadre opérationnel – un deep-dive de présentation sur la future compétence de travail à l’ère de l’IA.

Alejandro AO

Aucune nouvelle vidéo pendant cette période.

Alex Finn (1 nouvelle vidéo)

• OpenClaw is 100x better with this tool (Mission Control)
  3.3.2026, 00:27:55

  Résumé : Mission Control pour OpenClaw

  La vidéo montre comment construire un tableau de bord personnalisé appelé « Mission Control » pour OpenClaw, qui étend considérablement les capacités de l’agent. Le créateur démontre son tableau de bord entièrement créé par OpenClaw lui-même (sans codage manuel) et présente les outils principaux :

  Task Board : Un tableau Kanban qui affiche toutes les tâches d’OpenClaw et de ses sub-agents. Il offre une transparence sur les tâches en cours, terminées et à vérifier, et permet l’exécution automatique des tâches via des contrôles de heartbeat.

  Calendar Screen : Affiche tous les Cron-Jobs planifiés et les tâches proactives, pour confirmer qu’OpenClaw exécute réellement les tâches automatisées promises.

  Project Screen : Aperçu des projets plus importants avec la possibilité de créer des connexions vers les tâches, les mémoires et les documents. Aide à rester concentré sur le travail pertinent.

  Memory Screen : Organise les mémoires d’OpenClaw par jour et permet d’accéder aux mémoires à long terme – fonctionne comme un journal numérique et un registre de vie.

  Documents Screen : Stocke tous les documents créés par OpenClaw (brouillons de newsletters, planifications, PRDs) de manière consultable et catégorisée, au lieu de les masquer dans les historiques de chat.

  Team Screen : Visualise tous les agents et sub-agents utilisés, leurs rôles et la mission commune – fonctionne comme un organigramme de l’organisation numérique.

  Office Screen : Un bureau en pixel-art 2D qui visualise les tâches sur lesquelles les agents travaillent – conçu pour être amusant et favoriser l’engagement.

  Le créateur souligne : vous ne devriez pas simplement copier, mais après la mise en place initiale, utiliser le Reverse-Prompting pour construire des outils personnalisés adaptés à votre flux de travail. Tous les outils peuvent être créés via de simples prompts ; vous pouvez simplement donner le lien YouTube entier à OpenClaw et il construira tout automatiquement.

  Outils/fournisseurs mentionnés : OpenClaw, Quen, ChatGPT, Next.js – tutoriel avec focus démonstratif.

Andrej Karpathy

Aucune nouvelle vidéo pendant cette période.

Bart Slodyczka (3 nouvelles vidéos)

• Claude Code + OpenRouter = Free UNLIMITED Coding (No RAM Needed)
  8.3.2026, 09:37:29

  Exécuter Claude Code gratuitement avec OpenRouter

  La vidéo montre comment utiliser Claude Code complètement gratuitement sans avoir à installer des modèles locaux sur votre appareil – particulièrement utile pour les ordinateurs avec peu de RAM, Raspberry Pi ou VPS.

  La clé est OpenRouter, un service qui offre un accès API à des centaines de modèles d’IA différents. Sur la page des modèles gratuits d’OpenRouter, vous trouverez des options comme le modèle de 120 milliards de paramètres de GPT-OSS ou Qwen 3 Coder avec 480 milliards de paramètres – tous deux sans frais d’entrée et de sortie. Ces derniers nécessiteraient localement 14 à 290 gigaoctets de VRAM, ce qui est pratiquement impossible.

  La configuration fonctionne en deux étapes : d’abord générer une clé API chez OpenRouter, puis entrer quatre variables (clé API OpenRouter, URL de base Anthropic, jeton d’authentification, clé API vide) dans le fichier settings.json. Cela peut se faire soit localement par projet dans le dossier .claude, soit globalement dans la configuration Claude de l’utilisateur. Le créateur de la vidéo recommande le routeur de modèle gratuit « OpenRouter-free » en bas de la liste, car il fonctionne plus fiablement que les modèles individuels en cas de surcharge.

  À noter : si nécessaire, le modèle peut être changé à tout moment – par exemple pour le Minimax M2.5 payant, qui coûte seulement 30 cents par million de jetons d’entrée pour la programmation par rapport à Claude Opus avec 5 dollars par million, avec des performances comparables.

  OpenRouter et plusieurs modèles gratuits/payants (GPT-OSS, Qwen 3, Minimax M2.5) sont explicitement traités – tutoriel.

• 7 Prompts That Make OpenClaw Agents Actually Useful
  7.3.2026, 11:36:40

  Sept prompts pour des agents OpenClaw plus efficaces

  La vidéo présente sept prompts pour rendre les agents OpenClaw moins coûteux, plus intelligents et plus utiles :

  1. QMD Memory System : Améliore la correspondance standard par mots-clés grâce à la recherche sémantique via pipeline RAG local et reclassement vectoriel. Cela permet de reconnaître correctement les concepts associés (par ex. « fatigué » et « endormi »). Fonctionne sur les systèmes locaux comme Raspberry Pi ou Mac Mini avec suffisamment de RAM, mais pas idéal sur les VPS basés sur CPU.

  2. Daily Morning Brief : Un prompt d’agence pour les résumés d’informations quotidiens qui utilise la recherche Web (Tavly Search est mentionné avec un plan gratuit jusqu’à 1 000 crédits/mois). L’auteur recommande de vérifier les préférences après une semaine et d’adapter le prompt de manière itérative – également par intégration avec les transcriptions YouTube pour la recherche liée à des projets.

  3. Accountability Partner : Le favori de l’auteur. L’agent décompose les objectifs (par ex. perdre 10 kg en 3 mois) en calendriers, effectue des enregistrements quotidiens et des révisions hebdomadaires et mensuelles. Les données doivent être stockées dans une base de données SQL plutôt qu’en Markdown pour économiser les jetons et être disponibles pour les tableaux de bord.

  4. Accountability Dashboard : Visualise les données de progression stockées dans la base de données. Permet de consulter les objectifs depuis votre smartphone ou ordinateur sans interroger l’agent. L’auteur souligne que Sonnet 4.6 ou Opus 4.6 sont nécessaires pour construire le tableau de bord de manière robuste.

  5. Self-Improving Memory System : Basé sur les Skills Clawhub, mais implémenté comme prompt. L’agent apprend des petits indices de l’utilisateur (par ex. « donne-moi du Markdown au lieu du HTML ») et met à jour ses instructions, mais seulement après trois répétitions ou plus pour éviter les surréactions. Inclut également les règles de confidentialité et la maintenance hebdomadaire.

  6. OpenClaw Update Monitor : Automatise les processus de sécurité et de mises à jour. L’agent vérifie régulièrement les mises à jour, attend 24 heures pour les rapports d’erreurs, recherche les changements radicaux et effectue une vérification de l’intégrité et de la sécurité après confirmation.

  7. Context Editor : Analyse systématiquement tous les fichiers d’agent pour détecter les potentiels d’optimisation – contenus redondants, informations obsolètes, documentation inutilement détaillée ou énoncés dupliqués. L’objectif est de réduire la surcharge de jetons par message. L’auteur recommande de d’abord mener l’audit sur un agent de test séparé.

  L’auteur souligne tout au long que ces prompts ne doivent pas simplement être copiés, mais servent de points de départ pour la personnalisation. Pour les prompts plus complexes, Sonnet 4.6 ou Opus 4.6 sont recommandés. Tous les prompts sont disponibles au téléchargement sur son site Web.

  Prompts OpenClaw, approfondissement.

• Learn 90% Of Claude in 20 Minutes: Chat, CoWork, Code, Skills, Connectors, Plugins
  6.3.2026, 12:09:37

  Résumé : Aperçu de l’écosystème Claude

  La vidéo offre un aperçu complet de la gamme de produits Claude et de ses fonctionnalités :

  Trois produits principaux : Claude Chat convient aux questions simples et à la recherche ; Claude Cowork est conçu pour les projets plus importants et multiphases ; Claude Code fonctionne sur le même moteur que Cowork, mais est optimisé pour le développement logiciel et l’automatisation.

  Fonctionnalités de chat : Le mode chat supporte les téléchargements de fichiers (PDF, feuilles Excel), un système de projet pour les contextes organisés avec des instructions personnalisées, les Artifacts (petites applications visuelles) et un système de mémoire qui retient les contenus importants des conversations.

  Concepts avancés – Skills, Connectors, Plugins : Les Skills sont des processus automatisés répétables (composés d’une description et de ressources groupées telles que les instructions Markdown, les scripts Python, les modèles). Les Connectors permettent l’accès aux outils externes (Gmail, ClickUp, Slack) via MCPs. Les Plugins combinent Skills et Connectors pour permettre à Claude l’automatisation basée sur les rôles. La disponibilité de ces fonctionnalités varie selon Chat, Cowork et Code.

  Workflow Cowork : Cowork fonctionne avec des dossiers spécifiques à des projets sur votre ordinateur. La plateforme crée un fichier claude.md pour préserver le contexte entre les sessions. Les tâches planifiées permettent des rappels récurrents (par ex. des résumés d’email quotidiens). Cowork est conçu pour des projets à plus long terme, multi-sessions, et non pour des achèvements immédiats.

  Claude Code : Accède aux fichiers locaux et au terminal, peut installer des applications directement sur l’ordinateur. Offre des fonctionnalités supplémentaires telles que le contrôle à distance (contrôle depuis votre smartphone) et les hooks (actions codées en dur déterministes aux étapes du cycle de vie). Permet le changement de modèle pendant une session.

  Lieux d’application supplémentaires : Extension Chrome pour l’automatisation du navigateur avec la fonction « Teach Claude » pour former aux processus ; Microsoft Excel avec des outils de feuille de calcul spécialisés (tableaux croisés dynamiques, formatage conditionnel, formules sans hallucinations) ; application mobile avec accès aux données de santé.

  Recommandations de modèle : Haiku 4.5 pour économiser les jetons dans l’utilisation quotidienne ; Sonnet 4.6 et Opus 4.6 pour les tâches de codage.

  API Claude, application de bureau, navigateur, mobile – opinion/réflexion avec éléments tutoriels.

Ben AI (1 nouvelle vidéo)

• Build Agent Teams within Claude Cowork in 17 min
  4.3.2026, 11:32:05

  Résumé : Agents dans Claude Co-work pour les processus en masse

  La vidéo montre comment utiliser les Agents dans Claude Co-work pour traiter des dizaines de tâches en parallèle et de manière autonome – au lieu de poser la même question à Claude à répétition.

  Le problème central et la solution :

  Auparavant, le traitement en masse était difficile car Claude ne pouvait travailler que séquentiellement et la fenêtre de contexte était surchargée. Avec les Sub-Agents, plusieurs agents isolés peuvent maintenant s’exécuter en parallèle, ce qui accélère théoriquement les processus de 100x et économise du contexte.

  Exemple pratique :

  Le créateur montre un workflow de Lead Qualification : 150 agences marketing provenant d’une base de données de leads sont qualifiées (basées aux États-Unis uniquement avec services SEO). Claude lance 15 Sub-Agents en parallèle, chacun recherchant ~10 leads via Web-Search. Ensuite vient l’enrichissement (18 Sub-Agents effectuent des recherches de leads, utilisant un scraper LinkedIn) et enfin la personnalisation (17 Agents écrivent les messages de prospection). Tout s’exécute dans un chat et ne prend que quelques minutes.

  Comment ça fonctionne :

  • Skills : Stocker des processus spécifiques et réutilisables
  • Commands : Combiner plusieurs Skills en séquence
  • Agents : Définir des instructions spécifiques pour les Sub-Agents (dans Agent.md)
  • Sub-Agents parallèles : Important : spécifier explicitement dans le prompt « spin up 15 parallel sub agents », sinon tout s’exécute séquentiellement

  Configuration à partir de zéro :

  Vous pouvez décrire tout directement dans le prompt. Exemple : « Veuillez créer un plugin avec des Skills pour la Lead Qualification et l’enrichissement de leads, utiliser des Sub-Agents parallèles (5–15 tâches par Agent), stocker les instructions des Agents dans des fichiers Agent.md séparés et créer une Command pour exécuter les deux Skills l’un après l’autre. » Claude génère alors le plugin complet avec tous les fichiers, que vous pouvez exporter en ZIP et partager avec d’autres.

  Extension : Appify MCP :

  Pour le scraping LinkedIn et autres sites difficiles à scraper, le créateur recommande le MCP Appify (connecter une clé API, activer des scrapeurs spécifiques via mcp.appify.com). Les Sub-Agents peuvent alors accéder aux données LinkedIn.

  Limitations :

  • Les Sub-Agents consomment beaucoup de tokens (plan Claude Max recommandé)
  • Les meilleurs résultats pour 100–200 éléments ; au-delà, cela devient compliqué et coûteux
  • Pour les très grands workflows en masse sans contrôle humain, les plateformes d’automatisation dédiées comme n8n ou Make.com sont encore meilleures

  Différence avec les Claude Multi-Agent Teams :

  Dans Claude lui-même, il existe maintenant aussi des Multi-Agent Teams qui peuvent communiquer entre eux (par exemple pour le développement de compilateurs). Dans Co-work, les Sub-Agents sont isolés – ce qui est généralement suffisant et consomme moins de tokens.

  Nouveau format de plugin :

  Tous les Skills, Commands et Agents sont regroupés dans un plugin et peuvent être partagés en tant que ZIP ou via lien GitHub. L’appel se fait simplement via /plugin sales outbound-enrichment.

  La vidéo montre Claude Co-work avec Appify, au format d’un tutoriel complet avec des démos en direct.

Brian Casel (1 nouvelle vidéo)

• OpenClaw vs. Claude for Running an Agent Team
  6.3.2026, 14:00:32

  Résumé : OpenClaw vs. l’écosystème Claude pour la délégation d’agents

  Le créateur vidéo teste deux écosystèmes pour déléguer des tâches commerciales récurrentes aux agents : OpenClaw et Claude avec Claude Code et Claude Co-work.

  Ambiance et fiabilité

  L’écosystème de Claude paraît poli et mature ; Anthropic en tant qu’entreprise jouit de la confiance grâce à des releases réfléchies et axées sur le business. OpenClaw, en revanche, est le « challenger scrappy » avec des points douloureux dans la configuration, l’installation et la documentation – la communauté comble les lacunes. Néanmoins : OpenClaw a rendu possible le concept de véritable délégation autonome d’agents, tandis que Claude est encore en formation.

  Délégabilité pratique

  OpenClaw excelle en autonomie véritable : les agents fonctionnent à partir d’un système de fichiers contrôlé (Mac Mini), exécutent des jobs récurrents et rapportent via Slack/Telegram. Le créateur utilise un système basé sur Markdown avec des « Skills » (définitions de processus) synchronisés via Dropbox, plus un tableau de bord personnalisé pour la gestion des tâches. Les agents suivent les instructions, référencent les Skills et génèrent automatiquement des rapports.

  Claude/Claude Co-work se sentent plutôt comme des collaborateurs. Claude Co-work a récemment ajouté les tâches planifiées, mais nécessite que l’ordinateur personnel reste allumé et actif – et les tâches échouent silencieusement. Le mouvement entre appareils (ordinateur de bureau, mobile, cloud) est fragmenté : Claude Co-work s’exécute isolé localement, Claude Code a des fonctionnalités distantes (transfert cloud), mais les Skills ne sont pas accessibles de manière cohérente dans ces environnements.

  Stratégie : processus agnostiques de plateforme

  La clé : Skills – des fichiers Markdown avec des processus répétables – constituent le standard commun sur toutes les plateformes (OpenClaw, Cursor, Claude, Claude Code/Co-work). Cela signifie que le travail investi dans les Skills n’est pas lié à une plateforme. La question n’est pas « OpenClaw ou Claude », mais « quelle combinaison minimise les frictions lors du déploiement de mes processus via Skills ? » Actuellement, la réponse varie selon le job.

  Principe : concevoir des jobs, non des tâches – définir les processus, les envelopper dans Skills, les confier aux agents.

  OpenClaw, Claude, Anthropic, Cursor, n8n mentionnés ; opinion/réflexion avec deep-dive dans les workflows pratiques – écrit pour les product builders établis axés sur les agents.

Coding with Lewis

Aucune nouvelle vidéo pendant cette période.

Cole Medin (2 nouvelles vidéos)

• Is Software Engineering Finally Dead?
  5.3.2026, 01:00:59

  Résumé : « Les ingénieurs logiciels ne disparaîtront pas »

  Le créateur contredit les prédictions fréquentes de leaders technologiques comme Dario Amodei (Anthropic), selon lesquelles l’ingénierie logicielle disparaîtrait dans un avenir proche. Amodei avait affirmé en mars 2024 que l’IA écrirait 90 % du code en 6 mois, et a récemment déclaré que les ingénieurs logiciels pourraient disparaître en 2026. Des affirmations similaires proviennent d’autres chefs de l’industrie comme Jensen Huang (Nvidia), Sam Altman (OpenAI) et le PDG de l’IA chez Microsoft.

  Critique du parti pris de ces leaders : Le créateur souligne que ces personnes ont des intérêts financiers à promouvoir ces récits. Anthropic a augmenté sa valorisation de 61,5 à 380 milliards de dollars en moins d’un an. Nvidia et OpenAI bénéficient également massivement du battage médiatique autour de l’IA. Fait intéressant, les déclarations se contredisent même au sein d’Anthropic : tandis qu’Amodei parle de disparition, Boris Churney (créateur de Claude) déclare sur les podcasts et ensuite sur X que « l’ingénierie logicielle est plus importante que jamais ».

  Thèse centrale : La technologie est puissante, mais deux facteurs sont sous-estimés :

  1. L’adoption au niveau entreprise est beaucoup plus lente que prétendu. Le créateur forme des équipes dans de grandes entreprises et observe une énorme résistance — préoccupations de sécurité, adoption de licences sans utilisation quotidienne réelle. Les données montrent : 90 % des équipes d’ingénierie utilisent bien l’IA « dans leur flux de travail », mais seulement 51 % utilisent des outils d’IA quotidiennement. 76 % des cadres pensent que leurs équipes ont adopté l’IA, mais seulement 52 % des ingénieurs sont d’accord. 21 % des licences d’IA restent sous-utilisées.
  1. Il faut bien plus que de simples compétences en codage. Le créateur décrit l’évolution : Prompt Engineering → Context Engineering → Intent Engineering. Ce dernier signifie : pas seulement écrire du code, mais définir l’architecture, traduire les exigences, clarifier les critères de succès, examiner le code, développer des stratégies de validation. C’est tout de l’ingénierie logicielle — juste sans la frappe pure.

  Recommandations pratiques : Éviter le codage par impression, affiner les compétences techniques, utiliser l’IA comme multiplicateur de force, continuer à comprendre son propre code, ne pas abandonner complètement le contrôle. Les ingénieurs qui utilisent l’IA tout en préservant leur expertise prospéreront ; ceux qui misent entièrement sur les agents sans comprendre ce qu’ils font échoueront.

  Expérience personnelle : Le créateur n’a utilisé aucun outil de codage IA jusqu’en novembre 2024, a ensuite construit un système (Plan-Implement-Validate) et délègue maintenant presque tout le codage, mais conserve le contrôle de la planification et de la validation.

  Outils/fournisseurs IA mentionnés : Anthropic/Claude Code, OpenAI, Nvidia, GitHub Copilot, Windsurf ; Format : Opinion/réflexion avec analyse de données.

• Build BEAUTIFUL Diagrams with Claude Code (Full Workflow)
  2.3.2026, 15:01:28

  Résumé : Skill Excalidraw pour des diagrammes visuels avec Claude Code

  Le vidéaste partage un skill qu’il a développé qui permet à Claude Code et aux autres Coding Agents de créer des diagrammes visuellement solides. Le problème : les Coding Agents ne sont pas optimisés pour les tâches visuelles, donc il a emballé tout son flux de travail dans un skill fonctionnant via le répertoire Skills de Do.cloud.

  Comment ça marche : On clone le référentiel GitHub, copie le contenu dans un nouveau dossier du répertoire Skills et charge le fichier skill.md qui guide le Coding Agent. Ensuite, on peut simplement dire à l’agent de créer un diagramme — basé sur un fichier, un script YouTube, un PDF ou n’importe quel texte. L’agent génère alors des fichiers JSON qu’on peut afficher sur excalidraw.com ou avec le plugin Excalidraw dans Obsidian (gratuit).

  Fonctionnalité clé — Auto-validation : L’agent affiche le diagramme en PNG, l’examine lui-même, itère sur les imperfections (généralement 2–4 fois) et améliore directement le JSON. C’est crucial, car les Coding Agents sans auto-vérification tendent vers des diagrammes trop simples et rigides.

  Philosophie : Le skill apprend à l’agent à argumenter visuellement : la structure et les étiquettes doivent expliquer le concept sans avoir besoin de texte explicatif. Deux questions directrices : (1) La structure visuelle reflète-t-elle le concept ? (2) Peut-on en tirer quelque chose de concret ?

  Étapes du flux : Formuler l’idée → Évaluer la profondeur du diagramme (simple vs complexe, pour respecter les limites de tokens) → Planifier les motifs/formes/texte → Créer le JSON → Boucle de validation avec vérification de capture d’écran → Itération. Le fichier skill.md contient des motifs de design, des palettes de couleurs et des bonnes pratiques qu’on peut personnaliser (par ex. d’autres couleurs). Il y a aussi une palette de couleurs de référence dans le repo pour l’échange.

  De manière réaliste : Le skill n’est pas parfait du premier coup — le vidéaste a dû itérer sa propre explication de diagramme 2–3 fois. Mais il crée un excellent point de départ qu’on peut ensuite adapter manuellement.

  Résultat : Le skill économise au producteur plusieurs heures par semaine selon ses dires et permet de créer rapidement des diagrammes visuellement complexes et pédagogiques.

  Claude Code est mentionné ; tutoriel avec focus sur la démo.

Datapizza (2 nouvelles vidéos)

• L’accordo Pentagono-OpenAI e il movimento QuitGPT
  3.3.2026, 17:00:37

  Résumé : La controverse Anthropic-Pentagone

  L’épisode met l’accent sur le conflit entre Anthropic et le Pentagone américain concernant l’utilisation de modèles d’IA. Il y a quelques mois, Anthropic avait signé un contrat de 200 millions de dollars avec le gouvernement américain, mais celui-ci est devenu un point de discorde ces dernières semaines : des rapports indiquaient que les partenaires du Pentagone avaient utilisé les systèmes d’Anthropic dans des opérations militaires (notamment lors d’accès à Maduro via Palantir), et le ministère de la Défense signalait ses intentions d’utiliser l’IA à l’avenir pour la surveillance de masse en interne et des armes autonomes.

  Le PDG d’Anthropic, Dario Amodei, a rejeté cela pour des raisons éthiques – les politiques de l’entreprise interdisent ces applications. Le 25 février, Anthropic a reçu un ultimatum du secrétaire du Pentagone Pete Hegseth avec un délai de 48 heures pour lever toutes les restrictions d’utilisation. Amodei a répondu le 27 février par un refus catégorique : la surveillance de masse contredit les valeurs démocratiques fondamentales et les limites techniques actuelles (l’IA est trop sujette aux erreurs pour la sélection de cibles autonomes sans contrôle humain), les armes autonomes sans surveillance humaine ne créent pas de chaîne de responsabilité claire en cas d’erreurs de guerre.

  Le régime a réagi par des représailles massives : Anthropic a été classée comme « risque pour la chaîne d’approvisionnement de la défense » – une désignation généralement réservée à des pays comme la Chine/Russie – la loi de production du Pentagone des années 1950 a été menacée, Trump a signé un ordre exécutif d’interdiction d’utilisation dans toutes les agences fédérales (liste noire). Trump et Hegseth ont publiquement insulté Amodei en le traitant de « radical de gauche » et de « menteur avec complexe de Dieu ». Le Pentagone arguait que tous les usages prévus étaient légaux.

  Mais immédiatement après, le PDG d’OpenAI Sam Altman a présenté un contrat avec le Pentagone et affirmé qu’il contenait les mêmes interdictions (surveillance de masse, armes autonomes). Cela semblait opportuniste et a déclenché un mouvement de boycott : plus de 700 000 utilisateurs ont résilié ChatGPT Plus (20$/mois) et ont basculé vers Claude, d’autant plus qu’il a été révélé parallèlement qu’OpenAI licenciait un outil via GPT-4 à l’agence de l’immigration ICE (pour le filtrage), et que le président d’OpenAI Greg Brockman avait personnellement donné 25 millions de dollars à un Super PAC favorable à Trump. Claude a ensuite grimpé au rang d’application gratuite la plus téléchargée dans les App Stores américain et canadien – les utilisateurs voient Anthropic comme l’alternative éthiquement plus authentique.

  Flash News : Grok 4.20 (nouvelle version) utilise une architecture multi-agents (quatre agents spécialisés en parallèle), en cours d’extension jusqu’à 16 agents, la fenêtre de contexte double de 1 à 2 millions de tokens (la plus grande du marché). Google a publié Nano Banana 2 pour une génération d’images plus rapide (pointe de la technologie en termes de vitesse), le stockage est désormais également disponible dans les comptes Google gratuits. ByteDance a présenté Dubao 2.0 – modèle multimodal pour la génération vidéo et image, pointe de la technologie pour la création vidéo.

  L’épisode a traité Anthropic, OpenAI et Grok ; le format était une discussion d’opinion/réflexion avec des éléments informatifs et des mises à jour flash — le niveau de difficulté se situe dans la gamme quotidienne pour un public intéressé par la technologie.

• Hackapizza 2.0 – Agent Edition – Premiazione finale
  1.3.2026, 16:34:42

  Résumé : Data Pizza Acathon 2.0 – Agent Edition (Événement en direct)

  Il s’agissait d’une diffusion en direct du Data Pizza Acathon 2.0 : Agent Edition, un hackathon de 24 heures dans lequel 19 équipes ont développé des systèmes d’agents IA pour gérer des restaurants virtuels.

  Le contexte

  L’Acathon repose sur un univers fictif avec des restaurants, des recettes et des ingrédients. Les équipes devaient construire des systèmes multi-agents avec le framework Data Pizza public pour exploiter un restaurant : sélectionner des menus, faire des offres aux enchères, se procurer des ingrédients et servir les clients. Le classement évaluait les équipes selon les profits, mais les jurés (Giuseppe Gullo, Simone Rizzo, Enrico Cassol, Giacomo Charlini) évaluaient également l’architecture, la présentation et la créativité.

  Les cinq finalistes et leurs solutions

  1. Neural Nomads (3e place)

  Orchestrait plusieurs agents spécialisés : un pour le web scraping du blog, un pour la compilation du menu (minimisant les déchets via des ingrédients partagés), un pour les offres aux enchères (analyse statistique de la médiane) et un pour la tarification. Avec des garde-fous contre l’injection de prompts ; recours à des systèmes déterministes en cas d’erreur. Approche hybride qui équilibrait la robustesse avec l’agency.

  2. Caramba (2e place)

  Implémentait un pipeline d’agents hautement spécialisés (Procurer, Bidder, Buyer, Chef, Metre) avec des responsabilités basées sur les rôles. Utilisaient une couche de mémoire partagée pour la gestion d’état. Développé de manière itérative (pas planifié de haut en bas), en ajoutant couche par couche de complexité et en testant continuellement par rapport aux performances du marché en direct.

  3. Ragù (5e place)

  Largement déterministe malgré les exigences de l’Agent Edition. Collecte de données extrême (serveurs proxy, journaux complets). Ont commencé par une ligne de base simple, puis ont reconnu que la sélection aléatoire de recettes avec expansion était optimale. Agent comme solution de secours pour les scénarios inattendus (par exemple, structure d’exigences modifiée). Performance la plus élevée lors du lancement doré, mais moins dans l’esprit du défi.

  4. Cavalli al Trotto (1ère place conjointe)

  Stockaient toutes les données dans une base de données relationnelle, utilisaient les flux RSS pour l’ingestion de nouvelles. Plusieurs agents (Menu Agent, Bidding Agent, Market Agent, Allergies Agent, Strategy Agent) pour différentes phases. Découverte intelligente : un agent distinct Allergies Extractor pour normaliser les entrées client non standardisées, au lieu d’une simple décision oui/non. Les agents choisissaient dynamiquement entre les grands et les petits modèles selon les exigences de latence.

  5. Claudio Opuscoli/Sonnets (1ère place conjointe)

  Hautement spécialisés avec une phase de brainstorming. Le Cerebellone (Cerveau) était déterministe et orchestrait les autres agents (Chef avec une mémoire courte sur 3 phases, Sommelier pour l’extraction de blog, Metre pour le service, Agent RP). Seulement 33 lignes pour la coordination multi-agents via E/S asynchrone prioritaire au lieu de HTTP. Moteur stratégique de 588 lignes avec des outils de business intelligence. Les agents avaient des conversations multi-tours avec mémoire ; le Chef pouvait renégocier (par exemple, « Nous ne pouvons faire que 20 des 30 plats – choisis. »).

  Conclusions clés du jury

  • Le code seul ne gagne pas : Les équipes qui généraient beaucoup de code écrit par l’IA performaient en moyenne moins bien que celles qui comprenaient d’abord le problème, puis implémentaient de manière minimale.
  • L’hybride est plus réaliste : Ligne de base déterministe + recours aux LLMs (par exemple Ragù) ou LLM-First + recours au déterminisme (par exemple Caramba) fonctionne mieux que seulement des agents.
  • La mémoire et la journalisation sont critiques : Toutes les meilleures équipes stockaient largement les historiques et les métriques (base de données, journaux structurés).
  • Généralisation vs spécialisation : Les agents spécialisés basés sur les rôles (Caramba, Claudio) surpassaient les systèmes plus grands et plus flexibles.

  Résultat final

  1ère place conjointe : Caramba et Cavalli al Trotto

  2e place : (Catégorie : deuxième gagnant, tous deux encore récompensés)

  3e place : Neural Nomads

  4e place : Claudio Opuscoli

  5e place : Ragù

  Hank et Giacomo de Data Pizza ont souligné à la fin que les capacités d’IA en Italie, malgré tout le battage médiatique, doivent encore être appliquées de manière pratique et réaliste, et que la prochaine génération de techniciens ne doit pas seulement utiliser les outils, mais aussi comprendre les problèmes – c’est la clé de l’innovation.

  Technologies/fournisseurs mentionnés : Claude, OpenAI (GPT-4), Gemini, Data Pizza Framework (Open Source), MCP Tools, Nano Banana, Lovable ; Format : Q&R en direct + finale de hackathon avec démo et évaluation du jury.

Dave Ebbelaar (1 nouvelle vidéo)

• 5 Levels of AI Agents – From Simple LLM Calls to Multi-Agent Systems
  5.3.2026, 15:15:53

  Résumé : Les cinq niveaux de complexité des AI Agents

  La vidéo traite de cinq niveaux de complexité croissants pour les systèmes IA utilisés en pratique.

  Niveau 1 – Augmented LLM : Un simple appel API avec sortie structurée, pour construire des systèmes autour.

  Niveau 2 – Prompt Chaining & Routing (DAGs) : Catégorisation des données entrantes (par ex. tickets clients en « Billing », « Technical », « General »), puis règles If-Else déterministes pour le traitement. Cela reste l’épine dorsale de l’automation B2B fiable en production et à grande échelle – mais devient compliqué quand on ajoute plus de logique.

  Niveau 3 – Tool Calling aux nœuds limites : Au lieu de décisions codées en dur, on donne au LLM une série d’outils (accès base de données, recherche de politique). Le LLM décide de manière agentic quels outils utiliser, y compris en boucles. L’auteur montre un exemple en direct depuis Langfuse : un système de service client optimisé pendant plus d’un an avec plusieurs étapes et appels d’outils, qui automatise presque entièrement le support.

  Niveau 4 – Agent Harnesses : Des frameworks comme Claude Code ou Cursor-CLI donnent à l’agent accès à des environnements runtime complets – exécution Bash, accès système de fichiers, recherche web, APIs externes via MCPs. L’auteur montre un exemple avec le Claude Agent SDK (pip install) qui cherche dans des fichiers locaux et traite des fichiers Markdown de connaissances – très puissant, mais expérimental et peu fiable en production et coûteux.

  Niveau 5 – Orchestration Multi-Agent : Plusieurs Sub-Agents avec leurs propres fenêtres de contexte, contrôlés par un orchestrateur. L’avantage : chaque agent obtient une fenêtre de contexte séparée, donc l’orchestrateur reste propre. Dans le Claude Agent SDK via un paramètre agents.

  Réalité en production : La meilleure pratique combine ces niveaux stratégiquement – commencez par des DAGs simples et des nœuds LLM augmentés, utilisez Tool Calling seulement aux nœuds limites avec une complexité croissante, employez Agent Harnesses de manière ciblée (par ex. pour le coding) et comprenez que les nouveaux outils comme OpenClaw ne sont que des abstractions sur des principes connus : LLMs + Tools + System Prompts.

  L’auteur souligne : les DAGs déterministes sont plus maintenables et testables que les nœuds LLM avec cinq appels d’outils. Les coûts et la latence augmentent avec la complexité – les systèmes multi-agents sont chers et lents, les automations rapides doivent être bon marché et déterministes.

  Claude Agent SDK et Cloud Code – opinion/réflexion avec deep-dives pratiques et démos de code.

David Shapiro

Aucune nouvelle vidéo pendant cette période.

DevExpert – IA para Desarrolladores (1 neues Video)

• De saturar 4GB a Infraestructura Mínima: Refactorización de un MVP en Go.
  5.3.2026, 16:01:29

  Postflow : De l’idée à l’application productive en une semaine

  L’auteur décrit le développement de Postflow, une application pour planifier et publier des messages sur les réseaux sociaux, créée comme alternative à l’application gourmande en ressources Postit. Le problème central était que Postit consommait toutes les ressources sur un VPS de 4 Go.

  Processus de développement

  L’idée a émergé spontanément au parc lors d’une promenade avec les enfants. L’auteur a expérimenté avec un chatbot Telegram (similaire à OpenCow) et a itéré rapidement sur les exigences : un MVP devait être minimal, efficace en ressources et principalement utilisable via une API pour les LLMs. Les recommandations initiales du chatbot : backend en Go, API minimale, un worker pour les publications, logique de retry avec Dead-Letter-Queue (DLQ), interface utilisateur basique pour la lecture uniquement.

  En deux jours, la structure de base était fonctionnelle. L’auteur s’est lancé et a implémenté une interface utilisateur complète avec Pencil (outil de design avec IA) – avec vue calendrier, gestion des brouillons, fonction d’aperçu et optimisations mobiles ultérieures.

  Professionnalisation

  Après le MVP, s’est suivie une phase de refactorisation délibérée :

  • Quality Gates : formatage, lint, tests, vérification de couverture via GitHub Actions
  • Architecture : transition vers un monolithe modulaire avec Clean/Hexagonal Architecture
  • Taille des fichiers : réduction des gros fichiers (p.ex. api.go avec 7 000+ lignes) à moins de 500 lignes par séparation des préoccupations
  • Forcer la parité : tests automatisés garantissant que les nouvelles fonctionnalités sont implémentées en parallèle dans l’API, CLI et MCP
  • Tests : tests black-box plutôt que simples appels de fonction ; couverture de test étendue
  • Migrations de bases de données : implémentation pour les modifications de schéma sans perte de données
  • Releases Docker : démarrage automatique des nouvelles versions en tant qu’artefacts Docker

  Résultat final

  L’application comprend environ 33 000 lignes de code productif. Fonctionnalités : planification sur plusieurs plateformes de réseaux sociaux (d’abord X, puis d’autres), pièces jointes (images/vidéos), gestion d’erreurs avec logique de retry, MCP (s’exécutant directement sur le serveur) et CLI. Le projet est disponible en open source. L’auteur a utilisé plusieurs agents IA en parallèle et a travaillé principalement via des interactions Telegram, parfois aussi directement dans des éditeurs de code.

  Points d’apprentissage de l’auteur : ne pas commencer par une planification parfaite, mais prototyper rapidement et itérer ; introduire systématiquement par la suite les pratiques d’ingénierie professionnelles comme les tests, l’architecture et la refactorisation. Le compromis entre vitesse et maintenabilité est résolu consciemment : MVP d’abord, puis qualité.

  Plans futurs : support multi-tenant pour un modèle SaaS potentiel, fonctionnalités de threading/commentaires, différenciation par rapport à d’autres outils via des APIs conviviales pour les LLM.

  Contexte : Claude/OpenAI via chatbot Telegram, Pencil pour le design UI, backend Go, intégration GitHub, Docker ; format : réflexion/deep-dive sur un processus de développement parcouru.

Everlast AI (4 nouvelles vidéos)

• GPT-5.4: C’est FINI pour OpenAI! Claude Code, ouverture du Google AI Center & autres actualités IA
  8.3.2026, 09:15:00

  Résumé: Actualités IA – GPT-5.4 Thinking, explosion d’Anthropic et Google Berlin

  Cette semaine a apporté trois grands lancements de modèles IA: GPT-5.4 Thinking d’OpenAI avec une fenêtre de contexte de 1 million de tokens, un modèle unifié pour le reasoning, le coding et l’utilisation informatique, atteignant 83% sur le benchmark GDP Well. L’avantage clé: vous pouvez interrompre et corriger le processus de réflexion pendant que le modèle s’exécute. Dans les tests pratiques, Claude Opus 4.6 s’est avéré nettement plus rapide au coding et design frontend (2–3 minutes vs 14–20 minutes) et plus proche des exigences réelles – GPT-5.4 réfléchissait trop longtemps sans livrer proportionnellement de meilleurs résultats.

  Anthropic coupe l’électricité à la concurrence: Le nouveau Voice Mode dans Claude Code fonctionne nativement via slash-commande, Ultrafunk Mode est de retour, les Skills ont été améliorés et le chiffre d’affaires annualisé a doublé à 20 milliards de dollars (contre ~10 mrd il y a 3 mois). Claude a désormais dépassé à la fois OpenAI et Deepseek dans l’adoption B2B – passant de 90% de part de marché ChatGPT en février 2025 à 70% Claude en février 2026. Google réagit avec Workspace CLI pour l’intégration d’agents dans Drive, Docs, Gmail et Chat, ainsi que le nouveau modèle plus léger Gemini 3.1 Flash Light pour les agents vocaux.

  Google a ouvert son AI Center à Berlin avec 18 démos: visioconférences 3D (Project Beam), le nouveau mode IA pour Google Search et des cas d’usage réels montrant la puissance – notamment un outil de situation en temps réel pour les pompiers de Düsseldorf et une interface automobile chez Mercedes répondant à des questions naturelles sur l’environnement de conduite. La clinique universitaire de Cologne utilise des agents IA pour les hotlines patients et la gestion des connaissances via Notebook LM.

  Apple est considéré comme le grand gagnant sous-estimé: la nouvelle puce M5 charge des modèles IA complets jusqu’à ~70 milliards de paramètres en local, les grands modèles au format 4-bit – une percée pour l’IA décentralisée, toujours disponible, sans dépendance au cloud.

  Vue d’ensemble: Le débat sur une « bulle IA » s’éteint face au développement exponentiel. Le PDG d’Anthropic, Dario Amodei, a annoncé une « accélération radicale » pour 2026 qui surprendra tous les observateurs. Le conseil pratique: ceux qui utilisent Claude Code via Terminal (Skills, Agents), travaillent avec des modèles locaux et se perfectionnent continuellement sont les gagnants – 99% ne le font pas.

  Thèmes explicitement couverts: OpenAI (GPT-5.4 Thinking), Anthropic (Claude Opus 4.6, Voice Mode, Ultrafunk), Google (Gemini, Workspace CLI, Berlin AI Center), Apple (puce M5); Cursor mentionné; roadmap: outils propriétaires Everlast AI en développement — Format: mise à jour d’actualités / collage de démos avec tests en direct et interviews d’experts.

• 40% d’effort en moins grâce à l’automatisation IA dans la gestion des crèches | Expérience Everlast AI
  6.3.2026, 09:15:00

  David Tut, directeur général de Butmelan (gestionnaire de crèches au nord du Luxembourg), rapporte la collaboration avec la société de conseil IA Everlast sous la direction de Leo. Tut était initialement septique face au sujet de l’IA, mais a été informé par le contenu YouTube de Leo et a finalement décidé de s’associer avec Everlast après que l’équipe ait présenté des feuilles de route claires basées sur l’expérience avec d’autres clients.

  La mise en œuvre a entraîné des changements significatifs: un agent vocal nommé Julette a été installé à l’accueil et gère désormais une grande partie des appels – ce qui a permis d’économiser au moins 40% des appels téléphoniques quotidiens et d’éliminer le besoin d’une réceptionniste. De plus, divers chatbots IA et d’autres solutions ont été intégrés. Tut souligne la réactivité et la communication rapide de l’équipe Everlast, permettant de répondre rapidement aux nouvelles exigences et d’anticiper les développements futurs.

  Après un an de collaboration, Tut tire un bilan positif: l’équipe travaille de manière fiable, les résultats sont convaincants. Il recommande vivement aux autres entrepreneurs d’explorer l’IA, car les entreprises qui ne se numéralisent pas et n’adoptent pas l’IA connaîtront d’énormes problèmes dans cinq à dix ans. Il conseille de contacter Everlast – une première conversation ne coûte rien et n’apportera que des avantages.

  Thèmes couverts: Everlast et Leo (conseil IA), agent vocal pour traitement automatique des appels – Format: témoignage/rapport d’expérience client.

• Prof. Dr. Ernst Dickmanns: L’incroyable histoire de la conduite autonome
  5.3.2026, 16:15:00

  Résumé: Discussion avec le Professeur Dr. Ernst Dickmanns – Le père de la conduite autonome

  Cette discussion approfondie avec Ernst Dickmanns documente le travail de pionnier en conduite autonome depuis les années 1980. Dickmanns a développé l’approche révolutionnaire 4D (3D spatial + temps), qui au lieu d’évaluer des images individuelles, utilisait des modèles spatio-temporels avec équations différentielles – une alternative fondamentale au traitement d’images basé sur CNN qui dominera plus tard. Avec cette méthode, son véhicule VAMP a atteint 96 km/h sur autoroute en 1987, en 1994 la S-Class VITA 2 a parcouru 1000 km sur l’A1 près de Paris à 130 km/h dans un trafic dense, plus tard 1758 km Munich-Danemark à 175 km/h – tout cela sans GPS, sans cartes ou Lidar, uniquement avec des caméras et des ordinateurs ayant environ 1% de la puissance actuelle.

  Le problème fondamental était la puissance de calcul limitée des années 1980: les mainframes avaient besoin de 15 minutes à une heure pour traiter une image. Dickmanns a plutôt utilisé un réseau de microprocesseurs, chacun traitant une sous-image de l’image globale – un système de traitement distribué qui est devenu un modèle pour les architectures modernes. Son approche 4D, combinant prédictions et feedback sur les erreurs de prédiction (filtre de Kalman dans le traitement de séquences d’images), permettait l’évaluation d’images en temps réel avec des ressources minimales.

  Perspectives clés sur les systèmes actuels: Dickmanns fait une distinction stricte entre les classes de véhicules et les domaines d’application. Tandis que Daimler reste responsable en se concentrant sur les autoroutes (jusqu’à 130 km/h prévu), il critique Waymo et Tesla pour des affirmations trop agressives: ils prétendent l’universalité mais échouent sur les chemins, par mauvais temps et dans des scénarios inattendus – par exemple quand Waymo n’a pas reconnu un cycliste (mort). Les décennies à venir apporteront la conduite autonome sur des routes bien définies (autoroutes, voies rapides); un siècle sera nécessaire pour couvrir tous les types de routes. Des affirmations sûres à 100% sont irréalistes.

  Concernant la responsabilité: le véhicule autonome lui-même et son propriétaire en portent la responsabilité, non uniquement le fabricant – à condition que le système ait passé un test approuvé. Les assureurs, selon un collègue américain, tirent profit de sinistres élevés, non de taux d’accidents décroissants.

  Avenir: Le radar sera décisif – des capteurs radar compacts et abordables (10–20 ans) combinés avec des caméras. Dickmanns voit le potentiel d’hybride-entraîner les réseaux de neurones avec des équations différentielles physiques pour améliorer l’efficacité – mais reste pragmatique: avec des augmentations de puissance de calcul de facteur 100–1000 par décennie, le deep learning pur pourrait suffire.

  Industrie automobile allemande: Pas à la traîne en fabrication, plutôt trop conservatrice en numérisation et prise de risques marché. Qui réussit, le marché en décide – mais les entreprises américaines osent davantage.

  Contexte: Dickmanns a travaillé de 1961–1975 au DLR Oberpaffenhofen (dynamique de vol), 1971–72 à la NASA sur la navette spatiale; à partir de 1995 professeur à l’Université fédérale des forces armées de Munich jusqu’en 2001. Le projet VAMP/VITA-2 a émergé du cadre européen Eureka Prométhée (environ 800 millions d’euros, la vision comme technologie clé). Ses travaux ont alimenté les défis du DARPA (2004–2005 Thrun a remporté avec Stanley/Lidar).

  Analyse approfondie de la conduite autonome, fondée historiquement et techniquement; aucun outil/fournisseur spécifique mentionné sauf Daimler, Waymo, Tesla, Stanford, NASA — opinion/réflexion avec focus historique et scientifique.

• Anthropic AVERTIT d’un « TSUNAMI IA » à partir de 2027! SaaSpocalypse, SCANDALE au Pentagon & la rattrapage de la Chine
  3.3.2026, 16:50:25

  Résumé: Développement de l’IA 2026 – La révolution sous-estimée

  La vidéo est un podcast de recherche d’Everlast AI avec trois experts (Prof. Oliver Mitch, Prof. Andreas Moring, Kim Isenberg), contextualisant les développements IA actuels dans leurs conséquences pratiques et sociétales.

  Thèmes principaux:

  Anthropic vs. concurrence: Anthropic a en trois semaines provoqué une destruction de valeur de marché d’environ un milliard – via les plugins Claude-Cowork pour les entreprises SaaS héritées (Thomson Reuters, Legal Zoom, IBM). Simultanément, les acteurs d’infrastructure comme Factsheet et Docign bénéficient de l’intégration MCP. La rapidité des lancements de fonctionnalités est stupéfiante et montre la radicalité du changement des modèles commerciaux.

  Guerres des agents: Open AI a acquis OpenClaw, Anthropic et Google limitent mutuellement l’accès API, Perplexity intègre 19 modèles IA. Le focus se porte maintenant sur la couche applicative – les modèles deviennent commodity, la création de valeur émerge de configurations d’agents sur mesure.

  Robotique & Chine: La Chine domine avec Unitree et Honor (~90% des robots humanoïdes mondiaux). Le chancelier March voyage à Hangzhou avec les principaux dirigeants; les exportations automobiles allemandes vers la Chine ont chuté de 70% depuis 2022. La stratégie est l’acquisition de données pour les modèles mondiaux – la première vague ce sont des robots ménagers chaotiques, la véritable maturité productive arrive dans 5–10 ans. Le déficit commercial s’est presque quadruplé.

  Conflit au Pentagon: Le ministre de la Défense Hexev demande à Anthropic de supprimer les restrictions de sécurité de Claude (Defense Production Act). Dario Amodei trace deux lignes rouges: pas de surveillance de masse, pas de systèmes d’armes autonomes. Plus de 220 employés de Google/OpenAI signent une déclaration de solidarité (plus de 50% anonymement).

  Éthique & hypocrisie: Anthropic critique Deepseek/Minimx pour la distillation de Claude via des faux comptes, mais a elle-même payé 1,5 milliard de dollars d’amende pour l’entraînement sur des livres protégeant les droits d’auteur. Cela montre la réalité pragmatique: tout le monde utilise ce qui est disponible.

  Puces & infrastructure: Nvidia Vera Ruben offre 5x plus de puissance de calcul que Blackwell, 10x moins chère pour l’inférence, jusqu’à 288 GB de mémoire. Livraison H2 2026. Open AI prévoit 2 GW d’entraînement sur Vera Ruben. Une mise à jour logicielle d’ASML augmente le débit des wafers de 50%. La Chine tente d’augmenter la fabrication de puces de 20nm à 7–5nm.

  Conduite autonome: BMW et Mercedes suppriment les systèmes Level-3. L’Allemagne n’a en 2026 aucun véhicule série Level-3 – focus sur Level 2+ ou Level 4. Cela contredit les déclarations antérieures sur le leadership technologique allemand.

  Politique énergétique: Trump demande aux entreprises technologiques de construire leurs propres centrales électriques. Kim souligne que c’est un signal politique (les communautés se soulèvent), mais pas une vraie solution: les turbines à gaz sont épuisées jusqu’en 2030, les centrales nucléaires prennent 9+ ans. La Chine construit annuellement plus de capacité solaire que les USA dans toute son histoire.

  Projet Stargate: Après plus d’un an, Stargate n’a embauché aucun personnel, n’a pas construit de centres de données. Conflit de contrôle entre Softbank, OpenAI, prêteurs. L’objectif est tombé de 1,4 billion à 600 milliards de dollars. Amazon et Nvidia rejoignent avec respectivement 50 et 30 milliards – représente un revers pour OpenAI.

  Modèles chinois: Qwen 3.5 n’a que 5 mois de retard sur Sonic 4.5 (octobre 2025 vs février 2026). 3 milliards de paramètres actifs, seulement 17 milliards activés par token (Mixture of Experts), surpasse GPT-4.5 et Gemini Reasoning, coûte une fraction de la concurrence US, open weights.

  Marché du travail & transformation: Dario Amodei avertit d’un « tsunami » – 50% de tous les emplois d’entrée menacés à partir de 2027. Jack Dorsey licencie 40% de son personnel en raison de l’efficacité de l’IA. Les professeurs rapportent que les étudiants trouvent pour la première fois difficile d’obtenir des emplois d’entrée. Ce n’est pas un changement linéaire, mais une compression radicale: la révolution industrielle sur 100 ans est compressée en une décennie.

  Benchmarks saturés: GPT-4.5 et Claude Opus 4.6 résolvent déjà 40% des mathématiques frontière; MMLU était 2% en 2024, maintenant plus de 40%. La performance mathématique est considérée comme une asymptote – si les maths sont résolues, la physique, chimie, biologie suivent comme des dominos.

  Déclarations centrales:

  • L’IA est simultanément la plus puissante machine de désinformation et la meilleure technologie de vérité.
  • L’Allemagne/l’Europe ne jouent pas vraiment, tandis que USA et Chine se battent pour la domination.
  • L’expansion n’est pas un manque de technologie ou de capital, mais la volonté politique et la préparation sociétale.
  • « This is the worst it will ever be » – technologiquement ça va seulement plus vite et mieux.
  • De nouveaux emplois émergent, mais pas assez vite et pas pour tous; crise identitaire pour beaucoup.
  • Préparation: maîtriser les outils IA, penser logiquement, principes éthiques, initiative entrepreneuriale.

  Format: Résumé de discussion en direct avec interviews de politique et preuves anecdotiques de la pratique. Niveau de difficulté: Destiné aux spectateurs informés, présuppose des connaissances de base en IA.

Fireship (1 nouvelle vidéo)

• Cloudflare just slop forked Next.js…
  2.3.2026, 20:36:25

  V-Next : Cloudflare réinvente Next.js sur Vite

  Cloudflare a lancé V-Next – une réimplémentation complète du framework Next.js, basée sur Vite au lieu de l’architecture classique de Node. Cela résout un problème historique : les apps Next.js étaient fortement liées à Vercel, car le output de build était propriétaire. Pour déployer sur d’autres plateformes comme Cloudflare, il fallait utiliser le projet Open-Next, qui réingénie le output et qui est fragile.

  Au lieu de construire sur ce output, Cloudflare a réécrit V-Next à partir de zéro. Le coup d’éclat : ils ont utilisé des agents IA et ont réussi en un jour à faire fonctionner SSR, Middleware, Server Actions et Streaming. Jusqu’au troisième jour, le déploiement complet sur Cloudflare Workers avec Client Hydration marchait – le tout pour environ 1.100 dollars de coûts en tokens IA. Le résultat final couvre 94% de l’API Next.js.

  Puisque V-Next s’appuie sur Vite, il bénéficie de l’architecture de Vite, incluant Rolldown en tant que bundler basé en Rust. Selon les benchmarks de Cloudflare, cela conduit à des builds de production jusqu’à 4,4x plus rapides et des client bundles 57% plus petits par rapport à Next.js. Dans un test pratique avec l’app bytes.dev, un build 5x plus rapide était même possible – avec la mise en garde que les logiciels en phase de développement peuvent encore avoir des failles. L’agent Cursor intégré pour la migration de projets aide à la refactorisation (par exemple, passage aux modules ES et aux extensions de fichiers JSX), mais ne fait pas tout sans erreur à la première tentative.

  La direction de Vercel a réagi de façon prévisible de manière critique : le CTO a appelé le projet un « slop fork », et le fondateur Guillermo a pointé des failles de sécurité critiques qui sont cependant moins problématiques puisque l’app n’a pas encore de vrais utilisateurs. Conclusion : un projet techniquement intéressant avec de véritables gains de performance, mais pas encore prêt pour la production pour la migration dans la plupart des cas.

  Démo d’un projet Cloudflare (V-Next) avec migration pratique ; couvre explicitement Vercel, Next.js et Vite – format : Démo avec réflexion critique.

Greg Baugues

Aucune nouvelle vidéo durant cette période.

IA et Stratégie | Le SamourAI (1 neues Video)

• 55 000 postes supprimés : L’effondrement du management intermédiaire et de la moyenne intellectuelle
  2.3.2026, 16:00:56

  La vidéo est un long essai en français sur l’effondrement économique du système de tarification journalière dans le travail intellectuel par l’intelligence artificielle.

  Le cœur de l’argumentation : pendant des siècles, le travail intellectuel a été rémunéré selon le temps investi, car le cerveau humain était le seul « matériel » disponible – et il est séquentiel, lent, avec des coûts de changement de contexte élevés et non reproductible. Aujourd’hui, les clusters de GPU remplacent cette fonction avec une architecture fondamentalement différente : parallèle, déterministe, massivement scalable. Ce changement matériel (du temps humain à la puissance de calcul) détruit le fondement économique du tarif journalier, de la vente à l’heure et des couches de management intermédiaire, qui ne servaient qu’à la synchronisation des humains.

  Les effets concrets sont esquissés : Bank of New York Melon, Duolingo, Cap Gemini, Amazon, Microsoft et Accenture réduisent les effectifs explicitement à cause de l’IA. Parallèlement émergent les « Micro-Multis » (Midjourney, Cursor) avec des millions de chiffre d’affaires pour quelques dizaines d’employés. Le système migre de « jours-comme-monnaie » vers « tokens-comme-monnaie ».

  La vidéo distingue ensuite six niveaux de difficulté du travail : (1) Volume/Effort → terminé, (2) logique pure → mourant, (3) coordination → agonal, (4) expertise cicatricielle/terrain → protégée, (5) intelligence émotionnelle/politique → temporairement protégée, (6) ambiguïté & courage/décision stratégique sous risque → dernier bastion humain.

  Qui survit : trois profils – (1) l’« Architecte CAP » (stratégie, identification de problèmes, spécification pour agents), (2) le « Gardien de contexte » (expert métier, audit de la boîte noire, contrôle des risques), (3) le « Plombier algorithmique » (architecture technique, sécurité, intégration avec les données de l’entreprise).

  Qui s’éteint : le « Faiseur standard » – l’employé compétent qui exécute proprement ce qu’on lui dit, mais sans profondeur stratégique.

  La vidéo prêche un changement comportemental : (1) interdiction du brouillon de première main, (2) inversion du rapport cognitif (80% d’ingénierie de contraintes, 20% d’audit au lieu de l’inverse), (3) obsession systémique (résoudre un problème signifie le formuler de façon que les agents le gèrent autonomement dans la boucle).

  Anecdote en fin : un « propriétaire de barrière automatique » se vante que les machines aient remplacé les employés et qu’il n’y ait plus besoin de certificats maladie – une caricature de la déshumanisation.

  Commentaire : Opinion/réflexion avec un deep-dive technique et économique fort sur Claude, les agents LLM génériques et l’économie de l’inférence ; aucun outil spécifique nommé sauf incidence Claude – plutôt une analyse macro du changement de marché.

Julian Ivanov | Automatisation par IA (1 nouvelle vidéo)

• Comment rendre OpenClaw 10x plus puissant
  2.3.2026, 17:55:03

  Cinq techniques pour optimiser OpenClaw

  La vidéo montre cinq optimisations pour OpenClaw, un agent IA open-source qui fonctionne comme assistant personnel via Telegram ou WhatsApp.

  Bases de configuration : Après installation via le template Hostinger, OpenClaw est intégré à Telegram via le Botfather et connecté aux clés API. L’orateur recommande Open Router pour la sélection du modèle, car plusieurs fournisseurs (OpenAI, Anthropic, Google, modèles chinois) y sont disponibles centralement. Pour la compréhension vocale, Whisper est installé localement.

  Les cinq optimisations :

  1. Subagents : Des instances d’agent spécialisées (par exemple Cody pour le code) réduisent le problème de fenêtre de contexte des modèles individuels. L’agent principal délègue les tâches, ce qui améliore l’utilisation de la capacité et réserve les modèles plus coûteux aux tâches complexes.
  1. Groupes Telegram basés sur les sujets : Au lieu d’avoir un chat interminable, un groupe est créé avec différents topics (Fitness, À faire, Journal, Contenu). Le contexte reste ainsi clair et plusieurs sujets peuvent être traités en parallèle.
  1. Auto-amélioration via Skills : Les Skills installés via Clahub permettent à l’agent d’apprendre de ses erreurs. Le skill « Self-Improving Agent with Self Reflection » s’active automatiquement quand des possibilités d’amélioration sont détectées.
  1. Mémoire améliorée : Memory Flush sauvegarde les informations importantes avant la compression du contexte, Session Memory Search permet d’accéder aux anciens chats. Le backend QMD combine recherche vectorielle, par mots-clés et reranking pour une recherche d’informations plus précise.
  1. Transparence via VS Code : L’extension Remote SSH permet de se connecter au serveur et de voir tous les fichiers créés, les Skills installés, les configurations d’agent. Les Skills peuvent être vérifiés avant installation et modifiés localement.

  Concrètement, cela signifie : l’agent travaille plus efficacement, coûte moins cher, apprend de manière autonome, retient plus d’informations et est complètement transparent.

  OpenClaw (outil open-source), optimisations individuelles d’un assistant IA personnel via plusieurs étapes de configuration — Tutoriel.

Kyle Balmer | AI with Kyle (10 nouvelles vidéos)

• Is Claude worth $100/month?
  6.3.2026, 18:45:00

  Abonnement Claude : en vaut-il la peine ?

  Le présentateur compare Claude à ChatGPT et arrive à une conclusion nuancée : Claude est le meilleur modèle, mais coûte nettement plus cher et impose d’autres limitations d’utilisation.

  Modèle tarifaire en comparaison :

  ChatGPT propose un plan gratuit généreux qui permet une utilisation abondante sans problème. Le plan gratuit de Claude est pratiquement inexistant. L’abonnement à 20 $/mois pour Claude est très restrictif – ceux qui veulent utiliser Opus (le meilleur modèle de Claude) se heurtent rapidement à des limites et sont invités à revenir plus tard. Alternative réaliste : le plan à 100 $/mois (cinq fois plus cher). Avec celui-ci, on peut utiliser Opus sans limitation constante. Pour 20 $/mois, il ne reste que Sonnet, le modèle plus faible.

  Différence de modèle économique :

  OpenAI compte environ 900 millions d’utilisateurs et vise le marché de masse (B2C). Anthropic se concentre sur une élite de 30 à 50 millions d’utilisateurs ayant une capacité de paiement. Malgré une base d’utilisateurs beaucoup plus petite, les deux génèrent des revenus comparables – Anthropic monétise les utilisateurs premium payants, OpenAI envisage la publicité pour les masses.

  Conclusion : Pour un usage personnel, 100 $/mois est trop cher pour beaucoup. Pour les entreprises, c’est un investissement très rentable. La structure tarifaire choque souvent les utilisateurs qui passent de ChatGPT et sont habitués à une utilisation gratuite généreuse.

  À la fin, le présentateur réfléchit à l’importance de l’authenticité – il produit du contenu en direct plutôt que des avatars IA, estimant que la connexion humaine authentique et la prise de parole en public gagneront en valeur à l’avenir, tandis que les contenus générés par IA perdront leur rareté.

  Thèmes abordés : Claude, OpenAI/ChatGPT, Anthropic ; Format : Opinion/réflexion avec comparaison tarifaire.

• AI Update: Anthropic Pentagon Fallout, Google Workspace CLI & NotebookLM Goes Cinematic
  6.3.2026, 07:30:18

  La vidéo traite plusieurs développements récents autour de l’IA et de la géopolitique.

  Négociations du Pentagone avec Anthropic : Anthropic est de retour à la table des négociations après l’échec des pourparlers avec le Pentagone. Le conflit a éclaté parce que le Pentagone voulait utiliser les modèles IA d’Anthropic pour un large éventail de « fins légales » – y compris la surveillance de masse en territoire américain. Anthropic a refusé, puis s’est retiré du réseau d’approvisionnement militaire. Le PDG Dario Amodei mène directement les négociations avec les responsables de la défense ; le présentateur critique cela comme une erreur stratégique, car Amodei adopte une approche trop confrontationnelle, tandis qu’un représentant plus diplomatique aurait de meilleures chances. Le présentateur précise : Anthropic n’a aucun problème de principe avec les systèmes d’armes autonomes mortelles – seulement avec le fait qu’ils pourraient faire du mal aux Américains. Les attaques contre les non-Américains sont acceptables. Il s’agit d’une clarification face aux rapports médiatiques qui présentent Anthropic comme un partisan de la protection de masse.

  Le battage autour de Claude et la réalité : Suite à l’accord d’OpenAI avec le Pentagone, des millions d’utilisateurs se sont tournés vers Claude. Le présentateur met en garde contre la transfiguration : Claude n’est pas moralement supérieur, juste positionné différemment – et s’il y a effectivement un accord avec le Pentagone, cette bonne volonté s’envolera rapidement.

  Google Workspace CLI : Google a lancé une interface de ligne de commande pour Google Workspace qui permet aux AI-Agents d’accéder directement au courrier, au disque, au calendrier, aux feuilles de calcul, aux documents et aux fonctions d’administration – sans automation du navigateur. Le présentateur appelle cela « ennuyeux mais important » – une infrastructure pour automatiser les workflows, comme une télécommande universelle pour Google Workspace.

  Vidéos cinématiques Notebook LM : Google a étendu Notebook LM avec des aperçus vidéo cinématiques (actuellement sur le plan Ultra uniquement), qui génèrent des vidéos dynamiques et cinématiques à partir du matériel source en utilisant leurs modèles vidéo – au lieu de simples diaporamas statiques. Le présentateur souligne que Notebook LM dans son ensemble est un outil sous-estimé pour transformer n’importe quel contenu en diaporamas, podcasts, cartes mémoire, quiz et infographies.

  Comparaison des coûts Claude vs. ChatGPT : Claude est plus cher et a des limites plus basses que ChatGPT, mais le plan Premium (100-200 $/mois) coûte moins cher que via l’API. OpenAI compte environ 900 millions d’utilisateurs (beaucoup gratuitement), Anthropic environ 30-50 millions, mais génèrent des revenus comparables – modèles économiques différents (masse vs. premium).

  Laboratoire IA du gouvernement britannique : 40 millions de livres sur six ans pour un nouveau laboratoire de recherche en IA – le présentateur critique cela comme insuffisant au vu des investissements de plusieurs milliards aux États-Unis et en Chine.

  Autres conseils : Le Vibe-Coding avec Antigravity (gratuit) ou Google AI Studio est possible ; les Skills et les MCPs doivent être dérivés de problèmes concrets, pas l’inverse. Une étude du MIT a montré que les projets pilotes d’IA top-down échouent généralement, mais la formation basée sur l’initiative locale pour les employés ordinaires réussit – donc grand potentiel commercial pour les ateliers et formations IA.

  Le présentateur a annoncé un webinaire à 18 h (heure britannique) sur la possibilité d’organiser des ateliers pour les entreprises et de gagner des centaines à des milliers d’euros par heure.

  Outils/fournisseurs IA : Anthropic, OpenAI, Google (Google Workspace CLI, Notebook LM, Gemini), Claude, Antigravity, GitHub, MCP — Format vidéo : Actualités/revue avec opinion

• AI Is Now Working While You Sleep
  5.3.2026, 19:45:03

  Résumé : Le tournant de l’IA autonome (décembre 2025)

  La vidéo documente un changement fondamental dans les capacités de l’IA : au lieu de l’invite itérative par les humains, les modèles modernes peuvent désormais travailler de manière autonome sur de plus longues périodes. Claude Opus 3.5 Sonnet complète les tâches logicielles seulement 50 % du temps, tandis que Claude Opus 4.6 peut travailler de façon autonome pendant plus de 12 heures. Avec des essaims orchestrés (comme le projet C-Compiler d’Anthropic Labs avec 16 agents), le travail autonome fonctionne sur deux semaines – le projet a coûté 10 000 dollars en crédits et a donné lieu à un compilateur C compilé, incluant les tests et le déploiement.

  Les horizons temporels plus longs permettent des tâches plus complexes, car les modèles conservent plus de contexte et le gèrent plus efficacement. Claude Code sur le plan à 200 dollars est décrit comme un grand déverrouillage : cher, mais productif pour une application économique. Décembre 2025 marque un tournant – OpenClaw a été publié et est maintenant (avec ~260 000 étoiles GitHub) le projet open-source le plus étoilé de tous les temps, bien devant PyTorch et VS Code. La tendance des commits montre une activité explosive : Claude Code génère 140 000 commits quotidiens dans des repos publics, les développeurs comme Peter Steinberger (créateur d’OpenClaw) font des milliers de commits par jour – impossible pour les humains, mais standard pour le développement piloté par l’IA.

  Pour commencer, deux outils sont mentionnés : Cowork (application de bureau pour Windows/macOS, basée sur Claude, avec planification) et Qwen (mentionné, mais non expliqué). Cowork fonctionne lentement, mais convient aux tâches planifiées pendant la nuit – l’IA contrôle les fenêtres du navigateur pendant que l’utilisateur dort.

  Claude Opus 4.6, OpenClaw et Anthropic/OpenAI au centre ; opinion/réflexion avec conseils pratiques.

• The Agentic Era Is Officially Here & GPT 5.3 “less cringe” Drops
  5.3.2026, 07:15:03

  Résumé : Les modèles GPT et la révolution des AI-Agents (décembre 2025)

  Le présentateur discute de deux mises à jour récentes d’OpenAI et les positionne comme une opération de diversion face à des événements dommageable pour la réputation. GPT-5.3 Instant est un petit fine-tuning de 5.2, censé être moins « cringe » – OpenAI le promeut avec « more accurate, less cringe » (moins de réassurances inutiles, moins de réactions dramatiques). Le 5.2 avait condescendamment rassuré les utilisateurs, même sur des questions triviales. L’annonce majeure est GPT-5.4, dont la majuscule du « T » suggère un type de modèle à raisonnement (comme o1/o3). Des rumeurs indiquent un lancement cette semaine – le présentateur soupçonne qu’OpenAI se distrait de problèmes (contact avec le Pentagone, exode massif vers Claude, 400 % d’augmentation des résiliations, 775 % plus d’évaluations 1 étoile).

  Le point majeur : décembre 2025 comme tournant. Ethan Mollick et Andrej Karpathy identifient quatre grands changements en IA : (1) GPT-3.5 (nov 2022), (2) GPT-4 (printemps 2023), (3) modèles de raisonnement comme o3 (2025), (4) systèmes d’agents fonctionnels (décembre 2025). Avant décembre, les AI-Agents étaient mauvais ; depuis décembre, ils peuvent gérer des tâches autonomes de plusieurs heures. Andrej Karpathy : « Les agents de codage ne fonctionnaient pratiquement pas avant décembre et fonctionnent pratiquement depuis » – un tournant brutal. Les modèles maintiennent maintenant le contexte sur des sessions plus longues, traitent des projets complexes de manière autonome (exemple : configuration d’un tableau de bord vidéo de 30 minutes, ce qui était autrefois un projet de fin de semaine).

  Changement pratique : Au lieu de « discuter avec l’IA, obtenir une réponse » → « donner une tâche à l’IA, elle travaille des heures de façon autonome ». Le présentateur utilise Claude Code pour les tâches de comptabilité : l’agent accède à Gmail, collecte les factures, les télécharge dans les services – seulement de la supervision, pas du travail manuel.

  Accès : Claude Cowork (recommandé pour les débutants) ou OpenClaw (gratuit, technique). Cowork fonctionne sur bureau (Windows/Mac), automatise les tâches du navigateur, peut s’exécuter la nuit. OpenClaw nécessite une configuration VPS (par ex. Hetzner, 5 €/mois) ou Mac Mini. Aussi Claude Code et les outils à venir d’OpenAI.

  Problème de coût : Le plan Claude Max coûte 200 $/mois – ROI élevé pour les entreprises, difficile pour les particuliers. Anthropic a connu des pannes serveur dues à l’exode massif de ChatGPT.

  Détour – Anthropic/Pentagon : Le présentateur précise : Anthropic n’a pas rejeté le déploiement militaire de l’IA, seulement la surveillance de masse intérieure américaine et les armes autonomes qui pourraient faire du mal aux Américains. Ils travaillent à la fiabilité pour les opérations contre d’autres pays – pas moralement supérieurs, juste pragmatiquement différents.

  Claude (Anthropic), ChatGPT/Codex (OpenAI), Qwen (Chine), OpenClaw, Cowork, DeepSeek ; démo/discussion en direct avec aperçu d’un webinaire pédagogique à venir (modèle commercial : formation IA pour les entreprises).

• Can Anthropic Actually Survive What’s Coming?
  5.3.2026, 07:00:48

  La vidéo discute de la crise actuelle de croissance d’Anthropic : bien que l’entreprise connaisse sa meilleure croissance, elle risque son existence par une confrontation avec le gouvernement américain. Un déménagement en Europe n’est pas pratique, car il ne s’agit pas seulement de talents, mais de toute l’infrastructure – les GPU de Nvidia (qui pourrait souffrir des sanctions américaines), l’informatique en nuage via AWS et le capital-risque. Les trois plus grandes rondes de financement de l’histoire ont toutes eu lieu ces dernières années en Amérique (Anthropic 30 milliards, OpenAI 40 milliards, puis 110 milliards) ; l’Europe ne fournit que des centaines de millions – insuffisant pour rester compétitif face aux laboratoires américains et chinois. L’infrastructure énergétique est aussi un déficit européen. Sur les fonctionnalités des Agentiques : Claude n’a pas de mode agent dédié comme ChatGPT, on utilise plutôt Claude Code (pour les agents hébergés) et Cline (une application de bureau qui peut contrôler l’ordinateur – déplacer des fichiers, naviguer sur des sites Web, télécharger). Cline a récemment ajouté les tâches planifiées, la mémoire unifiée et les capacités à distance, convenant aux tâches récurrentes comme la gestion des factures. Amazon dispose déjà de ses propres modèles IA (Nova) pour les clients AWS, n’a donc pas besoin d’investir dans OpenAI. La vidéo mentionne aussi que d’autres fournisseurs (Perplexity, Manus) se bousculent dans l’espace des agents, mais l’écosystème d’Anthropic (Claude Code + Cline) est actuellement leader.

  Vidéo de démo/discussion avec analyse critique de Claude, Anthropic et des outils d’agents (Cline, Claude Code, Nova).

• Anthropic Fights Pentagon, ChatGPT Uninstalls Surge, OpenAI Raises Astronomical $110B
  4.3.2026, 06:30:09

  Résumé : La crise Anthropic-Pentagon et ses répercussions

  Le créateur traite un énorme conflit entre Anthropic et le Pentagone : le ministère américain de la Défense sous Pete Hegseth a désigné Anthropic comme « risque de la chaîne d’approvisionnement », après que l’entreprise ait refusé d’accepter deux limites éthiques – l’utilisation de Claude dans les armes autonomes qui pourraient mettre en danger les soldats, et dans la surveillance massive des citoyens américains. Les quatre grands laboratoires d’IA (Google, xAI, OpenAI, Anthropic) ont chacun reçu environ 200 millions de dollars de contrats du Pentagone en 2024 ; seul Anthropic a reçu l’accès à des environnements classifiés.

  Anthropic a refusé et a risqué ainsi une destruction économique. Trump s’est joint, Hegseth a menacé d’un délai jusqu’à vendredi 17 h. Anthropic a poursuivi en justice contre la désignation, arguant qu’elle est juridiquement sans précédent et non fondée – normalement, cela n’affecte que les entreprises étrangères. Des centaines de dirigeants technologiques (55 PDG, dont 47 d’OpenAI) ont signé une lettre ouverte contre la désignation ; Sam Altman a défendu Dario Amodei, mais n’a pas signé lui-même.

  Tournant : OpenAI a immédiatement pris en charge le contrat de classification qu’Anthropic avait perdu. Cela a entraîné une réaction massive : les désinstallations de Chat-GPT ont augmenté de 295 %, les évaluations d’une étoile de 775 % en un jour. Les gens ont basculé vers Claude – qui a connu sa meilleure semaine d’histoire. Claude a grimpé à la 1ère place de l’App Store américain.

  Problème : les serveurs de Claude se sont effondrés sous la charge des nouveaux utilisateurs, ce qui a découragé les nouveaux clients potentiels. Le créateur souligne : Anthropic n’est pas « les gentils » – ils ont aussi travaillé avec le Pentagone sur les drones et la surveillance, seulement avec des limites éthiques (pas d’utilisation contre les Américains). Le dommage pour Anthropic est commercialement énorme, même s’il gagne en justice – les investissements, les fournitures de puces (Nvidia) et l’infrastructure en nuage (AWS) pourraient disparaître.

  Anthropic a rapidement activé un outil d’importation de mémoire de ChatGPT à Claude (y compris sur le plan gratuit) et a étendu Claude Code et Cowork avec des tâches planifiées pour construire un écosystème de type OpenAI.

  Ligne secondaire : la ronde d’investissement d’OpenAI de 110 milliards de dollars est la plus grande série de capital-risque privé de tous les temps – Sam Altman a besoin de stabilité du marché, pas du chaos causé par l’effondrement d’Anthropic. Sam Altman et d’autres dirigeants de haut niveau ont signé la lettre de solidarité, mais le conflit reste non résolu.

  Le créateur avertit : un déménagement en Europe n’est pas réaliste – Anthropic aurait besoin d’accès aux GPU (Nvidia), d’infrastructure en nuage, de capital-risque et d’approvisionnement en électricité que l’Europe ne peut pas fournir. Un cessez-le-feu de six mois pourrait permettre des négociations (comme les menaces d’interdiction de TikTok).

  En Q&A : conseils sur Claude vs. Gemini (Claude meilleur, grâce à l’écosystème comme Claude Code/Cowork) ; annonce du webinaire sur les modèles économiques d’ateliers IA (pour les publics non techniques) sur ai-mit-kyle.com/webinar aujourd’hui 18 h heure britannique ; recommandations pour les ressources d’apprentissage (Anthropic Academy, DeepLearning.AI).

  Fournisseurs/outils IA abordés : Claude, OpenAI/ChatGPT, Google, xAI, Gemini, Claude Code, Cowork, Lovable, Codex, Perplexity, Anthropic. Format : Opinion/réflexion avec mise à jour d’actualités et Q&A en direct.

• Why Sam Altman Is Defending His Biggest Rival
  3.3.2026, 17:30:15

  La transcription discute de l’accord entre OpenAI et le ministère américain de la Défense et du contraste avec Anthropic, qui n’a pas conclu un tel accord.

  Sur le soutien d’OpenAI à Anthropic : Sam Altman s’est exprimé publiquement sur Dario Amodei et Anthropic, même si les deux dirigeants ne se fréquentent pas personnellement (une anecdote mentionne qu’ils ont refusé de se tenir la main lors d’un sommet de l’IA à Delhi). Cela pourrait être de la RP, mais aussi stratégiquement nécessaire : si Anthropic échoue, la confiance du marché dans les investissements en IA pourrait s’effondrer – ce qui nuit aussi à OpenAI, car tous deux dépendent de l’investissement externe.

  Pourquoi OpenAI a conclu un accord, Anthropic pas : OpenAI argue que son accord offre même des garanties de sécurité plus fortes que l’original d’Anthropic – par exemple via un déploiement cloud-only et des lignes rouges exécutoires. Une explication possible de l’échec chez Anthropic : Dario Amodei pourrait être moins diplomatique que Sam Altman et avoir endommagé la relation avec le ministère de la Défense.

  Sur les préoccupations comme les drones et la surveillance de masse : OpenAI assure contractuellement et par son architecture de sécurité que les modèles ne seront pas utilisés pour les armes autonomes ou la surveillance des citoyens américains. Les représentants du personnel d’OpenAI doivent servir de contrôle supplémentaire.

  Sur la théorie des modèles secrets : Le gouvernement ne reçoit pas de meilleurs modèles que le public – il utilise probablement des versions plus anciennes comme Opus 4.5 ou 4.6, car tout doit passer des contrôles de sécurité. Les laboratoires ne peuvent pas fonctionner économiquement s’ils ne fournissent leurs meilleurs modèles qu’à un client ; ils doivent continuer à se déployer au sens large.

  Point critique sur la rédaction des contrats : Un spectateur soulève que le contrat d’OpenAI pourrait être fortement formulé, mais non exécutoire, tandis que celui d’Anthropic pourrait avoir été formulé plus étroitement et moins contournable.

  La vidéo traite principalement d’OpenAI et d’Anthropic ; pas d’accent particulier sur d’autres outils d’IA.

• US Military Used Claude to Target Iran Despite Trump’s Ban
  3.3.2026, 06:15:00

  Résumé : Anthropic vs. administration Trump – géopolitique de l’IA et répercussions

  Conflit central : Donald Trump a ordonné à tous les agences fédérales américaines d’arrêter immédiatement l’utilisation de la technologie d’Anthropic, avec un délai de transition de six mois pour le ministère de la Défense. Le contexte est une dispute sur deux « lignes rouges » qu’Anthropic refuse d’abandonner : interdiction de la surveillance de masse à l’intérieur du pays et des systèmes d’armes entièrement autonomes qui ne sont pas assez sûrs. Le PDG d’Anthropic, Dario Amodei, a rejeté l’ultimatum de Trump – ce qui a amené le ministre de la Défense Pete Hegseth à classer Anthropic en tant que « risque de chaîne d’approvisionnement », une démarche sans précédent contre une entreprise américaine nationale.

  Utilisation militaire et contradiction : Ironiquement, l’armée américaine a utilisé les modèles Claude pour les attaques contre l’Iran – des heures après l’interdiction. Claude a été utilisé pour les tâches de renseignement, la sélection de cibles et les simulations. Cela montre la dépendance opérationnelle et souligne la contradiction entre la rhétorique de Trump et la réalité pratique.

  OpenAI comble le vide : Quelques heures après le refus d’Anthropic, OpenAI a annoncé avoir conclu un accord avec le Pentagone pour les systèmes d’IA dans les environnements classifiés – avec ses propres trois lignes rouges (pas de surveillance interne de masse, pas de systèmes d’armes autonomes, pas de décisions automatisées hautement élevées). OpenAI souligne le déploiement cloud-only et le contrôle continu de la pile de sécurité, ainsi que les employés en boucle. Dans les FAQ, OpenAI reconnaît que le gouvernement n’a pas de meilleurs modèles que le public – seulement potentiellement des versions plus anciennes, vérifiées plus intensément.

  Pas de super-modèle secret : Un point central : le Pentagone n’utilise pas Claude Opus 5 ou un mystérieux AGI. Il a accès à des modèles similaires à tous les autres, car l’économie du développement de modèles rend impossible pour Anthropic et OpenAI de tenir un modèle haut de gamme séparé pour une seule agence.

  Boom de Claude et effondrement de l’infrastructure : Le conflit politique a fait de Claude le numéro 1 des app stores américains – pour la première fois, un énorme pic de téléchargement dans l’histoire. Anthropic propose un outil d’importeur de mémoire pour migrer les utilisateurs de ChatGPT vers Claude. Cependant : Claude est en panne – provoqué par la charge serveur de millions de nouveaux utilisateurs. Une catastrophe de RP au moment critique, car les utilisateurs pour la première fois rencontrent un service qui ne fonctionne pas.

  Contexte plus large : Anthropic ne pourrait pas simplement se décaler vers l’Europe – sans infrastructure américaine, GPU Nvidia, accès au cloud et capital-risque, ce serait économiquement mort. Un effondrement d’Anthropic pourrait déstabiliser l’ensemble de l’écosystème d’investissement en IA. OpenAI soutient aussi Anthropic publiquement pour maintenir la stabilité du marché, pas par pure solidarité.

  Ambivalence de la « sécurité »: Anthropic est souvent dépeint comme le choix « éthique », rejette cependant la surveillance de masse et les armes autonomes non sûres – pas les opérations militaires dans l’ensemble. Ils ont signé un contrat de 200 millions de dollars avec le Pentagone. Les contrats OpenAI contiennent de l’espace : les lois et les politiques ministérielles pourraient être modifiées pour contourner les clauses restrictives.

  Conclusion : Un différend entre une administration américaine et un laboratoire d’IA, dans lequel Anthropic montre une détermination inattendue, tandis qu’OpenAI gagne du terrain par des compromis pragmatiques – avec un impact plus large sur la stabilité du marché, la migration des utilisateurs et l’intégration militaire de l’IA.

  Outils/fournisseurs : Claude, Anthropic, OpenAI, ChatGPT, administration Trump, Pentagone, Claude Cowork, Open Claw / Format : Opinion/réflexion avec éléments de mise à jour d’actualités, discussion en direct

• Anthropic Just Said No to the Pentagon (Here’s What Happens Next)
  3.3.2026, 00:30:32

  Le Pentagone a accordé à quatre entreprises d’IA – Anthropic, OpenAI, xAI et Google – chacune environ 200 millions de dollars de contrats avec le ministère de la Défense pour les projets d’IA. Anthropic s’est opposée à deux utilisations militaires spécifiques et a posé deux « lignes rouges » : (1) l’utilisation de weapons entièrement autonomes qui sélectionnent et éliminent indépendamment les humains, et (2) la surveillance de masse de la population américaine avec l’IA. Le Pentagone a menacé de retirer Anthropic du contrat et de la classer comme « risque de chaîne d’approvisionnement » – une désignation normalement réservée aux pays ennemis comme la Chine et la Russie – et d’appliquer la Defense Production Act pour saisir les actifs d’Anthropic.

  Le PDG d’Anthropic, Dario Amodei, a publié une déclaration dans laquelle il souligne d’abord la posture patriotique d’Anthropic (utilisation contre la Chine, espionnage sûr à l’étranger) et explique que les deux limites de déploiement sont nécessaires car elles mettraient en danger les valeurs démocratiques. Sur les armes autonomes, Amodei argue que les systèmes d’IA ne sont pas suffisamment fiables pour cela et les humains pourraient être blessés, et Anthropic propose plutôt de la recherche et du développement. Il précise clairement qu’Anthropic ne cédera pas au Pentagone malgré toutes les menaces et ne changera pas les conditions, mais termine par sa disposition à coopérer à une transition en douceur vers un autre fournisseur.

  Ceci est un incident historique : une entreprise d’IA américaine privée s’oppose ouvertement à l’armée américaine, tandis que le Pentagone exerce une pression extrême (classification de risque de chaîne d’approvisionnement, mesures de guerre) – une confrontation sans précédent entre la technologie privée et le gouvernement.

  Fournisseurs abordés : Anthropic (Claude), OpenAI, Google, xAI ; Format : Mise à jour d’actualités (présentation d’une déclaration avec analyse politique).

• Anthropic Defies Pentagon, Block Cuts 4,000 Jobs (Blaming AI), Gemini Imagen 3 Drops
  2.3.2026, 05:00:37

  Anthropic vs. Pentagone

  Dario Amodei, PDG d’Anthropic, a publié une déclaration rejetant les exigences du ministère de la Défense. Le Pentagone avait convenu d’une collaboration contractuelle avec quatre sociétés d’IA (Anthropic, OpenAI, xAI, Google) au cours de l’été, environ 200 millions de dollars chacun. Le ministre de la Défense Pete Hegseth a donné un ultimatum à Anthropic jusqu’à vendredi : les modèles Claude doivent abandonner leurs politiques de sécurité ou l’entreprise sera retirée de la chaîne d’approvisionnement – une mesure normalement réservée aux adversaires comme Huawei. Anthropic a fixé deux lignes rouges : pas de systèmes d’armes autonomes éliminant les humains sans contrôle humain, et pas de surveillance de masse des citoyens américains à l’intérieur. Amodei réaffirme les deux points dans sa déclaration, souligne le patriotisme et les préoccupations en matière de sécurité nationale d’Anthropic, et rejette les demandes. Il signale que l’entreprise est prête à partir si nécessaire, ce qui pourrait rendre Claude disponible – une confrontation sans précédent entre une entreprise d’IA privée et le gouvernement américain.

  Suppressions d’emplois dans Block dues à l’IA

  Jack Dorsey, fondateur de Block (anciennement Square avec Cash App, Tidal), a annoncé des suppressions d’emploi de près de 40 % de la main-d’œuvre – passant de plus de 10 000 à environ 6 000 employés. Ceci est le premier exemple notable de réduction d’effectifs du fait de l’automatisation par l’IA dans une entreprise profitable en croissance. Block n’est pas en difficulté ; Dorsey justifie le pas par la capacité d’équipes plus petites, soutenues par l’IA, à effectuer le même travail plus efficacement. Les packages sont généreux (20 semaines de salaire, assurance maladie, options d’achat d’actions), et le marché boursier a réagi avec environ 25 % de gain de cours – un signal que c’est perçu comme une véritable augmentation de productivité par l’IA, pas comme une mesure d’urgence.

  Mise à jour Nano Banana Pro 2

  Google a publié Nano Banana Pro 2. Nouvelles capacités : visages cohérents et jusqu’à 14 objets sur plusieurs images (auparavant les générations multi-images étaient incohérentes), meilleure gestion des éléments visuels complexes et intégration texte-en-image améliorée. Le modèle utilise une approche en deux étapes : il interroge d’abord sa couche de modèle de langage pour générer une instruction réfléchie, avant de lancer la génération d’image – d’où la force avec les infographies et le contenu visuel structuré.

  Nouvelles fonctionnalités Claude

  Anthropic a publié trois mises à jour principales, en partie en réaction aux outils OpenAI :

  • Mémoire automatique : Claude enregistre désormais automatiquement les informations sur l’utilisateur et le contexte du projet sur plusieurs sessions – jusqu’à présent, un avantage majeur de ChatGPT, ce qui retenait beaucoup sur cette plateforme.
  • Contrôle à distance : Les projets peuvent démarrer au terminal puis être poursuivis sur appareils mobiles via l’application Claude, miméant la fonctionnalité d’OpenAI Claude.
  • Tâches planifiées : Tâches automatisées et récurrentes (briefings du matin, rapports hebdomadaires) directement dans Claude Code sans configuration de travail Cron externe.

  Ces fonctionnalités rapprochent Claude Code de l’expérience Open Claude, mais plus sûres et dans les conditions de service.

  Risques de cybersécurité avec Claude Code

  Cette semaine, deux incidents ont été publiquement connus : un développeur a utilisé Claude Code pour pirater le système d’exploitation de son aspirateur DJI, afin de le contrôler avec une manette de jeu – Claude a trouvé une vulnérabilité de sécurité critique et lui a donné accès à 7 000 robots dans le monde. En parallèle, un hacker hispanophone a utilisé l’aide de Claude pour pirater 150 Go de données gouvernementales mexicaines (195 millions de dossiers d’impôts, listes électorales, identifiants d’accès gouvernement). Cela montre la puissance de Claude Code dans le contournement des structures de sécurité.

  Fournisseurs/outils d’IA explicitement mentionnés : Anthropic/Claude (incluant Claude Code, Opus 4.6), OpenAI/ChatGPT, Google/Gemini/Nano Banana Pro 2, xAI/Grok, Perplexity, Minimax, DeepSeek, Kimi, Lovable, Cursor, Open Claude, Cline, Anti-Gravity, Cogwork — Format : Mise à jour d’actualités/revue en direct avec composante d’opinion.

Leon van Zyl (1 nouvelle vidéo)

• The First AI Agent Everyone Should Build
  2.3.2026, 13:01:26

  Résumé : Construire un assistant IA avec n8n

  Le créateur montre comment créer de zéro un assistant IA personnel avec n8n (automatisation de workflows Open Source gratuite) – aucune expérience en codage requise.

  Fonctionnalités principales de l’assistant :

  L’agent dispose de deux types de mémoire : mémoire à court terme (20 derniers messages d’une conversation) et mémoire à long terme (tableaux de données persistants pour les préférences utilisateur). Cela permet à l’agent de se souvenir des préférences de l’utilisateur dans de nouvelles sessions – par exemple, si vous dites « Ma pizza préférée », cela sera enregistré et considéré ultérieurement dans les recommandations de restaurants.

  Configuration et accès à n8n :

  Trois options sont disponibles : installation locale via commande npm (gratuite), service cloud n8n (~24 euros/mois) ou auto-hébergement sur un VPS comme Hostinger (à partir de 5 dollars/mois avec le coupon « lion »).

  Architecture du workflow :

  Commencez par un déclencheur de message chat, puis un nœud AI-Agent (le « cerveau » du système). L’agent est connecté à Claude Sonnet 3.5 via Open Router. Une invite système définit la personnalité (par exemple, le nom « Luna », un ton chaleureux). Suivent ensuite trois catégories d’outils : outils de mémoire (Get/Insert/Update via tableaux de données), outils de recherche (recherche Google via SURP API, Wikipedia, Hacker News) et outils de chat.

  Démonstration pratique :

  L’agent peut rechercher des informations actuelles en réponse à des questions, mettre à jour les données personnelles et analyser des images. Le chat peut être mis à disposition publiquement (avec protection par nom d’utilisateur/mot de passe) et prend en charge les téléchargements de fichiers.

  Outils traités : n8n, Open Router, Claude Sonnet 3.5, Anthropic, SURP API – Tutoriel, adapté aux débutants.

Liam Ottley (3 nouvelles vidéos)

• What Is an AI Operating System? (And Why Every Business Will Need One)
  8.3.2026, 02:05:42

  AI Operating System (AIOS) – Méthodologie et architecture

  La vidéo explique qu’un AI Operating System n’est pas un modèle commercial, mais une méthodologie commerciale – une approche de la gestion d’entreprise fonctionnant comme une couche d’enveloppe appliquée au-dessus du modèle commercial existant.

  Structure centrale de l’AIOS (modèle en couches) :

  1. Context-Layer : Stocker les informations de contexte centrales sur l’entreprise (équipe, produits, valeurs, stratégie) dans l’espace de travail Claude Code
  2. Data-Layer : Intégrer les sources de données (Google Sheets, Stripe, Bitly, etc.) à un endroit central pour obtenir des insights quantitatifs sur les écarts d’objectifs
  3. Intelligence-Layer : Intégrer les enregistrements de réunions (via Fireflies) et la messagerie Slack dans une base de données consultable, combinées en un Daily Brief automatisé (PDF de 5 à 10 pages avec aperçu des KPI, histoire commerciale, insights stratégiques)
  4. Automation-Layer : Effectuer un audit des tâches pour identifier lesquelles peuvent être automatisées ou fortement augmentées ; objectif : délester 60 à 70 % des tâches de son assiette
  5. Build-Layer : Utiliser la bande passante libérée pour de nouvelles initiatives (ou aussi profiter de temps libre)

  Bénéfice clé : S’échapper du piège de l’opérateur – au lieu de passer 80 % de son temps dans l’entreprise (tâches opérationnelles), réduire cela à 20 % et libérer 80 % pour des initiatives stratégiques (nouveau marché, produit, canal, campagnes).

  Technique pratique : Claude Code est configuré comme agent IA central accédant à un espace de travail local contenant le contexte commercial, la base de données et les workflows. Les utilisateurs non techniques peuvent utiliser une commande /explore pour construire des automations étape par étape ; les modules préconfigurés peuvent être installés comme des plugins.

  Trois KPI pour les praticiens AIOS :

  • Away-from-Desk Autonomy : Combien de travail peut être effectué en déplacement (téléphone via Telegram) ?
  • Task Automation Percentage : Quel pourcentage des tâches initiales est automatisé/augmenté ?
  • Revenue per Employee : Métrique d’efficacité pour mesurer le ROI de l’IA

  L’orateur rapporte un projet de 7 jours (lancement de webinaire générant 1 million NZD de chiffre d’affaires) qui aurait normalement duré 1 à 3 mois, mais a été réalisé en une semaine grâce à la bande passante libérée.

  Outils/Prestataires : Claude/Claude Code (Anthropic), Fireflies, Slack, Telegram, Stripe, Bitly, Versell, Calendly — Deep-Dive sur un workflow métier entièrement développé avec Claude Code.

• The Biggest Shift in Business Since the Internet Just Happened
  5.3.2026, 04:10:12

  AI Operating Systems (AIOS) comme multiplicateur commercial

  Le fondateur Leam Mley décrit un système appelé « AI Operating System » (AIOS) – une couche IA construite autour de l’ensemble de l’entreprise avec Claude Code, qui n’est pas simplement un chatbot, mais un système conscient du contexte connecté à des données réelles.

  L’AIOS fonctionne en cinq couches :

  1. Context-Layer : L’IA apprend complètement l’ensemble de l’entreprise – stratégie, équipes, processus, historique – au lieu de devoir réexpliquer à chaque conversation. Chez Mley, les quatre entreprises, la structure de l’équipe et les priorités sont chargées.

  2. Data-Layer : Au lieu de consulter sept à huit tableaux de bord différents (CRM, Analytics, plateformes de revenus), tout s’écoule en temps réel à un seul endroit. Mley vérifie la santé de l’entreprise comme une application météo – en un coup d’œil, revenus, leads, performance du contenu, trafic.

  3. Intelligence-Layer : Quotidiennement, avant de se lever, Mley reçoit un briefing automatique via Telegram avec les événements importants des dernières 24 heures – changements de revenus, mises à jour de l’équipe, résumés de réunions provenant d’appels auxquels il n’a pas participé, idées de contenu et une analyse SWOT complète. L’IA relie les points à travers toutes les parties de l’entreprise.

  4. Automation-Layer : Il s’agit de cataloguer toutes les tâches récurrentes, puis de les automatiser systématiquement. Exemple de l’agence Mley : le système récupère les transcriptions d’appels clients, applique la méthodologie d’évaluation et génère des decks de propositions complets – une tâche autrement chronophage est maintenant entièrement automatisée.

  5. Build-Layer : Grâce à la bande passante libérée, le fondateur peut à nouveau travailler stratégiquement. Mley décrit comment il a obtenu plus d’un million NZD de revenus en sept jours à partir d’une idée de webinaire : analyse des commentaires YouTube (jours 1-2), cinq vidéos planifiées et filmées (jours 3-4), structure du webinaire, diapositives, séquences e-mail, entonnoir, systèmes de paiement construits (jour 5), webinaire réalisé (jour 6), réservations générées (jour 7) – chaque étape accélérée par le système.

  Le système peut être contrôlé depuis une application téléphone Apple via Telegram et s’occupe de gérer plus de 60 employés à travers quatre entreprises. Mley souligne que ce n’est pas théorique, mais fonctionne avec les outils déjà disponibles aujourd’hui, et plusieurs centaines de fondateurs dans son programme construisent le même système.

  Claude Code a été explicitement nommé comme l’outil avec lequel l’AIOS est construit – démo d’une implémentation pratique avec des exemples concrets (briefing Telegram, tableau de bord de données, générateur de propositions, lancement de webinaire en 7 jours).

• Your Phone Can Now Run Your Entire Business. Here’s How It Runs Mine.
  2.3.2026, 14:44:46

  L’orateur montre comment utiliser Claude Code Remote Control – une fonction récemment publiée pour exécuter Claude Code depuis un smartphone – pour construire un AI Operating System (AIOS) pour son entreprise. Il gère ainsi quatre entreprises avec plus de 60 employés en mobilité et démontre trois tâches en cours : un audit marketing complet, un lead magnet pour la vidéo et une analyse de réunions commerciales d’un mois.

  Le concept central est un AIOS – pas un modèle commercial autonome, mais une couche d’abstraction enveloppant l’activité commerciale existante. La construction suit un modèle en couches : d’abord un Context OS, fournissant aux entreprises les connaissances de base (qui nous sommes, nos services, équipe, valeurs). Puis un Data OS, collectant des données réelles de diverses sources (Google Sheets, P&L, YouTube Analytics, Google Analytics, Calendly, etc.) dans une base de données centrale. Ensuite un Intel OS, capturant quotidiennement les notes de réunions depuis des outils comme Fireflies ou Fathom. L’orateur génère quotidiennement un rapport de briefing analysant toutes les données commerciales, résumant les réunions (parfois plus de 70) et fournissant des recommandations stratégiques.

  La démo montre des PDF générés avec des rapports marketing, analyses d’appels et une nouvelle page d’atterrissage créée en tant que lead magnet. Le point important : Claude Code Remote Control lui-même n’est qu’une télécommande – sans un AIOS construit en arrière-plan, il est inutile. L’orateur propose son système Telegram clé en main gratuitement pour aider d’autres fondateurs à démarrer, et renvoie à un webinaire de 2 heures pour un aperçu complet de sa méthode.

  Claude (Anthropic), démo + opinion/réflexion.

Mark Kashef (3 nouvelles vidéos)

• You’ve Never Used Claude Code Skills Like This
  6.3.2026, 18:02:49

  Résumé : Skill Multi-Model Council pour Claude Code

  Au lieu de choisir un seul modèle de langage, cette vidéo montre comment utiliser une compétence pour combiner simultanément les forces de plusieurs modèles. L’approche s’appelle « Council » — un skill qui utilise Claude Code comme moteur principal, mais accède à d’autres modèles comme Gemini et Codex via Open Router.

  Le Council-Skill fonctionne via des commandes slash et des phrases déclencheur comme « get a second opinion » ou « ask Gemini ». Le composant central est un fichier de configuration où vous spécifiez quel modèle est idéal pour quelle tâche : Codex pour les correctifs de bugs, Gemini pour les évaluations frontend, Gemini Flash pour les vérifications rapides. Lors du passage du contexte à d’autres modèles, le problème spécifique, les extraits de code pertinents et les solutions déjà tentées sont inclus — les modèles reçoivent ainsi des informations complètes pour un avis holistique.

  Après consultation des différents modèles, Claude Code présente les réponses brutes avec les noms des modèles, signale l’accord ou le désaccord, puis choisit l’approche la plus pratique, indépendamment du modèle qui l’a proposée. Dans la démo, deux pages de destination pour un bootcamp sont créées. La première est construite sans avis externes, la seconde utilise le Council-Skill — Gemini évalue le frontend, Codex l’écriture. Résultat : la deuxième version auditée et améliorée est nettement plus professionnelle avec une meilleure typographie, une mise en page en grille et des modèles de tarification plus détaillés. Un deuxième scénario avec un tableau de bord d’analyse montre le même schéma : la consultation externe aboutit à une interface de type Bloomberg Terminal, infiniment meilleure que la version initiale.

  Le skill peut également s’appliquer à des scénarios non techniques et peut même comparer différentes versions du même modèle (Haiku, Sonnet, Opus). Les règles de synthèse sont centrales : Claude Code garde la main et décide quelles suggestions sont pertinentes, plutôt que de les exécuter aveuglément.

  Outils/Modèles explicites : Claude Code, Gemini 3.1 Pro, Gemini 3 Flash, Codex, Open Router. Format : Tutorial/Démo. Niveau de difficulté : Intermédiaire (édition de fichier de configuration requise, mais instructions disponibles pour les non-techniciens).

• Plan Like a Pro in Claude Code
  4.3.2026, 21:00:04

  Art ASCII pour la planification visuelle avec Claude Code

  La vidéo montre une technique pour économiser du temps et des tokens grâce aux diagrammes en art ASCII, que ce soit pour la construction d’applications, la planification de présentations ou la visualisation de systèmes — et elle fonctionne tout aussi bien dans Claude Code pour les utilisateurs techniques et non-techniques.

  Idée centrale : Au lieu d’écrire du code en aveugle et de le réécrire plus tard, on crée d’abord une visualisation en art ASCII comme modèle. Cela évite les itérations multiples et économise les tokens, particulièrement pour les tâches consommatrices de tokens comme la génération PowerPoint.

  Exemples pratiques :

  • Tableaux de bord SaaS : Créer d’abord un wireframe ASCII (barre latérale, cartes de statistiques, graphiques, tableau de données), puis adapter (ex. modifier la largeur du graphique, définir les couleurs), puis implémenter comme application React. Résultat : le design correspond aux attentes, pas de surprises de mise en page.
  • Pages de destination : Visualiser le wireframe avec barre de navigation, héros, preuve sociale, fonctionnalités, pied de page, éventuellement ajouter une section tarification, puis construire. L’art ASCII prévient les sorties codées par vibes, inélégantes et sans planification.
  • Jeux de PowerPoint : Définir la structure 10-diapos comme art ASCII au préalable (titres de diapos, problème, solution, fonctionnalités, etc.), puis implémenter en une seule passe avec le skill PowerPoint. Économise massivement les tokens car une seule itération finale au lieu de cinq à sept est nécessaire.
  • Bases de données : Le diagramme ASCII pour les tables (Utilisateurs, Produits, Achats, Journaux d’audit) avec clés primaires et relations montre la structure clairement — même pour les utilisateurs non-techniques. Prévient les hypothèses erronées sur les relations entre tables.

  Effet : L’utilisateur délègue la réflexion de conception à l’avance, Claude Code se concentre ensuite sur la qualité plutôt que sur les décisions de structure. Les itérations deviennent plus précises, les tokens baissent, particulièrement pour les projets visuels.

  Offre : Modèles de prompts disponibles dans la description vidéo, ressources avancées (skills d’art ASCII) dans une communauté.

  Claude Code est thématisé ; la vidéo est un hybride tutoriel-démo avec des cas d’usage pratiques.

• I Tried Claude Code Remote Control So You Don’t Have To
  1.3.2026, 17:30:09

  La vidéo traite de la fonction Remote Control nouvellement publiée par Anthropic pour Claude Code et montre trois aspects : Premièrement, la configuration est expliquée — vous mettez à jour Claude Code vers la dernière version (via claude update ou le Mode Agent Warp), puis utilisez /remote dans le terminal et pouvez soit cliquer sur un lien soit scanner un code QR pour refléter la session du terminal depuis un appareil mobile ou un autre ordinateur. La fonction ne sécurise que les requêtes HTTPS sortantes et n’exporte aucune credential.

  Deuxièmement, il est expliqué comment Remote Control diffère d’un système d’exploitation Claude Code auto-construit : Remote Control se limite à un projet et terminal spécifiques et convient idéalement à la surveillance des exécutions d’agents longues ou à l’évitement de surprises concernant les permissions. Le système auto-construit permet en revanche une navigation entre différents répertoires et incarne plutôt un assistant personnel avec contexte continu — les deux pourraient se compléter.

  Troisièmement, il est montré pratiquement comment prototyper une variante légère d’assistant personnel avec Remote Control : Vous créez un fichier Memory (pour stocker les préférences de communication), un fichier Soul (pour la caractérisation) et un fichier claude.mmd (pour les instructions), importez sélectivement des skills comme PowerPoint et CSV, puis activez Remote Control pour ce contexte. Le résultat est un outil contextuellement conscient et portable, que vous pouvez utiliser en mobilité.

  Anthropic se concentre sur l’Enterprise et la productivité des développeurs, non sur les produits grand public — Remote Control remplace essentiellement les applications de bureau à distance pour les développeurs.

  Claude (Anthropic) a été explicitement thématisé ; Format : Tutorial/Démo avec parts d’opinion.

Matt Pocock (1 nouvelle vidéo)

• The 7 phases of AI-driven development
  3.3.2026, 22:47:36

  Résumé : Les sept phases du développement avec l’IA

  Le créateur présente sept phases à suivre lors du développement avec un AI-Coding-Assistant (dans son cas, Claude) pour livrer un logiciel de haute qualité et maintenable.

  Phase 1 – Idée : Le problème initial est défini – qu’il s’agisse d’une application complète, d’une fonctionnalité unique, d’une correction de bug ou d’une refactorisation. L’idée peut être de n’importe quelle envergure.

  Phase 2 – Recherche (optionnelle) : Si la mise en œuvre nécessite des dépendances externes ou des explorations complexes (par exemple, intégration d’API), une recherche est effectuée et mise en cache dans un fichier research.md pour que l’agent y accède sans gaspiller la fenêtre contextuelle.

  Phase 3 – Prototypage : Le créateur itère avec l’agent IA dans un prototype jetable pour prendre des décisions esthétiques et architecturales avant de commencer l’implémentation finale. C’est essentiel pour établir tôt les directives de goût personnel.

  Phase 4 – PRD (Document des spécifications produit) : Sur la base de la recherche et du prototype, un document est rédigé décrivant l’état final – ce que l’utilisateur voit et comment le système se comporte. L’agent est sollicité pour remettre en question de manière critique chaque décision de conception.

  Phase 5 – Tableau Kanban : Le PRD est décomposé en un tableau Kanban avec des tickets et des relations de blocage. Cela permet la parallélisation plutôt qu’un traitement séquentiel.

  Phase 6 – Boucle d’exécution : Un agent de codage traite les tickets du Kanban – soit séquentiellement, soit en parallèle avec plusieurs agents. Le créateur utilise généralement Ralph Loops pour cela.

  Phase 7 – QA : L’agent établit un plan QA, un humain vérifie le résultat, examine le code et génère de nouveaux tickets dans le Kanban. Ensuite, l’exécution et la QA se répètent jusqu’à ce que le produit soit parfait.

  Le créateur souligne que ces phases s’appliquent universellement à travers différentes approches d’implémentation (Ralph Loops, GSD, SpecKit) et que ce processus représente une approche « Engineering First » pour le développement assisté par l’IA – non pas pour les « Vibe Coders », mais pour les AI-Engineers qui travaillent sérieusement.

  Claude est mentionné, accent mis sur la méthodologie personnelle et les processus (opinion/réflexion + instructions) ; format tutoriel/deep-dive.

Melvynx (6 nouvelles vidéos)

• GPT 5.4 : LE PIRE MODELE DE DESIGN AU Monde (Review de GPT 5.4 VS Opus 4.6)
  6.3.2026, 07:15:56

  La vidéo traite du nouveau modèle GPT-5.4 d’OpenAI, disponible dans Codex et l’API. Le créateur le teste sur plusieurs tâches pratiques en le comparant à Claude Opus.

  Principales caractéristiques de GPT-5.4 :

  • Support pour une fenêtre de contexte d’1 million de tokens
  • Meilleures performances en knowledge-work, recherche web et utilisation d’ordinateur
  • Disponible dans Codex (CLI) et l’API

  Principaux constats des tests :

  1. Générateur de vignettes YouTube : GPT-5.4 tend à dépasser les exigences et générer du « slop » (designs surompliqués et indésirables), tandis qu’Opus respecte les spécifications minimalistes.
  1. Rendu 3D SpongeBob : GPT-5.4 affiche des shaders et une logique améliorés, bien que SpongeBob soit endommagé par un artefact visuel.
  1. Visualisation des fuseaux horaires : GPT-5.4 crée une interface élaborée et stylisée, mais moins intuitive. Opus produit un code propre et fonctionnel avec une meilleure UX.
  1. Éditeur de vignettes (Fixed Click) : Opus reste cohérent avec les exigences ; GPT-5.4 ajoute des modifications non demandées à l’interface.
  1. Codex CLI pour les corrections de bugs : Le CLI Codex révisé fonctionne plus rapidement avec un meilleur code couleur et des outils plus logiques (read, search au lieu de commandes shell). Il résout efficacement les problèmes, mais reste plus lent que les approches directes.

  Conclusion du créateur : Les modèles OpenAI sont intelligents et résolvent correctement la plupart des tâches techniquement, mais ont une « weird relationship » avec la créativité – ils respectent excessivement les exigences tout en effectuant simultanément des modifications indésirables. Opus est préféré pour les tâches UI/UX, tandis que GPT-5.4 est plus fort pour les tâches d’engineering.

  Outils/modèles explicitement mentionnés : OpenAI (GPT-5.4), Claude Opus, Cursor, Codex CLI, Gemini-API — Démo/Review avec comparaisons pratiques.

• Les Modèles IA Pour Dev En 2026 : VOICI ce que je Recommande (et aussi al Silicon Valley)
  5.3.2026, 18:21:30

  Quels modèles IA devrait-on utiliser en 2026 ? – Une analyse pratique

  La vidéo traite la question de savoir quels modèles IA les développeurs et non-développeurs devraient utiliser actuellement, basée sur les expériences de San Francisco.

  Vue d’ensemble des modèles disponibles :

  • Modèles open-source chinois : Kimi 2.5, Zi GLM5, MiniMax M (bon marché : ~0,5-3 dollars par million de tokens d’entrée)
  • Modèles américains : Gemini (Pro/Flash), Claude Opus 3.5 Sonnet, GPT-4o, GPT-4 o1

  Intelligence et qualité du code :

  Opus 3.5 et OpenAI Codex sont considérés par les développeurs comme les meilleurs modèles. Gemini se situe derrière et a moins de capacité pour les problèmes complexes.

  Différents types d’utilisateurs :

  • Utilisateurs non-techniques/Less-Technical-Coders : Claude est recommandé – ton amical, facile à utiliser, direct. Opus 3.5 suit précisément les instructions sans compliquer.
  • Développeurs axés sur la technique : OpenAI Codex est mieux pour les tâches spécialisées et complexes, mais moins convivial pour les débutants.

  Stratégies budgétaires :

  • Petit budget (20€/mois) : Utiliser Claude pour la planification, puis exécuter avec GPT-4o Codex (car l’exécution est coûteuse)
  • Grand budget (100-200€/mois) : Maximiser Opus – consommer autant de tokens que possible avec Claude ; GPT comme secours en cas d’erreur
  • Open-source : Kimi 2.5 s’est avéré pratiquement solide dans les tests (malgré des benchmarks modérés) ; GLM5 plus lent et qualité de code inférieure

  Deux modes de codage :

  • Pair Programming : Prompts techniques précis → Codex mieux (suit exactement les règles)
  • Mode Manager : Exigences générales sans détails techniques → Claude mieux (plus créatif, autonome, moins restrictif sur les préoccupations de sécurité)

  Conclusion personnelle de l’auteur :

  Claude est plus agréable à utiliser, malgré les avantages techniques de Codex. La différence réside moins dans l’intelligence brute que dans la convivialité, l’autonomie et la permissivité. Claude respecte mieux les workflows et est moins fixé sur les règles de sécurité.

  Bonus : L’auteur annonce un événement en direct le dimanche durant lequel une application complète sera créée avec Claude et Cloud Code ; les participants reçoivent gratuitement les configurations et vidéos de configuration.

  La vidéo traite Claude, OpenAI (GPT-4o, Codex), Google Gemini et les modèles open-source chinois (Kimi 2.5, GLM5) ; Format : Opinion/Réflexion avec recommandations pratiques.

• J’AI CRÉÉ L’APP PARFAITE “Speech to Text” en 1 HEURE avec Claude Code (et tu peux aussi le faire)
  4.3.2026, 07:00:16

  La vidéo montre comment forker et adapter des projets open-source avec Claude Code pour développer des logiciels sur mesure. Le créateur a forké l’outil Speech-to-Text « Handy » et en a créé « Parler » – une alternative personnalisée aux solutions payantes comme Super Whisper (15 $ par mois).

  Le problème avec les outils existants : Les applications Speech-to-Text commerciales sont chères et reposent de toute façon sur des modèles open-source disponibles gratuitement (Whisper, Paraquet, Moonshine). Elles limitent les fonctionnalités (comme la limite de 2000 mots du forfait gratuit) et offrent des fonctionnalités premium inutiles.

  La nouvelle stratégie : Utiliser ou forker directement des projets Handy et similaires. Le créateur montre comment cloner simplement un référentiel dans Claude Code, le renommer et l’étendre indépendamment – tout en respectant les exigences de la licence MIT.

  Caractéristiques de « Parler » : Changement automatique de modèle pour les enregistrements plus longs (passant du Paraquet V3 rapide au Whisper Turbo plus précis après 20 secondes), modes de post-traitement (Mode Email, Format Tweet, Grammar-Fix) avec raccourcis clavier (Ctrl+1, Ctrl+2, etc.), restyling avec UI bleue au lieu de rose. Tout a été réalisé avec « Vibe Coding » – développement intuitif et itératif avec Claude – en quelques heures.

  Pourquoi pas de Pull-Request ? Le créateur garde son fork séparé car toutes les fonctionnalités ne sont pas pertinentes pour tout le monde et il ne veut pas débattre avec les mainteneurs. Son outil, ses règles.

  Le message clé : Avec Claude Code, chacun peut maintenant créer rapidement des logiciels de niche qui répondent exactement aux besoins personnels – gratuitement, basé sur l’open-source existant, sans permission externe.

  Claude Code, Démo/Tutoriel — Démo avec application pratique du workflow de forking et du codage vibe itératif pour le développement d’applications personnalisées.

• OPUS 4.6 VS Opus 4.5 VS Sonnet 4.5 dans les CHOIX de techno : ils font n’importe quoi ?
  3.3.2026, 17:33:03

  La vidéo traite une étude sur le choix des outils par Claude Code et ses conséquences pour les « Vibe Coders » (non-développeurs qui construisent des applications avec l’IA).

  La recherche a testé les modèles Claude (Sonnet 4.5, Opus 4.5, Opus 4) des centaines de fois sur la question des bibliothèques et outils qu’ils recommanderaient pour le frontend, backend, etc. Résultat : les modèles IA choisissent les outils en fonction des fréquences statistiques, non du besoin réel. La pile par défaut de Claude comprend typiquement Vercel, PostgreSQL, Drizzle, Next.js, GitHub Actions, pnpm, Vite, Tailwind et autres – et ces outils gagnent ainsi une énorme attraction dans la pratique. Des entreprises comme Vercel ou Resend en profitent massivement car Claude recommande quotidiennement leurs outils, même s’ils sont obsolètes ou non optimaux.

  Les différents modèles ont des « personnalités » différentes : Sonnet choisit les outils conventionnels et populaires ; Opus 4.5 est plus équilibré ; Opus 4.6 préfère les solutions plus récentes et les implémentations personnalisées. Particulièrement frappant : Claude recommande les outils en positions de monopole (Stripe, Vercel, Chat CN), tandis que les outils d’entreprise dominent généralement (Redis au lieu de Custom, Prisma au lieu de Drizzle). L’étude montre aussi : les versions de modèle plus récentes changent radicalement leurs préférences (Prisma est tombé de 80% à 0% avec Opus 4).

  Le problème fondamental : pour ceux qui ne sont pas versés techniquement, il est impossible de vérifier si les outils recommandés par l’IA sont vraiment appropriés – l’IA dicte donc de facto le paysage technologique. Cela conduit à un « Benchmark-Business » à San Francisco où les entreprises tentent de placer stratégiquement leurs outils dans les recommandations IA.

  Claude (Anthropic) a été thématisé comme modèle IA ; Format : Opinion/Deep-Dive.

• VIBE CODEUR : Formation pour apprendre à utiliser le terminal (c’est un cheat code)
  2.3.2026, 17:35:24

  Résumé : Tutoriel Terminal pour Vibe Coder

  La vidéo est un tutoriel sur l’utilisation du terminal comme outil essentiel pour le Vibe Coder – un concept où la maîtrise du terminal, VS Code et Git est plus importante que les connaissances spécifiques en HTML, CSS, JavaScript ou frameworks.

  Bases et configuration :

  Pour les utilisateurs Windows, WSL (Windows Subsystem for Linux) est recommandé pour utiliser Bash au lieu de PowerShell, car Bash et ZSH sur macOS et Linux contiennent les commandes pertinentes. Les utilisateurs macOS peuvent directement utiliser l’application Terminal préinstallée. Des outils de terminal alternatifs comme iTerm2 ou Ghostty sont mentionnés.

  Concepts clés du terminal :

  Le terminal affiche le chemin actuel (par exemple ~ pour le répertoire home). Les commandes de base importantes sont :

  • ls – lister les fichiers dans le répertoire actuel
  • pwd – afficher le chemin actuel
  • cd [Répertoire] – changer de répertoire, cd .. remonte d’un niveau, cd seul retourne à la racine
  • mkdir [Nom] – créer un nouveau dossier
  • rm -rf [Nom] – supprimer un répertoire
  • echo – afficher du texte

  Workflows pratiques :

  Node.js est recommandé comme outil important pour les Vibe Coders (installation via nodejs.org). Avec npm, les projets peuvent être créés rapidement, par exemple avec npm create vite pour un projet React et TypeScript. La commande npm run dev lance un serveur de développement local.

  VS Code peut être ouvert avec la commande code . dans le terminal directement dans le répertoire actuel (nécessite que les commandes shell soient installées). Le terminal peut aussi être ouvert directement dans VS Code et utilisé.

  Conseil pratique :

  Via un clic droit en maintenant la touche Option enfoncée dans le Finder, le chemin peut être copié et rapidement navigué avec cd + Coller.

  Le tutoriel suit l’approche pratique selon laquelle le terminal n’est pas une interface abstraite, mais une vue alternative sur la navigation et la gestion du système de fichiers de l’ordinateur.

  Format : Tutoriel (transcription française, aucun outil IA explicitement mentionné)

• 3 jours dans la vie d’un DÉVELOPPEUR à Séoul | Ep.1
  1.3.2026, 17:20:41

  Episode 1 : Voyage à San Francisco – Escale à Séoul

  Pas de transcription disponible – résumé basé sur le titre et le contenu :

  Le content creator suisse démarre une nouvelle série de vlog sur son voyage à San Francisco. Après environ 20 heures de vol (7h + 12h) avec escale, il atterrit d’abord à Séoul, Corée du Sud – la « semi-destination finale » de son voyage. Il utilise le temps pour explorer la ville : visite du centre commercial, achat chez Uniqlo (il se décrit comme « maximalist Uniqlo »), street food coréenne et un dîner wagyu à 75 dollars. L’épisode montre aussi sa première expérience pratique avec une valise – il voyage normalement seulement avec un sac à dos. Parallèlement, il travaille dans un space créatif et utilise Claude (via Telegram) pour la planification du voyage. Sa motivation principale pour le déménagement à San Francisco : l’industrie IA et les entreprises technologiques qu’il admire. Il quitte Bali après trois ans car la routine ne le satisfait plus. Avec seulement un Mac et sa valise, il se lance pour la dernière étape vers San Francisco, où il a un space de coworking et un logement, mais sinon pas de plan concret.

  Format : Démo/Vlog, Outils mentionnés : Claude, OpenAI, Gemini — Niveau de difficulté : Divertissement sur l’organisation du voyage et réflexion personnelle, pas de profondeur technique.

MoureDev by Brais Moure

Pas de nouvelles vidéos pendant cette période.

n8n

Aucune nouvelle vidéo pendant cette période.

Nate Herk | AI Automation (6 nouvelles vidéos)

• This New Claude Code Feature is a Game Changer
  7.3.2026, 18:03:00

  Fonctionnalité Cloud Code Loop : tâches automatisées et basées sur les projets

  Cloud Code a reçu une nouvelle fonction Loop qui permet d’exécuter automatiquement des tâches récurrentes jusqu’à 3 jours sans intervention de l’utilisateur. Avec des commandes en langage naturel comme « Vérifier mon ClickUp toutes les 10 minutes » ou « Me rappeler de 10h23 de vérifier le projet », la fonction s’active facilement. En arrière-plan, des tâches Cron sont créées et déclenchées à intervalles réguliers pour effectuer automatiquement des vérifications ou des rapports.

  La fonction Loop diffère fondamentalement de la fonction Scheduled Tasks introduite simultanément : Loop s’exécute uniquement dans une session ouverte, n’est pas stockée de manière persistante et s’exécute pendant 3 jours maximum, mais n’a pas de comportement de rattrapage et fonctionne partout dans Cloud Code (Terminal, application de bureau, VS Code). Les tâches planifiées, en revanche, sont durables, peuvent s’exécuter indéfiniment et disposent d’un rattrapage automatique – mais ne sont actuellement disponibles que dans l’application de bureau.

  Loop est contrôlée par trois outils Cron : cron_create (pour planifier), cron_list (pour lister) et cron_delete (pour annuler). Les cas d’usage pratiques incluent les projets à court terme comme la surveillance urgent des emails toutes les 5 minutes, les vérifications de déploiement horaires, les sprints de 3 jours pour suivre les progrès ou la surveillance continue des logs pendant une itération.

  Cloud Code Loop, démo/résumé – sans outils/fournisseurs externes explicitement nommés.

• Claude Code 2.0 Is Finally Here
  7.3.2026, 05:06:53

  Résumé : tâches planifiées dans Claude Code

  Anthropic a enrichi Claude Code avec des Scheduled Tasks natives, permettant de planifier des automations directement dans l’application de bureau. Ces tâches ne fonctionnent pas comme des scripts déterministes, mais comme des workflows agentic indépendants – ils peuvent corriger les erreurs eux-mêmes, lire les fichiers du projet et utiliser tous les outils disponibles. Les workflows s’améliorent ainsi au fil du temps, au lieu de simplement exécuter le même script à chaque fois.

  L’installation est simple : créez une nouvelle tâche via l’onglet Schedule (sélectionnez le nom, la description, le prompt, le modèle, le mode, le dossier et définissez l’intervalle de temps) ou tapez /schedule dans le prompt. Les Skills existants peuvent être convertis en automations via un prompt – par exemple, le Skill « morning coffee » a pu être transformé en une automation quotidienne à 6h du matin avec un simple message à Claude Code.

  Limitations et considérations importantes :

  • L’ordinateur et l’application de bureau doivent être en cours d’exécution ; sans eux, l’automation ne s’exécutera pas. Claude Code vérifie jusqu’à 7 jours en arrière les tâches manquées et les rattrape.
  • Les tâches sont sans état – chaque exécution est une nouvelle session sans le contexte de la course précédente.
  • Sécurité : les permissions doivent être configurées consciemment (par exemple, bloquer les commandes Bash de suppression), et les tâches doivent être testées manuellement avant l’automation.
  • Actuellement disponible uniquement dans l’application de bureau (Terminal et extensions IDE à venir).

  Pour une amélioration continue, une stratégie avec un fichier d’état par tâche est recommandée, qui sera lu par la nouvelle instance d’agent avant chaque exécution. Il contient des informations telles que l’heure de la dernière exécution, les erreurs rencontrées et les problèmes connus – ainsi les exécutions successives conservent une continuité contextuelle. Le prompt peut référencer directement ce fichier et le mettre à jour après son achèvement. Les hooks (par exemple pour les sons système) ou les messages aux outils externes comme ClickUp servent de mécanismes de notification.

  Démonstration avec gestion des Skills : le projet contient plusieurs Skills (Content Creation, Research & Intelligence, Visual Diagrams, Operations, Meta) – tous peuvent être convertis en automations hebdomadaires. Le Terminal/VS Code peuvent voir et modifier les fichiers de tâches existants, mais ne peuvent pas créer de nouvelles tâches ou modifier la logique Cron, car celle-ci réside uniquement dans l’application de bureau.

  Claude Code (Anthropic) – démonstration.

• Cursor Automations Clearly Explained (worth learning?)
  6.3.2026, 20:23:28

  Cursor Automations : agents cloud basés sur des déclencheurs pour les workflows de code

  La vidéo traite de la nouvelle fonctionnalité Cursor Automations, qui permet des agents cloud basés sur des déclencheurs pour les tâches de code automatisées. Contrairement à la perception que chaque nouvel outil de codage IA doit être appris, le créateur souligne que les concepts fondamentaux comme la planification, la conception de prompts, l’orchestration d’outils et les évaluations sont beaucoup plus importants que le changement d’outils.

  Cursor Automations en détail :

  Les automations s’exécutent dans des sandbox cloud gérés par Cursor et sont déclenchées par divers événements – calendriers (Cron), événements GitHub, messages Slack, problèmes Linear ou webhooks personnalisés. Lors du déclenchement, un sandbox se lance, charge le référentiel et exécute le workflow de l’agent. Le système supporte différents modèles (Claude, GPT 4.5, Opus, Sonnet), la mémoire et les serveurs MCP. Les cas d’usage typiques sont les examens de code automatisés à chaque push, les vérifications de sécurité, la réponse aux incidents et la maintenance planifiée.

  Comparaison avec OpenClaw et Cloud Code :

  OpenClaw est un assistant OS personnel avec accès au niveau du système aux fichiers, applications et navigateur, s’exécutant sur votre propre machine. Cursor Automations, en revanche, est limité aux référentiels de code et aux outils de développement. Les deux utilisent des Heartbeats/Crons – les agents ne sont pas actifs 24h/24, mais se réveillent à des moments définis. Cloud Code offre des workflows d’agent à la demande dans l’IDE, mais pour les automations, vous devriez les héberger séparément (par exemple via Trigger.dev). Cursor Automations consolide cela : interface unifiée, hébergement cloud, simple à activer et désactiver.

  Suggestion de workflow pratique :

  Utilisez Cloud Code localement comme générateur – concevez le code, testez-le, puis poussez sur GitHub. Utilisez ensuite Cursor Automations comme « gardien » – workflows autonomes qui effectuent continuellement des audits de sécurité, des examens ou de la maintenance. Cela économise le déploiement manuel vers des services externes.

  Message clé :

  L’espace évolue de « demander de l’aide à l’IA » → « l’IA écrit du code » → « l’IA livre du code » → « l’IA maintient et optimise le code de manière autonome. » Plus important que de changer d’outils sont les compétences transférables comme la conception de prompts et l’architecture des agents.

  Démonstration et observation :

  La vidéo montre une automation en direct : le déclencheur GitHub lance un agent dans le sandbox, qui effectue un examen de code et un examen de sécurité, crée une branche et envoie des notifications – tout sans prompts manuels après la configuration initiale.

  Couvert : Cursor, Claude, GPT 4.5, OpenClaw, Cloud Code, Trigger.dev, GitHub Actions, N8N; format : démonstration + opinion/deep-dive.

• Claude Code Skills Just Got Even Better
  5.3.2026, 17:35:59

  La vidéo explique pourquoi les Skills (capacités pour les agents IA) se sont considérablement améliorés grâce au nouveau Skill Creator Skill d’Anthropic, puis démontre en direct la création d’un nouveau Skill.

  Qu’est-ce que les Skills : recettes basées sur du texte qui indiquent aux agents comment exécuter certaines tâches de manière cohérente – par exemple, publier sur LinkedIn ou communiquer en interne dans un format spécifique.

  Deux types de Skills :

  • Capability Uplift Skills : basés sur des prompts, enseignent à Claude à faire quelque chose de mieux (par exemple, la conception web avec de meilleures polices et schémas de couleurs). Ceux-ci pourraient perdre de la valeur avec les nouvelles versions de modèles.
  • Encoded Preference Skills : workflows séquentiels avec des étapes spécifiques (par exemple, le Skill « Idea Mining » montré, qui exécute plusieurs agents en parallèle). Ceux-ci restent plus stables car ils sont spécifiques au processus.

  Le nouveau Skill Creator Skill permet :

  • Création de Skills : les agents peuvent créer de nouveaux Skills à partir de zéro
  • Évals/tests : tester les Skills contre des exemples et les optimiser automatiquement – par exemple, un Skill de remplissage PDF qui apprend par des évals à placer correctement le texte
  • Benchmarking : comparer le taux de réussite, le temps écoulé et l’utilisation des tokens (avec/sans Skill)
  • Trigger-Tuning : adapter les descriptions de Skills pour que les commandes en langage naturel les invoquent plus fiablement

  Démonstration en direct – YouTube Weekly Roundup Skill :

  Le créateur demande à l’agent de créer un rapport PDF hebdomadaire sur ses vidéos (vues, engagement, commentaires, analyse SWAT, contexte des concurrents) – au début avec une description vague seulement. L’agent pose des questions de clarification, crée un plan, teste itérativement avec le Skill Creator et s’améliore après retour. Le résultat final : un rapport magnifiquement conçu avec des statistiques vidéo, un résumé exécutif, une analyse SWAT, une analyse des commentaires et des données de tendance – le tout créé en environ 20 minutes. Le créateur peut évaluer la sortie et affiner ainsi le Skill.

  Perspective d’avenir : Anthropic suggère qu’une description en langage naturel (« Qu’est-ce que ce Skill devrait faire ? ») pourrait bientôt suffire pour que le modèle découvre lui-même les détails techniques – plutôt que d’avoir à spécifier explicitement les SOP, les règles et le format aujourd’hui.

  Anthropic/Claude est thématisé ; démonstration en direct d’un Skill créé soi-même dans Cloud Code – format de démonstration.

• Turn Claude Code Into Your Executive Assistant in 27 Mins
  5.3.2026, 12:46:03

  La vidéo montre comment construire un assistant exécutif personnel avec Claude Code qui automatise les tâches récurrentes quotidiennes et exécute plusieurs sous-agents en parallèle. Le démonstrateur montre quatre agents s’exécutant simultanément : un Skill Morning Coffee pour la planification quotidienne basée sur le calendrier et les priorités, un sous-agent Research pour le contenu (publication LinkedIn et carousel Twitter), un Pulse Check pour le statut de l’équipe et un agent de visualisation. Tout cela s’exécute en moins de deux minutes – tandis que l’exécution manuelle prendrait environ 25 minutes.

  La construction suit quatre phases : (1) Donner une maison – installer l’extension Claude-Code dans Visual Studio Code, créer un répertoire de projet et créer un fichier Claude.md comme fichier de configuration central que Claude Code lit à chaque appel et sait où toutes les informations sont stockées. (2) Donner une vie – suivre une interview qui crée automatiquement des fichiers de contexte pour « me » (profil), « work » (entreprise), « team » (employés) et « priorities » (objectifs actuels); une structure de dossiers avec des modèles, des projets, un journal des décisions et des références est également créée. (3) Donner des mains – construire des Skills concrets et des sous-agents : l’exemple montre un Skill Research utilisant l’API Perplexity et créant des rapports, ainsi qu’un agent Research moins cher utilisant le modèle Haiku au lieu d’Opus. (4) Laisser croître – utiliser l’assistant quotidiennement, améliorer les Skills de manière itérative, migrer tous les GPT personnalisés et les prompts sous forme de Skills et pousser le projet sur GitHub pour le contrôle de version et l’accès de partout.

  Point clé : le système fonctionne parce que Claude.md n’est qu’un fichier cerveau épuré qui référence des fichiers spécialisés, au lieu de charger tout en ligne – cela maintient la consommation de tokens faible tout en donnant à l’agent accès aux contextes complets. La façade YAML dans les Skills et les agents est une meilleure pratique. L’accès est payant (abonnement Claude requis) et nécessite des clés API pour les services externes comme Perplexity. La plus grande force : chaque artefact généré (rapports de recherche, contenu, décisions) reste dans le dossier du projet et rend l’assistant progressivement plus intelligent.

  Claude Code, Perplexity API, sous-agents, Skills, intégration GitHub ; tutoriel avec construction pratique.

• The NEW Nano Banana 2 + Claude Code = $10k Websites
  3.3.2026, 23:53:51

  Résumé : sites Web animés professionnels avec CloudCode en 30 minutes

  Le créateur montre un flux de travail complet pour créer une page d’atterrissage de produit de style Apple avec CloudCode dans Visual Studio Code – de la génération vidéo au déploiement dans le cloud en passant par la génération de sites Web.

  Préparation et configuration :

  Installez l’extension CloudCode dans VS Code (nécessite un plan Anthropic Pro/Max) et téléchargez deux Skills Markdown gratuits : un « Front-End Design Skill » et un « Video to Website Skill ». Ces Skills définissent les bonnes pratiques pour les sites Web animés 3D et sont la clé du processus.

  Création vidéo :

  Au lieu de programmer de véritables animations 3D, utilisez des générateurs d’images IA (ici : NanoBanana 2 via key.ai) pour créer l’image de début et de fin d’un produit, puis un outil vidéo IA (Kling 3.0) pour animer ces images. Le créateur donne à Claude les deux images et reçoit un prompt vidéo optimisé en retour, qui est ensuite implémenté dans Kling.

  Génération de site Web :

  Vous chargez la vidéo dans CloudCode et saisissez un prompt simple (par exemple, « Créez une page d’atterrissage de produit moderne pour cette vidéo »). CloudCode fonctionne en mode Plan et demande le nom du produit, les sections souhaitées et les préférences, crée ensuite un plan détaillé et extrait environ 120 images WebP de la vidéo via FFmpeg. Chaque image est liée à une position de défilement – lors du défilement, les images sont rendues séquentiellement comme du stop-motion. CloudCode écrit HTML, CSS et JavaScript et teste le site localement sur localhost.

  Itération :

  Vous pouvez fournir un retour direct (par exemple, « Feature 2 apparaît trop tard »), CloudCode crée un nouveau plan et corrige le problème. Le Skill s’améliore à chaque itération lorsque vous documentez vos changements.

  Déploiement :

  Après des tests locaux, vous connectez CloudCode à GitHub (via l’authentification CLI), CloudCode crée un nouveau référentiel et pousse la base de code. Vous importez le référentiel dans Vercel, qui déploie automatiquement. Important : les images vidéo sont d’abord exclues du référentiel – vous devez demander à CloudCode de les inclure pour que l’animation fonctionne sur Vercel. Après un redéploiement, le site Web est actif sur un vrai domaine et réactif sur les appareils mobiles.

  Potentiel commercial :

  Le créateur suggère d’offrir ce processus en tant que service – créez des sites Web de démonstration pour les entreprises locales ou les niches en 1 à 2 jours et vendez-les 5 000 à 10 000 USD, plus l’hébergement mensuel et la maintenance comme revenu récurrent.

  Personnalisation :

  Vous pouvez adapter le Skill à tout moment si vous n’aimez pas le style d’animation standard. Le mécanisme central – vidéo vers images vers animation contrôlée par le défilement – est flexible et fonctionne avec n’importe quel contenu vidéo (déconstruction de produit, texte, mouvements, etc.).

  Outils explicitement thématisés : CloudCode (extension Visual Studio Code), Anthropic (Claude), GitHub, Vercel, NanoBanana 2, Kling 3.0, key.ai, FFmpeg — Format : tutoriel/démonstration avec un flux de travail pratique détaillé.

NeuralNine (2 nouvelles vidéos)

• Why I Go To Tech Meetups & You Should Too…
  6.3.2026, 17:00:25

  Résumé : Meetups et networking

  La vidéo est une réflexion personnelle et décontractée sur l’importance des meetups et du networking tech. Le créateur soutient que les meetups sont précieux pour tous dans l’industrie tech – qu’on soit fondateur (pour trouver des co-fondateurs, des investisseurs ou des clients), demandeur d’emploi, freelancer ou salarié souhaitant développer ses compétences. L’idée centrale est le concept du « Positional Chess » : on ne devrait pas aller aux meetups avec un agenda précis (par exemple pour acquérir un client), mais plutôt se présenter curieux et ouvert dans des lieux où de bonnes choses peuvent se produire – les opportunités émergent souvent plus tard et organiquement.

  Comme lignes directrices pratiques, il recommande d’y aller sans attentes, d’être ouvert aux personnes et à l’inspiration, et au fil du temps de faire soi-même des présentations pour être perçu comme une autorité et ainsi améliorer ses chances de networking. Les canaux concrets sont Meetup.com, Luma (pour les événements), LinkedIn, X ainsi que les clubs locaux, communautés, groupes Discord ou WhatsApp. Le message clé : le networking paie toujours, qu’on soit salarié, fondateur ou freelancer – souvent les fruits n’apparaissent qu’après des années.

  La vidéo relève plutôt de l’expression d’opinion qu’un tutoriel ou une analyse approfondie et repose sur l’expérience personnelle (environ 15 meetups visités).

• Coding A Linux Soundboard From Scratch in Python
  2.3.2026, 18:38:04

  Résumé : Soundboard personnalisable pour Linux

  La vidéo montre la création d’une application soundboard pour Linux permettant de lire des sons par le microphone système via des raccourcis clavier – utile pour Discord, les jeux vidéo ou des outils d’enregistrement comme OBS.

  Concepts clés :

  • PulseAudio & pactl : Le projet utilise la commande pactl (PulseAudio control) pour gérer les sinks (collecteurs sonores), les sources (microphones, éventuellement virtuels) et les modules.
  • Composants de configuration :
  • Un sink virtuel (module-null-sink) est créé pour centraliser les sons.
  • Un microphone virtuel est généré via module-remap-source, qui contrôle le sink.
  • Un module-loopback est chargé pour renvoyer le microphone physique dans le sink, permettant à la voix et aux effets sonores d’être disponibles ensemble.

  Implémentation en Python :

  Le script utilise subprocess pour automatiser les commandes pactl. Au démarrage, il vérifie si les périphériques virtuels existent déjà ; si ce n’est pas le cas, ils sont créés. L’utilisateur sélectionne ensuite parmi les sources disponibles le microphone d’entrée à faire boucler dans le sink.

  Entrée clavier & permissions :

  Le paquet evdev accède aux événements clavier. Cela nécessite des permissions spéciales (groupe input et une règle udev), raison pour laquelle l’auteur fournit un script de configuration. La commande se fait via Super + crochets (changer de sélection) et apostrophe/point-virgule (lecture/arrêt).

  Lecture sonore :

  Les paquets soundfile et sounddevice chargent les fichiers WAV d’un répertoire sounds et les jouent via la carte son virtuelle – audible dans toutes les applications utilisant le microphone virtuel comme entrée.

  Le projet fonctionne comme un prototype opérationnel ; l’auteur envisage une version TUI et a utilisé Claude pour l’implémentation du code.

  Démo : La vidéo montre l’application en direct dans Audacity et OBS, où les sons de bip sont reproduits avec succès.

  Claude a été explicitement mentionné pour l’implémentation du code ; tutoriel avec démo pratique (Linux/PulseAudio, niveau intermédiaire).

Nic Conley (1 nouvelle vidéo)

• OpenClaw vs Claude Cowork | Setup, Limits & Which One Is Right For You
  6.3.2026, 16:03:30

  OpenClaw vs. Claude Code : Duel des agents IA pour les réseaux sociaux

  Le créateur construit un agent IA entièrement automatisé pour les réseaux sociaux sur TikTok avec les deux systèmes – pour tester si OpenClaw est vraiment meilleur ou si Claude Code (avec sa nouvelle fonction Scheduled Tasks) rattrape son retard.

  Configuration et préparation :

  Les deux agents ont accès à la « Larry Skill » (un framework pour agents de réseaux sociaux), l’API Replicate (pour Google Nano Banana Pro – génération d’images) et Post.is (planificateur de médias sociaux avec analytics). L’application à promouvoir : T-Max, une app iOS pour l’optimisation naturelle de la testostérone.

  Approche OpenClaw :

  Déployée sur un VPS Hostinger (plan KVM2, ~150 $ pour 2 ans avec le code Nick10). L’agent (« Social Sammy ») est rendu accessible via Telegram. Après ~35 minutes, le premier diaporama TikTok complet est en direct – avec des scénarios avant/après, des images générées par l’IA, une vraie capture d’écran de l’app et des superpositions de texte. L’agent enregistre les instructions, résout les erreurs de lui-même (mauvaise résolution d’image), crée automatiquement les descriptions et planifie des posts autonomes à 9 heures du matin avec suivi des analytics après 12 heures. Coûts : ~3–5 $ en crédits API.

  Approche Claude Code :

  Application de bureau, pas de VPS nécessaire. L’agent effectue 15 minutes de recherche sur navigateur à la demande (parcourir TikTok, développer une stratégie de contenu). Crée ensuite automatiquement un diaporama et le publie – mais sans d’abord demander l’avis du créateur. Même erreur de téléchargement de capture d’écran qu’OpenClaw, mais le code ne semble pas aussi autonome : il demande à l’utilisateur de placer lui-même la capture d’écran dans le dossier au lieu de la récupérer du chat comme le fait OpenClaw. Le plan Code coûte 20 $/mois. Probablement des coûts API similaires ou légèrement inférieurs (~5 $).

  Scheduled Tasks – le problème central :

  OpenClaw publie le lendemain matin automatiquement à 9:02 complètement en autonomie. Les tâches Claude Code ne s’exécutent que si l’ordinateur est actif – pas en vrai arrière-plan. C’est le changement décisif : OpenClaw se sent comme un vrai employé IA qui travaille la nuit. Code est plutôt un outil de workflow qui simule l’automatisation, mais ne s’exécute pas en autonomie.

  Conclusion :

  OpenClaw gagne pour la véritable autonomie et le comportement agentic. Code est plus sûr (puisque local, sans risque de VPS) et plus rapide à démarrer, mais ce n’est pas un vrai agent – plutôt une application d’automatisation. Le créateur choisirait à nouveau OpenClaw pour ces scénarios 24/7.

  Plateformes et outils : OpenClaw, Claude Code (Claude 3.5 Sonnet Backend), Hostinger VPS, Replicate (Nano Banana Pro), Post.is, Telegram, API TikTok — Tutoriel/démo en profondeur avec comparaison directe, difficulté débutant à intermédiaire.

Nick Saraev (2 nouvelles vidéos)

• AI Agents Full Course 2026: Master Agentic AI (2 Hours)
  8.3.2026, 05:01:31

  Résumé : Cours complet sur les agents IA

  Ce cours couvre les techniques pratiques pour utiliser les agents IA dans des contextes personnels et professionnels, pas les fondamentaux théoriques ni les plateformes spécifiques. L’instructeur dirige une entreprise qui génère plus de 4 millions de dollars par an avec les agents IA.

  Contenus clés

  Démonstration : Cinq agents IA parallèles avec leurs propres navigateurs Chrome remplissent automatiquement des formulaires de contact sur les sites web et exécutent des tâches à forte valeur économique.

  Boucle Agent-Workflow (applicable en permanence) : La boucle comporte trois étapes — Observation (l’agent lit le contexte, les fichiers, les résultats des outils), Reasoning (l’agent planifie les prochaines étapes) et Action (l’agent appelle les outils, traite les fichiers). La boucle se répète jusqu’à atteindre une « Definition of Done », puis le résultat est restitué.

  Plateformes : Codeex (OpenAI), Claude Code (Anthropic) et Anti-Gravity (Google/Gemini) sont expliqués brièvement quant à leur configuration et leurs forces/faiblesses — tous sont sensiblement aussi performants (les différences ne sont que de quelques points de pourcentage). Claude offre la meilleure interprétabilité, Gemini les meilleures capacités de design frontend, GPT la meilleure programmation backend.

  System-Prompts auto-modifiants (agents.mmd / claude.mmd / gemini.mmd) : Un fichier au début du contexte contient une liste croissante de règles apprises. Quand l’agent est corrigé, il met à jour ce fichier — lors de la session suivante, il lit les règles et évite les erreurs de manière proactive.

  Orchestration Multi-Agent-MCP : Un agent manager (par ex. Claude) délègue les tâches à des agents spécialisés (Gemini pour le frontend, Codeex pour le backend), puis fusionne les résultats.

  Pipelines Vidéo-vers-Action : Gemini comprend les vidéos nativement, extrait des instructions étape par étape et les envoie à Claude, qui les traduit en actions réelles (par ex. construire des workflows N8N d’après un tutoriel YouTube).

  Consensus Multi-Agent stochastique : Plusieurs (par ex. 10) agents reçoivent la même question avec des prompts légèrement variés en parallèle, ensemble ils explorent davantage l’« espace de recherche » des réponses possibles qu’un seul agent — le mode et la médiane sont calculés, des idées de consensus et des idées atypiques émergent.

  Salons Agent-Chat : 5 agents avec des personnalités différentes (par ex. penseur systémique, pragmatique, sceptique) débattent un problème dans un chat.json commun, élaborent des solutions nuancées et de haute qualité par le dialogue plutôt que par la parallélisation.

  Boucles Sub-Agent-Verification : Un agent implémente, un deuxième agent revoit le résultat (avec un contexte frais, sans biais), un troisième agent corrige — ce qui améliore la qualité par une évaluation impartiale.

  Prompt-Contracts : Avant une tâche, un Skill oblige l’agent à générer un mini-contrat (objectif, contraintes, format de résultat, conditions d’erreur) — définit précisément la « Definition of Done ».

  Reverse-Prompting : L’agent pose 5 questions à l’utilisateur avant d’implémenter — met au jour les hypothèses cachées, améliore le taux de réussite one-shot.

  Gestion du contexte et efficacité des tokens : Les fenêtres de contexte sont limitées (200K–1M tokens), la qualité diminue avec plus de tokens. Au lieu de tout charger, les agents utilisent des outils (read, grep, web fetch, bash) pour charger les informations de manière sélective. Le YAML Front-Matter dans les Skills stocke uniquement les métadonnées, pas la compétence complète. Technique Iceberg : 10–30% pour un contexte constamment accessible (Memory, Local claude.md, tâches actives), 70–90% comme accès à la demande basé sur des outils.

  Sélection de modèles et optimisation des coûts : Règle 60/30/10 — 60% des tâches avec des modèles bon marché (Haiku, Flash), 30% avec Mid-Tier (Sonnet), 10% avec Premium (Opus). Un agent router (Premium) délègue. Les API Batch offrent des prix réduits pour le traitement différé.

  Chrome-MCP Multi-Agent : L’orchestrateur lance 10+ instances Chrome parallèles, chacune avec son propre serveur MCP et son espace de travail, tous les agents remplissent les formulaires/extraient les données en parallèle — au lieu de 2–3 min par formulaire, désormais des dizaines en parallèle dans le même temps.

  Plateformes et outils appliqués : Claude Code, Codeex (OpenAI), Anti-Gravity/Gemini, MCP (Model Context Protocol), N8N (Workflow-Builder), Skills comme Workflows répétables — Format : Tutoriel approfondi avec démos, rendu accessible pour les débutants sans expérience en programmation, mais couvre les architectures avancées (Orchestration, Boucles de vérification, Optimisation du contexte).

• CLAUDE SKILLS FULL COURSE: Automate Your Work (2026)
  2.3.2026, 23:09:11

  Résumé : Skills pour les agents IA en affaires

  Le créateur dirige une entreprise avec un revenu annuel de plus de 4 millions de dollars qu’il gère principalement grâce aux agents IA et aux « Skills ». Les Skills sont essentiellement l’évolution des Procédures Opérationnelles Standard (POS) pour les agents IA — au lieu de listes de contrôle pour les humains, ce sont des instructions structurées pour les systèmes IA.

  Cinq Skills métier pratiques que le créateur utilise :

  1. Automatisation du suivi des prospects : Parcourt tous les emails et historiques de conversations, identifie les prospects à différentes étapes du pipeline de vente et envoie automatiquement des suivis personnalisés et décontractés avec le contexte des conversations précédentes — tout en une seule passe, au lieu de contacter manuellement chaque personne.
  1. Générateur de vignettes : Génère plusieurs variantes d’une composition d’image spécifique (par ex. d’un acteur donné) via la reconnaissance faciale et la superposition réaliste, pour sélectionner la meilleure variante.
  1. Extraction de prospects depuis LinkedIn Sales Navigator : Crée automatiquement des feuilles Google avec des prospects B2B filtrés (par titre de poste, lieu, niveau de séniorité, secteur) incluant les adresses email directement depuis LinkedIn Sales Navigator en quelques minutes avec un taux de livraison élevé.
  1. Générateur de campagnes de cold email : Automatise la rédaction de campagnes de cold email basées sur les détails des clients — duplique les campagnes les plus performantes existantes, les réadapte pour la nouvelle niche et configure tout dans la plateforme d’email (auparavant 30–60 minutes, maintenant quelques minutes).
  1. Constructeur de sites web : Crée des sites web de haute qualité et personnalisés basés sur les exigences, les déploie sur Netlify et permet de les envoyer en tant que lead magnet ou outil de prospection — particulièrement précieux car les prospects n’ont généralement pas de tels outils.

  Skills bonus (tâches personnelles) :

  • Réservation WeWork : Automatise les réservations de bureaux quotidiens pour les 30 prochains jours via des requêtes HTTP dans le navigateur
  • Assistant d’achat Amazon : Compare les produits (par ex. le fil dentaire) par prix et efficacité, crée des recommandations d’achat personnalisées

  Comment créer des Skills :

  Les Skills sont organisés en tant que fichiers Markdown (.md). Le processus : (1) Obtenez le fichier gratuit skillspec.md depuis le lien dans la description vidéo, qui contient la définition complète du Skill et la structure. (2) Entrez celui-ci dans votre espace de travail en tant que claude.md (prépend automatiquement). (3) Décrivez la POS souhaitée à l’agent en langage naturel (voix ou texte). (4) L’agent crée le skill.md avec frontmatter (métadonnées résumées entre trois tirets), instructions détaillées, objectifs et outils autorisés. (5) L’agent teste le Skill de bout en bout. (6) En cas de problèmes d’exécution, l’agent répare automatiquement le Skill lui-même.

  Structure dans le système de fichiers :

  Les Skills se trouvent cachés sous .claude/skills/[skill-name]/skill.md (visible sur macOS avec Shift+Cmd+.). Des fichiers supplémentaires comme les scripts Python et les tokens API peuvent optionnellement se trouver dans le dossier.

  Concept important — Appariement de Skills et divulgation progressive :

  L’agent scanne les descriptions de Skills et charge uniquement le skill.md pertinent dans la fenêtre de contexte quand il est appelé. Cela économise les tokens et les coûts — un mécanisme de sécurité qui améliore l’efficacité et la qualité des résultats.

  Démo : Skill Inbox-Cleaner (étape par étape)

  Le créateur démontre en direct la création d’un Skill qui parcourt les emails non lus, identifie automatiquement les emails générés/de service et les marque comme lus, tout en mettant en évidence les emails personnalisés et personnalisés. L’agent planifie automatiquement la construction, écrit le script, extrait 97 emails sans importance sur plusieurs milliers — tout en quelques secondes. L’utilisateur peut adapter le comportement (par ex. « 1 000 emails au lieu de 100 ») sans réécrire le Skill.

  Trois autres constructions en direct :

  1. Notes de réunion vers éléments d’action : Traite les transcriptions, extrait les décisions, les questions ouvertes, les coordonnées — pure POS sans code.
  2. Extracteur PDF de factures vers JSON : Utilise un script Python pour l’extraction structurée du fournisseur, du montant, de la date, des postes, des taxes.
  3. Content-Repurposer : Convertit une transcription YouTube en parallèle en fils de tweets, publications LinkedIn et brouillons de lettres d’information — montre les possibilités de templates et de traitement parallèle.

  Aperçu critique sur la priorisation des Skills :

  De nombreux vidéos de démo montrent des automatisations backend glamour, mais ratent le point. Les utilisateurs métier réussis se concentrent sur les tâches frontend : acquisition de prospects, génération de prospects, amélioration des ventes, closing — pas sur la complexité pour la complexité. Les Skills pour le content repurposing, l’extraction de prospects, les systèmes de publication automatisés et le suivi des dépenses génèrent un ROI. Les Skills pour construire d’autres Skills ou des frameworks AGI non. L’accent : Des cas d’usage pratiques qui génèrent vraiment de l’argent.

  La vidéo couvre Claude Code (avec APIs Anthropic), Gemini et les plateformes d’agents génériques ; montre des Skills métier concrets du début à l’implémentation — démo mettant l’accent sur l’applicabilité pratique pour les petites et moyennes entreprises.

Niklas Steenfatt (2 nouvelles vidéos)

• Wow!!
  5.3.2026, 15:02:45

  Le créateur présente une démo en direct de Horizons, un nouvel outil de Hostinger qui permet de créer des applications web complètes en utilisant simplement un prompt texte. Contrairement aux solutions précédentes, Horizons génère des applications fullstack complètes incluant frontend, backend, base de données et gestion des utilisateurs — sans que l’utilisateur ait besoin d’entrer manuellement des configurations de serveur, des credentials ou des commandes terminal.

  À titre d’exemple pratique, le créateur crée un suivi de visa Schengen pour son amie : une app où les utilisateurs peuvent enregistrer leurs jours de présence en Europe (passés et planifiés), qui calcule automatiquement le nombre de jours passés dans l’espace Schengen au cours d’une fenêtre de 180 jours, et affiche un graphique animé visualisant le statut actuel. L’app dispose de gestion de compte utilisateur, d’un design responsive et de bases de données de test/production.

  L’ensemble du processus prend environ 3-4 minutes : Horizons génère non seulement l’application, mais aussi une landing page, crée automatiquement les tables d’utilisateurs et de bases de données, et l’app peut être publiée directement. Le créateur peut la mettre en ligne via un domaine (gratuit dans la démo). L’app finalisée est immédiatement testée par son amie et fonctionne sans problèmes. Le créateur souligne que c’est une avancée majeure pour les non-programmeurs — pas pour les développeurs professionnels — et permet à chacun de concrétiser techniquement ses idées commerciales.

  Hostinger Horizons (constructeur d’app IA fullstack), format démo.

• OpenClaw a changé ma vie (5 exemples dingues)
  1.3.2026, 17:08:55

  Résumé : OpenCore — 5 vrais cas d’usage au-delà du buzz

  Le créateur critique d’abord les applications OpenCore populaires mais inutiles comme les briefings matinaux ou les tableaux de bord gestionnaires de tâches — des choses qu’on peut aussi voir dans les apps calendrier ou par la fenêtre. Après l’enthousiasme initial et la désillusion, il a identifié cinq cas d’usage substantiels :

  1. Automatisation de workflows : OpenCore automatise les tâches répétitives beaucoup plus facilement que les outils classiques comme n8n — par exemple classer les factures en base de données, surveiller les posts YouTube ou rédiger des résumés hebdomadaires. Sa règle empirique : n8n pour les processus à grande échelle et bien définis (plus sûr, plus fiable) ; OpenCore pour les opérations moins critiques, aux accents “plus humains”. L’avantage : le modèle de langage décide lui-même des étapes nécessaires — pas besoin de tout prédéfinir précisément.

  2. Recherche Internet systématique : L’assistant peut traiter consciemment des subreddits spécifiques, des comptes Twitter particuliers, des blogs et des vidéos YouTube complets. Le créateur utilise pour cela des Skills comme Reddit scanning, intégration Grok API et YouTube Data API ainsi que Superdata pour la transcription. Résultat : des briefings personnalisés quotidiens sur les thèmes de l’IA (pas le matin, sans météo ni emails).

  3. Gestion WordPress : OpenCore peut effectuer automatiquement des modifications de contenu WordPress et techniques — mettre à jour les plugins, corriger les erreurs, même résoudre des tâches techniques plus complexes. Le créateur donne au bot un accès SSH au serveur et utilise des environnements de staging pour la sécurité : le bot effectue les modifications sur la version de staging, envoie une notification (par exemple via Telegram), et après approbation, ces modifications sont mises en ligne.

  4. Vibe Coding — développement d’app continu : OpenCore utilise via SSH la CLI Codeium et continue de travailler 24h/24 sur les projets pendant que le créateur dort. Le feedback arrive par message vocal via Telegram — beaucoup plus fluide que d’attendre constamment les réponses de GPT. Le créateur développe actuellement une vraie app de cette manière, qui générera plus tard un vrai chiffre d’affaires.

  5. Contrôle de tous les outils via Telegram : Au lieu d’ouvrir ChatGPT à chaque fois, le créateur pilote via messages vocaux sa Notion, fait des recherches Internet, vérifie les stats YouTube ou discute avec l’IA. L’app de messaging rend le tout plus simple et plus amusant.

  Conclusion : OpenCore n’est pas un nouveau modèle d’IA, mais combine simplement les LLM existants avec tool calling, agentic loops et cronjobs — mais le résultat ressemble à de la “pure magie”. Le créateur souligne qu’OpenCore vient de la communauté open source (pas de Big Tech), et le pitch plus réaliste est : “Je peux piloter tous mes outils par message vocal” plutôt que “une équipe IA t’enrichira du jour au lendemain”. Bonus : c’est okay si les outils sont amusants — même des choses créatives comme des images historiques peintes quotidiennement par l’IA ont une valeur.

  Démo/avis sur OpenCore avec walkthroughs pratiques (SSH, staging WordPress, intégration Telegram, automatisation Codeium), accent sur l’automatisation de workflows et les cas d’usage développeur.

No Priors: AI, Machine Learning, Tech, & Startups

Aucune nouvelle vidéo pendant cette période.

Productive Dude (2 nouvelles vidéos)

• Claude Code Tutorial: 21 Essential Tips (Beginner to Pro!)
  6.3.2026, 15:00:07

  21 conseils pour développer et déployer des applications avec Claude Code (2026)

  La vidéo s’adresse aux débutants et aux non-professionnels de la tech qui souhaitent concrétiser leur idée avec l’aide de l’IA en 24 heures. L’auteur partage des expériences concrètes issues de son projet communautaire (par exemple, des utilisateurs qui ont reçu 1 500 $ d’avance pour leur application) et organise les conseils en trois domaines.

  Conseils pour débutants (1–7)

  1. Utiliser Warp Terminal plutôt que des outils de terminal anciens – gratuit, avec gestion des onglets et recherche de commandes
  2. Apprendre les commandes de base du terminal : cd (Change Directory), mkdir (Make Directory), ls (List)
  3. Créer un dossier Projects pour l’organisation
  4. Utiliser la fonction de dictée (Whisper Flow) plutôt que de taper manuellement des prompts
  5. Installer Starter Suite : gestionnaire de paquets (Brew/Choco/Winget), Git, GitHub, ASDF, Node/npm, VS Code – il existe un guide étape par étape sur le site
  6. Créer son premier projet (démo : « Recall » – une application de mémoire alimentée par l’IA)
  7. Planifier l’application : Utiliser Claude (pas Claude Code) et un outil de tableau blanc (Excalidraw) pour esquisser l’architecture ; Claude fournit des options de stack et un diagramme d’architecture

  Important : ne pas tout construire d’un coup avec Claude – utiliser le développement incrémental (page d’accueil → connexion → barre latérale → étape par étape).

  Conseils de développement (8–14)

  1. Laisser Claude préparer l’architecture du projet – préparer l’environnement sans écrire immédiatement du code ; utiliser la recherche web pour les informations actuelles sur le stack
  2. Montrer à Claude comment démarrer le projet – obtenir les commandes exactes et le lien localhost
  3. Tunnel vers un domaine public via Ngrok : port 4000 → domaine personnalisé (par exemple, recall.ngrok.app), afin que les API soient accessibles
  4. Construire une page de cohérence/style : Claude génère 10 designs différents (palettes de couleurs, polices, menus déroulants, etc.), vous en choisissez un (par exemple « Paper Stack »), Claude crée un prompt Tailwind pour celui-ci ; ensuite créer une route /style pour voir tous les composants
  5. Laisser Claude corriger les erreurs : par exemple, styliser les menus déroulants du navigateur, ajuster la largeur de la scrollbar – Claude peut vérifier l’application en direct dans le navigateur
  6. Configurer les variables d’environnement : deux types – Feature Flags (par exemple, page de style visible uniquement localement) et clés API/credentials ; .env.example (public) vs .env (secret) ; implémenter les Feature Flags dans le code pour activer/désactiver les fonctionnalités selon l’environnement
  7. Versioning avec Git : la branche Main comme trunk, des branches séparées (par exemple « login », « search ») extraient Main, on change localement, puis on remonte ; créer le commit initial avec Claude ; ajouter le fichier .env au .gitignore

  Conseils de déploiement (15–21)

  1. Choisir un fournisseur d’hébergement : API simples/Voice Agents → Railway ; sites statiques → Netlify ; production → AWS ; pour Elixir/Phoenix → Fly.io ; Claude peut évaluer les options
  2. Utiliser l’outil CLI de l’hôte (par exemple fly pour Fly.io) : Claude peut déployer l’application sur la plateforme avec cela ; fly help affiche toutes les commandes
  3. GitHub Actions pour auto-déploiement : workflow simple qui s’exécute lors du bump de version Git (pas à chaque push vers Main) ; stocker le secret de l’API Fly dans GitHub, Claude fournit les étapes exactes
  4. Définir les variables d’environnement de production via CLI et Claude ; tester localement dans .env, puis télécharger dans l’environnement de production via commande
  5. Petites améliorations pendant le développement : nouvelles branches (par exemple « homepage-improvements »), faire de petits changements, commiter, bump version, fusionner, déclencher GitHub Action
  6. Construire une page d’attente : formulaire avec suffisamment de champs pour identifier les bons candidats ; offrir l’accès gratuit aux 10 premiers utilisateurs, observer, recueillir les retours ; puis passer à un plan annuel avec prix spécial (par exemple 1 500 $ d’avance)
  7. Stratégie go-to-market : emails froids (outils : Instantly + Apollo) ; démos LinkedIn + networking ; posts dans les groupes Facebook ; vidéos YouTube comme celle-ci

  Conclusion de l’auteur : avec cette approche, les débutants peuvent obtenir leur premier client payant en quelques jours à quelques semaines.

  Outils/fournisseurs explicitement mentionnés : Claude Code, Warp (Terminal), Brew, Choco, Winget, Git, GitHub, ASDF, Node, npm, VS Code, Whisper Flow, Excalidraw, Ngrok, Tailwind, Railway, Netlify, AWS, Fly.io, GitHub Actions, Instantly, Apollo — Format : tutoriel/guide avec démo étape par étape — conçu pour les débutants absolus.

• 6 Essential AI Tools for 2026 (don’t fall behind)
  4.3.2026, 17:23:33

  Les six meilleurs outils IA de 2026

  La vidéo présente six outils que le créateur a rassemblés après des centaines d’heures de recherche selon ses propres dires :

  11 Labs – Un outil vocal pour cloner sa propre voix avec moins de 10 secondes d’audio, afin de générer des voix off pour des présentations, des audiolivres ou des vidéos. De plus, 11 Labs offre des voix prédéfinies, du sound design et un générateur de musique. Le créateur utilise le plan Creator à 22 $/mois.

  Claude Code – Une interface basée sur terminal pour Claude qui permet les outils locaux. Le créateur l’utilise notamment pour analyser des relevés bancaires, créer des sites web pour des clients ou récupérer des transcriptions YouTube via son outil YTR auto-développé. Il paie 200 $/mois pour le plan Claude Max.

  Whisper Flow – Un logiciel de transcription qui nettoie l’audio du microphone en temps réel et l’insère dans n’importe quel champ de texte (par exemple ChatGPT, éditeurs de documents) ; accessible via la combinaison de touches F5. Coûte 15 $/mois.

  N8N – Une plateforme d’automatisation sans code avec des workflows glisser-déposer. Le créateur l’utilise pour l’automatisation du contenu (vidéos courtes générées par l’IA), l’automatisation de blogs et vend ces automatisations à ses clients. N8N est open-source et peut être hébergé gratuitement en local ou sur des serveurs bon marché.

  Open Router – Un agrégateur pour 627 modèles d’IA avec accès aux versions les plus récentes (par exemple Google Gemini 3.1 Pro Preview). Fonctionne sur une base de paiement à l’utilisation avec des crédits.

  Lerty.ai – Un outil du créateur qui centralise la gestion de plusieurs agents IA. Il permet des bases de données personnalisées, des uploads de fichiers, des tableaux de bord et l’intégration avec d’autres outils comme N8N. Lerty peut être configuré pour usage personnel, agences et automatisations client et offre différents niveaux d’abonnement ainsi qu’un programme « Invite-only » avec accès à un Slack privé.

  Le créateur propose en outre des cours sur foundations.io et une communauté.

  Thématisé : 11 Labs, Claude (Anthropic), Whisper Flow, N8N, OpenAI (mentionné de manière critique), Google Gemini, Open Router, Lerty.ai ; Format : Roundup.

Sebastien Dubois (3 nouvelles vidéos)

• This Obsidian Plugin Lets You Go Back in Time Through Your Notes ⏰
  3.3.2026, 13:35:55

  Plugin Time Machine pour Obsidian

  Le plugin Time Machine étend la fonction File Recovery intégrée à Obsidian, qui crée automatiquement des snapshots de notes. Alors que le Core Plugin affiche ces versions sous forme de liste et ne permet que des restaurations complètes ou des copies de données, Time Machine offre une vue chronologique améliorée pour naviguer dans les versions antérieures — avec l’avantage décisif de pouvoir restaurer des modifications individuelles à partir d’un snapshot, au lieu de réinitialiser l’intégralité de la note.

  Une fonctionnalité supplémentaire est l’intégration Git : le plugin combine les snapshots File Recovery avec les commits Git dans une seule chronologie, si Git est utilisé. Les utilisateurs peuvent alors récupérer les modifications au choix à partir des snapshots automatiques ou de leurs versions Git. La chronologie se charge avec différentes notes et affiche leur historique de modifications respectif — pratique pour accéder rapidement aux versions antérieures sans utiliser l’interface de recovery standard d’Obsidian.

  Le plugin s’adresse aux utilisateurs qui accordent de l’importance à une gestion de version plus flexible ou qui utilisent déjà Git pour leurs repositories de notes.

  Démo d’un plugin Obsidian Community.

• How I Track and Connect Every Book I Read in Obsidian
  3.3.2026, 09:30:09

  Système Obsidian pour gérer des livres et des notes de lecture

  Le créateur montre son système Obsidian pour gérer les livres et capturer les notes de lecture. Le cœur du système est une base de données Obsidian qui filtre toutes les notes avec le tag « type/book » et offre plusieurs vues : une vue liste pour les livres actuellement lus avec des métadonnées comme l’auteur, le nombre de pages et la date de début de lecture ; une vue carte avec des images de couvertures de livres pour environ 200 livres enregistrés ; et une vue tableau pour trier, filtrer et évaluer selon le statut (lu, à lire, à relire).

  Chaque entrée de livre est une note autonome qui contient non seulement des métadonnées, mais aussi les insights recueillis pendant la lecture. La valeur ajoutée réside dans le fait que ces notes sont connectées à d’autres notes du vault Obsidian par des liens, créant ainsi un graphe de connaissance. Il est particulièrement précieux de capturer les idées centrales des livres en tant que notes séparées — comme par exemple le concept selon lequel les émotions positives sont un élément actif de la résilience — pour pouvoir les invoquer ultérieurement dans différents contextes et les relier à d’autres sujets. Cela diffère fondamentalement des simples surlignages dans les livres papier ou des notes isolées.

  Le créateur mentionne que de telles bases de connaissances structurées peuvent également collaborer avec des outils d’IA en donnant au modèle d’IA l’accès à ces notes et en lui fournissant ainsi des informations de contexte de haute qualité — par exemple pour des recommandations de prochain livre ou des suggestions pour identifier les lacunes dans les insights précédents.

  Format : Tutoriel (Opinion/Réflexion) – aucun outil/modèle IA explicitement nommé.

• Publish to Social Media Directly from Obsidian — Typefully Plugin v3
  3.3.2026, 08:51:12

  Plugin Typefully Obsidian – Démo

  Le créateur montre son plugin Typefully auto-développé pour Obsidian, qui permet de publier des notes directement depuis Obsidian vers Typefully et de les distribuer sur différents réseaux de médias sociaux.

  Installation et configuration : Le plugin s’installe via les Community Plugins dans Obsidian. Après l’installation, on entre sa clé API (obtenue auprès de Typefully) et on active/désactive ensuite dans les paramètres les plates-formes souhaitées pour la publication.

  Fonctions de publication : En cliquant avec le bouton droit sur une note ou une sélection de texte, on peut envoyer soit la sélection actuelle soit l’intégralité de la note à Typefully en tant que brouillon. Alternativement, on utilise la palette de commandes (Ctrl+P) pour accéder à un tableau de bord qui affiche tous les brouillons, les posts, la file d’attente et les messages programmés.

  Gestion : Depuis le plugin, on peut éditer les brouillons, sélectionner les plates-formes, publier immédiatement ou créer de nouveaux brouillons et les planifier pour des moments spécifiques. Dans le tableau de bord, on voit les posts déjà publiés et on peut configurer les heures de programmation.

  Le créateur souligne que le plugin simplifie son flux de travail — il peut collecter des pensées dans sa base de connaissances Obsidian et décider directement de là de les publier, sans changer d’application.

  Plugin Typefully pour Obsidian, démo.

Simone Rizzo (3 nouvelles vidéos)

• GPT-5.4 spiegato bene: cosa cambia davvero
  6.3.2026, 12:07:24

  Résumé : GPT-5.4 – Les principales nouveautés

  OpenAI a lancé GPT-5.4. Les fonctionnalités les plus importantes sont :

  Automation native du bureau : Le modèle peut désormais contrôler nativement les interfaces de bureau – cliquer, faire défiler, remplir des formulaires. Dans la démo, les données CSV sont automatiquement saisies dans un formulaire, ce qui permet des workflows complexes sur plusieurs applications.

  Fenêtre contextuelle de 1 million de tokens : La capacité d’entrée a été considérablement augmentée.

  Navigation graphique améliorée : Sur le benchmark OSW Verified, GPT-5.4 atteint un taux de réussite de 75 % – mieux que l’humain (72,4 %) et bien au-dessus de la version précédente (47,3 %).

  Streaming pendant la réflexion : Vous pouvez écrire des messages au modèle pendant qu’il calcule logiquement, sans attendre la complétion.

  Tool Search : Un nouveau mécanisme qui sélectionne automatiquement les outils pertinents, au lieu de charger toutes les définitions d’outils dans le prompt – économise environ 50 % de tokens avec la même précision.

  Benchmarks de travail cognitif : Sur le benchmark GDP-Val, GPT-5.4 Pro atteint un taux de victoire de 69,2 % contre les experts de l’industrie (sur 44 tâches de bureau réelles différentes : présentations, feuilles de calcul, traitement de commandes, planification d’agenda).

  Codage et conception : Améliorations significatives en conception graphique et développement de jeux ; sur le benchmark agentic-tool-coding, la performance passe à 54,6 % (auparavant 47 %), avec une plus grande précision et moins d’appels d’outils.

  Tarification : Version standard 2,50 $/15 $ par million de tokens (entrée/sortie), version Pro beaucoup plus chère (30 $/180 $).

  Benchmarks indépendants : Sur Artificial Analysis, le modèle partage la première place avec Gemini 3.1 Pro Preview (bien qu’avec une latence plus élevée). Sur ARC-2, GPT-5.4 Pro atteint 83,3 % (Gemini 3D Pink 84,6 %). Comparé à Claude Opus : GPT-5.4 est compétitif sur OS World Verified (75 vs. 72), GDP Val (83 vs. 78) et Browser Comp (82 vs. 84) – les forces varient selon le cas d’usage (Claude meilleur en conception et certaines tâches de codage, GPT meilleur pour les tâches créatives et le travail de bureau).

  Le modèle est progressivement déployé pour ChatGPT et les APIs. L’auteur de la vidéo recommande, au lieu de faire des comparaisons générales, de créer vos propres ensembles de tests pour votre cas d’usage personnel, car tous les meilleurs modèles sont désormais très similaires en performance.

  Outils/fournisseurs : OpenAI (GPT-5.4), Claude/Anthropic, Google Gemini – mise à jour actualités avec comparaison des benchmarks.

• La nuova IA locale GRATUITA di Qwen 3.5 è FOLLE!
  5.3.2026, 17:42:08

  Qwen a publié une nouvelle famille de modèles de langage en différentes tailles – de 0,8 milliard à 9 milliards de paramètres – qui fonctionnent sur du matériel grand public comme les smartphones, les appareils périphériques et les ordinateurs portables ordinaires sans GPU. Le vaisseau amiral Qwen 3.5 avec 9 milliards de paramètres n’utilise que 10 Go de RAM et atteint un niveau de performance comparable à GPT 4 Omni (120 milliards de paramètres) – une variante 13 fois plus grande. Ces modèles sont multimodaux, traitent donc du texte et des images, et utilisent une nouvelle architecture appelée Gated Deltanet plus Gated Attention Hybrid, qui permet une croissance linéaire des besoins en mémoire et traite nativement 256 000 tokens d’entrée. Qwen a réalisé cette efficacité par distillation d’un modèle Mixture-of-Experts à 397 milliards de paramètres. Les variantes GGUF permettent même l’exécution sur seulement 6 Go de RAM sur un Mac.

  La mauvaise nouvelle : les équipes de recherche au sein de Qwen quittent l’entreprise car elles ne s’accordent pas sur la responsabilité des produits. Alibaba, la société mère, semble prévoir de positionner Qwen davantage comme un produit et d’investir moins dans la recherche open-source – ce qui pourrait signifier que Qwen ne publiera plus de modèles open-source gratuits à l’avenir. Jusqu’à présent, la disponibilité gratuite était la raison de la popularité de Qwen auprès des chercheurs et des développeurs.

  Démo avec Ollama et application : La vidéo montre comment télécharger et démarrer des modèles via la ligne de commande du terminal avec Ollama – par exemple utiliser le plus petit modèle directement dans le terminal ou sélectionner via l’application Ollama. Sur un Mac avec 24 Go de RAM unifié, même les modèles de 27 milliards de paramètres fonctionnent sans à-coups.

  Thème : Qwen / modèles ouverts — mise à jour actualités avec des implications techniques importantes.

• Ho insegnato ad un LLM a creare oggetti 3D
  4.3.2026, 15:27:40

  Rizzo Mesh – Un projet pour l’affinage des grands modèles de langage pour la génération d’objets 3D

  La vidéo présente Rizzo Mesh, un projet didactique qui démontre comment affiner un grand modèle de langage (LLM) pour générer des objets 3D. L’approche utilise le format de fichier OBJ basé sur du texte comme pont : au lieu que le modèle génère directement la géométrie 3D, il produit du texte en syntaxe OBJ (sommets avec coordonnées et faces qui les relient), qui est ensuite converti en objets 3D visualisables.

  Optimisations techniques : Pour augmenter l’efficacité de l’entraînement, deux techniques clés ont été appliquées – quantification (conversion de coordonnées en virgule flottante en valeurs entières, ce qui a réduit de moitié le nombre de tokens) et conversion low-poly (simplification de modèles très détaillés en versions avec moins de sommets et de faces). Cela a réduit la taille moyenne des fichiers d’environ 7 700 à environ 4 700 tokens par objet.

  Création du dataset : Le projet a utilisé environ 50 000 objets 3D provenant de sources publiques (par exemple Thingiverse). Pour chaque objet, un rendu a été créé, photographié sous plusieurs angles, puis automatiquement décrit par le modèle multimodal Gemini (captionnage). Ces descriptions ont formé la base des paires d’entraînement (entrée utilisateur : « Créer un objet 3D d’une chaise » → sortie du modèle : syntaxe OBJ quantifiée). Le dataset final en anglais a combiné des tâches de génération 3D avec des tâches de benchmark génériques (MMLU, SV Bench) pour préserver les capacités existantes du modèle.

  Entraînement et déploiement : L’entraînement s’est effectué sur un GPU (H200 avec 140 Go de VRAM) via LoRA (entraînement efficace d’adaptateurs). Après environ 49 heures et environ 300 dollars de coûts cloud, un modèle de base de la famille Gemma a été adapté. Le modèle entraîné a été téléchargé sur Hugging Face, converti au format GGUF et réduit à la quantification Q4, permettant à la variante de 8 milliards de paramètres de n’utiliser que 4,92 Go de stockage et de fonctionner localement sur un ordinateur portable (MacBook).

  Frontend et démonstration : Avec LM Studio, le modèle a été fourni localement en tant que serveur compatible OpenAI. Via Claude Code, une application web HTML/JavaScript a été générée qui visualise la génération en direct – les sommets et les faces sont progressivement construits à l’écran et peuvent être exportés en tant que fichier OBJ. La démo montre que le modèle génère des formes reconnaissables (chaises, pyramides, cubes), bien que pas parfaites.

  Limitation importante : Le projet est un entraînement de preuve de concept avec un ensemble de données réduit et des epochs limités. Il génère uniquement des mailles sans textures ou matériaux et n’est pas comparable aux modèles de pointe comme ceux de Trelis ou Microsoft, qui sont basés sur des modèles de diffusion.

  Le projet montre Gemini comme outil IA principal pour la génération automatique de légendes, ainsi que LoRA pour l’affinage efficace ; c’est un format tutoriel/démo mettant l’accent sur l’implémentation pratique d’un workflow d’affinage.

Tech With Tim (3 nouvelles vidéos)

• Blitzy Is The Best Coding Platform I’ve Ever Used – Full Walkthrough & Results
  7.3.2026, 13:01:29

  Résumé : Blitzy – Un agent AI-Coding pour le développement Enterprise

  Le créateur présente Blitzy, un agent AI-Coding qui se distingue fondamentalement des outils itératifs comme Cursor ou Claude Code. Au lieu d’interactions rapides répétées avec l’utilisateur, Blitzy fonctionne différemment : vous écrivez une seule fois un prompt de spécification détaillé que Blitzy traite ensuite sur plusieurs jours – orchestré par des milliers d’agents AI coopérant provenant de différents grands fournisseurs de LLM.

  Flux de travail et exemple pratique :

  Le créateur a utilisé Blitzy pendant deux mois sur une grande application de gestion d’étudiants « codée au feeling ». Le processus consistait à :

  1. Ingestion de base de code : Blitzy génère un document de spécification technique de plusieurs centaines de pages et comprend l’architecture complète.
  2. Documentation : Optionnel mais recommandé – Blitzy documente le code en ligne et crée des fichiers Readme, ce qui forme la base pour les tâches plus complexes.
  3. Refactoring : Un prompt avec des objectifs précis (modularité, séparation des préoccupations, organisation du code). Blitzy génère un plan d’action agent pour approbation, puis travaille et livre une grande pull request (21 000+ lignes) avec des tâches à valider par la suite.
  4. Nouvelles fonctionnalités : Le créateur a fait construire une plateforme de cours complète – à nouveau sous forme de PR backend et frontend, au total 61 000 lignes de code sur environ 3–4 semaines.

  Économies de temps & qualité :

  L’équipe (3 personnes) aurait dû investir environ 150 heures de travail ; avec Blitzy seulement environ 6 heures pour validation, test et déploiement. Le code est de haute qualité, atteint environ 95 % de l’état cible – de petits bugs et connexions manquantes (20–30 min de débogage) sont à prévoir. Tous les changements sont en direct sur le site web.

  Tarification : Gratuit pour explorer ; Concept Validation à partir de 50K, Structured Pilot à partir de 250K – clairement destiné aux Enterprises, pas aux individus.

  Avantage principal selon le créateur : Élimination du processus itératif pénible et chronophage. Au lieu de cela, on travaille une seule fois de manière approfondie sur un prompt détaillé, on fait confiance au système pendant plusieurs jours, et on obtient un résultat fini (prêt pour validation). Cela permet au développeur de consacrer son temps à l’architecture et au design plutôt qu’à la rédaction de code répétitive.

  Limitations : Non conçu comme remplacement complet des développeurs ; validation manuelle nécessaire. L’outil est trop complexe et cher pour les petites équipes ou les développeurs individuels.

  Blitzy (outil Enterprise avec agents AI orchestrés) – démonstration/compte rendu d’expérience.

• My Honest Thoughts on AI and the Job Market in 2026 (No Hype)
  5.3.2026, 13:00:52

  Développement logiciel 2026 : Cinq changements fondamentaux

  L’orateur décrit cinq grands changements dans le développement logiciel qui ont transformé sa vision de l’industrie :

  1. Le code n’est plus écrit, il est examiné. Les nouveaux modèles IA produisent du code si rapidement et en telles quantités que le goulot d’étranglement n’est plus la qualité de l’IA, mais la capacité humaine à comprendre et vérifier le code généré. L’orateur avertit : si vous ne comprenez vraiment pas les pull requests de 10 000 lignes, vous perdez la compréhension profonde de la base de code. C’est un problème quand des bugs surviennent plus tard. Les débutants en souffrent particulièrement car ils génèrent massivement du code sans comprendre ce qu’ils font.

  2. L’écart de compétences s’élargit dramatiquement. Les développeurs qui utilisent l’IA sont beaucoup plus productifs que ceux qui ne le font pas. Un bon développeur avec des outils IA surpasse un excellentdéveloppeur sans ces outils en termes de rendement. Les développeurs expérimentés plus âgés qui s’opposent aux outils IA prennent du retard – indépendamment de leur expertise technique. Simultanément, les débutants avec des outils IA, bien que techniquement moins versés, peuvent atteindre une productivité massive. La différence décisive est maintenant : celui qui connaît les tendances de l’industrie et utilise les outils progresse plus rapidement que celui qui se concentre sur les concepts fondamentaux.

  3. Les développeurs juniors ont un sérieux problème. Les attentes envers les débutants ont considérablement augmenté. Les tâches qui étaient autrefois du travail de base (écrire des tests unitaires, implémenter des fonctionnalités simples) sont maintenant faites par l’IA. Cela signifie : les juniors doivent maintenant travailler au niveau des développeurs mid ou senior d’il y a 5–6 ans, mais sans expérience pratique. Il y a moins de postes juniors, plus de concurrence, et seuls réussissent ceux qui ont construit quelque chose de significatif (app avec utilisateurs, startup, diplôme d’une top université) ou qui ont trouvé le bon équilibre entre apprentissage fondamental et adoption de l’IA.

  4. Le processus d’embauche est cassé. La réalité du travail – examen du code, travail avec les agents IA, rédaction de prompts, construction de workflows – n’a rien à voir avec le processus d’entretien qui mise toujours sur les questions Leetcode, les sessions au tableau blanc et les entretiens classiques de design de systèmes. C’est un décalage bizarre : vous pouvez être productif et construire d’excellentes apps, mais vous ne serez pas embauché car vous n’avez pas entraîné des problèmes d’algorithmes pendant des mois.

  5. Les soft skills et la connaissance métier deviennent décisifs. Comme chacun peut maintenant générer 20 000 lignes de code par jour, la valeur se déplace vers : la communication, la capacité à transmettre l’impact métier, la collaboration, la prise de décision sur ce qui doit être construit. Les développeurs techniquement moins talentueux avec de bonnes soft skills, une bonne communication et une compréhension métier sont maintenant plus précieux qu’avant. Tous les développeurs doivent maintenant devenir des rôles hybrides – moitié ingénieur logiciel, moitié product manager.

  Conclusion : Le métier ne disparaît pas, mais les tâches changent radicalement. Celui qui veut rester sérieusement dans cette industrie doit apprendre en continu, suivre les tendances et s’adapter – c’est maintenant plus critique que jamais. L’orateur souligne : il pourrait se tromper, mais c’est son observation honnête des derniers mois.

  Claude (Opus et modèles associés) a été mentionné, ainsi qu’un outil partenaire appelé Whisper Flow pour voice-to-text – opinion/réflexion, analysant en profondeur les tendances du marché du travail technique.

• 4 AI Prompt Patterns You NEED To Know (in Genspark)
  2.3.2026, 12:16:40

  Résumé : Motifs de prompts pour de meilleurs résultats IA

  Le créateur montre quatre motifs de prompts centraux qui fonctionnent avec n’importe quel outil IA et livrent consistemment de meilleurs résultats que des questions vagues. Au préalable, les meilleures pratiques générales sont expliquées : placement des instructions au début ou à la fin, utilisation de délimiteurs, prompts structurés plutôt que longs, exemples concrets, mention explicite de ce que l’IA ne doit pas faire, et amélioration itérative plutôt que recommencer.

  Speed Layer : Utilisez la dictée vocale au lieu de taper (4–10x plus rapide) pour itérer rapidement. L’outil Speakley formate automatiquement les prompts parlés. Le créateur montre comment demander à l’IA de poser des questions sur les informations manquantes plutôt que de travailler avec des hypothèses incomplètes.

  Persona Handoff : Donnez à l’IA un rôle d’expert avec expérience, pas seulement une tâche. Un consultant en pitch decks avec une histoire de succès Serie A fournit de meilleurs résultats que la requête générique « make a deck ».

  Input Flip : Fournissez une référence au lieu de partir de zéro – l’IA transforme mieux qu’elle ne crée. Démo : Un design de coffee shop générique devient beaucoup plus cohérent et de haute qualité via des liens de référence et des images fournies. Le créateur démontre également la génération vidéo à partir des assets de design créés.

  Constraint Box : Plus de contraintes forcent la spécificité au lieu du générique. Au lieu d’« analyser les données », c’est : « Surface seulement trois insights actionnables, visualisez les tendances, signalez les anomalies, anglais simple, pas de jargon technique » – cela conduit à des tableaux de bord ciblés plutôt qu’une analyse générique.

  GenSpark (un espace de travail tout-en-un avec Chat, Agents, Sheets, Docs) est utilisé comme outil de démonstration, le créateur soulignant explicitement que les motifs fonctionnent partout.

  Outils/Fournisseurs : GenSpark, Speakley ; Format : Démo & Tutoriel avec exemples en direct.

TheAIGRID (7 nouvelles vidéos)

• AI News – New Models From Google & OpenAI , AI Drama & Humanoids In Factories
  8.3.2026, 01:22:09

  Résumé des actualités IA – Semaine marquée par les drames de Google, OpenAI et Anthropic

  Versions de Google : Nano Banana 2 (deuxième génération d’images de Google, gratuit avec le plan Gemini Pro) apporte des détails améliorés, un rendu de texte précis, une augmentation 4K, un contrôle du rapport d’aspect et une cohérence des sujets. Notebook LM a reçu une mise à niveau Cinematic Overview avec animations et motion graphics (réservée aux utilisateurs du plan Google Ultra, 200-250 $/mois, nécessite des heures de génération). Gemini 3.1 Pro a été lancé en tant que système multimodal natif hautement raisonnable pour les tâches professionnelles et de développement complexes, avec un contexte de 1 million de tokens, l’appel de fonctions et l’ancrage de recherche Google – un concurrent solide pour les travaux multimodaux (vidéo, audio, images).

  OpenAI GPT 5.4 Pro : Le « modèle le plus intelligent du monde » actuellement, disponible dans ChatGPT Pro et Enterprise via API. Excelle dans les cas limites (mathématiques de frontier, utilisation informatique, problèmes scientifiques), mais améliore aussi les conversations standard par rapport au problématique 5.2.

  Microsoft Copilot Tasks : Décrit comme une « liste de choses à faire qui se fait elle-même » – en aperçu de recherche limité. Les utilisateurs décrivent en langage naturel, le système planifie et exécute (suivi des e-mails, recherche d’appartements, conversion de syllabus en plans d’études), avec des garde-fous de consentement avant les dépenses/messages. Réponse à la vague d’IA agentic, orientée vers les utilisateurs grand public plutôt que les développeurs.

  Perplexity Computer : Assistant numérique polyvalent avec une approche multi-modèles orchestrée (Claude Opus 4.6 comme moteur de raisonnement, Gemini, Nano Banana, Grok, GPT 5.2 pour les tâches spécialisées). S’exécute pendant des mois, crée des sites web, des applications web, des analyses de données. 200 $/mois sur Perplexity Max, 10 000 crédits + 20 000 crédits bonus. Idéal pour les utilisateurs puissants non techniques.

  Drame Anthropic : Anthropic a refusé de fournir Claude pour la surveillance de masse et les armes autonomes. Suite à une déclaration publique de Dario Amodei, voici le message de Trump : le gouvernement américain arrête immédiatement toute la technologie Anthropic, avec un arrêt progressif de 6 mois assorti de menaces de pénalités. Un précédent historique.

  Mouvement QuickGPT : 2,5 millions d’utilisateurs ont quitté ChatGPT pour plusieurs raisons : le don de 25 millions de dollars de Greg Brockman à un groupe pro-Trump, le dépistage des CV par l’ICE, l’accord du Pentagone avec OpenAI (qu’Anthropic a refusé). Sam Altman a admis avoir agi trop vite. Claude a gagné la sensibilisation grand public pour la première fois (des célébrités comme Katie Perry l’ont recommandé).

  Délit d’initié OpenAI : Un employé a été licencié pour délit d’initié sur le marché des prédictions.

  Dissolution de l’équipe Qwen : Le responsable technique Ling Yang (Justin) et le responsable de la formation post-formation Yu Bowen ont démissionné le 3 mars 2026 après une restructuration prévue (de l’intégration verticale à l’horizontale) – qui contredit leur vision technique.

  Robotique : Le système de mémoire FSME de Stanford permet à l’IA des robots d’apprendre la physique en temps réel (épisodique + hypothèses testables + principes vérifiés) : 23 % → 76 % de taux de succès. Physical Intelligence (soutenu par Bezos/OpenAI) lance MEM (Multiskill Embodied Memory) avec un focus de 15 minutes pour le nettoyage de cuisine/repas, partage la mémoire en visuels à court terme + narration à long terme. Faraday Future a remis les robots humanoides chinois (FF Master à partir de 20 000 $). BMW a déployé le premier humanoid dans une usine européenne.

  Sources : Google (Gemini 3.1 Pro, Nano Banana 2, Notebook LM), OpenAI (GPT 5.4 Pro), Microsoft, Perplexity, Anthropic, Physical Intelligence, Robotique Stanford, Faraday Future.

  Format : Mise à jour/Résumé des actualités avec drame interne aux entreprises et segment robotique – niveau de difficulté moyen, aperçu large sans approfondissements.

• Google, OpenAI & Anthropic All Reported the Same Threat
  6.3.2026, 23:59:13

  Résumé : Les laboratoires d’IA américains sous le feu des attaques de distillation

  Anthropic a documenté les attaques de distillation industrielle de DeepSeek, Moonshot AI et Miniax : plus de 24 000 comptes frauduleux ont généré 16 millions d’échanges avec Claude pour extraire ses capacités. La distillation est une technique d’entraînement légitime dans laquelle les modèles plus faibles apprennent des modèles plus forts — mais les modèles illicitement distillés perdent les protections de sécurité importantes, créant des risques de sécurité nationale et augmentant le risque de développement d’armes biologiques ou d’attaques informatiques.

  La chronologie est remarquable : le 12 février, Google DeepMind et OpenAI ont presque simultanément signalé l’observation d’attaques de distillation — une semaine plus tard, Anthropic a suivi avec des cas concrets. Cela coïncide avec une décision de l’administration Trump du 14 janvier autorisant l’exportation de puces IA avancées vers la Chine dans certaines conditions. Les critiques sur les réseaux sociaux : Anthropic semble hypocrite, car il a lui-même été entraîné sur des données Internet, tout en critiquant d’autres laboratoires pour l’utilisation des sorties de Claude.

  Les sceptiques arguent que 16 millions de conversations sont marginales — Claude traite 25 milliards d’appels API par mois — et que de telles accusations pourraient être du lobbying pour des contrôles à l’exportation plus stricts. Simultanément, il existe des preuves documentées de pratiques de copie chinoises et un commentaire Reddit suggère que les modèles GLM imitent Claude. La question centrale demeure : s’agit-il d’une véritable sécurité nationale ou d’une communication stratégique ?

  L’orateur soutient que la vraie vulnérabilité est l’API publique elle-même — si 0,006 % du trafic suffit à l’extraction de capacités, les contrôles à l’exportation seuls ne pourraient pas résoudre le problème. Cela pourrait signifier la fin des modèles de frontier publiquement accessibles : un avenir d’IA à deux classes avec accès vérifiés pour les entreprises/gouvernements et une couche publique deux à trois générations derrière la frontier.

  Explicitement abordé : Anthropic, Google DeepMind, OpenAI, Claude, DeepSeek, Moonshot AI, Miniax, GPT-4 — Opinion/Réflexion avec accent d’enquête.

• OpenAI’s New GPT-5.4 Pro Is Now The Smartest AI In The World.
  6.3.2026, 07:52:18

  GPT 5.4 – Avancées surprenantes en mathématiques de frontier et tâches réelles

  La vidéo traite de GPT 5.4 (versions standard et Pro avec raisonnement étendu) et souligne que le modèle surpasse les concurrents comme Claude Opus 4.6 et Gemini 3.1 sur les nouveaux benchmarks – et non sur les tests standards saturés.

  Points clés des benchmarks :

  En Frontier Math (problèmes de recherche mathématique posés par des professionnels), GPT 5.4 Pro établit un nouveau record. Particulièrement remarquable : un mathématicien rapporte que GPT 5.4 a résolu un problème personnel non résolu depuis 20 ans avec une solution élégante – il compare cela au légendaire « Move 37 » d’AlphaGo en 2016 comme moment où l’IA fait quelque chose de véritablement surhumain. Sur 10 passages d’essai sur les problèmes de Frontier Math les plus difficiles, le modèle a atteint 38 %.

  Au benchmark Browse Comp (requête de données en temps réel du web), GPT 5.4 Pro surpasse Gemini 3.1 de Google avec ~89,3 %, bien que Google devrait avoir un avantage moteur de recherche.

  Au benchmark Apex Agents (tâches professionnelles comme modélisation financière, mémos juridiques, analyse), la meilleure performance du modèle a augmenté de 24 % (janvier 2026) à 52 % (six à huit semaines plus tard) – la première fois au-dessus de 50 %, mesurée sur des scénarios réels construits par des banquiers d’investissement, des consultants et des avocats.

  Le benchmark GDP Value (test interne d’OpenAI sur 44 professions, 9 secteurs) montre que GPT 5.4 (Thinking) et GPT 5.4 Pro correspondent ou surpassent les professionnels humains dans 82–83 % des cas – à 100 fois la vitesse et 100 fois l’efficacité des coûts (bien que sur des tentatives simples sans itération).

  Problème de coûts : L’entrée coûte 30 $ par million de tokens, la sortie 180 $ par million – nettement plus cher que les modèles précédents et aussi plus cher que Claude Opus 4.6, réfutant l’hypothèse « Intelligence Too Cheap to Meter ».

  Capacités d’utilisation informatique : GPT 5.4 possède une capacité native de navigation de bureau et d’exécution de tâches. Au benchmark OS World, il atteint 75 % (état de l’art), le modèle lisant les captures d’écran en temps réel (non accéléré) et exécutant des actions de souris/clavier – par exemple, saisir des données dans des formulaires de facture.

  Écriture créative : Le classement a augmenté après que Sam Altman ait admis que GPT 5.2 était excessivement optimisé pour les mathématiques et le code et avait endommagé les compétences linguistiques.

  Préoccupations en matière de sécurité : GPT 5.4 Thinking a été classé par OpenAI comme « élevé »-risque en cybersécurité – première IA générale nécessitant des mesures de sécurité spécifiques. Le modèle a atteint 88 % aux défis professionnels de capture du drapeau et a exécuté des attaques multi-étapes dans les simulations (vol d’identifiants, mouvement latéral). À cela s’ajoute : chaque génération de modèle (GPT 5.2 : 47 %, 5.3 : 80 %, 5.4 : 73 %) s’est améliorée. Si GPT 6 ou 7 atteint le niveau « critique » (attaques autonomes à grande échelle sur les infrastructures nationales), OpenAI pourrait, selon sa politique actuelle, décider de ne pas lancer du tout le modèle – soulevant des questions considérables sur la vérification d’identité et le contrôle d’accès, car actuellement n’importe qui avec une clé API peut accéder à GPT 5.4.

  Anomalie : Au benchmark OPQA (problèmes internes d’OpenAI), GPT 5.4 Thinking a obtenu le score le plus faible avec seulement 4 %, pire que GPT 5.2 Codeex (8 %), indiquant une régression.

  Thème : OpenAI, Claude (Opus 4.6), Gemini 3.1 ; Format : Opinion/Deep-Dive avec analyse des benchmarks.

• GPT-5.3 Instant & Gemini 3.1 Flash Lite – OpenAI and Google’s Newest And Fastest AI Yet
  4.3.2026, 20:09:22

  La vidéo compare deux modèles d’IA nouvellement publiés : GPT 5.3 Instant d’OpenAI et Gemini 3.1 Flash Light de Google.

  GPT 5.3 Instant : L’orateur critique le fait que GPT 5.2 et ChatGPT en général étaient frustrante à cause de l’excès de politesse (« cringe ») et des réponses psychologisantes – le modèle imposait des conditions inutiles et tentait constamment de « sauver » l’utilisateur. GPT 5.3 Instant remédié à cela en réagissant moins paternellement et en répondant plus directement à l’intention réelle de l’utilisateur. OpenAI montre dans des vidéos internes que le nouveau modèle réduit le « surcotting » – il fait moins de mesures de sécurité inutiles (par exemple, sur des blagues ou des questions physiques sur le tir à l’arc) et comprend mieux le contexte. De plus, la recherche Web semble plus naturelle, et le modèle prend en compte le contexte (par exemple, comprendre qu’une question météorologique est pertinente dans le contexte d’une balade à vélo). Limitation : le ton des réponses est encore raide dans les langues non-anglaises comme le japonais et le coréen.

  Gemini 3.1 Flash Light : Le modèle bon marché et rapide de Google pour les requêtes de masse (25 cents par million de tokens d’entrée). Il est spécialement conçu pour la modération de contenu, les traductions, l’extraction de données et les flux de travail agentiques simples. Dans les benchmarks (par exemple, les questions multimodales en temps réel), il est nettement plus rapide et plus précis que Gemini 2.5 Flash. Un développeur montre un projet d’analyse de photos qui évalue tous les clichés d’un appareil photo SLR – plus rapide et moins cher que les autres modèles. Google se positionne sur la « frontière de Pareto » – le rapport qualité-prix optimal par rapport aux autres modèles.

  L’orateur voit Google comme le gagnant actuel de la course à l’IA en matière de rapport qualité-prix.

  OpenAI et Google abordés ; démo avec cas d’utilisation pratiques.

• Grok 5 Could Be xAI’s Biggest Breakthrough Yet – Nobody Noticed This
  3.3.2026, 16:45:01

  La vidéo discute les déclarations d’Elon Musk et de son entreprise xAI concernant l’auto-amélioration récursive des systèmes d’IA. Musk a affirmé que Grok 4.2 (un système de quatre agents) pouvait être amélioré chaque semaine et présenterait une forte croissance d’intelligence récursive. Un co-fondateur de xAI, qui a quitté l’entreprise, a tweeté que les boucles d’auto-amélioration récursive se feront probablement en direct dans 12 mois – il s’agit de systèmes où une version d’IA s’améliore elle-même, cette version améliorée crée alors des versions encore meilleures, créant une boucle compoundée.

  Le créateur de vidéo soutient qu’il ne s’agit pas d’exagération, mais qu’il repose sur de véritables progrès techniques : plusieurs anciens employés de xAI parlent publiquement d’objectifs similaires (l’un a fondé une startup pour les agents d’IA auto-améliorants), et le problème central – la compression de contexte pour l’apprentissage continu – est recherché par xAI, Google, Meta et d’autres. Google travaille sur l’« apprentissage imbriqué » contre l’oubli catastrophique ; Meta recherche des méthodes par affinage de mémoire sélective ; Cursor met à jour son modèle Composer toutes les 90 minutes selon les retours réels des utilisateurs. Dario Amodei (Anthropic) prédit que les modèles pourraient prendre en charge le développement logiciel autonome de bout en bout dans 6 à 12 mois. Plusieurs chercheurs et observateurs nomment 2026 comme l’année de la percée dans l’apprentissage continu ; Peter Diamandis avertit que tous les protocoles de gouvernance et de sécurité existants seraient alors obsolètes.

  La vidéo n’est pas un jugement factuel, mais une analyse des déclarations et documents publics suggérant que xAI et d’autres laboratoires travaillent réellement sur des boucles d’amélioration récursives – que cela réussisse reste ouvert.

  Explicitement abordé : xAI, Grok 4.2, OpenAI (GPT 5.3 Codex), Claude (Anthropic), Google DeepMind, Meta, Cursor – Format : Opinion/Réflexion (avec éléments de news-roundup).

• Perplexity AI Computer Tutorial With New Usecases (How To Use Perplexity AI Computer )
  2.3.2026, 23:16:06

  Perplexity Computer – Aperçu complet

  Perplexity Computer est un agent numérique au sein de Perplexity Comet qui gère de manière autonome les interfaces informatiques, les navigateurs et les applications pour exécuter des flux de travail multi-étapes. Il peut effectuer des tâches d’arrière-plan pendant des heures ou des mois, automatiser les recherches parallèles, exécuter des actions de navigateur, extraire des données et est principalement limité par la qualité du prompt.

  Disponibilité et coûts : Actuellement disponible uniquement dans le plan Perplexity Max pour 200 $/mois ; avec la mise à niveau, les utilisateurs reçoivent actuellement 10 000 crédits bonus gratuits. Des crédits sont dépensés selon le type de tâche (traitement de texte moins cher, édition vidéo plus chère).

  Connecteurs et intégrations : La fonctionnalité de connecteur relie des applications comme Google Drive, OneDrive et Notion, permettant à l’agent d’accéder et de modifier les données. De plus, Perplexity dispose d’intégrations standard préconstruites (par exemple, ElevenLabs) qui fonctionnent aussi sans configuration manuelle de l’API.

  Mémoire partagée : L’agent stocke de manière persistante entre les sessions les noms, rôles, préférences et projets, et peut rechercher sémantiquement le contenu des conversations précédentes.

  Traitement parallèle : Plusieurs agents travaillent simultanément sur différentes sous-tâches, réduisant la durée globale. Vous pouvez également lancer plusieurs tâches supplémentaires en parallèle pendant l’exécution d’une tâche.

  Cas d’utilisation pratiques dans la vidéo :

  • Stratégie de contenu YouTube : Trois versions de produits IA souterraines ont été recherchées en 5 minutes, des titres cliquables générés et des images de miniatures créées
  • Génération de leads B2B pour les entreprises locales : 20 plombiers à Londres identifiés, critiques Google scannées, évaluation des leads (1–10) effectuée et exportée vers Excel – également en ~5 minutes
  • Tableaux de bord en temps réel : Créer automatiquement des applications Web avec des données en direct (par exemple, mouvements de navires via les API)
  • Visualisations de données : Générer des GIFs de graphiques boursiers, créer des vidéos de course de graphiques en barres horizontale animée à partir de données existantes
  • Montage vidéo : Trouver des clips YouTube, les télécharger, les couper, ajouter des sous-titres (par exemple, des clips DSS-Tesla pour TikTok)
  • Génération d’images et de carrousels : Créer du contenu pour les réseaux sociaux avec modèles et ajustement automatique de la mise en page

  Planification : Les tâches peuvent être automatisées en tant que Cron Jobs avec la commande schedule (par exemple, quotidiennement à 9 h heure du Royaume-Uni), transformant l’outil d’une application réactive à un « employé numérique » travaillant en permanence.

  Compétences natives : Mode Deep Research (100+ citations), navigation Web en direct sans date limite de connaissance, traitement de fichiers (PDF, feuilles de calcul, etc.), analyse de données et exécution de code, génération de documents Markdown/HTML, génération d’images et vidéos à partir de texte, gestion d’e-mails (résumé des boîtes de réception, brouillons de réponses).

  Avantages de conception : Contrairement aux outils comme Claude/OpenClaw ou Cursor, aucune installation manuelle de compétences n’est nécessaire – tous les outils sont présents dans le sandbox standard, réduisant considérablement la complexité pour les débutants.

  Démonstration d’un Perplexity Computer (fournisseur : Perplexity), Format : Deep-Dive avec exemples en direct.

• Google’s AGI Plan Just Got Clearer (Demis Hassabis Explains)
  1.3.2026, 21:04:19

  Définitions et tests d’AGI – Entre innovation et scepticisme

  La vidéo discute comment on pourrait tester la véritable Intelligence Générale Artificielle (AGI) et si les benchmarks actuels sont même pertinents à cet égard.

  Test d’AGI de Hasabis : La proposition centrale est radicale – on devrait entraîner un système d’IA avec une date limite de connaissance de 1911 et voir s’il pourrait dériver la théorie générale de la relativité comme Einstein en 1915. Cela prouverait la véritable pensée scientifique à partir des premiers principes, pas seulement la reconnaissance de motifs dans les données existantes. La critique : Einstein avait des années de travail concentré, l’intuition physique des expériences et des équations connues à sa disposition – le système d’IA aurait besoin de tout ce contexte.

  Le problème avec les benchmarks : Le classement ARC-AGI montre des améliorations impressionnantes (de 5–10 % à 80 % en quelques mois), mais selon la recherche de Melanie Mitchell, les modèles peuvent résoudre de nombreuses tâches par des corrélations spurieuses – par exemple, par des motifs arithmétiques dans les codes numériques plutôt qu’une véritable compréhension. Si les modèles d’IA résolvent correctement une tâche ARC, ils ne peuvent l’expliquer correctement que 70 % du temps ; les humains le font 90 % du temps. Cela rappelle Hans, le cheval « mathématique » de 1904, qui lisait les mimiques involontaires. La critique centrale : la précision seule ne signifie rien – pourquoi le modèle avait raison est tout aussi important que si.

  Ce qui manque toujours selon Hasabis : Deux ou trois grandes percées seraient nécessaires – l’apprentissage continu, une meilleure mémoire, des fenêtres de contexte plus longues ou plus efficaces, un meilleur raisonnement et une meilleure planification à long terme. La question de savoir si l’échelle seule suffit ou si de véritables innovations fondamentales sont nécessaires reste ouverte.

  LLMs : Cul-de-sac ou composant ? Yan LeCun soutient que les LLM sont une impasse vers l’AGI – ce ne sont que des systèmes de récupération massifs sans véritable compétence en résolution de problèmes. Hasabis n’est pas d’accord : les LLM resteront probablement une composante clé, pas la seule.

  La multimodalité comme clé : Le PDG de Figure Robotics et d’autres soutiennent que l’AGI a besoin de la vision, de l’audio, de la proprioception et d’une véritable compréhension du monde physique – pas seulement du texte. Les modèles Vision-Language-Action de la robotique pourraient conduire plus près de l’AGI, car ils doivent construire de véritables modèles du monde pour naviguer la réalité physique.

  AGI comme spectre, pas moment : Yoshua Bengio souligne que l’AGI n’est pas un point définissable, mais un spectre de capacités. L’IA ne sera probablement jamais simultanément intelligente de manière humaine dans tous les domaines.

  Scénario futur : Si l’AGI était réalisée d’ici 2050, le monde pourrait changer aussi radicalement que dans 10 000 ans d’histoire humaine, et non dans les 25 dernières années – par l’automatisation par l’IA de toutes les activités intellectuelles.

  Explicitement abordé : Hasabis, Yan LeCun, Yoshua Bengio, Melanie Mitchell, Figure Robotics (modèle Helix), benchmark ARC-AGI — Format : Opinion/Réflexion avec éléments de news.

Theo – t3․gg (5 nouvelles vidéos)

• It’s finally here.
  7.3.2026, 03:32:44

  Le créateur a développé et publié le projet open-source T3 Code avec Julius – un outil gratuit basé sur le web et le bureau pour le développement assisté par l’IA, conçu comme alternative à Codeex. L’inspiration venait de la frustration face aux problèmes de performance de Codeex et du désir d’un système ouvert et extensible.

  Fonctionnalités principales de T3 Code :

  • Les threads de projet parallèles ou séquentiels permettent un travail plus efficace
  • Les workflows Work-Tree (développés par Julius) isolent différentes tâches dans leurs propres environnements
  • Intégration GitHub en un clic : génération automatique de commits, push et création de PR
  • Application de bureau plus version web via npx t3 (alpha) sans installation
  • Palette de commandes pour naviguer rapidement entre les threads (Command Shift O)
  • Intégration de terminal via Command J pour chaque Work-Tree

  Différence architecturale par rapport à la concurrence :

  T3 Code utilise les Harnesses officiels (ensembles d’outils) des AI Labs au lieu d’un système propriétaire – actuellement Codex CLI, avec des intégrations prévues pour Claude, Cursor CLI, Open Code et Gemini. Cela permet aux abonnements existants de ces plateformes de fonctionner directement dans l’outil.

  Détails techniques :

  Electron a été choisi pour les meilleures performances multiplatformes. Le projet a commencé comme une expérience par curiosité et s’est rapidement transformé en logiciel complet. L’historique GitHub (877 commits) montre ouvertement le processus de développement incluant une itération massive d’Agentic Engineering. L’outil est toujours en Alpha, refuse intentionnellement les contributions externes (seuls les retours détaillés sont souhaités), mais le plan est de l’ouvrir plus tard. Support des plateformes : Windows, macOS, Linux (App Image, autres formats prévus).

  Positionnement :

  Gratuit et open-source sans plans de monétisation actuels – pourrait proposer à l’avenir des abonnements pour les modèles groupés + Harnesses, mais ce n’est pas prioritaire. T3 Code est un projet distinct, pas partie de T3 Stack.

  Le créateur rapporte que la productivité grâce à l’outil a augmenté énormément – son coéquipier Julius aurait généré selon le tableau de bord des développeurs plus de 1.000+ heures de code par semaine (métrique fortement estimée).

  Points clés de la démo : Ajustement du surlignage d’entrée bleu en temps réel, intégration GitHub avec workflow PR automatique, navigation fluide entre les threads.

  Outils IA pertinents : Codex, Claude, Cursor, Open Code, Gemini ; Format du projet : Démo + Opinion/Réflexion, accent sur l’Architecture et la philosophie open-source – compréhensible pour les développeurs ayant de l’expérience avec les agents IA.

• gpt-5.4 is really, really good
  6.3.2026, 09:55:17

  Résumé : GPT 5.4 – Analyse et évaluation complètes

  Le créateur a testé GPT 5.4 pendant une semaine et fournit une analyse détaillée du nouveau modèle d’OpenAI. La vidéo traite des performances, de la tarification, de l’application pratique et compare le modèle avec ses concurrents.

  Variantes de modèle et stratégie : OpenAI a publié GPT 5.4 Thinking (mais pas 5.4 Instant ni 5.4 Codex). Le créateur suppose que Codex pourrait être progressivement supprimé en tant que variante de modèle distinct, car les capacités de base de 5.4 intègrent déjà les améliorations spécifiques à Codex.

  Améliorations principales : 5.4 offre une meilleure gestion du contexte (limite de 1 million de tokens), une utilisation plus efficace des tokens de raisonnement, une utilisation améliorée des outils avec Tool Search, des améliorations significatives pour les tâches d’utilisation du navigateur et de l’ordinateur, et une meilleure réponse aux interruptions des utilisateurs pendant le raisonnement. La vision est massivement améliorée, particulièrement dans les scénarios d’utilisation d’ordinateur.

  Benchmarks et coûts : Pour MMLU et d’autres tests standards, 5.4 montre des améliorations, mais les gains de performance les plus élevés sur le propre Skatebench V2 du créateur proviennent de Gemini 3.1 Pro Preview (97%), suivi de GPT 5.4 High (82%). Les prix ont augmenté : 5.4 coûte désormais 2,50 $ par million de tokens en entrée (auparavant 1,75 $) et 15 $ par million de tokens en sortie (auparavant 14 $). 5.4 Pro est nettement plus cher (30 $/180 $), mais fonctionne plus mal que Standard 5.4 dans certains tests.

  Utilisation pratique – Forces : Le créateur a testé des tâches complexes comme la migration d’une grande base de code React. 5.4 a écrit des plans détaillés, les a exécutés sur de longues sessions et a montré une meilleure compression du contexte. La résolution du difficile puzzle cryptographique Goldbug en moins de 17 minutes (les autres modèles n’y sont pas parvenus) montre le potentiel de 5.4 Pro pour les problèmes hautement complexes.

  Utilisation pratique – Faiblesses : Le design frontend reste faible – GPT 5.4 continue à créer des interfaces utilisateur inutilement complexes basées sur des cartes, tandis que Claude Opus a immédiatement reconnu que le framework existant (Recharts) ne convenait pas au design d’interface souhaité et a reconstruit la mise en œuvre. Une régression dans les injections de prompts dans les appels de fonction a été enregistrée : 5.4 tombe désormais dans environ 2% des tests pour ces injections, tandis que 5.1 ne l’a jamais fait. La personnalité en chat est meilleure que les modèles GPT antérieurs, mais pas aussi agréable que Claude ou Gemini.

  Contrôlabilité et prompting : 5.4 est le modèle le plus contrôlable jusqu’à présent – il suit précisément les prompts système sans les remettre en question. OpenAI a publié des directives de prompting détaillées avec des conseils spécifiques pour le routage d’outils, les dépendances de workflow, la sélection d’effort de raisonnement et les actions irréversibles. Le créateur souligne que les spécifications de structure explicites (par exemple « Return exactly the selections requested ») fonctionnent mieux qu’avec Gemini.

  Disponibilité : Le modèle est disponible dans ChatGPT. Le créateur mentionne aussi T3 Chat (8 $/mois pour l’utilisation de 5.4) et a annoncé T3 Code, pour lequel il existe une version navigateur précoce (nécessite Cursor CLI). L’application de bureau Codex continue à fonctionner.

  Impression générale : Selon le créateur, 5.4 est un « modèle sérieux » qui rend les autres options superflues pour la plupart des tâches – sauf pour le design frontend, où il continue à utiliser Opus ou Gemini.

  Outils/Modèles : OpenAI (GPT 5.4, Claude Opus, Gemini), Cursor, n8n (non explicitement mentionné, mais donné comme exemple de framework pour les workflows Agentic) – Format : Deep-Dive + Opinion/Réflexion.

• The drama never ends…
  5.3.2026, 11:45:25

  Résumé : Le conflit entre OpenAI et Anthropic sur les contrats militaires en IA

  Le créateur traite du conflit qui s’intensifie entre OpenAI et Anthropic sur un accord du ministère de la Défense. Anthropic avait refusé de fournir les poids de ses modèles à l’armée sans que cette dernière accepte des restrictions de politique – spécifiquement des interdictions sur les armes autonomes et la surveillance de masse des citoyens américains. Le ministère de la Défense a rejeté cela. Peu après l’ultimatum d’Anthropic, le PDG d’OpenAI Sam Altman a ensuite annoncé avoir conclu un accord avec le ministère.

  Le créateur explique la différence technique : Anthropic aurait livré les modèles et les poids, permettant au ministère de les exécuter localement – sans qu’Anthropic ne puisse contrôler l’utilisation. OpenAI, en revanche, conserve son API et donc une couche de contrôle pour bloquer ou rediriger les demandes dangereuses. Théoriquement, cela signifie une sécurité technique accrue.

  Altman soutient qu’il voulait désescalader et empêcher le ministère de détruire Anthropic – ce qui blesserait aussi OpenAI à long terme (par monopolisation). Le créateur voit cependant aussi des motifs politiques : Trump avait dénoncé Anthropic comme des « fous de gauche » et avait mis la pression sur le ministère ; Altman aurait pu utiliser cela pour conclure rapidement un accord.

  Dario Amodei (PDG d’Anthropic) qualifie les déclarations d’Altman de « purs mensonges » et de « théâtre de sécurité » – il soutient que les restrictions ne s’appliquent qu’aux employés, non pour prévenir les abus. OpenAI avait affirmé dans son post de blog que la « surveillance de masse » n’était pas permise en vertu de la loi actuelle – mais le créateur fait remarquer : les lois changent ; un futur décret présidentiel pourrait la légaliser. Cela a provoqué des désinstallations massives de ChatGPT ; Claude est devenue par la suite l’application n° 1 aux États-Unis.

  Le créateur critique sévèrement Altman : non par malveillance, mais par bêtise – une méconnaissance massive de la réalité politique et de la nature prédatrice du régime actuel. Il souligne que les entreprises privées doivent avoir le droit de choisir les services qu’elles offrent – et que l’État ne doit pas forcer les entreprises technologiques à fournir une technologie qu’elles rejettent. Parallèlement, il comprend la préoccupation d’Altman concernant la survie d’Anthropic (argument écosystémique), mais considère la mise en œuvre comme « pathétique » et destructrice.

  À la fin : Anthropic négocie maintenant elle-même à nouveau avec le Pentagone – ce qui suggère qu’Altman pensait peut-être sincèrement permettre des accords similaires pour tous les fournisseurs. Le créateur reste mécontent et souligne que le ministère de la Défense n’est pas un acteur honnête.

  Remarque : OpenAI, Anthropic et Claude ont été traités ; Format : Opinion/Réflexion avec éléments de nouvelles.

• I can’t believe nobody’s done this before…
  4.3.2026, 09:46:32

  Résumé : OpenAI passe aux Websockets – Pourquoi c’est un changement massif

  OpenAI a basculé ses APIs d’appels REST à Websockets. Bien que cela puisse sembler trivial, cela apporte des gains d’efficacité massifs : 90+ pour cent moins de bande passante et 20–30% d’exécution plus rapide, particulièrement pour les workflows dirigés par des agents avec beaucoup d’appels d’outils.

  Le problème fondamental de l’architecture antérieure : Lorsqu’un agent IA appelle un outil (par exemple pour lire un répertoire), la génération s’arrête complètement. L’agent est « sans état » – il n’a aucune mémoire. Une fois le résultat de l’outil disponible, l’intégralité du contexte (prompt système, tous les messages précédents, tous les résultats des appels d’outils) doit être renvoyée à l’API pour que le modèle continue. Lors d’une longue exécution d’agent avec des centaines d’appels d’outils, cela signifie : L’historique de contexte complet est retransmis des dizaines de fois – souvent seulement pour quelques nouveaux tokens en sortie.

  Le système antérieur était sans état : Chaque requête frappe potentiellement un serveur API différent, qui doit tout vérifier à nouveau (authentification, mise en cache, permissions). Stocker un cache persistant centralement ne serait pas évolutif. Les Websockets résolvent cela élégamment : ils garantissent que toutes les requêtes lors d’une session frappent le même serveur API. Ce serveur peut maintenant conserver l’état – il sait qui tu es, ce qui s’est passé jusqu’à présent, quel cache GPU est déjà chargé. C’est pourquoi seul ce qui est nouveau doit être envoyé (le nouvel appel d’outil ou message), pas de nouveau le contexte entier. Cela réduit non seulement considérablement la bande passante et la latence, mais aussi le nombre de requêtes de base de données et d’opérations de mise en cache.

  OpenAI a également rendu l’API Response entièrement open-source (Standard Open Responses), inspirée par son API Responses – un standard transférable à Claude, Gemini et d’autres fournisseurs. La fonctionnalité Websocket n’est pas encore implémentée dedans, mais est attendue. L’orateur souligne : Ce n’est pas pertinent pour les applications de chat simples (où les suivi multiples rapides sont rarement nécessaires), mais transformateur pour les workflows lourds d’agents avec beaucoup d’appels d’outils.

  La vidéo est finalement un appel aux nerds parmi les développeurs : Nous sommes si tôt dans l’intégration de l’IA que nous pouvons repenser les questions d’architecture fondamentales – du réseau aux APIs à la gestion d’état. La deep tech et la pensée first-principles ne sont pas mortes, mais sont plus importantes que jamais maintenant.

  Explicitement traité : OpenAI, Claude/Anthropic, Gemini ; Format : Deep-Dive/Opinion avec profondeur technique (Public cible : Développeurs intéressés par l’architecture backend).

• I’m so f***ing tired of Obsidian.
  3.3.2026, 03:34:49

  Le créateur gère l’ensemble de sa chaîne YouTube via Notion – calendrier de contenu, sujets, recherche, tâches, parrainages et tout le reste y est géré. Suite à plusieurs pannes de Notion (problèmes de chargement, le système était hors ligne aujourd’hui), il a reçu massivement des commentaires le pressant de passer à Obsidian. Le créateur soutient que ces recommandations comprennent fondamentalement mal ce qu’il fait avec Notion.

  Sa configuration est hautement complexe : Un tableau Kanban avec des sujets, une vue calendrier, des bases de données liées pour les parrainages et un système d’automatisation qui assigne automatiquement les tâches à son éditeur et met à jour les champs lorsqu’il déplace les sujets entre les statuts (par exemple, de « à enregistrer » à « enregistré »). Six personnes travaillent simultanément dans la même base de données – la collaboration en temps réel véritable est essentielle. Notion permet un mélange de propriétés structurées (date de publication, propriétaire, canal) et de forme libre (notes, listes de tâches, captures d’écran intégrées, liens). Cette flexibilité est centrale pour la nature non structurée de la production de contenu. La vue calendrier se bascule trivialement – entre la date de publication, la date d’enregistrement, etc.

  Le problème fondamental avec Obsidian : Ce n’est pas vraiment open-source (malentendu très répandu – plus de 70% du public ne le savaient pas), et c’est fondamentalement non construit pour la collaboration d’équipe. Obsidian Sync fonctionne à peine entre le bureau et le mobile, et les configurations multi-utilisateurs nécessitent des commits Git et des terminaux – irréaliste pour une équipe avec des non-développeurs. Obsidian est conçu pour les utilisateurs individuels avec des notes personnelles, pas pour les flux de travail commerciaux. Le créateur critique la mentalité « Pourquoi ne pas simplement ? » : Les commentateurs ne connaissent pas la complexité cachée, ils voient simplement quelqu’un lutter et soupçonnent que la solution est triviale. Ils veulent se sentir moralement supérieurs en recommandant des outils open-source/locaux-d’abord, sans comprendre que le créateur équilibre consciemment entre flexibilité, contrôle et fonctionnalité d’équipe.

  Notion est coûteux (1.000 dollars/an) et fragile – l’architecture ressemble à un « château de cartes », avec des bizarreries UX étranges (le calendrier scroll infiniment vers le bas, mais se verrouille vers le haut). Le créateur a construit plusieurs applications personnalisées, pourrait le refaire – mais la flexibilité de Notion en vaut vraiment la peine ici. Il souligne : La valeur n’est pas dans les documents eux-mêmes, mais dans les relations entre eux – ce n’est pas trivialement codable dans des fichiers locaux, cela nécessite un produit avec l’infrastructure derrière. Des approches de construction d’alternatives ont été présentées par des tiers, mais l’équipe reste avec Notion car elle fonctionne. Finalement : S’il vous plaît, arrêtez de recommander Obsidian.

  Outils/Modèles explicites : Notion, Obsidian, Claude (mentionné brièvement : Claude Code pour le débogage), G2I (sponsor). Format : Opinion/Réflexion.

Tim Carambat

Aucune nouvelle vidéo au cours de cette période.

Apprentissage non supervisé

Aucune nouvelle vidéo au cours de cette période.

WorldofAI (7 nouvelles vidéos)

• Claude Code Just Got ANOTHER MASSIVE Upgrade with /Loop – Automate AI Coding!
  8.3.2026, 07:53:40

  Fonctionnalité Claude Code Loop – Tâches des agents automatisées

  Claude Code a reçu une nouvelle fonctionnalité Loop capable d’automatiser les tâches répétitives jusqu’à 3 jours. La fonction transforme Claude d’un outil utilisé manuellement en un agent 24/7 : on peut par exemple vérifier régulièrement les PRs fusionnées et générer automatiquement les journaux de modification.

  Fonctionnement : La commande /loop exécute les prompts à intervalles réguliers (syntaxe : par ex. /loop every 15 minutes). Sans spécification, la loop s’exécute par défaut toutes les 10 minutes. La fonction prend également en charge les commandes en langage naturel pour les rappels et peut réexécuter d’autres commandes de Claude Code. Jusqu’à 50 tâches par session sont possibles.

  Limitations : Les loops s’exécutent uniquement tant que l’instance de Claude Code est ouverte (basées sur la session), ne persistent pas après redémarrage et expirent après 3 jours. Cela empêche les loops oubliées de gaspiller des tokens.

  Cas d’usage pratiques : Surveillance des PR avec correction automatique des erreurs, résumés automatiques des posts Slack tagués ou mises à jour quotidiennes d’actualités IA. La fonctionnalité peut être combinée avec les Skills existants de Claude Code pour créer des workflows complètement autonomes.

  Comparaison avec Claude Code Desktop : Tandis que Loop est une solution légère basée sur session, l’application Claude Code Desktop avec ses tâches programmées locales offre une alternative plus persistante avec une meilleure interface utilisateur et une vraie persistance au-delà des redémarrages.

  Outils/Prestataires : Claude (Anthropic), Claude Code (créé par Boris), Mammoth AI (sponsor) ; Format : Tutoriel/démo avec commentaire d’opinion.

• Claude Code + NotebookLM = GOD MODE! Can Build and Automate EVERYTHING!
  7.3.2026, 10:05:31

  Résumé :

  La vidéo montre comment combiner Notebook LM (outil de recherche IA gratuit de Google) avec Claude Code pour créer un workflow développeur optimal. Après installation de Claude Code et du serveur MCP Notebook LM, vous authentifiez via Google et connectez les deux outils via la configuration MCP.

  Le workflow fonctionne ainsi : vous donnez à Notebook LM des documentations, des bases de code ou des références d’interface utilisateur, l’outil recherche et génère des résumés structurés – puis Claude Code utilise ces informations pour implémenter du vrai code fonctionnel. La vidéo montre deux exemples concrets : (1) Créer un Notebook sur les modèles Python Async qui collecte les sources pertinentes et les résume, puis Claude Code génère du code fonctionnel utilisant ces modèles. (2) Créer un Notebook sur les composants Shadcn UI qui identifie les derniers composants et extrait les bonnes pratiques – Claude Code l’utilise ensuite pour construire un tableau de bord CRM Next.js complet.

  De plus, Notebook LM peut aussi générer des vidéos explicatives (avec audio cinématographique), utile pour l’intégration d’équipe ou la documentation de projet. L’avantage : vous déléguez la recherche chronophage au modèle Gemini gratuit et économisez ainsi des tokens pour la génération de code. Les outils sont accessibles via CLI, extension VS Code ou application Desktop.

  Outils explicitement thématisés : Notebook LM, Claude Code (avec Anthropic/Opus mentionné), Gemini, Shadcn UI, Next.js — Format tutoriel/démo.

• Claude Code Just Got A MASSIVE Upgrade! New Agent Skills, Ultra Think, Voice Mode, & More!
  6.3.2026, 08:09:24

  Claude Code : nouvelles fonctionnalités et mises à jour

  Anthropic a équipé Claude Code, son agent de codage IA basé en terminal, de plusieurs mises à jour majeures. Les principales améliorations sont :

  Agent Skills et Skill Creator : Un Skill Creator repensé permet de tester les capacités des agents IA comme un logiciel sans écrire de code. Il utilise la génération d’évaluation intégrée avec benchmarking et tests multi-agents pour détecter les régressions et améliorer les descriptions des skills. Un exemple montre comment un skill PDF a été amélioré pour gérer correctement les formulaires non remplissables en extrayant les coordonnées de texte.

  Mode Ultra : De retour pour Opus 4.6 et Sonnet 4.6, étend le budget de raisonnement et permet une réflexion plus longue avant les réponses – particulièrement utile pour les tâches de code complexes, le débogage et les workflows multi-étapes.

  Remote Control : Nouveau pour tous les forfaits payants, permet le contrôle de Claude Code depuis smartphone – pour lancer des tâches, surveiller et gérer les builds en déplacement.

  Voice Mode : En déploiement pour environ 5% des utilisateurs, peut être activé via la commande /voice et transcrit les entrées vocales directement dans Claude Code.

  Autres fonctionnalités : Un nouveau skill API Claude détecte le langage de programmation et charge automatiquement la documentation pertinente. Un sous-agent « Claude Code Guide » répond aux questions sur la CLI, le SDK Agent et l’API Cloud. La commande /simplify analyse les modifications de code pour détecter les doublons et les problèmes de qualité de code et applique des corrections. Un nouveau plugin Slack connecte Claude Code directement à Slack pour la recherche de messages et la création de documents.

  Type vidéo et outils : Démo avec opinion, Claude (Opus, Sonnet, Haiku) et Claude Code explicitement thématisés.

• GPT-5.4 Is INSANE! OpenAI’s BEST Model Yet! 1 Million Context & Excels at Coding! (Fully Tested)
  5.3.2026, 07:17:00

  Accès anticipé à GPT 5.4 – Premiers tests et évaluations

  La vidéo couvre l’accès anticipé à un supposé checkpoint GPT-5.4 appelé « Galacopus », qui selon l’annonce pourrait être lancé officiellement cette semaine ou la semaine prochaine. Le créateur a testé le modèle sur diverses tâches.

  Fonctionnalités attendues du modèle : Une fenêtre de contexte de 1 million (en réponse à Gemini et Claude avec des capacités similaires), un nouveau « Extreme Reasoning Mode » avec puissance de calcul supplémentaire pour une réflexion plus profonde, performances améliorées sur les tâches longue durée, meilleure mémoire sur les workflows multi-étapes ainsi qu’un support solide pour les agents et l’automatisation.

  Capacités testées (développement frontend et créatif) : Le créateur a demandé au modèle de créer un clone macOS basé navigateur – le modèle a fourni des applications fonctionnelles. Pour un clone Minecraft, GPT 5.4 a généré du code jouable avec placement de blocs, génération de terrain et grottes ; après un re-prompt, des animations et des mécaniques de craft ont été ajoutées. Une interface outil de recadrage a été générée en un seul essai avec une interface utilisateur/expérience impressionnante.

  Points faibles : Sur une page d’accueil React SaaS complexe, Opus 4.5 s’est mieux comporté que GPT 5.4. Un problème notable : le modèle impose un style de conception visuelle cohérent à toutes les générations (par ex. sur l’explorateur VS Code et l’interface Step), tandis que les modèles concurrents comme Gemini 3.1 Flash restent plus flexibles. Le créateur loue la précision, l’absence de paresse et moins d’hallucinations comparé à Gemini.

  Générations 3D : Une pièce 3D avec des contrôles d’orbite fonctionnels a été créée avec succès, avec basculement jour/nuit et éclairage réaliste. Les tests externes (sur Twitter) montrent d’impressionnantes générations SVG comme un contrôleur PS5 et des villes générées de façon procédurale.

  Conclusion du créateur : Le modèle brille par la cohérence de sortie et la fiabilité en montée en charge, moins par le savoir brut – cependant avec la réserve du style interface utilisateur imposé, que le créateur espère voir changer avant le lancement officiel.

  La vidéo thématise OpenAI (GPT 5.4), Anthropic (Claude/Opus 4.5), Google (Gemini) et mentionne Mammoth AI comme sponsor pour l’unification API – Format : démo avec tests de benchmarks collectés.

• Gemini 3.1 Flash-Lite Is Google’s FASTEST & Cheapest Model Ever! Decent At Coding! (Fully Tested)
  4.3.2026, 08:31:35

  Google a lancé le modèle Gemini 3.1 Flash Light, un modèle rapide et économique de la série Gemini-3, spécialisé pour les charges de travail développeur à haut volume. Il coûte 0,025 $ pour 1 million de tokens d’entrée et 0,50 $ pour 1 million de tokens de sortie, s’exécute à 363 tokens par seconde et est 2,5x plus rapide que Gemini 2.5 Flash en temps jusqu’au premier token ainsi que 45% plus rapide en vitesse de sortie. Le modèle obtient 1 400 ELO sur le classement Arena, 86,9% sur GPQA et 76,8% sur MMLU Pro ; il dispose d’un « Thinking Level » ajustable pour contrôler la profondeur du raisonnement.

  La vidéo démontre le modèle sur plusieurs tests pratiques : en génération frontend, il a montré des résultats impressionnants avec des composants fonctionnels, des visualiseurs de produits 360 degrés et une meilleure qualité de sortie que Gemini 3.1 Pro dans certains domaines. Dans la CLI avec Kilo Code, il a créé un système d’exploitation ressemblant à macOS en 35 secondes de temps de génération pour 8 cents. Un jeu de course 3D avec animations de colline et mathématiques d’illusion 2D/3D fonctionnait bien ; le test du donut F1 Drift était cependant faible. Sur les tâches d’agents autonomes via l’extension VS Code Kilo-Code, le modèle a recherché et structuré les données dans des fichiers CSV, envoyé des emails et ne coûtait que 4 cents. Un clone Minecraft était fonctionnel mais rudimentaire. Pour du texte long (essai Seigneur des Anneaux), le modèle a montré une meilleure structure et fluidité que Gemini 3 Flash.

  Conclusion : Gemini 3.1 Flash Light est un modèle sous-estimé et rentable avec une très grande vitesse de tokens, particulièrement solide en développement frontend et débit élevé, qui dépasse ses attentes tarifaires — accessible via Google AI Studio, API, Open Router et Kilo Code.

  Google Gemini 3.1 Flash Light / Vidéo démo avec tests de codage pratiques.

• Gemini Super Agents: Supercharge AI Agents To Do Anything! (Opensource)
  3.3.2026, 03:48:24

  Résumé : Agent Super Gemini avec AirV pour une pleine conscience du contexte

  La vidéo montre comment construire un agent IA haute performance en lui fournissant un contexte complet sur plusieurs sources de données. Le problème central : les agents IA standards fonctionnent « en aveugle » et hallucinent car il leur manque le contexte actuel. La solution est AirV, une plateforme open source qui transforme les apps, bases de données et documents en couches de savoir consultables pour les agents.

  Configuration et mise en place :

  AirV s’exécute soit en auto-hébergé (local, privé) soit comme service géré (cloud). Après clonage du repository et commande de démarrage (cd air, commande de construction), vous connectez les sources de données en tant que « Collections » avec « Sources » – ce sont des connexions en direct aux apps comme GitHub, Notion, Linear, Slack et Postgres. Les données sont indexées par embedding et restent continuellement synchronisées.

  Intégration avec Gemini dans Anti-Gravity :

  AirV est intégré nativement dans l’IDE Anti-Gravity de Google (sans configuration SDK nécessaire). Vous l’activez via les paramètres MCP-Server, entrez la clé API et l’ID de collection, et l’agent a immédiatement accès à toutes les sources connectées. L’exemple montre : une question comme « Pourquoi le flux d’authentification a-t-il été changé la semaine dernière ? » ne peut pas être répondue sans AirV (l’agent n’a pas de contexte), avec AirV l’agent récupère automatiquement les discussions Slack pertinentes, les docs Notion et les commits GitHub et fournit une réponse complète et justifiée.

  Valeur pratique :

  Avec toutes les sources (repos de code, documentation, gestion des tâches, vraies discussions d’équipe), l’agent peut mener à bien des tâches multi-étapes comme l’analyse de code, la planification de projet ou l’implémentation de manière appropriée – au lieu d’halluciner. Les traces montrent quelles sources ont été récupérées.

  Outils explicitement mentionnés : Gemini 3 / Gemini Pro, AirV (open source), Anti-Gravity (IDE), MCP-Server ; autres apps intégrables : GitHub, Notion, Linear, Jira, Slack, Postgres, Cursor, VS Code. — Format : Tutoriel/démo avec configuration en direct.

• NEW Claude Code & OpenCode KILLER! This Just Fixed 90% of AI Coding! (Open Source)
  2.3.2026, 07:13:01

  CodeBuff : un agent de codage IA open source avec architecture multi-agents

  CodeBuff est un agent de codage IA open source (licence Apache-2.0) qui se distingue par une coordination multi-agents par rapport aux approches classiques. Au lieu de reposer sur un seul modèle, CodeBuff déploie des sous-agents spécialisés qui travaillent en parallèle et sont continuellement affinés par diverses évaluations. D’après les tests internes, CodeBuff est jusqu’à trois fois plus rapide que Claude Code et produit du code de meilleure qualité – dans un exemple de benchmark, Hot Code a pris 20 minutes pour une tâche, CodeBuff seulement 6:45 minutes, et la version Claude contenait encore un bug.

  Installation et configuration : CodeBuff s’installe via npm install et se lance avec la commande codebuff dans le terminal (connexion GitHub requise). L’outil offre une interface utilisateur en terminal interactive avec support souris. Vous pouvez initialiser un fichier Knowledge.md pour donner à l’agent du contexte de projet, ainsi que configurer les serveurs MCP et les skills personnalisés.

  Modes et tarification : Il existe quatre modes de fonctionnement – Free Tier (Minimax M2.5), Default (Opus 4.6 avec review de code), Max (Opus 4.6 avec éditeurs multi-prompts parallèles, écrit plusieurs solutions et choisit la meilleure) et Plan Mode (pour les tâches de planification et d’implémentation). Les modèles de paiement proposent différents contingents mensuels de tokens : forfait $100 = 1x, $200 = 3x, $500 = 8x utilisation.

  Démo : L’agent a planifié et construit un tableau de bord de surveillance d’agent IA en environ 12 minutes (mode Max). Plusieurs sous-agents travaillent en parallèle sur backend, frontend et différentes fonctionnalités ; chaque instance d’agent est visible avec des diffs et des résumés de review de code. Le système propose initialisation de l’espace de travail, pauses/démarrages d’agents, visualisation de topologie Neural Mesh et historiques d’exécution.

  CodeBuff démontre ainsi non seulement de la vitesse mais un nouveau modèle conceptuel : une équipe d’agents IA spécialisés au lieu d’un seul modèle universel – expérience développeur fluide avec niveau de base gratuit.

  CodeBuff (Opus 4.6), démo.

Zubair Trabzada | AI Workshop (2 nouvelles vidéos)

• STOP Building AI Agents. Do THIS Instead.
  5.3.2026, 13:24:45

  Résumé : Skills au lieu d’Agents – L’avenir de l’IA

  La thèse centrale : Anthropic met en garde contre la tendance excessive des agents IA et positionne plutôt les « Skills » comme le véritable modèle d’avenir. La raison : les agents sont intelligents, certes, mais généralistes – il leur manque l’expertise spécialisée pour des tâches concrètes.

  Le problème avec les agents classiques : Un agent brillant peut certes résoudre des problèmes complexes, mais il ne sait pas comment fonctionne ton entreprise, ne connaît pas tes workflows et ne se souvient pas de ce qui a marché la dernière fois. La solution actuelle – construire un agent distinct pour chaque tâche – n’est pas scalable.

  Que sont les Skills : Au cœur, les Skills sont des fichiers Markdown avec des instructions qui enseignent à Claude une expertise de domaine – comme un manuel pour les nouveaux employés. Une Skill peut être un simple fichier de 5 minutes (par ex. « Voici comment nous écrivons des articles de blog ») ou couvrir des workflows complexes avec des scripts Python et des templates. L’avantage décisif : les Skills sont « progressively disclosed » – Claude ne charge pas toutes les Skills en même temps, mais récupère uniquement l’instruction pertinente quand elle est nécessaire. Ainsi, des centaines ou des milliers de Skills peuvent être disponibles sans surcharger le contexte.

  Qui peut créer des Skills : Contrairement aux solutions précédentes, tu n’as besoin d’aucune connaissance en développement. Un recruteur peut écrire une Skill qui enseigne le processus de recrutement à Claude, un financier optimise la création de rapports, un avocat entraîne Claude à l’analyse de contrats.

  Projet pratique – Audit GEO avec Claude Code : L’opérateur de chaîne démontre un système d’audit GEO (Generative Engine Optimization) composé de 12 Skills différentes. Après la commande, Claude Code exécute en parallèle plusieurs sous-agents (comme des sous-traitants sur un chantier) pour un site web cible (calendly.com). Le système génère un rapport complet avec un résumé exécutif, une répartition des scores pour différentes plateformes IA (ChatGPT, Perplexity, Gemini), des constatations clés et un plan d’action priorisé. Des Skills individuelles peuvent également être invoquées isolément (par ex. uniquement l’analyse de citabilité). Claude Code identifie automatiquement quelle instruction Skill est pertinente, même pour des demandes en texte libre.

  L’insight central : Les Skills transforment l’IA d’une intelligence universelle en expertise organisée – comparable à la bibliothèque spécialisée d’un expert qui ne consulte que l’ouvrage de référence dont il a besoin à l’instant. Les serveurs MCP (connexions de données externes) sont les « mains », les Skills sont l’« expérience ».

  Claude Anthropic, démo pratique avec exemples de code et cas d’usage ; l’opinion/réflexion vient clairement d’Anthropic – Démo.

• I Built An Entire AI Marketing Team With Claude Code In 16 Minutes
  3.3.2026, 13:35:48

  La vidéo présente un outil marketing IA gratuit construit sur la base de Claude Code qui automatise les fonctions des agences marketing. L’outil se compose de 15 commandes différentes (Skills) qui analysent les sites web, effectuent des audits SEO, analysent les concurrents, génèrent des séquences d’email et créent des rapports PDF professionnels.

  Fonctionnalité principale :

  La commande principale /market audit exécute cinq sous-agents en parallèle qui effectuent simultanément l’analyse de contenu, l’optimisation de conversion, l’évaluation SEO, la recherche concurrentielle et le développement de stratégie. Le système analyse automatiquement le type d’activité du site web, crée une note globale (par ex. 64/100) et fournit un rapport structuré avec des erreurs critiques, des constatations par priorité et des plans d’action.

  Installation :

  Visual Studio Code doit être téléchargé et l’extension Cloud Code installée. Ensuite, une commande d’installation du référentiel GitHub est copiée et collée dans le terminal – après quoi les 15 Skills sont immédiatement disponibles. L’outil génère automatiquement aussi des rapports PDF de haute qualité (pas seulement une sortie texte).

  Modèle économique :

  Le présentateur montre avec l’exemple d’un med-spa comment envoyer ces rapports gratuits aux entreprises locales pour acquérir des clients. Les rapports contiennent des erreurs concrètes et priorisées (par ex. incohérences de prix, métadonnées manquantes) compréhensibles pour les propriétaires d’entreprises et peuvent mener à la vente de services en contrats mensuels (2 000-5 000 dollars). Des Skills individuelles comme /market competitors peuvent aussi être utilisées isolément.

  Autres Skills :

  L’outil contient en plus de l’audit des commandes dédiées pour l’analyse concurrentielle, l’analyse de funnel et d’autres fonctions marketing, toutes basées sur des fichiers Markdown (skill.md) qui donnent à Claude des instructions spécifiques.

  Claude Code via GitHub (Skills basées sur Markdown, aucune connaissance en codage requise) — Démo/Tutoriel.

---

Généré automatiquement à partir des dernières vidéos YouTube de la sélection de chaînes curées. Pour toute remarque, suggestion ou pour vous désabonner : répondez simplement à cet email.