Les agents Claude prennent le contrôle du navigateur, du terminal et du smartphone (2026-03-22)

Anthropic construit son infrastructure d’agents vers une plateforme complète – Claude Code, Cowork, Channels et Dispatch en synergie

Dimanche, 22 mars 2026

Bonjour, ce digest hebdomadaire analyse les vidéos les plus importantes d’environ 45 chaînes YouTube curées d’IA et de Coding — avec de la substance, pas du superficiel top-5. Un résumé complet par vidéo, plus un aperçu hebdomadaire des thèmes dominants. Lisez tranquille — ou copiez un résumé dans l’LLM de votre choix et approfondissez. Cliquez sur le lien sous chaque résumé pour voir la vidéo originale.

Lancements de modèles et benchmarks

L’architecture des sous-agents est devenue cette semaine un signal au niveau de l’industrie : OpenAI a publié GPT-4.1 Mini et Nano avec la note explicite qu’ils sont conçus pour un déploiement en sous-agents – Cole Medin a montré que Nano à 188 tokens/seconde est environ cinq fois moins cher que Claude Haiku 4.5 et obtient de meilleurs résultats sur LiveBench. Cursor a présenté Composer 2.0 (0,50 dollar par million de tokens en entrée, selon le propre benchmark de Cursor à 70 pour cent des performances maximales) ainsi que l’interface IDE révisée Cursor Glace avec plusieurs terminaux parallèles. Minimax M2.7 de Chine était la deuxième grande version : 56 pour cent sur SWE-bench Pro, jusqu’à 50 fois moins cher qu’Opus 4.6, développé via plus de 100 itérations d’entraînement autonomes – WorldofAI a testé les démos frontend, où M2.7 a parfois surpassé Opus 4.6 sur les animations. Moonshot AI (Kimi) a aussi publié Attention Residuals, une modification des Residual-Connections inchangées depuis 2015 dans les architectures Transformer : les couches choisissent sélectivement les sorties des couches antérieures, au lieu de les pondérer toutes également – à 48 milliards de paramètres, les métriques de raisonnement ont bondi de plusieurs points, avec moins de quatre pour cent de surcharge d’entraînement.

IA locale et open-source

NeuralNine a présenté la Dell Pro Max avec GB10 – le chip Grace-Blackwell de NVIDIA sur le bureau, 128 Go de mémoire partagée, un Petaflop FP4, s’exécute avec DGXOS et permet l’inférence avec jusqu’à 200 milliards de paramètres sans frais API. NVIDIA a aussi annoncé lors de la GTC 2026 NemoClaw, une architecture d’enveloppe Enterprise autour d’OpenClaw avec moteurs de politique intégrés et routeur de confidentialité, ainsi que les modèles Nemotron-3 et Nemotron-3-Ultra. Alex Finn a rapporté de sa DGX Spark, où il entraîne ses propres modèles sur des transcriptions YouTube, et prévoit à moyen terme de remplacer les API cloud par des modèles locaux comme Qwen.

Claude Code et outillage Anthropic

Les tutoriels pratiques sur Claude Code dominent numériquement toute la semaine. Leon van Zyl a démontré comment la fenêtre de contexte étendue à un million de tokens est concrètement utilisable : charger complètement les documents de spécifications produit, planifier les vagues, laisser des équipes d’agents s’implémenter en parallèle – les outils comme Autoforge permettent beaucoup plus de fonctionnalités par session. Cole Medin a distillé plus de 2000 heures de pratique dans le framework WHISK : mémoire externalisée via Git commits, sous-agents pour la recherche (Scout-Pattern), chargement de contexte à quatre couches et compression seulement en dernier recours. Matt Pocock a montré lors d’un vrai build de fonctionnalité comment cinq compétences utilisées quotidiennement – Grill Me, Write a PRD, PRD to Issues, TDD, Architecture Improvement – forcent l’agent dans un processus défini, au lieu de le laisser itérer librement. Melvynx a identifié cinq erreurs d’entreprise : configuration claude.md manquante, permissions insuffisantes, pas de workflows de compétences standardisés, développeurs travaillant eux-mêmes comme des agents au lieu de surveiller plusieurs, et révisions de code manuelles trop lentes. Mark Kashef a montré trois fonctionnalités de surcharge de contexte – /by-the-way, /fork et le nouveau context fork dans les fichiers de compétences – en direct sur un scénario de consultation avec recherche de Vault Obsidian. Julian Ivanov a présenté dix compétences concrètes, dont Remotion pour la vidéo MP4 rendue, Context7 pour la documentation API actuelle sans hallucinations et le Feature Death Plugin pour le développement de fonctionnalités structuré en sept phases.

Agents de codage (non-Claude)

Melvynx a fourni la comparaison la plus précise des trois outils principaux : à 20 dollars par mois, Codex gagne avec GPT-4.1 grâce aux coûts de tokens moins élevés ; à 200 dollars, Claude Code domine par subvention massive (jusqu’à 5000 dollars de valeur API selon un tweet cité) ; pour les entreprises, Cursor reste la recommandation, si payé par l’employeur. Le modèle sous-jacent a un impact plus fort sur la qualité de sortie que les différences d’outils eux-mêmes. DevExpert a démontré comment Codex (avec Claude Code comme alternative) a mis à jour complètement un projet de formation Android avec 47 commits historiques en moins d’une heure – une tâche qui aurait autrement exigé des jours de travail manuel. Theo a observé que le modèle IDE classique ne convient plus au travail parallèle des agents sur des dizaines de projets et expérimente avec T3 Code comme approche d’orchestration multi-projets.

Système d’exploitation IA personnel et frameworks d’agents

OpenClaw était présent dans de nombreuses vidéos, mais a perdu du terrain conceptuellement. Alex Finn a construit son propre laboratoire de recherche IA avec OpenClaw et l’agent Hermes ainsi que le framework Auto-Research d’Andrej Karpathy – trois expériences parallèles s’exécutent de façon autonome, un R&D Council de cinq agents débat les fonctionnalités deux fois par jour. Son tutoriel sur OpenClaw Mission Control montre un tableau Kanban, un flux d’activités, un pipeline de contenu et un CRM de vie comme système global. Melvynx a expliqué dans un tutoriel pour débutants la configuration VPS complète avec OpenClaw incluant Gmail/Google Calendar via OAuth2. Dave Ebbelaar a plaidé contre le clonage de dépôts terminés et a montré à la place une architecture auto-construite : FastAPI, Celery, Redis Queue, Caddy comme proxy inverse, chargement de contexte à trois couches et SDK Claude Code pour l’exécution d’agents appelée Data Lumina OS. Simone Rizzo a expliqué les mécanismes de mémoire comparativement : OpenClaw utilise les logs Markdown quotidiens plus Memory.md avec vidage de mémoire automatique avant compression ; les agents de codage combinent les outils de fichiers avec SQLite ; les modèles de langage récursifs (MIT) gèrent les longs contextes comme variables Python au lieu de tokens. Andrej Karpathy a décrit dans le podcast No-Priors son système auto-développé « Dobby », qui inverse l’ingénierie les APIs domotiques de façon autodidacte et est contrôlé via WhatsApp – et a formulé la vision des organisations de recherche comme des fichiers MD de programme concurrents.

Automatisation IA et workflows

Nate Herk a argumenté que les connaissances n8n ne deviennent pas obsolètes, mais deviennent la base des workflows agentic : Claude et trigger.dev permettent les automatisations via langage naturel au lieu du câblage de nœuds manuel, mais celui qui comprend les flux de données et la gestion des erreurs peut contrôler sensiblement ces systèmes. Il a démontré un agent LinkedIn Content avec génération automatique d’infographie via Nano Banana Pro. Nate Herk a également montré un workflow de médias sociaux entièrement automatique : Claude Code extrait le contenu vidéo YouTube, écrit des textes spécifiques à la plateforme pour neuf canaux et génère des ressources visuelles pour Instagram Carousel et X, publie via Blot. AI avec Arnie a présenté le framework Auto-Research d’Andrew Carbaffi : un système IA teste autonomement les variations, mesure les améliorations et valide seulement les changements fonctionnels par Git – dans une démo en direct, une compétence de documentation OpenCloud a grimpé de 60/100 à 98/100. Zubair Trabzada a démontré trois MCPs pour Claude Desktop (Canva, Zapier avec 8000 apps, Stripe) ainsi que Claude Dispatch pour les workflows contrôlés localement par smartphone.

Vidéo IA et création de contenu

Nick Saraev a montré comment Claude Code, Kling 3.0 (via Higgsfield) et Netlify produisent ensemble des sites web à scroll 3D avec héros-en-têtes animés pour deux à trois dollars de coûts en tokens – des projets qui auraient autrement coûté 5000 à 10.000 dollars. Nate Herk a construit un workflow de contenu automatisé à neuf plateformes, où Claude Code génère des miniatures et formate les carousels Instagram. Google Stitch a été discuté plusieurs fois : la plateforme mise à jour avec Infinity Canvas, Voice-Vibe-Design via Gemini Live, Instant Prototypes et design-system-markdown exportable a reçu des réactions globalement fortes de Fireship, WorldofAI et Everlast AI. Google AI Studio Build Mode a été présenté par WorldofAI comme une plateforme full-stack complète avec backend Firebase, support multiplayer et collaboration en temps réel – accessible gratuitement.

Entreprise IA, marketing et freelance

Liam Ottley a documenté une session d’atelier de huit heures au Cap : six fondateurs de différentes branches ont mis en place un système d’exploitation IA basé sur Claude Code et ont atteint des résultats concrets – analyses de concurrents automatisées, rapports financiers, intégration Zoho pour les requêtes de factures impayées. La thèse centrale : Claude Code n’est pas un outil de programmation, mais un wrapper universel autour des modèles d’affaires existants, permettant aux fondateurs de récupérer 80 pour cent du temps opérationnel. Ben AI a montré Claude Cowork pour l’automatisation des ventes : une compétence Prospect-Miner explore les leads CRM perdus, scrape les profils LinkedIn via Appify et hiérarchise selon l’ICP ; une compétence Win-Loss-Analysis évalue les transcriptions et les données CRM. Nick Saraev a publié un cours complet sur les emails froids avec sept principes psychologiques et le framework de copywriting quatre étapes (personnalisation, Qui-suis-je, Offre, CTA) – sans outils IA spécifiques, mais comme base stratégique pour l’outreach soutenue par l’IA.

PKM et gestion des connaissances

Mark Kashef a montré comment Claude Code construit via la CLI d’Obsidian une structure Vault sur mesure avec slash-commands intégrés et accède ensuite de façon persistante à toutes les données du projet – avec Gemini pour la synthèse PDF de grands documents. Julian Ivanov a présenté un plugin Obsidian pour Claude qui relie et résume les notes et transforme Claude en assistant personnel avec mémoire. Sebastian Dubois a présenté le plugin TaskNotes : les tâches comme notes Obsidian liées avec workflows de statut, vues Kanban via Obsidian Bases et intégration Google Calendar pour le time-blocking – tout en tant que texte consultable sans format propriétaire.

Prompting et littératie IA

Kyle Balmer a structuré un arbre de compétences IA à sept niveaux de « Beyond Google » (l’IA comme partenaire de pensée au lieu de moteur de recherche) à « AI Operator » (modèles locaux, fine-tuning, frameworks personnels) et a recommandé Google AI Studio Build Mode comme point d’entrée sans friction pour les débutants absolus. Alejandro AO a expliqué systématiquement le cycle de vie des compétences : quatre dimensions de succès (Résultat, Processus, Style, Efficacité), validation manuelle avec prompts de contrôle explicites, implicites et négatifs, et LLM-as-Judge pour les tests automatisés. Kyle Balmer a aussi observé une croissante scission d’utilisateurs : celui qui investit dans de meilleurs plans expérimente Claude comme outil indispensable ; celui qui reste sur les anciennes versions gratuites reste désabusé – un cycle qui s’auto-renforce.

Industrie IA et stratégie

L’analyse de Perplexity Computer par Nate B. Jones (19 modèles, 200 dollars/mois, couche d’orchestration) a mené à une cartographie du marché middleware entier : les fournisseurs de modèles construisent des produits concurrents, les Hyperscalers se sécurisent la distribution exclusive (AWS pour OpenAI Frontier, Microsoft avec 20 pour cent de revenue-share jusqu’à 2032), et celui qui n’est pas Anthropic, OpenAI, Google, Meta ou un Cloud-Provider doit immédiatement trouver l’une des quatre positions viables – contexte propriétaire, infrastructure d’agents, profondeur de workflow ou trust-and-verification. La présentation de Leonard Schmeddings chez Everlast AI a décrit l’« Apocalypse SaaS » : le plugin Legal de Claude Code aurait provoqué selon Schmedding un crash boursier de près de 300 milliards de dollars chez les entreprises legaltech ; la thèse centrale est que les agents sans stockage de connaissances IA structuré sont aveugles et chaque optimisation rate la cible. Datapizza a rapporté qu’Anthropic a déposé deux recours constitutionnels contre le Pentagone (1er et 5e Amendements) ainsi que fondé son propre institut de recherche sur les impacts sociaux, économiques et juridiques de l’IA. Yann LeCun a annoncé AMI Labs – 890 millions d’euros de financement, Paris, focus sur les World Models au lieu des LLMs, premier partenaire Nabla dans le secteur de la santé.

IA et société / Futur du travail

Nate B. Jones a étayé avec des données Forrester (55 pour cent des employeurs regrettent les licenciements dus à l’IA) et des données d’étude Harvard que les postes senior augmentent, car ils détiennent la mémoire organisationnelle – et a décrit la conception d’évaluation comme l’activité de plus haut levier pour les professionnels à l’ère des agents. Une étude du Mount Sinai sur ChatGPT Santé a identifié quatre modèles d’erreur généralisables pour les agents IA : courbe en U inversée (défaillance aux extrêmes de la distribution), découplage raisonnement-sortie, détournement de contexte social et guardrails réagissant aux motifs superficiels au lieu d’une vraie taxonomie des risques. Le futurologue Sven Gabor Janszki prédit pour 2035 une Botonomie (80 pour cent des transactions économiques entre agents IA), des humanoïdes commercialisables et des ICBs ainsi que des percées Longévité – et considère un revenu de base universel coordonné mondialement comme la réponse politique la plus probable. David Shapiro a décrit le changement psychologique d’« acceptation intellectuelle » vers un malaise plus sombre et a annoncé l’achèvement de son livre de 180.000 mots sur l’économie post-travail. Le chef IA de Microsoft Mustafa Suleiman a prédit dans une interview très remarquée l’automatisation largement complète des jobs white-collar en 18 mois ; TheAIGRID a contrasté cela avec les données Gartner montrant des impacts de jobs neutres jusqu’en 2026 et plus de postes créés que supprimés à partir de 2028 – avec 32 millions de jobs transformés par an entre les deux.

Brèves notes

Fireship a traité Ageless Linux, un script Bash qui contourne techniquement la loi californienne de vérification d’âge AB-1043 à venir et est positionnée comme un projet de désobéissance civile. Simone Rizzo a spéculé philosophiquement sur deux percées de recherche : le cerveau de mouche des fruits entièrement cartographié en simulation (Ion System) et des fermes de neurones biologiques sur chips (Cortecalabs, démontrées avec Doom). TheAIGRID a expliqué la vision Terafab d’Elon Musk : une usine de chips à Austin plus infrastructure spatiale via SpaceX et robots Optimus avec l’objectif d’un Térawatt de calcul IA. DLSS 5 de Nvidia génère avec un modèle de rendu neuronal des matériaux et une éclairage plus réalistes dans les jeux, mais modifie aussi les traits du visage – ce qui a conduit à une controverse sur le contrôle artistique. NeuralNine a montré un agent IA avec API scraper Bright-Data et LangChain/GPT-4o Mini. Kyle Balmer a rapporté le cas de Paul Ingham, qui avec ChatGPT et AlphaFold a développé un vaccin anticancéreux mRNA personnalisé pour son chien, qui a réduit de moitié la tumeur. Tech With Tim a publié des tutoriels sur les performances PostgreSQL avec TimescaleDB ainsi que des stratégies d’entrevues techniques avec AlgoExpert. Theo a discuté le différend de fork entre Vercel (Just Bash) et Cloudflare ainsi que Vit Plus en phase alpha incluant critique du passe-partout Bun et du comportement de remplacement de script.

AI Explained

Aucune nouvelle vidéo au cours de cette période.

AI Foundations

Aucune nouvelle vidéo au cours de cette période.

AI mit Arnie (1 nouvelle vidéo)

• L’IA auto-améliorante est là !
  17.3.2026, 14:27:05

  Résumé : L’IA auto-améliorante est là !

  Le créateur vidéo présente un projet open-source d’Andrew Carbaffi qui permet aux systèmes d’IA d’expérimenter de façon autonome, de tester des modifications et d’implémenter automatiquement uniquement les améliorations fonctionnelles. Le projet appelé « Auto Research » a d’abord été lancé sur « Nanochat » de Carbaffi (un projet de formation en IA) : en deux jours, l’IA a réalisé 700 expériences, en a mis en œuvre 20 et a amélioré le projet de 11%.

  Le concept fondamental fonctionne comme une expérience scientifique : un agent reçoit une configuration, la modifie de manière autonome, effectue un entraînement court, mesure les améliorations et conserve uniquement les changements fonctionnels. L’avantage : le principe ne s’applique pas seulement aux modèles de langage, mais à tout ce qui dispose d’une baseline mesurable – Skills dans Claude Code, Workflows, campagnes marketing, templates d’email, titres YouTube, prompts.

  Le créateur vidéo montre cinq exemples d’application concrets :

  1. Cloud Code Skill (documentation OpenCloud) : amélioration de 80% à 90% de précision grâce à un correctif URL après 23 tests
  2. Skill de trading Bitcoin dans OpenCore : expériences avec stratégie de momentum (baseline 53% de taux de gain) – le concept a fonctionné, mais peu d’avantage pratique dû aux écarts
  3. Générateur de titres YouTube : Skill optimisé pour le hook, la lisibilité, la clarté émotionnelle, la curiosité, la clarté du sujet et l’adéquation au public ; la meilleure version est directement utilisable
  4. Génération d’images Confui : génération accélérée d’environ 50 à environ 46 secondes grâce aux ajustements de configuration
  5. System Prompt d’un agent n8n : amélioration de l’utilisation des outils par optimisation du prompt

  La mise en œuvre pratique est démontrée : on clone le projet depuis GitHub, crée ou charge un Skill, puis lance Claude Code avec le flag --dangerously-skip-permissions en mode Plan. Claude Code génère un plan d’amélioration, et l’IA s’exécute ensuite de manière autonome pendant des heures/jours, teste des variations et valide les versions améliorées via Git.

  C’est encore plus simple via OpenCore : on donne simplement au système le lien GitHub et on dit quel Skill améliorer ; OpenCore fait le reste.

  Dans l’exemple de démonstration en direct avec le Skill de documentation OpenCloud, la baseline passe de 60/100 à 98/100 (+ 38 points) grâce à deux améliorations trouvées automatiquement : les alias de mots-clés et les renvois croisés sur plusieurs pages.

  OpenCore et Claude Code en tant qu’outils explicitement nommés ; format news/démo.

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

• Your AI Agent Fails 97.5% of Real Work. The Fix Isn’t Coding.
  21.3.2026, 15:00:03

  Your AI Agent Fails 97.5% of Real Work. The Fix Isn’t Coding.

  Le problème central du déploiement d’agents IA n’est pas un manque de compétence technique, mais l’absence de contexte organisationnel et de mémoire. Alors que les modèles IA s’améliorent constamment sur les tâches isolées, ils échouent sur le travail contextuel à long terme : une étude de Scale AI sur 240 vrais projets Upwork a révélé un taux d’erreur de 97,5 % – le meilleur agent ne complétait que 2,5 % des projets à un niveau acceptable. En contraste, le benchmark GDP d’OpenAI classe des modèles similaires comme experts, car tout le contexte y est fourni. Un exemple extrême : un agent IA a détruit une base de données de production contenant 1,9 million d’enregistrements parce qu’il ne savait pas que l’infrastructure était active – techniquement, chaque action était logiquement correcte, mais l’agent manquait du savoir organisationnel pour comprendre le monde dans lequel il opérait.

  Une autre étude (SUCCI d’Alibaba) sur la maintenance logicielle dans le temps a montré que 75 % des modèles testés endommageaient des fonctionnalités déjà opérationnelles pendant la maintenance. L’IA écrit bien du code, mais ne peut pas l’entretenir sur des mois. L’étude Harvard sur 62 millions de travailleurs américains suggère que les postes juniors baissent (–8 % relatif), mais les postes seniors augmentent – non pas parce que l’IA peut remplacer les seniors, mais parce que les seniors détiennent la mémoire organisationnelle que les machines n’ont pas.

  La solution ne réside pas dans de meilleurs prompts ou des fenêtres de contexte plus larges, mais dans la gouvernance humaine du contexte et les évaluations (Evals). Un bon eval aurait empêché le désastre d’Alex – par exemple via la règle « avant de supprimer l’infrastructure, vérifier que la ressource n’est pas marquée comme Production ». La plupart des organisations n’écrivent pas d’evals ou les délèguent à des collaborateurs juniors qui ne comprennent pas le contexte organisationnel. À la place, les professionnels seniors avec expertise spécialisée doivent écrire les evals – ce n’est pas du travail de routine, c’est l’activité à plus haut levier pour mettre à l’échelle le jugement critique sur tous les déploiements d’agents.

  Le pattern ne se limite pas à l’ingénierie : une équipe légale confie à un agent une tâche d’audit de contrat, mais l’agent ignore les accords informels avec les fournisseurs conclus lors de réunions il y a trois ans et demi. Un agent marketing ne connaît pas la crise de marque interne qui devrait complètement changer le ton. Un agent finance ne sait pas quels chiffres techniquement corrects sont politiquement toxiques en conseil d’administration. Dans chaque cas, la correction technique sans contexte organisationnel crée du dommage au lieu de valeur.

  L’avenir appartient aux entreprises qui traitent la conception d’eval comme une compétence centrale des seniors – pas comme une corvée ou une étape préalable aux licenciements. Les PDG qui ont fait du nettoyage des talents IA le regrettent : les données Forester montrent que 55 % des employeurs regrettent leurs licenciements motivés par l’IA, et la prédiction de Gartner est que la moitié des entreprises devra embaucher à nouveau ces fonctions d’ici 2027. Le rôle humain dans un monde basé sur les agents est la « gouvernance contextuelle » – préserver les modèles mentaux du système, représenter le savoir organisationnel pour que les machines puissent l’utiliser, et juger si des outputs techniquement corrects sont organisationnellement incorrects. Ceci n’est pas une compétence technique, mais une capacité de pensée systémique et de documentation des décisions (non seulement les résultats, mais le pourquoi).

  L’asymétrie centrale : les agents IA s’améliorent rapidement dans l’exécution de tâches, mais leur aveuglement au contexte organisationnel croît avec leur puissance – plus un agent devient puissant sans comprendre que quelque chose est de l’infrastructure de production, plus il peut être destructeur. Un outil médiocre qui échoue bruyamment est agaçant. Un outil puissant qui échoue silencieusement est dangereux.

  Outils/fournisseurs thématisés : Claude, OpenAI (benchmark GDP, système Frontier avec AWS), 11 Labs (assurance IA), Cursor (déploiements multi-semaines). Format : Opinion/Deep-dive avec étude de cas et données de recherche.

• Anthropic Just Gave Your AI Agent the One Thing OpenClaw Has. Without the Risk.
  20.3.2026, 14:01:36

  Anthropic a fourni le composant manquant pour les agents autonomes avec la fonction /loop dans Claude Code – une fonctionnalité qui mérite une attention particulière car elle offre, combinée avec la mémoire et les outils, une parité avec les fonctionnalités de type OpenClaw, sans en porter les risques de sécurité.

  Le cœur d’une architecture d’agents fonctionnelle repose sur trois composants indispensables : la Mémoire (stockage persistant de données, par exemple via OpenBrain – une base de données SQL derrière un serveur MCP), la Proactivité (la capacité à agir indépendamment de l’input utilisateur, ce que /loop permet) et les Outils (accès API, génération d’artifacts, déclenchement de workflows). Sans les trois, l’agent n’est qu’un chatbot réactif ; avec eux, il devient un système de travail.

  Les applications pratiques vont du personnel (vérifications quotidiennes d’énergie avec reconnaissance de motifs sur plusieurs semaines, briefings de réseautage automatiques avant événements sous forme vidéo) au commercial (gestion de pipeline commerciale avec dépistage de leads proactif, optimisation du calendrier de contenu). L’avantage décisif réside dans l’accumulation entre cycles : un agent qui se souvient itérativement et réagit aux tentatives précédentes peut reconnaître des motifs intelligents au lieu de ne fournir que des snapshots – comme le montre le projet AutoResearch d’André Karpathy qui exécute cent expériences pendant la nuit.

  Comparée à OpenClaw, cette stack (Anthropic /loop + OpenBrain/Database + Outils standard) offre des capacités d’agents similaires sans le chaos des failles de sécurité, de l’exposition réseau et de la vulnérabilité d’extension. Différences importantes : /loop ne s’exécute que pendant une session active (pas de disponibilité Always-On), il n’y a pas de signal de complétion natif, et le plafond de compétence reste réel en raison de la dépendance à Claude Code/Terminal. Néanmoins : pour les utilisateurs sans OpenClaw, cela offre un point d’entrée pratique – sans téléchargement, sans framework spécialisé, juste les fonctionnalités natives d’Anthropic.

  Le créateur vidéo appelle également à la participation de la communauté : OpenBrain est un projet communautaire et il ouvre un espace partagé pour échanger des cas d’usage et des recettes.

  Format & Contexte : Claude / Anthropic (feature Loop, Claude Code, serveur MCP) / Opinion & Deep-dive avec exemples d’application

• Perplexity Computer Is Incredible. It Won’t Matter. Here’s Why.
  19.3.2026, 14:50:29

  Résumé : Perplexity Computer Is Incredible. It Won’t Matter. Here’s Why.

  L’orateur analyse la nouvelle ligne de produits agentic de Perplexity, « Computer », comme symptomatique d’un problème structurel de l’industrie de l’IA : les entreprises middleware se trouvent dans une position fragile entre les fournisseurs de modèles (qui concurrencent par le bas) et les hyperscalers (qui concurrencent par le haut).

  Sur Perplexity Computer lui-même : Le système est un agent cloud qui orchestre 19 modèles IA – dont Claude Opus 4.6 comme cœur de raisonnement, Gemini pour la recherche, Grok pour la vitesse, ChatGPT 5.2 pour le contexte long. Il coûte 200 dollars/mois, fonctionne de manière asynchrone sur des semaines/mois, engendre des sous-agents, persiste le contexte et intègre plus de 400 outils. Cas d’usage forts : intelligence concurrentielle, analyse financière, automation outbound, réutilisation de contenu, construction d’assets. Adapté aux power users et aux cadres avec workflow orienté recherche ; pas pour les applications purement de codage ou conversationnelles. La démo a été annulée en raison de bugs – les problèmes de fiabilité à ce niveau d’autonomie ne sont pas encore résolus.

  Le problème structurel : Bien que Perplexity soit bien exécuté, la couche d’orchestration (où ils se situent) est la couche exposée dans la pile. Chaque fournisseur de modèles auquel ils se fient (Claude, Gemini, OpenAI, Grok) construit simultanément des produits concurrents comme Claude Co-work, Gemini Agents, Frontier. Ils peuvent changer la tarification/l’accès, bannir les utilisateurs ou simplement intégrer la fonctionnalité de Perplexity dans leur modèle. Perplexity n’a pas de fossé défensif pour cette position.

  Février 2026 comme point de basculement : En 6 semaines, l’industrie s’est stratifiée en couches : Fournisseurs de modèles (propriétaires des poids), Orchestration/Apps (combinent des modèles), Distribution-Owner (contrôlent l’interface utilisateur). OpenAI lance Frontier (plateforme de contexte entreprise avec Forward-Deployed Engineers et connecteurs pour CRM/Data Warehouses). Anthropic expédie Co-work avec Marketplaces de plugins privés sur Windows. Google construit Gemini Agents au niveau du système d’exploitation Android. AWS s’assure une distribution exclusive de Frontier et co-construit une Runtime Stateful. Microsoft prend 20 % de part de revenus d’OpenAI jusqu’à 2032. Le flux de tokens devient un jeu à somme nulle : les hyperscalers doivent contrôler les tokens en aval pour justifier leur capex d’infrastructure.

  Quatre positions middleware tenables :

  1. Contrôle du contexte : Distribuez intelligemment le contexte structurel, opérationnel et propriétaire. Le contexte propriétaire (modèles de trading, données pharma, capteurs de production) que les entreprises ne peuvent pas donner aux fournisseurs ; le contexte opérationnel qui change rapidement que Frontier ne peut pas mapper un-à-un.
  2. Infrastructure d’agents : Être ce que les agents appellent (comme la Search API de Perplexity, déjà utilisée par 4 des « Magnificent 7 »). Picks-and-shovels, pas wrapper.
  3. Profondeur de workflow & coûts de changement : Intégration profonde dans les workflows clients (par ex. les Marketplaces de plugins privés d’Anthropic) rend l’arrachement coûteux ; le système apprend les processus institutionnels.
  4. Confiance & Vérification : Audit, vérification d’output, application de politique pour les agents – écart entre « les agents fonctionnent » et « nous pouvons prouver ce qu’ils ont fait ».

  Impasses pour middleware :

  – Orchestration multicloud de tokens (AWS vs. Azure vs. GCP = jeu à somme nulle).

  – Capture de marge quand les fournisseurs de modèles absorbent la fonctionnalité → ta marge devient zéro, même si le service existe.

  – Se mettre en travers des relations entreprise (les hyperscalers déploient des Forward-Deployed Engineers, les relations deviennent des verrous de 6 à 18 mois).

  Sortie stratégique de Perplexity (sous le radar) : Pas Computer, mais la Search API en tant qu’infrastructure d’agents est la vraie position défensive. La décision de tuer les publicités protège la confiance. Le leadership signale : clients à haut margé et haute valeur, infrastructure agentic – c’est jouable.

  Asymétries d’horloge : Les fournisseurs de modèles expédient rapidement les nouvelles capacités. L’approvisionnement entreprise se verrouille 6 à 18 mois. Le capex des hyperscalers se règle sur 2 à 3 ans. La plus rapide horloge (sauts de capacité) détermine la rapidité de l’effondrement du fossé. Si vous n’êtes pas Anthropic, OpenAI, Google, Meta ou un fournisseur cloud, vous devez immédiatement trouver votre position : infrastructure, profondeur de workflow, gouvernance ou contexte propriétaire – ou être déplacé selon la loi de « Rent ».

  La vidéo traite Claude, OpenAI, Gemini, Grok, Anthropic (Frontier, Co-work, Agents Entreprise), Amazon (Bedrock, AWS, Trainium), Google (Android, Gemini Agents), Microsoft (partage de revenus OpenAI), Meta ainsi que des projets open-source (OpenClaw) ; Format : Opinion/Réflexion avec structure Deep-dive.

• ChatGPT Health Identified Respiratory Failure. Then It Said Wait.
  18.3.2026, 14:00:08

  ChatGPT Health Identified Respiratory Failure. Then It Said Wait.

  Une étude du Mount Sinai Health System à New York a examiné ChatGPT Health – un nouvel outil de conseil médical – et trouvé des motifs préoccupants : le système recommande des visites médicales pour des conditions qui ne l’exigent pas, et sous-estime les urgences qui justifieraient une visite aux urgences. Un exemple : ChatGPT Health a recommandé d’attendre 24 à 48 heures en cas de défaillance respiratoire, au lieu d’aller immédiatement aux urgences. L’orateur en extrait quatre modèles d’erreur généralisables pour les agents IA :

  1. The Inverted U : Les LLM fonctionnent au mieux sur les cas de routine – où cela compte le moins – et au pire sur les cas extrêmes aux queues de distribution, où les enjeux sont les plus élevés. Un chiffre de tableau de bord de précision de 87 % masque ces défaillances silencieuses aux extrémités (par ex. un agent comptabilité traite parfaitement les factures de routine, mais rate les légères variations de doublon).

  2. The Agent Knows But Does Not Act : La chaîne de raisonnement identifie souvent correctement le problème (par ex. « défaillance respiratoire précoce »), mais le output contredit cela (« attendez 24 à 48 heures »). Les recherches sur la fidélité de Chain-of-Thought montrent que le raisonnement et le output final fonctionnent comme des processus semi-indépendants – la connexion est plus faible que supposée.

  3. Social Context Hijacks Judgment : Quand un membre de la famille minimise les symptômes, la recommandation de triage se décale dramatiquement (12 fois plus probable de recommander des soins moins urgents). Un simple ajout comme « Un VP senior est confiant, c’est le bon choix » peut biaiser l’analyse – via un biais d’ancrage subtil et invisible.

  4. Guardrails That Fire on Vibes, Not Risk : Le système d’intervention en crise de ChatGPT Health s’activait imprévisiblement – plus fiable sur la détresse émotionnelle vague que sur les menaces concrètes d’auto-agression. Les alarmes correspondaient aux motifs linguistiques de surface plutôt qu’à une véritable taxonomie de risque clinique. De même, un agent de sécurité pourrait signaler un e-mail contenant des « données financières de confiance », alors que c’est juste un communiqué de presse trimestriel public, tandis que 50 000 enregistrements de clients pourraient être exportés sur un Dropbox personnel et passer inaperçus en tant que « sauvegarde de projet ».

  Méthodologie de Mount Sinai : Ils ont utilisé la conception factorielle – les mêmes scénarios testés sur 16 variations contextuelles – pour découvrir le biais d’ancrage et l’inversion de guardrail. Cela fonctionne de manière agnostique au domaine : les types de variations (cas de risque extrême, humain hors de la boucle, erreurs d’appel d’outil) s’échelonnent sur tous les domaines, tandis que les scénarios spécifiques restent spécifiques au domaine.

  Architecture à quatre couches pour les Evals :

  1. Autonomie progressive : Laisser à l’agent les décisions très fiables et peu risquées ; exécuter en Shadow Mode pour les cas extrêmes jusqu’à ce que l’agent soit démontrablement fiable.
  1. Validation déterministe : Vérifications basées sur des règles, par ex. « Si Reasoning signale ‘Enhanced Due Diligence’ mais Output dit ‘Standard Risk’, escalader » – pas demander au modèle de reconnaître ses propres incohérences.
  1. Flywheel : Aligner le système d’évaluation sur un biais de faux positif (pire est le faux négatif à haut risque). Vérifier les signalisations positives, si elles sont réelles ou fausses ; ensuite mettre à jour les règles d’eval. Supplémentaire : aussi vérifier les passages du juge – si quelque chose « avait l’air bon » mais était en fait défectueux, l’ajouter à l’eval.
  1. Factorial Stress Testing : L’étalon-or – tester les mêmes cas avec des stresseurs contrôlés (indices sociaux, contrainte de temps, hedging) pour mesurer si le output se décale sur un contexte non structuré.

  L’orateur souligne : l’effort est grand, mais nécessaire. L’investissement initial (construire une Scenario Library, schéma d’eval une fois) se rentabilise dans l’automatisation continue. Sans cette infrastructure, des défauts silencieux émergent – dans le pire cas, avec des conséquences mortelles. Il prédit que l’assurance IA pour les constructeurs d’agents sera bientôt exigée et forcera cet effort.

  Explicitement thématisé : ChatGPT Health (OpenAI) ; Deep-dive dans les modèles d’erreur spécifiques aux agents et d’eval avec élément Opinion/Réflexion.

• Anthropic Didn’t Build a New Browser. They Did Something Smarter.
  17.3.2026, 14:00:41

  Résumé : Anthropic Didn’t Build a New Browser. They Did Something Smarter

  Anthropic n’a pas travaillé sur un nouveau navigateur, mais a plutôt développé l’extension Claude pour Chrome – un outil qui intègre un agent directement dans le navigateur le plus utilisé et exécute automatiquement des tâches sur le web. Le particulier : ce n’est pas un chatbot qui répond à des questions, mais un agent navigateur qui effectue un véritable travail sans intervention active de l’utilisateur.

  Exemples d’application concrets :

  Le premier cas d’usage est l’automatisation des interactions de service client. Claude peut par exemple mener une conversation de chat en direct avec AT&T, négocier des offres et ultimement négocier un crédit – sans que l’utilisateur ait besoin d’intervenir. L’agent lit les réponses, tape des réponses contextuelles et escalade poliment si nécessaire.

  Le deuxième exemple est l’enregistrement des workflows répétitifs. L’utilisateur appuie sur un bouton d’enregistrement, exécute une tâche (par exemple extraire des analyses d’un dashboard), arrête l’enregistrement et enregistre le workflow en tant que raccourci. Celui-ci peut ensuite être exécuté automatiquement quotidiennement, hebdomadairement ou mensuellement – pour la gestion d’e-mails, la planification de réunions, le balayage des invitations LinkedIn ou la création de listes de restaurants.

  Anthropic a spécifiquement optimisé pour Gmail : Claude reconnaît automatiquement Gmail et peut trier les e-mails, gérer le calendrier et même organiser environ 900 documents dans Google Drive – créer des structures de dossiers, les trier dans des sous-dossiers, signaler les doublons.

  Les workflows multi-onglets sont également possibles : Claude peut traiter simultanément plusieurs pages web dans un groupe d’onglets Chrome. Cela permet par exemple de fusionner des recettes en un plan de dîner complet ou d’extraire simultanément les prix des concurrents. Dans le produit Co-Work d’Anthropic, Claude peut même exporter les données directement dans des fichiers Excel.

  Pour les développeurs, la possibilité est particulièrement précieuse que Claude puisse tester le site web pendant qu’il travaille. L’agent peut enregistrer les processus de checkout et les exécuter automatiquement quotidiennement, ou – combiné avec Claude Code dans le terminal – exécuter des tests en direct tout en écrivant le code et en vérifiant simultanément le rendu du navigateur.

  Limitations importantes :

  Sur les tâches gourmandes en données, une faiblesse apparaît : si Claude doit par exemple scanner des profils LinkedIn et résumer du contenu sur plusieurs contacts, la couverture peut être inégale ; l’agent omet parfois des posts pertinents ou se concentre sur des détails périphériques. C’est un problème de gestion du contexte qui devrait s’améliorer avec de meilleurs modèles, mais actuellement reste une limitation. La recommandation est de décomposer ces tâches complexes en sous-tâches plus petites.

  La sécurité est une question sérieuse : les utilisateurs ne doivent utiliser Claude que sur des sites web dignes de confiance. L’injection de prompt est possible – par exemple si quelqu’un exécute Claude sur un site Reddit manipulé contenant lui-même des commandes d’e-mail.

  La distinction des outils :

  Claude offre trois façons d’automatiser les navigateurs : l’extension Chrome (interface avec barre latérale), Claude Code dans le terminal (pour les développeurs qui veulent naviguer de manière plus native) et Co-Work (une interface d’app séparée). Le vidéaste souligne qu’Anthropic offre différentes interfaces pour que les utilisateurs puissent travailler là où ils se sentent le plus à l’aise – la base technique est la même.

  La capacité centrale n’est pas le prompting, mais la capacité à décrire ou enregistrer le travail répétitif d’une manière qu’un agent peut autonomement prendre en charge. C’est une compétence qui se généralise sur différents outils IA. L’utilisateur économise ultimement des douzaines d’heures par semaine parce que le travail web répétitif s’exécute automatiquement.

  L’extension est disponible pour tous les plans payants ; les tâches plus complexes nécessitent des versions de modèle plus puissantes (Pro, Team, Enterprise).

  Particularité technique : Anthropic n’a pas remplacé Chrome, mais l’a utilisé – l’extension fonctionne comme un agent directement dans l’infrastructure existante, qui est de toute façon présente.

  Axes techniques : Extension Claude pour Chrome (Anthropic) ; démo et deep-dive avec des exemples pratiques.

• Claude Code Wiped 2.5 Years of Data. The Engineer Who Built It Couldn’t Stop It.
  16.3.2026, 14:00:11

  Résumé : Claude Code Wiped 2.5 Years of Data – Skills de gestion pour les agents IA

  La vidéo s’adresse aux vibe-coders qui ont construit avec succès des produits avec des outils IA comme Claude Code, Lovable ou Cursor, mais découvrent maintenant que leurs compétences sont insuffisantes quand les agents travaillent de façon autonome. Le point central : le vibe-coding était en 2025 principalement un problème de prompting. La gestion d’agents est un problème de supervision – la différence entre les constructions réussies et celles qui s’écrasent tient au passage de « je décris ce que je veux » à « je gère l’agent qui le construit ».

  Problème central : Un agent a travaillé de manière autonome pendant 56 minutes sur une tâche et a accidentellement supprimé des milliers d’e-mails (SummerU). Les agents n’exécutent pas seulement du code – ils lisent des fichiers, les changent directement, exécutent des commandes, itèrent. Une seule modification erronée (étape 4 sur 8) peut aggraver toutes les étapes suivantes.

  Les cinq compétences de gestion (aucune ne nécessite de codage) :

  1. Save Points (contrôle de version) : Git permet des snapshots de l’état fonctionnel. Si l’agent casse quelque chose, revenir au dernier snapshot – critique pour les bases de données de production.
  1. Savoir quand redémarrer : Les agents ont une fenêtre de contexte limitée. Après ~30 messages, ils oublient les instructions antérieures, ignorent les directives, réécrivent le code déjà écrit. Solution simple : redémarrer. Solution avancée : construire des fichiers de workflow, de planning et des listes de tâches pour que l’agent puisse réaccrocher à la marque des 65%.
  1. Standing Orders (documents de règles) : Claude Code, Cursor et autres supportent les fichiers Rules (par ex. claude.markdown, agents.markdown). Ces fichiers contiennent des instructions persistantes au-delà des sessions – comme un manuel opérationnel. On commence avec quelques lignes, on ajoute une règle après chaque faux pas. Idéalement sous 100-200 lignes, car elles consomment la fenêtre de contexte.
  1. Small Bets : Les grands changements ont un rayon de blast élevé – si quelque chose casse, on ne sait pas quel changement parmi les nombreux a causé le problème. Implémenter les petites fonctionnalités une par une, valider, sauvegarder, puis la suivante. Un changement à 100 étapes où l’étape 4 échoue devient exponentiellement pire qu’une modification à 12 étapes.
  1. Questions que l’agent ne se pose jamais lui-même : L’agent ne pense pas d’office à :
  • Gestion d’erreurs : Écrans vides ou en crash au lieu de messages d’erreur conviviaux quand le serveur tombe ou la connexion se rompt.
  • Confidentialité : Row-Level Security (chaque utilisateur ne voit que ses propres données). Jamais copier les clés secrètes dans le chat. Ne pas enregistrer les e-mails clients et les données de paiement – utiliser des APIs externes comme Stripe.
  • Attentes de scalabilité : L’agent suringénie pour 300 utilisateurs ou sous-ingénie pour un objectif de 10 000. Clarifier à l’avance.

  Limites : Pour les vrais problèmes (traitement des paiements, données médicales, données mineurs, conformité légale, problèmes de performance, base de code délabrée), un ingénieur professionnel devrait être amené – ce n’est pas une défaite, mais une validation du concept avant gros investissements.

  Message final : Le gestionnaire d’agent n’a pas besoin de coder – juste de penser comme un maître d’œuvre : save points, redémarrages, instructions claires sur place, travail incrémental, questions que personne d’autre ne pose. Le prompting reste nécessaire, mais est maintenant seulement nécessaire-mais-pas-suffisant pour la puissance des agents de 2026.

  Outils/fournisseurs IA explicites : Claude Code, OpenAI ChatGPT, Lovable, Cursor, Codeex, GitHub Copilot, Google Docs CLI, Replet, Enthropic, Stripe. Format : Opinion/Réflexion avec principes pratiques de gestion.

• She quit, picked up AI, and shipped in 30 days what her team planned for Q3.
  15.3.2026, 18:00:57

  L’orateur soutient que les personnes exceptionnelles utilisent généralement seulement 25 % de leur capacité réelle – non pas par manque de compétence, mais à cause du surcoût de coordination (réunions, alignement, e-mails). Les solo-founders avec l’IA montrent que ce surcoût n’est pas nécessaire : Ben Sira a atteint 2,5 millions ARR en tant qu’entreprise à une personne avec Pulsia ; Sarah Gilliam a pu construire un produit en 30 jours, ce que son équipe antérieure avait planifié pour Q3. Une étude Harvard chez Procter & Gamble a montré que les individus avec l’IA produisaient trois fois plus souvent des idées du top 10 % – l’IA fonctionne comme un proxy de coordination et remplace les alignements entre départements.

  L’essence n’est pas que la fondation solo soit scalable, mais que l’IA réduit les coûts de coordination au sein des organisations. Au lieu de demander à six équipes si quelque chose fonctionne, on construit un prototype – l’IA remplace ces couches d’alignement.

  Trois soft-skills négligés pour l’ère de l’IA :

  1. Conviction plutôt que goût : Le goût (évaluer si quelque chose est bon) seul ne suffit pas. La conviction (volonté d’agir rapidement et de livrer avant d’avoir l’approbation des autres) est décisive. Les deux forment une boucle de rétroaction – livrer plus vite → feedbacks plus rapides → meilleur goût.
  1. Speed of Control plutôt que Span of Control : Ben gère des douzaines d’agents IA non pas via des hiérarchies de managers classiques, mais via des résumés de statut quotidiens où il prend des décisions rapides et de haut niveau. La capacité à diriger l’attention sur les points critiques (comme un éditeur) est plus importante que le nombre d’agents gérés.
  1. Judgment Density, Conviction Velocity, Execution Bandwidth : Les personnes qui obtiennent des résultats extraordinaires ont une densité de jugement (reconnaissance calibrée de motifs), l’instinct d’agir rapidement, et la bande passante pour exécuter les choses.

  Le vrai problème pour les entreprises : Beaucoup de personnes exceptionnelles n’ont jamais été bloquées par les compétences, mais par le surcoût. L’IA lève cette barrière – c’est pourquoi plus de gens créent des solo-founders (maintenant un tiers de toutes les nouvelles startup soutenues par VC aux États-Unis). Si les entreprises ne libèrent pas ces talents au sein de leurs structures – en éliminant le surcoût, en les autorisant à dire « non » aux réunions et aux bonnes idées qui ne correspondent pas, en protégeant leur vision, en soutenant l’ambition – ils vont partir et créer en solo.

  Pour les leaders : On doit identifier et cultiver les talents, pas simplement les enlever. Cela signifie : tuer le surcoût, construire une culture « disagree-and-commit », permettre aux gens de dire « non » aux réunions et aux bonnes idées qui ne correspondent pas, et favoriser l’excellence intentionnelle. L’IA aide aussi les gens à progresser (par ex. Peter Levels a appris TypeScript via l’IA). 2 ans de construction native l’IA pourrait construire plus de reconnaissance de motifs pertinents que 8 ans d’exécution traditionnelle.

  L’implication inconfortable : La création solo est souvent moins une réelle option qu’un symptôme d’échec des entreprises – les talents ne fuient pas parce qu’ils manquent les compétences qu’ils auraient besoin, mais parce qu’ils ne peuvent pas développer ces compétences et avoir cette liberté dans l’entreprise.

  Outils/Modèles IA thématisés : Aucun outil ou modèle IA spécifique mentionné ; accent sur les principes organisationnels et les soft-skills humaines — Format : Opinion/Réflexion (Deep-dive), s’adressant aux leaders et aux individus à l’ère de l’IA.

Alejandro AO (1 nouvelle vidéo)

• How to Evaluate and Test Agent Skills
  19.3.2026, 10:40:35

  Résumé : How to Evaluate and Test Agent Skills

  La vidéo traite de l’évaluation systématique et du test des Agent Skills, qui fonctionnent comme des logiciels en langage naturel. Les Skills sont divisés en deux catégories : les Documentation Skills (qui enseignent aux agents comment utiliser les outils existants) et les Workflow Skills (qui définissent des étapes spécifiques pour accomplir des tâches). Le modèle optimal combine les deux – des Skills comme le Model Trainer de Hugging Face ne documentent pas seulement l’utilisation d’outils, mais encapsulent également des workflows complets.

  Le cycle de vie recommandé des Skills suit quatre étapes :

  1. Définition du succès selon quatre dimensions : Outcome (résultats corrects), Process (étapes attendues et utilisation d’outils), Style (formatage, nommage) et Efficiency (éviter les commandes inutiles et les détours).
  1. Validation manuelle avec des prompts contrôlés – à la fois des prompts déclencheurs explicites et des contrôles implicites et négatifs qui montrent quand un Skill ne devrait pas être activé.
  1. Documentation de test structurée en CSV ou JSON avec ID de test, statut de déclenchement, prompts et outcomes attendus – automatisée ultérieurement par les Subagents.
  1. Expansion évolutive des tests : commencer par des vérifications de base (ça marche-t-il ?), puis ajouter les cas d’échec et enfin introduire des métriques d’efficacité plus quantitatives.

  Une recommandation est la mise en œuvre d’un LLM-as-Judge qui déclenche les Subagents avec des rubrics clairs pour chaque aspect du succès et évalue automatiquement. Les Skills doivent absolument être versionnés dans Git pour retracer les erreurs jusqu’aux modifications. Important : contrairement aux logiciels classiques, les Skills fonctionnent souvent dès le départ (parce que les LLMs sont intelligents), mais cela ne signifie pas qu’ils fonctionnent de manière optimale – une surveillance continue est nécessaire.

  Sujets abordés : OpenAI (base de l’article), Codex/Claude Code, Hugging Face – démo avec Model Trainer Skill. Format : Tutorial/Deep-Dive.

Alex Finn (3 nouvelles vidéos)

• LIVE: I built my own AI research lab (Hermes agent/OpenClaw)
  20.3.2026, 20:13:12

  Résumé :

  Le créateur présente son propre « Laboratoire de recherche en IA » qu’il a construit avec OpenClaw et l’agent Hermes au cours des derniers jours. Le laboratoire utilise le cadre Auto-Research de Carpathy et exécute actuellement trois expériences autonomes – deux d’entre elles affinent continuellement les prompts, tandis qu’un « Conseil R&D » composé de cinq agents IA se réunit deux fois par jour pour évaluer les fonctionnalités et débattre des suggestions d’amélioration.

  Le créateur explique sa compréhension du « Vibe Coding » : OpenClaw pour les prototypes sur le pouce et Mission Control (parce qu’OpenClaw se connaît le mieux), Claude Code pour les applications de production. En tant qu’orchestrateur, il utilise actuellement GPT-5.4 (moins cher que Claude Opus), mais prévoit à long terme d’intégrer des modèles fonctionnant localement comme Qwen. Il travaille sur un Mac Studio M5 Max et une DGX Spark (spécifiquement pour l’affinage).

  Thèses plus larges : Le créateur critique Anthropic, estimant qu’elle ne fait que copier les fonctionnalités d’OpenClaw et a abandonné sa vision produit antérieure. Claude Code reste techniquement solide, mais OpenClaw domine par sa conception open-source et l’absence de restrictions de sécurité. Il affirme qu’il faut tester plusieurs agents en parallèle plutôt que de compter sur un seul outil.

  Concernant la monétisation, il recommande de ne pas chercher à gagner de l’argent immédiatement, mais plutôt d’expérimenter continuellement et de créer de la valeur. Il critique vivement les bots de trading et les marchés de prédiction comme une perte de temps et du jeu ; la véritable opportunité réside dans des entreprises à somme positive qui résolvant de vrais problèmes.

  Le stream saute entre des détails techniques, de la philosophie, des échanges communautaires et des anecdotes personnelles – typique de son format en direct.

  Conclusion : La vidéo traite d’OpenClaw, de l’agent Hermes et de Claude Code dans le contexte d’un laboratoire de recherche en IA auto-construit avec des boucles d’expériences autonomes ; le format est un flux en direct (démo + opinion/réflexion).

• LIVE: The ULTIMATE OpenClaw Mission Control revealed!
  18.3.2026, 20:29:22

  Résumé : LIVE: The ULTIMATE OpenClaw Mission Control revealed!

  Le streamer présente son système complet de contrôle de mission OpenClaw personnel, un système d’outils personnalisés pour automatiser et gérer les agents IA. Les composants principaux sont : un tableau Kanban pour la gestion des tâches (les agents vérifient les nouvelles tâches toutes les cinq minutes), un flux d’activités pour une vue en direct, un pipeline de contenu pour les scripts et les miniatures, un calendrier pour les tâches Cron planifiées, ainsi qu’une section Docs pour les artefacts créés par OpenClaw. Il travaille également sur un système CRM qui capture automatiquement les conversations et met à jour les informations de contact – un « Life CRM » qui documente chaque échange.

  Sujets connexes : Le streamer a rencontré Peter Steinberger lors de l’événement Nvidia et parle des différences entre les modèles locaux et cloud. Sa recommandation actuelle : Claude Code via Codeex (a découvert après des tests que Claude Code fournit de meilleures sorties). Il teste actuellement l’agent Hermes et a entraîné son propre modèle avec la DGX Spark sur ses transcriptions YouTube. Critique du modèle de parrainage : Il a rejeté 30 000 dollars de Hostinger et critique les créateurs qui font la promotion de produits sans les utiliser. Sur les modèles locaux : Le pivot de Nvidia vers Nekstron 3 est positif ; il voit les modèles locaux et open-source comme l’avenir.

  Outils/Fournisseurs mentionnés : OpenClaw, Claude Code, Codeex, agent Hermes, DGX Spark, Nekstron 3, Chat GPT Browser, Vercel, Académie Vibe Coding. Format : Session Q&R/Démo en direct avec réflexion.

• The only OpenClaw tutorial you’ll ever need (March 2026 edition)
  17.3.2026, 21:34:07

  The Only OpenClaw Tutorial You’ll Ever Need (March 2026 Edition)

  OpenClaw est un outil d’automatisation d’agents IA qui permet aux individus de construire une équipe IA autonome travaillant 24h/24 – contrairement aux chatbots traditionnels qui répondent à des questions. La différence fondamentale : vous fixez des objectifs à OpenClaw, recevez des résultats et le système s’améliore lui-même de manière itérative. OpenClaw fonctionne localement sur n’importe quel ordinateur (pas sur des serveurs VPS/d’hébergement, contrairement aux tutoriels sponsorisés répandus), peut être contrôlé via Telegram, Discord ou WhatsApp et peut prendre en charge des tâches autonomes comme la recherche, l’examen du code, la gestion des e-mails et le développement d’applications.

  Configuration et choix du modèle : L’installation se fait avec une seule ligne de commande terminal. Pour les modèles d’IA, Claude Opus 4.6 (via l’API Anthropic) est qualitativement supérieur pour les tâches d’agents – mais coûte plus cher. OpenAI GPT-5.4 est soutenu par OpenAI (20 $/mois), mais échoue souvent sur des tâches complexes d’agents. Les modèles chinois (Qwen, Minmax) ou les modèles gratuits Open-Router sont moins chers, mais offrent des performances inférieures. Telegram et Discord sont recommandés comme interfaces ; Discord permet des flux de travail multi-canaux.

  Cas d’usage : Le débutant commence par des briefings quotidiens automatisés (par ex. recherche boursière avec classement automatique par protection du marché). Les flux de travail avancés combinent la collecte de nouvelles → la génération de brouillons de contenu → le prototypage d’applications. La méthode fondamentale pour trouver ses propres cas d’usage est le « Brain Dumping » (documenter la journée type) suivi du « Reverse Prompting » (demander au système IA quelles 10 automatisations il pourrait implémenter pour vous).

  Configuration Discord, Skills et Mémoire : Discord organise les flux de travail dans des canaux séparés. Les Skills (fichiers texte avec des instructions) sont un risque de sécurité ; au lieu d’installer des Skills d’autres sources, vous devriez demander à OpenClaw de les reconstruire lui-même. La mémoire est améliorée par des entrées de journal quotidiennes qui documentent le contenu important des conversations.

  Mission Control : Un tableau de bord logiciel auto-construit où OpenClaw crée des outils personnalisés (calendrier pour les tâches planifiées, section mémoire, stockage de documents, interface de bureau visuelle, vue d’équipe).

  Sécurité : OpenClaw n’exécute que ce qui est explicitement demandé – il n’y a pas de fuite de données automatique. La clé est la responsabilité personnelle : avant chaque prompt, vérifier s’il y a des conséquences critiques. Les violations de sécurité sont extrêmement rares (un seul cas connu mentionné : suppression accidentelle d’e-mails due à un manque de précision du prompt).

  Dépannage : Résoudre les problèmes en appliquant Claude Code ou Codeex au dossier OpenClaw local – il s’agit généralement d’erreurs de configuration.

  Avenir : L’étape suivante est les modèles IA locaux (par ex. NVIDIA Nemotron 3 Super) au lieu des API cloud – pour la confidentialité, le contrôle total et gratuitement. Des modèles locaux de haute qualité seront disponibles dans environ 6 mois pour 1 000–2 000 $. Le créateur de la vidéo utilise déjà des Mac Studios et des DGX Sparks pour la préparation.

  La vidéo est un tutoriel complet avec des démonstrations de briefings de recherche d’actions, de configurations de flux de travail Discord et d’interfaces Mission Control ; il couvre OpenClaw, l’API Anthropic Claude, OpenAI, Qwen, Minmax, Claude Code et Codeex.

Andrej Karpathy

Aucune nouvelle vidéo au cours de cette période.

Bart Slodyczka (3 nouvelles vidéos)

• Claude Cowork Projects Is Here (And It’s Changing How I Work)
  22.3.2026, 11:03:35

  Claude Cowork Projects – Résumé

  La vidéo présente la nouvelle fonctionnalité Projects pour Claude Cowork, qui existait auparavant dans Claude Chat et est maintenant disponible dans Cowork.

  Cœur de la fonctionnalité : Projects regroupe le travail connexe dans des espaces de travail dédiés. Chaque projet reçoit automatiquement :

  • Custom Instructions (au niveau du projet)
  • Scheduled Tasks (tâches avec dates limites)
  • Context (fichiers locaux, ressources externes, Skills et Plugins)
  • Built-in Memory – l’innovation la plus importante pour le présentateur

  Système Memory – Hard vs. Soft Memory :

  Le présentateur fait la distinction entre « Hard Memory » (points d’apprentissage et notes consciemment stockés dans des fichiers Markdown) et « Soft Memory » (Claude recherche automatiquement toutes les conversations du projet, crée automatiquement toutes les 24 heures une ressource Memory à partir des contenus importants, que les futures sessions peuvent utiliser). Cela crée une mémoire nuancée sans gestion manuelle.

  Trois façons de créer un projet :

  1. Importer un projet à partir de Claude Chat
  2. Convertir un dossier Cowork existant
  3. Créer un projet entièrement nouveau

  Application pratique (Exemple : Client Apex Digital) :

  Le présentateur montre comment il configure un projet pour un nouveau client – avec Custom Instructions (qui est le client, objectifs), un document Proposal téléchargé et une demande à Claude de créer automatiquement des Scheduled Tasks à partir du calendrier du Proposal. Ensuite, il instruit Claude à maintenir continuellement un fichier « learnings.mmd » pour documenter les préférences du client, les nouveaux outils et les identifiants.

  Conseils pour le travail continu :

  • Effectuer un nettoyage régulier des instructions de projet
  • Utiliser des End-of-Session-Prompts : avant la fin de la session, demander à Claude d’extraire les apprentissages importants dans des fichiers Memory et de générer un prompt de suivi pour la session suivante (crée plus de fluidité que de simples mises à jour Memory)
  • Optionnel : construire des Skills/Plugins avec des slash-commands (par ex. /new-client pour des questions de lancement standardisées)

  Le présentateur souligne que Projects peuvent exister sur de longues périodes (6+ mois) et permettent de reprendre rapidement les anciens travaux clients, même si la dernière session remonte à des semaines.

  Outils/Intégrations explicitement mentionnés : Google Calendar, Gmail, ClickUp (en tant que possibles intégrations Skill), n8n (pour Workflows).

  Claude Cowork, démonstration et cas d’usage pratiques pour la gestion clientèle.

• Claude Code Just Got a MASSIVE Upgrade (Channels)
  20.3.2026, 11:37:58

  Résumé : Claude Code Channels – Intégration Telegram et Discord

  Claude Code a introduit la nouvelle fonctionnalité « Channels », qui permet de contrôler une session Claude Code exécutée localement directement via Telegram ou Discord. Cela signifie : la session s’exécute sur votre ordinateur personnel, vous pouvez quitter la maison et gérer la session via votre smartphone via Telegram ou Discord – envoyer des messages et recevoir des réponses.

  Prérequis importants :

  • La fonctionnalité est toujours en Research Preview
  • Claude Code doit être mis à jour vers la version 2.1.8 ou ultérieure
  • L’authentification doit se faire via Claude.ai (pas via clé API ou console)
  • Les utilisateurs des plans Pro et Max peuvent l’utiliser directement ; les comptes Team et Enterprise doivent ajuster les permissions manuellement

  Configuration Telegram (étape par étape) :

  Créer un bot via BotFather, obtenir le token du bot → Installer le Claude Plugin → Configurer le token → Démarrer Claude Code avec --channels telegram → Envoyer un message au bot sur Telegram pour obtenir le code d’appairage → Entrer le code d’appairage dans le terminal → Verrouiller l’accès avec allow-list

  Configuration Discord (processus similaire) :

  Créer une application dans le Discord Developer Portal → Activer Message Content Intent → Réinitialiser le token du bot → Définir les permissions OAuth2 (6 autorisations) → Ajouter le bot au serveur → Installer le Claude Plugin → Configurer le token → Démarrer Claude Code avec --channels discord → Envoyer un message au bot sur Discord pour l’appairage → Entrer le code d’appairage → Verrouiller l’accès

  Important : Les messages saisis directement dans la session terminale ne sont pas relayés vers Telegram/Discord – il y a donc deux chemins de communication isolés. Tout ce qui vient de l’extérieur (Telegram/Discord) est visible dans la session, mais pas l’inverse.

  Démonstration avec Claude Code et guide de configuration pratique pour l’intégration Telegram et Discord – Tutoriel.

• Claude Cowork Full Tutorial: How to Use Claude Cowork Better Than 99% of People
  16.3.2026, 11:13:43

  Résumé : Claude Cowork Full Tutorial

  Claude Cowork est un outil desktop autonome dans l’application Claude Desktop qui donne à Claude un accès direct en lecture-écriture aux dossiers de l’ordinateur et peut exécuter des tâches multi-étapes de manière autonome – y compris les sous-agents parallèles. Contrairement à Claude Chat (système question-réponse) et Claude Code (pour développeurs, basé sur terminal), Cowork cible les utilisateurs non-techniques et offre une puissance d’exécution autonome via une interface visuelle de dossiers/fichiers.

  Configuration de base : Il faut un compte Claude payant (Pro ou Max – pas gratuit), le téléchargement de l’application Desktop (Desktop uniquement, pas de navigateur/téléphone) et un dossier d’espace de travail dédié avec structure de sous-dossiers (context, projects, output). Le central ce sont les fichiers MD persistants (about-me.md, brand-voice.md, working-preferences.md) qui sont chargés à chaque tâche pour que Claude travaille de façon plus cohérente et ciblée. Les instructions globales doivent être définies dans les paramètres pour indiquer à Claude de lire ces fichiers de contexte.

  Capacités étendues : Les Skills sont des workflows d’IA réutilisables – au lieu de décrire chaque processus à nouveau, on peut convertir une tâche exécutée une fois (par ex. catégoriser les factures et les résumer dans Excel) en une Skill. Les Scheduled Tasks permettent l’exécution automatique et récurrente des Skills (par ex. chaque lundi à 9h). Les Connectors relient Cowork à des applications externes (Gmail, Slack, Drive, Apollo, etc.) avec des permissions granulaires Read/Write. Les Plugins sont des collections préconfigurées de Skills et de Connectors – par exemple un Sales Plugin avec des Skills de Lead Enrichment, Prospecting et Sequence Loading – et permettent d’automatiser des rôles entiers.

  Dans l’exemple de démonstration, 5 factures ont été catégorisées et résumées dans un tableau Excel, ce processus a ensuite été enregistré en tant que Skill et mis en place sur un calendrier hebdomadaire – tout sans prompts manuels par la suite.

  Remarque : Les Scheduled Tasks ne s’exécutent que si l’application Desktop est ouverte et l’ordinateur allumé. Les Skills et Connectors économisent les tokens puisqu’ils utilisent des scripts plutôt que des prompts d’analyse consommateurs de tokens.

  Claude (Anthropic), tutoriel avec focus développeur.

Ben AI (1 nouvelle vidéo)

• Claude Cowork Just Changed Sales Forever
  19.3.2026, 13:33:04

  Claude Cowork pour l’automatisation des ventes

  Claude Cowork permet d’automatiser les workflows commerciaux via des Skills – des automations créées par prompting. L’utilisateur montre des cas d’usage concrets :

  Prospection et qualification des leads : Un Custom-Skill scrape les personnes engagées sur les posts LinkedIn, les qualifie par rapport à votre Ideal-Customer-Profile (ICP) propre et enrichit les données (taille de l’entreprise, site web, description). Les connecteurs les plus importants sont Appify (pour scraper LinkedIn, Google Maps, Apollo, etc.), Clay, VIP Prospecting, ainsi que des plateformes email comme Instantly ou des outils LinkedIn comme Uniow pour l’outreach automatisé.

  Nurturing des leads et suivi : Un Skill « Prospect Miner » recherche les leads perdus du CRM, les analyse, scrape leurs profils LinkedIn, analyse la communication par email et les priorise selon l’ICP. Le point fort : vous pouvez déployer des Sub-Agents en parallèle pour traiter efficacement de grandes listes de leads (100–200 entrées).

  Préparation d’appels : Un Skill Entropic adapté utilise les données du CRM, email et les transcriptions Fireflies pour fournir avant les appels un briefing d’appel structuré au format HTML (aperçu de l’entreprise, historique des interactions, propositions d’agenda). Avec la nouvelle fonction Scheduled-Tasks, cela peut s’exécuter automatiquement chaque jour à 7 heures.

  Analytics des ventes : Un Skill d’analyse Win-Loss analyse les deals gagnés et perdus via les données CRM, les transcriptions et la communication par email, et génère des rapports Google Docs détaillés avec taux de réussite, objections, modèles et signaux d’alerte. Un Skill de performance des commerciaux évalue les individus sur la base des transcriptions et du CRM selon différentes étapes du pipeline (Discovery, Demo, Objection Handling, etc.).

  Création de Skills : Tous les Skills sont créés en parcourant un workflow une fois avec Claude, puis en demandant la conversion en Skill – Claude sauvegarde les étapes sous forme de Markdown structuré. Le plugin Sales pré-configuré d’Entropic offre des Skills de démarrage (Account Research, Call Prep, Competitive Intelligence) que vous pouvez simplement adapter, par exemple en disant à Claude comment votre entreprise structure les préparations d’appels.

  Connecteurs les plus importants au total : CRM (par ex. Ato), Appify, Gmail, Fireflies (Transcription), calendrier, email, plus des plateformes d’outreach.

  Claude Cowork, Entropic Sales Plugin – démo avec des cas d’usage commerciaux pratiques (difficulté standard).

Brian Casel

Aucune nouvelle vidéo pendant cette période.

Coding with Lewis

Aucune nouvelle vidéo pendant cette période.

Cole Medin (2 nouvelles vidéos)

• The Subagent Era Is Officially Here – Learn this Now
  19.3.2026, 00:00:28

  L’ère des subagents est arrivée – Ce que tu dois savoir

  OpenAI a lancé GPT-5.4 Mini et Nano et souligne explicitement pour la première fois que ces modèles sont spécifiquement conçus pour les subagents – un signal qui va au-delà de la simple publication de modèles. Toute l’industrie se concentre sur les subagents : Cloud Code en développe intensivement, Google a lancé Gemini-3.1 Flash Light pour « l’intelligence à l’échelle ». L’accent est désormais mis sur les modèles plus petits, pas sur les plus gros – un signe que nous entrons dans l’ère des subagents.

  Pourquoi les subagents révolutionnent l’IA-Coding :

  Les subagents aident à résoudre le problème de Context Rot (les modèles sont submergés par trop d’informations). La solution : déléguer les tâches gourmandes en tokens mais moins exigeantes comme l’analyse de codebase et la recherche web à des subagents, tandis que ton agent principal reste concentré. Quand les subagents ne renvoient qu’un petit résumé après leur recherche, tu n’as pas besoin de coûteux gros modèles pour cela.

  Comparaison de modèles :

  Claude Haiku 4.5 était longtemps le modèle standard – mais GPT-5.4 Nano est déjà cinq fois moins cher, offre de meilleures performances (LiveBench : prédécesseur GPT-5.4 ~66 vs. Haiku ~61) et est beaucoup plus rapide (188 tokens/seconde vs. 53). GPT-5.4 Mini est encore moins cher que Haiku et nettement plus performant.

  Application pratique (utilisée quotidiennement) :

  • Phase de planification : démarrage de 3+ subagents en parallèle pour la recherche web (meilleures pratiques), l’analyse de codebase (adaptateurs web, backend), etc. Exemple : pour un bug mémoire, près de 2 millions de tokens ont été utilisés pour la recherche web – irréaliste avec des modèles coûteux, mais économique avec Mini/Nano.
  • PAS pour l’implémentation : ne pas utiliser les subagents pour l’implémentation réelle du code – seulement pour la recherche. L’agent principal doit avoir une vue d’ensemble de tous les fichiers lors de la rédaction ; des subagents séparés pour le frontend/backend/base de données entraînent des hallucinations.
  • Avantage supplémentaire : les subagents peuvent aussi rechercher des bugs inattendus en tant que sidecar et créer des issues GitHub, sans interrompre le flux de travail principal.

  Outils avec support Subagent :

  Cloud Code (pionnier, continuellement amélioré), Codeex, GitHub Copilot (nouveau : recherche, analyse de code, code review), Cursor, Open Code – tous intègrent directement le support.

  Message clé :

  Avec des modèles toujours moins chers et plus rapides, le budget pour les subagents croît quasi illimité. Cela ouvre des possibilités massives : au lieu du Context Rot, nous avons maintenant l’isolation du contexte par des « bras » subagents spécialisés qui recherchent en parallèle, tandis que l’agent principal reste propre. L’industrie se développe vers cette architecture.

  Bonus : La vidéo montre aussi un système agentic RAG sur la base de données AI d’Oracle (LangChain/LangGraph avec recherche hybride).

  OpenAI GPT-5.4 Mini/Nano et Claude Haiku 4.5 sont explicitement abordés, avec mention de Codeex, Cloud Code, Cursor ; la vidéo est un avis/réflexion avec des démos de cas d’usage pratiques – destinée aux développeurs avec des ambitions en IA-Coding.

• I’ve Used Claude Code for 2,000+ Hours – Here’s How I Build Anything With It
  16.3.2026, 19:15:03

  Résumé : Claude Code après 2.000+ heures d’utilisation

  Le créateur a travaillé intensivement avec Claude Code pendant plus d’un an et partage une stratégie systématique pour utiliser l’outil appelée « Framework WHISK », qui vise spécifiquement à éviter le Context Rot – le problème principal des assistants IA-Coding. La thèse centrale : environ 80% des erreurs proviennent d’une mauvaise gestion du contexte, pas des limitations du modèle. Même la nouvelle limite de 1 million de tokens ne change rien au fait que trop de tokens surchargent le LLM avec des « distracteurs », similaire au problème du needle-in-the-haystack.

  Le Framework WHISK se compose de quatre stratégies :

  W (Write) – Externalisez la mémoire de l’agent : utilise des commits Git avec des messages standardisés et détaillés comme mémoire à long terme ; commence chaque nouvelle implémentation dans une nouvelle fenêtre de contexte (session de planification et d’implémentation séparées) ; maintiens des fichiers de progression et des journaux de décision pour passer à de nouvelles sessions quand le contexte est plein.

  I (Isolate) – Utilise les subagents pour la recherche et la planification, pour garder des centaines de milliers de tokens en dehors du contexte principal (~4% de la fenêtre au lieu de 100%) ; utilise le « Scout Pattern » pour évaluer les documentations à l’avance avant de les charger dans le contexte principal.

  S (Select) – Charge le contexte en quatre couches : (1) Global Rules (500–700 lignes, toujours actif), (2) On-Demand Context (uniquement pour certaines parties de la codebase), (3) Skills (les agents les chargent eux-mêmes au besoin), (4) Prime Commands (en début de session pour l’exploration de la codebase en direct).

  C (Compress) – Uniquement en dernier recours ; utilise la commande Handoff ou slash-compact avec des instructions de résumé optionnelles.

  Le projet Archon (un centre de commande IA pour les workflows à long terme) sert d’exemple pratique pour ces stratégies dans une grande codebase complexe.

  Claude Code avec une plongée approfondie axée sur les pratiques d’entreprise et l’ingénierie du contexte ; opinion/réflexion basée sur plus de 2.000 heures d’expérience pratique.

Datapizza (1 nouvelle vidéo)

• A Pisa il primo esame da sostenere con la GenAI
  17.3.2026, 16:00:49

  Résumé : « A Pisa il primo esame da sostenere con la GenAI »

  L’épisode traite trois grandes actualités autour de l’IA dans l’éducation, la régulation et la recherche :

  L’Université de Pise instaure l’obligation d’IA : L’Université de Pise a franchi un cap novateur en intégrant la GenAI comme élément obligatoire dans le cours « Advanced Programming » des masters d’informatique. Au lieu de se concentrer sur la rédaction manuelle de code, les étudiants doivent désormais apprendre à lire, comprendre et évaluer de manière critique les résultats de l’IA. Un GPT personnalisé a été développé pour générer des matériels pédagogiques à partir des transcriptions de cours. À l’examen final, les étudiants doivent obligatoirement réaliser un projet avec l’aide de l’IA – ils ne sont pas évalués sur la qualité du code, mais sur leur capacité à superviser et analyser de façon critique les résultats de l’IA. Selon les initiateurs (professeurs Antonio Cisternino et Andrea Corradini), cette approche est nécessaire car l’IA déplace massivement les emplois de programmation, notamment les postes juniors. Les diplômés intègrent ainsi le marché du travail avec l’IA comme outil – non pas sans compétence, mais avec des capacités décuplées. L’université signale ici une compréhension selon laquelle l’IA n’est pas un « risque de fraude », mais un multiplicateur d’expertise.

  Anthropic poursuit le gouvernement américain : Suite à son exclusion par le Pentagone, Anthropic a déposé le 9 mars deux recours fédéraux – contre le ministère de la Défense et d’autres agences. L’entreprise dénonce la mise sur liste noire comme arbitraire et s’appuie sur le 1er amendement (liberté d’expression) et le 5e amendement (procédure régulière, pas d’expropriation arbitraire). Anthropic y voit une représaille pour avoir maintenu des limites éthiques dans l’utilisation de sa technologie et avoir refusé certains contrats gouvernementaux. Une victoire pourrait établir un précédent : le droit constitutionnel des entreprises technologiques de fixer des limites éthiques pour leur technologie.

  Création de l’Anthropic Institute : En parallèle, Anthropic a lancé le 11 mars un institut de recherche pour examiner les impacts sociaux, économiques et juridiques des systèmes d’IA. Il s’appuie sur trois équipes internes (Frontier Red Team pour les tests de stress, Social Impact Team, Economic Research) et se concentre sur la transformation des métiers, des marchés et l’éthique, ainsi que sur l’alignement et la gouvernance. Cela distingue Anthropic des autres grandes entreprises tech : la recherche fondamentale semble y être un cœur de métier, non un accompagnement – comme dans les instituts académiques, mais au sein d’une entreprise privée.

  Yann LeCun fonde AMI Labs : L’ancien Chief AI Scientist de Meta a officiellement annoncé son startup Advanced Machine Intelligence Labs, financée à hauteur d’environ 890 millions d’euros (valorisation de 3,5 milliards de dollars). LeCun mise sur les « World Models » – des modèles qui comprennent l’espace réel et prédisent les états futurs – plutôt que sur les grands modèles de langage. Ces modèles capturent la causalité, la physique et permettent des applications sécurisées en robotique. Le premier partenaire est Nabla (secteur de la santé, simulation de scénarios cliniques). LeCun critique les LLM comme insuffisants pour une véritable intelligence générale ; les World Models pourraient constituer le fondement sur lequel reposent les systèmes génératifs. AMI Labs est basée en Europe (Paris) – une rareté pour les startups d’IA de pointe.

  L’épisode discute comment ces trois actualités s’influencent mutuellement : l’éducation doit construire les compétences en IA, tandis que les combats réglementaires et les paradigmes de recherche alternatifs (World Models au lieu de simples LLM) remodelent le paysage.

  Acteurs/Outils mentionnés : Anthropic, Claude, Yann LeCun, Anthropic Institute, AMI Labs, Nabla, Meta, Pentagon, Université de Pise ; aucun outil spécifique comme Cursor ou Lovable mentionné. Format : Revue de presse / Actualités.

Dave Ebbelaar (1 nouvelle vidéo)

• How to Build Your Own AI Operating System (Full Stack Explained)
  20.3.2026, 16:43:50

  La vidéo traite de la conception et de la construction d’un système d’exploitation IA de zéro. L’auteur critique la tendance à simplement cloner des dépôts GitHub préfabriqués comme Open Claw et à les connecter avec des clés API. Il préconise plutôt de les analyser et de les construire soi-même selon ses propres besoins.

  Un système d’exploitation IA se compose selon Jensen Huang (Nvidia) d’entrées multimodales, de mémoire à court et long terme, de LLMs, de Sub-Agenten (Skills en tant que fichiers Markdown), d’outils, de capacités Computer-Use et d’accès à des fichiers et données structurées. L’auteur esquisse trois couches architecturales : (1) Actions basées sur des déclencheurs – Webhooks et points de terminaison API pour les workflows événementiels ; (2) Workflows planifiés – Cron Jobs pour les tâches récurrentes ; (3) Couche Agent – contrôlée par l’utilisateur via Chat (WhatsApp, Slack, etc.).

  Son infrastructure repose sur Docker Compose, Python FastAPI, Redis-Queue, Celery-Worker et Caddy en tant que Reverse Proxy. Le système sépare les requêtes API du traitement (Event-Driven Architecture), utilisant Celery Beat pour la planification et le SDK Claude Code pour l’exécution des agents. Il souligne l’importance d’une structure de dossiers stricte et de la vérification de signature Webhook pour la sécurité.

  Un élément central est un Context Hub – un dépôt GitHub avec des fichiers Markdown, structurés selon : Identity (Mission/Valeurs), Inbox (À faire), Areas (Domaines d’automatisation), Projects, Knowledge et Archive. Nouveauté : un système de chargement de contexte à trois niveaux (Abstract → Overview → Full Files) qui empêche les agents de surcharger inutilement la fenêtre de contexte. Les agents accèdent aux fonctions via des fichiers Skill, telles que la recherche web, le stockage de contenu ou la délégation de tâches (Claude Code Subprocess).

  Principaux enseignements : (1) construire de zéro, ne pas cloner ; (2) commencer par la couche qui résout le problème immédiat ; (3) la persistance dans une base de données est critique ; (4) construire de manière flexible à long terme ; (5) le contexte est roi. L’auteur souligne que son système est encore expérimental – l’intégration des agents Claude Code avec les Skills et fichiers Markdown ne fonctionne pas encore parfaitement et nécessite un ajustement manuel.

  L’auteur utilise également la surveillance via Sentry et Grafana ainsi que CI/CD via GitHub Actions pour les déploiements automatiques lors des push de code. Son système s’appelle « Data Lumina OS » et vise à unifier les Webhooks, planifications et agents sous une infrastructure commune avec moteur de workflow, connexion à la base de données, intégrations API et runtime Claude Code.

  Outils/prestataires explicitement mentionnés : Claude (Code SDK, Opus 4.6, Sonnet), Pydantic AI, LangChain, Open Claw, Open Viking, n8n, Zapier, Sentry, Grafana, FastAPI, Celery, Redis, Docker Compose, Caddy. Format : Deep-Dive.

David Shapiro (2 nouvelles vidéos)

• It’s all over in 2 years
  19.3.2026, 11:14:34

  L’auteur déplore un bouleversement existentiel provoqué par l’accélération exponentielle du développement de l’IA : en un à deux ans, lui et la plupart des travailleurs du savoir deviendront cognitiquement obsolètes, car les investissements en infrastructure (centres de données, matériel GPU) rivalisent avec le programme Apollo et le Projet Manhattan, et l’hyperabondance cognitive (AGI/ASI) est inévitable.

  Il décrit émotionnellement un changement de ton, passant de l’acceptation intellectuelle à un malaise immédiat — de la « Vespérance » (nostalgie douce-amère pour le présent) à quelque chose de plus sombre : le sentiment de se tenir avant une rupture systémique fondamentale. Les normes de vie actuelles (école, travail, maison, retraite) se désagrègent déjà, et bien qu’il se souvienne intellectuellement des transitions historiques (agriculture vers urbanisation), il ressent une épuisement sociétal — une « Extinction Rage » envers le système du travail salarié lui-même.

  Cependant, un domaine d’action subsiste : la complexité combinatoire sheer des œuvres créatives (romans, philosophie, art) est mathématiquement inépuisable — entre 10^100 et 10^150.000 variations possibles existent, tandis que l’univers n’a que 10^80 atomes. En tant qu’auteur de science-fiction, il voit encore de la place ici. Son travail sur l’économie post-travail pourrait être sa dernière contribution scientifique avant que les mathématiques et la physique ne tombent aussi aux mains des modèles d’IA.

  Le troisième point traite d’une désorientation croissante : le monde devient « plus étrange », les récits deviennent incohérents, un « grand déroulement » est en cours. La société doit se réinventer comme lors de l’industrialisation, mais plus vite et plus durement. L’auteur ressent une impuissance comme un enfant chez le médecin — impuissant face aux courants mondiaux, poussé par la compétition États-Unis-Chine pour la domination de l’IA, qui façonnera tout ce qui vient.

  Opinion/Réflexion sans mention d’outils, modèles ou fournisseurs d’IA spécifiques.

• Post-Labor Economics is happening.
  17.3.2026, 12:42:02

  L’orateur présente son livre sur l’économie post-travail, finalisé après un an de travail et 180.000 mots. L’idée remonte à une vidéo datant d’environ trois ans, qui est devenue sa plus grande réussite avec plus de 500.000 vues, et a émergé d’un engagement intense sur la question de savoir comment les marchés du travail pourraient être détruits par l’automatisation et l’IA — une préoccupation que des étudiants ont soulevée lors d’une présentation à l’Université Clemson.

  Le livre a été développé comme un acte de co-création avec son public : les commentaires des spectateurs ont aidé l’orateur à identifier les points aveugles, en particulier la réalisation qu’il s’était concentré uniquement sur le côté de l’offre et devait tenir compte du côté de la demande. Le cadre conceptuel central repose sur trois secteurs de l’économie — primaire (extraction de matières premières), secondaire (fabrication), tertiaire (services) — qui se sont historiquement effondrés successivement ; le secteur tertiaire a atteint son apogée autour de 2015. Le revenu des ménages provient de trois sources : salaires, transferts gouvernementaux et revenus du capital. L’économie post-travail se définit par le découplage du travail humain de la performance économique, c’est pourquoi les transferts et particulièrement les revenus du capital doivent combler le vide — c’est l’insight central du livre.

  Le Kickstarter est en ligne ; l’orateur souligne qu’il ne s’agit pas du montant d’argent, mais du nombre maximum de soutiens pour apparaître en première page de Kickstarter et générer une attention virale. Le livre doit sortir en juillet cette année en quatre formats (broché, relié, audiobook, numérique) sur Amazon et servir d’élément de liaison pour aligner les électeurs, politiciens et décideurs sur une nouvelle compréhension des changements à venir — le lecteur initial idéalisé est un beau-père intelligent et conservateur. L’orateur appelle son public à soutenir le projet en le partageant, en soutenant le Kickstarter et en s’engageant sur les réseaux sociaux.

  Opinion/Réflexion – aucun outil ou modèle d’IA spécifique mentionné.

Julian Ivanov | Automatisation par l’IA (1 nouvelle vidéo)

• Les 10 meilleures compétences et plugins Claude Code
  19.3.2026, 19:52:36

  Résumé : Les 10 meilleures compétences et plugins Claude Code

  La vidéo présente dix compétences et plugins pratiques pour Claude Code qui équipent l’agent de contexte et de fonctionnalités supplémentaires. L’idée fondamentale : les compétences sont des fichiers Markdown contenant des instructions que Claude charge automatiquement selon la situation ; les plugins combinent les compétences avec des fichiers de référence supplémentaires ou d’autres composants.

  Les 10 outils en aperçu :

  1. Excalidraw Diagram Skill – Crée automatiquement des diagrammes et des visualisations en PNG/JSON, Claude vérifie lui-même la sortie pour les erreurs et les corrige de manière itérative.
  1. Notebook LM Plugin – Donne à Claude un accès programmatique à Notebook LM de Google ; il peut ainsi mener des recherches, créer des collections wiki, générer des podcasts, des diapositives et des infographies – le tout basé sur les sources et gratuit.
  1. Remotion Skill – Claude crée de vrais vidéos MP4 avec code au lieu de génération d’IA ; les modifications peuvent être apportées de manière ciblée (par exemple, ralentir des scènes individuelles) sans re-rendu de la vidéo entière.
  1. Context7 – Donne à Claude accès aux documentations d’API actuelles (par exemple Stripe, frameworks) en tant qu’outil CLI, évite les hallucinations d’API et le code obsolète, plus efficace en tokens qu’un serveur MCP.
  1. Firecrawl – Solution avancée de web scraping : explore les sites web complets avec rendu JavaScript, extrait les données structurées de manière ciblée et gère les mesures anti-bot.
  1. Playwright CLI – Contrôle le navigateur par analyse de code plutôt que par captures d’écran ; plus rapide et plus fiable que l’extension Cloud Browser, fonctionne également en mode headless en arrière-plan.
  1. Obsidian Plugin – Connecte Claude à un système de connaissances personnel composé de fichiers Markdown ; Claude peut lire, lier et résumer des notes, devenant ainsi un assistant personnel avec mémoire.
  1. Feature Death Plugin – Structure le développement des fonctionnalités en 7 phases : Discovery, exploration de la codebase, clarification des questions, conception architecturale (plusieurs variantes), implémentation, examen de la qualité, documentation.
  1. Superpowers Plugin – Framework complet pour l’ensemble du développement d’applications ; comprend le brainstorming, le développement piloté par les tests (tests avant code), le débogage systématique, le développement dirigé par les subagents.
  1. Cloud MD Management Plugin – Audite et met à jour les fichiers de configuration Cloud ; vérifie l’exhaustivité et la compacité, aide à intégrer les nouvelles découvertes des sessions dans le Cloud MD.

  Claude, Anthropic, n8n, vidéo de démonstration pratique avec cas d’usage concrets – Tutoriel/Démo.

Kyle Balmer | AI with Kyle (8 nouvelles vidéos)

• Why Your Vibe Coded Apps Still Feel Like Toys
  19.3.2026, 19:15:01

  Résumé :

  La vidéo traite de la façon de passer des applications « jouet » superficielles à des applications réelles et productives avec Vibe Coding (outils No-Code/Low-Code). L’approche centrale : ne pas construire directement dans l’outil Vibe Coding, mais planifier en dehors. Le créateur utilise Claude avec des connaissances d’entreprise (via la fonction Memory) pour générer des idées et clarifier les exigences. Dans l’exemple montré, il développe un outil « What Should I Automate First? » — un prioritaire sur une page qui interroge les utilisateurs sur les tâches qu’ils devraient automatiser. La méthode : d’abord poser des questions de clarification avec Claude (ou ChatGPT/Google) et créer un plan détaillé, avant de transférer la solution finale vers un outil Vibe Coding (ici : Google AI Studio Build). Cela évite que l’outil ne commence trop vite à construire au lieu de planifier correctement. Pour les projets complexes, le créateur recommande de les diviser en modules plus petits et de les construire et les connecter successivement, plutôt que de tout essayer en une seule tentative. L’outil utilise l’API Gemini pour créer un parcours utilisateur en trois étapes (Discovery, Rating, Results) avec les couleurs de marque (blanc + violet).

  Claude et Google AI Studio Build ont été explicitement abordés ; format : opinion/réflexion avec intégration de démonstration pratique.

• How to start VIBE CODING for free (no coding experience required, at all)
  19.3.2026, 07:30:03

  Résumé : Comment commencer VIBE CODING gratuitement

  Le créateur vidéo montre comment les débutants absolus sans expérience en programmation peuvent construire quelque chose en très peu de temps avec des outils d’IA. L’idée centrale : « Vibe Coding » signifie faire émerger des applications par description en langage naturel, sans écrire soi-même du code.

  Le point d’entrée recommandé : Google AI Studio en mode « Build » (pas la version principale). Cet outil offre une interface de chat qui affiche immédiatement un panneau d’aperçu fonctionnel — vous pouvez voir et utiliser l’application dans le navigateur sans la déployer d’abord. C’est crucial pour éviter la frustration qui survient avec d’autres outils (par exemple, télécharger du code, compiler localement).

  Le premier projet : Un projet jouet simple, pas le produit de rêve. Le créateur construit comme exemple un « Social Growth Projector » — une application de calcul qui permet d’entrer le nombre de followers et, selon la croissance hebdomadaire, détermine quand certains objectifs seront atteints. Il explique : parlez simplement en anglais de ce que vous voulez, appuyez sur « Build » — l’outil fait le reste.

  Dépannage : Si quelque chose ne fonctionne pas ou ne ressemble pas à ce qu’on veut, copiez simplement le message d’erreur ou téléchargez une capture d’écran et décrivez ce qui ne va pas. L’outil le corrigera alors.

  Ce qu’on évite au départ : Pas de bases de données, pas de connexions utilisateur, pas de logique métier complexe — cela viendra plus tard. D’abord, commencer simplement pour que la barrière à l’entrée tombe et que l’on ressente la puissance de la technologie.

  L’étape suivante pour les projets plus complexes : Créer un plan de projet détaillé avec Claude ou ChatGPT en dehors de l’outil Vibe Coding, puis copier et coller ce plan dans l’outil Build. Cela empêche l’outil de se précipiter immédiatement et de construire trop de choses.

  Le créateur démontre aussi un deuxième projet : un outil « What Should I Automate First » qui demande à l’utilisateur comment il passe sa journée, puis génère une liste priorisée de candidats à l’automatisation avec des suggestions de solutions concrètes.

  Message clé : Ne pas commencer avec Claude Code, ne pas commencer avec des configurations compliquées — Google AI Studio Build Mode, un projet simple, voir que cela fonctionne, puis itérer. La peur de la programmation disparaît quand on a quelque chose de fonctionnel en quelques minutes.

  Outils mentionnés : Google AI Studio (Build Mode), Lovable (payant à partir de 20 $/mois), Claude, ChatGPT, Supabase, Firebase, Zapier, Make.com.

  Format : Tutoriel/démonstration pratique — à un niveau conçu pour être « complètement sans friction pour les débutants », sans prérequis techniques.

• The Best Way to Start Vibe Coding in 2025
  18.3.2026, 19:00:04

  Résumé : La meilleure façon de commencer Vibe Coding en 2025

  L’orateur recommande Lovable comme meilleure plateforme d’entrée pour Vibe Coding, mais mentionne également des alternatives comme Replit, Base, Bolt et Google AI Studio (mode Build). Google AI Studio Build est gratuit et fonctionne de manière similaire à Lovable, mais est limité aux modèles Gemini de Google — l’orateur trouve quand même Lovable plus puissant pour les prototypes d’applications rapides.

  Le parcours d’apprentissage recommandé diffère selon le type d’IDE : on commence dans le navigateur avec Lovable ou AI Studio Build, puis on peut passer à Cursor ou VS Code, et finalement à Claude Code ou Codex comme outils CLI. Pour l’hébergement, l’orateur utilise Supabase (backend) et Vercel (déploiement), mais souligne que le choix spécifique n’importe pas — ce qui est pertinent, ce sont les coûts engagés, qui pour plusieurs applications s’élèvent à environ 100–200 dollars par mois, mais restent négligeables par rapport aux revenus.

  Le plus grand piège des débutants : Les gens essaient immédiatement leur projet de rêve (Marketplace, SaaS, réseau social) et abandonnent quand ils sont bloqués. Au lieu de cela, l’orateur recommande cinq projets jouets progressifs (Calculatrice → Outil de décision → Clone Link-Tree → Gestion de données → Système de connexion) pour apprendre les compétences étape par étape. Pour cela, il développe un générateur qui, basé sur le profil utilisateur (par exemple, agent immobilier au Royaume-Uni), suggère des idées de projet spécifiques — dans l’exemple, une calculatrice de droits de timbre britanniques. Ces mini-projets peuvent être complétés en cinq jours et font partie d’une structure d’arbre de compétences plus large que l’orateur construit.

  Outils abordés : Lovable, Google AI Studio Build, Cursor, Claude Code, Codex, Replit, Bolt, Base, Supabase, Firebase, Vercel, Gemini — Format : Tutoriel/opinion avec éléments de démonstration.

• LEVEL UP: The AI Skill Tree (Most People Stuck at Level 1)
  18.3.2026, 06:59:53

  Résumé : LEVEL UP – L’arbre de compétences en IA

  Le créateur présente un modèle d’arbre de compétences avec sept niveaux pour devenir un « AI Native » — un parcours d’apprentissage structuré qui offre un système de progression clair au-delà de l’information technologique chaotique.

  Les sept niveaux :

  1. Beyond Google : Passer de la simple collecte d’informations (substitut de Google) à l’IA comme partenaire de réflexion. Au lieu de poser des questions et d’accepter les réponses, on mène des conversations avec l’IA, on fournit un contexte plus profond et on entraîne ainsi « l’ingénierie de prompts » comme compétence de communication.
  1. Projects : Au lieu de chats ad hoc, construire des espaces de travail persistants qui s’enrichissent en contexte au fil du temps — par exemple, un projet de bulletin d’information avec des directives de marque et du contenu précédent, qui s’accumule quotidiennement sur cette base.
  1. Personal AI : Personnalisation via des instructions personnalisées, des directives de marque, des Skills (paquets d’instructions en structure de dossiers qui placent Claude ou ChatGPT dans des rôles spécifiques) et différentes personas pour différents cas d’usage.
  1. Connected AI : Connecter l’outil d’IA à d’autres systèmes via des connecteurs natifs (Gmail, Google Calendar, Notion) ou MCP (Model Context Protocol — standard ouvert d’Anthropic). L’IA extrait des informations de diverses sources et agit de manière autonome.
  1. Vibe Coding : Avec l’IA, passer de chatbot à la construction et au déploiement de son propre logiciel. Point d’entrée : outils basés sur le navigateur comme Lovable ou Google AI Studio Build (gratuit, mais limité à Gemini) ; puis passer aux IDEs (Cursor, VS Code) ou outils en ligne de commande (Claude Code). Le créateur recommande de commencer par de petits projets jouets (Calculatrice → Outil avec logique → Clone Link-Tree → Gestion de données → Connexions), pas de construire le prochain Facebook immédiatement.
  1. AI Automation : Agents autonomes et workflows qui fonctionnent sans intervention humaine. Démarrage : Human-in-the-Loop (l’humain vérifie chaque exécution), puis passage graduel à l’automatisation complètement dirigée par l’IA. C’est ici que la productivité double, car l’IA reprend les tâches qui prennent des heures.
  1. AI Operator : Indépendance des plateformes — déployer des LLMs locaux (par exemple, avec LM Studio), fine-tuning, frameworks agentic plus grands. Optionnel pour beaucoup, mais précieux comme exercice.

  Changements de mentalité par niveau : de la recherche à la co-réflexion, de « toujours recommencer à zéro » à « construire un contexte », d’applications génériques grand public à des outils personnalisés, de « exécuter une tâche » à « concevoir un système », d’une dépendance à l’indépendance.

  Le créateur critique le fait que les ressources d’apprentissage précédentes (Anthropic, DeepLearning.ai) sont bien, mais désorganisées — on ne sait pas quels cours suivre en premier. Il tente de briser ce chaos avec cet arbre de compétences. Prévu : des mini-guides pour chaque nœud, des exercices pratiques et des projets capstone par niveau, indépendants des outils spécifiques (qui changent), concentrés sur les compétences et la façon de penser.

  Outils/Modèles : Claude, ChatGPT, Gemini, Lovable, Cursor, Claude Code, LM Studio, NotebookLM, Supabase, Vercel, Google AI Studio Build, MCP (Model Context Protocol) | Format : Deep-Dive/Cadre pédagogique, orienté pratiquement pour débutants complets à intermédiaires

• He Used ChatGPT to Make a Cancer Vaccine (And It Worked)
  17.3.2026, 20:30:07

  Un homme nommé Paul Ingham a utilisé ChatGPT et AlphaFold (DeepMind) pour développer pour son chien Rosie un vaccin contre le cancer personnalisé — avec succès. Après que les traitements traditionnels aient échoué, il a fait séquencer le génome de Rosie pour 3 000 dollars, alimenté les données dans AlphaFold pour identifier les protéines mutées et utilisé ChatGPT pour élaborer un plan de développement du vaccin. Bien qu’Ingham ne soit pas médecin, ces outils d’IA lui ont permis de trouver des cibles potentielles et les agents thérapeutiques correspondants. Après l’administration d’un vaccin à base d’ARNm, la tumeur de la taille d’une balle de tennis de Rosie a rétréci de moitié en deux mois. Le plus grand obstacle n’était pas le travail scientifique, mais l’approbation réglementaire : Ingham avait besoin d’une approbation éthique complète pour un essai clinique et a travaillé trois mois sur un document de cent pages jusqu’à ce que l’Université de Nouvelle-Galles du Sud soutienne le projet sous son égide.

  L’implication centrale dépasse un seul chien : le concept montre que les médicaments hautement personnalisés — sur mesure pour la génomique individuelle d’un patient — peuvent être développés efficacement et rapidement. Des experts comme Martin Smith (Computational Biology, Université de Nouvelle-Galles du Sud) suggèrent que cette méthode pourrait bientôt être transposée aux humains, inaugurant une nouvelle ère de thérapie anticancéreuse individualisée. Le cas démontre également la « Citizen Science » : un profane ayant des connaissances informatiques de base pourrait faire avancer des processus biotechnologiques complexes — rendu possible par des outils d’IA librement disponibles. La transcription souligne que la technologie dépasse les cadres éthiques et réglementaires.

  ChatGPT et AlphaFold (DeepMind) étaient centraux ; format : opinion/réflexion avec exemple de cas concret.

• 143M jobs scored by how at RISK they are from AI
  17.3.2026, 07:45:01

  Résumé : 143 millions d’emplois évalués selon leur risque d’IA

  Le créateur vidéo discute une analyse d’Andrej Karpathy (co-créateur de ChatGPT) qui a évalué 143 millions d’emplois aux États-Unis selon leur risque face à l’intelligence artificielle — sur une échelle de 0 à 10. L’analyse visualise les résultats comme une carte thermique de marché boursier : vert pour les emplois sûrs, rouge pour les emplois fortement menacés.

  Principaux enseignements de l’analyse :

  • Emplois sûrs (risque faible) : Artisans, ouvriers du bâtiment, aides-soignants, agents de nettoyage — en d’autres termes, les emplois qui sont physiques et non-algorithmiques
  • Emplois fortement menacés (risque élevé 8–9/10) : Développeurs de logiciels, service clientèle, employés administratifs, secrétaires, avocats (car ils effectuent principalement un travail basé sur des documents et numérique)
  • Expression de coût global : 3,7 billions de dollars de salaires pourraient disparaître du marché du travail américain

  L’analyse a été supprimée 10 heures après sa publication par Karpathy ; un clone GitHub de Josh Kale rend les données à nouveau accessibles. Le créateur vidéo met en évidence trois facteurs de protection : Physicalité (travail dans le monde réel plutôt que sur ordinateur), Variabilité (tâches différentes chaque jour) et Empathie (interaction humaine requise).

  Histoires supplémentaires dans la vidéo :

  Un particulier en Australie (Paul Cunningham) a utilisé ChatGPT et AlphaFold de Google DeepMind pour développer un vaccin contre le cancer à ARNm personnalisé pour son chien Rosie — avec succès : le nodule ressemblant à une tumeur s’est réduit de moitié. Le projet démontre les possibilités de la médecine personnalisée pour les humains et a pris moins de temps que les procédures d’approbation.

  Meta a retardé la publication de son nouveau modèle d’IA « Avocado » jusqu’à au moins mai, car il a sous-performé lors des évaluations internes et ne peut pas concurrencer Gemini, Claude ou ChatGPT. Cela signale que Meta se retire de la course à l’IA ; Gemini de Google est intégré dans Apple, Android et Chrome et devient l’IA standard.

  Le créateur vidéo recommande : garder son emploi 9 à 17 heures, construire des sources de revenus parallèles et se familiariser avec les Claude Skills (paquets de compétences d’IA réutilisables) et les référentiels de compétences disponibles pour être plus optionnel et indépendant.

  Outils/fournisseurs explicitement mentionnés : ChatGPT (OpenAI), Claude (Anthropic), Gemini (Google), AlphaFold (Google DeepMind), Claude Code, Cursor — Format : Mise à jour d’actualité/panorama avec opinion/réflexion.

• Why Some People Think AI Is Useless
  16.3.2026, 18:31:07

  Pourquoi certaines personnes pensent que l’IA est inutile

  Le point central de la vidéo : la plupart des personnes qui critiquent l’IA ou la trouvent inutile utilisent la version gratuite de ChatGPT — un modèle obsolète d’il y a six mois à un an. Elles utilisent le sélecteur de modèle automatique au lieu de choisir consciemment un modèle plus puissant, se heurtent rapidement à des limites d’utilisation et n’expérimentent donc ni la puissance ni les applications pratiques.

  L’orateur observe une division croissante : les utilisateurs qui investissent dans de meilleurs outils et dans leur apprentissage (comme Claude) obtiennent des résultats impressionnants et seront prêts à payer encore plus. Les utilisateurs gratuits restent avec les versions faibles, obtiennent de mauvais résultats, sont déçus et ne continuent pas à investir — un cycle s’auto-renforçant. Ce groupe sera dans une position difficile dans un avenir prévisible.

  Sur la question Claude vs ChatGPT : les deux sont bons, mais pour différentes choses. ChatGPT a été longtemps préféré par l’orateur pour les affaires personnelles en raison de la fonction de stockage persistant qui accumule les informations de contexte pendant des années (préférences alimentaires, jeux, lieu de résidence, etc.). Claude a obtenu cette fonction il y a seulement deux semaines. Le problème central avec Claude est la consommation élevée de tokens — le modèle est plus intelligent, donc plus cher, et le plan gratuit offre à peine d’utilisation. Anthropic poursuit un modèle commercial différent : préférer 40 millions d’utilisateurs payants plutôt que, comme ChatGPT, 900 millions, pour économiser les ressources serveur. Pour celui qui passe de ChatGPT à Claude, il est souvent surprenant que l’utilisation sur Claude, même avec 20 dollars par mois, s’épuise plus rapidement — en particulier avec le meilleur modèle Opus.

  Exemple pratique : Claude a rapidement transformé un rapport d’analyse avec 4 000 nouveaux abonnés, taux de conversion et insights de tests A/B en une présentation terminée — un travail qui aurait autrefois signifié une journée pour une personne. Pour les agences qui rapportent aux clients, Claude est pratiquement indispensable ; un plan de 100 dollars est un investissement commercial rentable.

  Claude et ChatGPT comme fournisseurs, format opinion/réflexion.

• How to build interactive charts and diagrams with AI
  16.3.2026, 07:00:10

  Résumé : Graphiques et diagrammes interactifs avec le visualiseur de Claude

  Claude a reçu une nouvelle fonction de visualisation qui permet de représenter les informations de manière interactive — similaire à ChatGPT via des blocs ou Google NotebookLM. La fonction est disponible dans tous les plans Claude, y compris les gratuits.

  Comment l’activer : Le mot-clé est « Show me » (par exemple, « Show me how compound interest works »). Les commandes comme « Draw » ou « Create » conduisent souvent à des artifacts simples. Pour forcer les éléments interactifs, vous pouvez ajouter « Make it interactive ».

  Applications pratiques :

  • Le créateur l’a utilisé pour analyser si TikTok ou ChatGPT consomme plus d’eau (Résultat : TikTok en utilise environ 60x plus) — une visualisation avec données en direct et explications.
  • Il a créé une explication interactive du chunking LLM, où les utilisateurs peuvent ajuster les paramètres et observer le comportement.
  • Analyse professionnelle : comparaison de quatre séquences de bienvenue par email (test A/B/C/D) avec taux de conversion, revenus et vitesse d’achat — tout converti en artifact publiable et partagé avec le partenaire commercial.

  Partage et intégration : Les visualisations peuvent être sauvegardées en tant qu’artifacts HTML et publiées (URL : claude.ai/public/artifact/…). Elles sont alors accessibles à tous sans compte Claude. Le HTML peut également être intégré dans les sites web.

  Limitations : L’API ne supporte pas (encore) les visualisations — la fonction n’existe que sur l’application web. Les artifacts ne sont pas complètement interactifs si vous les téléchargez ou les exportez en HTML.

  Implication plus large : Le créateur soutient que les outils d’IA de haute qualité (plans payants) conduisent à une « bifurcation » — ceux qui investissent voient de véritables résultats ; ceux qui ne utilisent que des versions gratuites restent peu impressionnés. Claude est plus cher que ChatGPT en utilisation gratuite, mais sur les plans premium, cela a certainement du sens, en particulier pour les agences qui doivent générer des rapports plus rapidement.

  Outils & Modèles : Claude (Opus, Sonnet, Haiku) ; mentionné : ChatGPT, Google NotebookLM, Cursor, VS Code, Cowork, modèles open-source (Qwen, Kimi, DeepSeek). Format : Démo + tutoriel avec cas d’usage professionnel et éléments de Q&A.

Leon van Zyl (3 nouvelles vidéos)

• 5x More Context in Claude Code – Here’s How to Actually Use It
  19.3.2026, 13:01:25

  Anthropic a augmenté les fenêtres de contexte de Claude (Opus 4.6 et Sonnet 4.6) de 200 000 à 1 million de tokens – une multiplication par cinq. Le point fort : la tarification est uniforme sur toute la fenêtre de 1 million de tokens, contrairement à Gemini et OpenAI, qui facturent des prix doubles pour les contextes plus longs.

  Le présentateur montre des workflows concrets pour exploiter cet avantage :

  Traiter des fichiers volumineux : les documents de spécifications produit, fichiers CSV et datasets peuvent désormais être chargés complètement dans le contexte, sans compression ni perte d’information due au chunking.

  Meilleure planification de projet : au lieu de construire un grand projet en une seule session, le Planning Mode divise une spécification détaillée (par ex. une AppSpec de 680 lignes) en Waves et Features, analyse les dépendances et regroupe l’ensemble en Waves d’implémentation séparées et parallèles. Cela n’utilise que 4% de la fenêtre de contexte.

  Agent Teams : avec les Claude Code Agent Teams, plusieurs agents peuvent implémenter les différentes Waves en parallèle tout en communiquant entre eux – bien plus rapide que le traitement séquentiel par un seul agent.

  Intégration avec d’autres outils : des outils comme Autoforge, AutoMaker et AutoClaude permettent d’augmenter le nombre de features par session d’agent – de 1 à 2 recommandés à potentiellement 10+ features, puisque l’agent a tous les fichiers concernés en mémoire et a moins de surcharge de découverte.

  Projets de migration : le présentateur raconte l’histoire d’un ami dont l’application 400+ features en production ne fonctionnait pas parce que l’agent avait supposé des stacks technologiques obsolètes (SQL Lite). Une migration manuelle sous les anciennes fenêtres de contexte était compliquée et la compression de contexte a entraîné une perte d’environ 30% des fonctionnalités – avec des fenêtres de contexte plus larges, Claude aurait permis une analyse plus holistique.

  Le présentateur souligne : ne pas tout mettre en une seule session, mais grouper les features de manière stratégique pour que Claude traite efficacement plusieurs features avec les mêmes fichiers.

  Claude (Opus 4.6, Sonnet 4.6) axé sur Claude Code et Agent Teams ; démonstration.

• 1 Mistake That Kills Every Vibe Coded App
  17.3.2026, 14:00:57

  Résumé : « 1 Mistake That Kills Every Vibe Coded App »

  Le problème central : les Vibe Coders ne comprennent pas le tech stack et construisent des apps qui fonctionnent localement mais s’effondrent en production.

  Les trois composants principaux d’un tech stack prêt pour la production :

  1. Frontend (UI) : React est recommandé – c’est puissant, répandu et permet aussi des apps mobiles via React Native. Les alternatives sont Svelt ou Astro.
  1. Backend Server : le malentendu le plus fréquent. Si on veut stocker des données, les agents créent souvent un serveur séparé avec Express. Mieux : Next.js comme meta-framework, qui combine frontend et backend et les relie de manière transparente.
  1. Base de données : l’erreur critique – les agents choisissent SQLite parce que c’est pratique. Ça marche localement mais échoue au déploiement sur des plateformes comme Vercel, qui n’autorisent pas les fichiers persistants. Solution : PostgreSQL avec Docker pour le développement local ; Neon, Supabase ou Railway pour la production. Drizzle ORM connecte l’app à la base de données.

  Également essentiel : l’authentification des utilisateurs – ne pas faire du vibe code, mais utiliser une solution établie comme Better Auth.

  Conseils pratiques :

  • Lors de la planification, dire à l’agent : « Cette app doit être production-ready et sera déployée sur Vercel » – cela oriente les recommandations dans la bonne direction.
  • Utiliser un modèle de boilerplate gratuit qui a tous les composants préinstallés (Next.js, PostgreSQL via Docker Compose, Better Auth, Drizzle).

  La leçon : comprendre pourquoi chaque composant est là. La lecture de la documentation en vaut la peine, et les agents peuvent aussi bien fonctionner comme enseignants.

  Outils/prestataires mentionnés : Claude, React, Next.js, Express, SQLite, PostgreSQL, Drizzle ORM, Docker, Better Auth, Neon, Supabase, Railway, Vercel, Lovable, Bolt. Format : tutoriel/opinion – adapté aux débutants et vibe coders.

• Your Computer Doesn’t Matter Anymore – Claude Code SSH
  16.3.2026, 13:00:35

  Exécuter Claude Code via SSH sur des serveurs distants

  La vidéo montre comment exécuter Claude Code Desktop non pas localement sur son ordinateur, mais sur un serveur distant dans le cloud – via une connexion SSH.

  Pourquoi c’est utile :

  • Sécurité des données et disponibilité : le code et les dépendances s’exécutent sur un VPS (serveur privé virtuel) et restent disponibles même si son PC est éteint
  • Économiser des ressources : l’ordinateur local reste allégé ; seuls Claude Code Desktop et la connexion SSH s’exécutent localement
  • Puissance de calcul supérieure : pour les projets exigeants en ressources (développement de jeux, machine learning), un VPS plus puissant que le matériel local peut éliminer les goulots d’étranglement
  • Accès multi-appareils : plusieurs appareils (laptop, PC de travail, etc.) peuvent se connecter au même serveur distant

  Guide pratique :

  Le créateur utilise Hostinger comme fournisseur VPS (avec code promo « Leon » pour 10% de réduction). Les étapes sur le VPS : installer Claude Code (curl...), puis définir le chemin et exécuter source ~/.bashrc. Ensuite, générer localement une clé SSH sur son ordinateur (ssh-keygen -d), copier la clé publique sur le VPS et la registrer avec authorized_keys (définir les permissions via chmod 600/700). Dans Claude Code Desktop, ajouter la connexion SSH avec : nom d’utilisateur (par ex. root), IP du serveur, port 22 et chemin vers le fichier d’identité (~/.ssh/id_rsa). Ensuite, on peut sélectionner des dossiers distants et commencer immédiatement à travailler avec Claude Code.

  Démonstration : un PC Windows local affiche Windows 11 Pro et l’heure locale ; après passage à la session distante, la même commande affiche Linux et une heure serveur différente.

  La vidéo combine Claude Code, Hostinger et la configuration SSH dans un tutoriel axé sur la pratique, adapté aux utilisateurs du niveau débutant à avancé.

Liam Ottley (2 nouvelles vidéos)

• How to Build & Sell AI Agents in 2026: Ultimate Beginner’s Guide
  22.3.2026, 07:54:17

  How to Build & Sell AI Agents in 2026: Ultimate Beginner’s Guide — Résumé

  Le créateur Liam Otley enseigne de manière exhaustive comment construire des AI Agents et en tirer profit sans connaissances en programmation. Il structure le cours en trois chapitres : Comprendre les bases (ce que sont les agents, comment ils fonctionnent), quatre tutoriels pratiques de construction (étape par étape), et une stratégie de monétisation éprouvée.

  Arguments clés pour la pertinence

  Liam appuie ses dires sur des données (McKinsey, World Economic Forum) montrant que 57% de tous les emplois américains sont déjà automatisables avec la technologie existante, tandis que les employés compétents en IA gagnent 56% de plus et que les employeurs recherchent activement des compétences en IA. Avec seulement 12% des employés ayant suivi une formation en IA, il existe une énorme opportunité de marché.

  Qu’est-ce qu’un AI Agent ?

  Un travailleur numérique qui comprend les instructions et exécute des tâches — différencié des chatbots en ce qu’il ne fournit pas seulement des informations, mais exécute réellement des actions (réserver des rendez-vous, mettre à jour des bases de données, envoyer des e-mails, créer des documents).

  Cinq composants techniques

  1. Brain (LLM) : GPT-5, Claude, Gemini, etc. — l’intelligence
  2. Prompt : Instructions de comportement en langage naturel plutôt qu’en code
  3. Memory : Gestion du contexte au-delà des conversations (généralement automatisée)
  4. Knowledge : Données externes (PDF, Sheets, Docs) qui vont au-delà de l’entraînement général
  5. Tools : API et intégrations qui permettent aux agents d’agir dans le monde réel

  Liam simplifie cela aux trois ingrédients essentiels pour les développeurs : Prompting, Knowledge, Tools.

  Comment fonctionnent les Tools

  Les Tools sont des API — des modèles de requête-réponse standardisés sur Internet. Un agent a besoin de trois informations sur chaque outil : Description (objectif), Input (données requises), Output (résultat). Les LLM modernes peuvent lire et comprendre ces descriptions (schémas) et déterminer quand et comment utiliser un outil.

  Exemple : À la question « Quel temps fait-il à Tokyo ? », l’agent comprend automatiquement que l’outil Météo est pertinent, extrait « Tokyo », effectue l’appel API et traduit les données brutes en : « 72° et ensoleillé à Tokyo avec une légère brise ».

  Il existe deux types d’outils : les intégrations préconstruites (Google Calendar, Gmail, Slack) et les Custom Tools que vous construisez vous-même.

  Workflows Multi-Tool & Reasoning Models

  Les agents peuvent combiner plusieurs outils pour planifier et exécuter étape par étape des tâches complexes — par exemple : recherche web sur les AI Startups → entrée dans Google Sheets → rédaction de résumés → envoi du lien par Gmail. Les Reasoning Models (modèles d’IA plus récents) peuvent réfléchir pendant l’exécution et adapter leur stratégie.

  Attention : Ces tâches multi-étapes restent peu fiables ; la supervision humaine est recommandée.

  Deux modes de fonctionnement

  Conversational Agents : L’utilisateur envoie des messages directement (widgets de chat, WhatsApp, Instagram DM, téléphone). Automated Agents : Aucune entrée utilisateur directe ; au lieu de cela, déclenchés par événement (réception de formulaire) ou programmés (par ex. quotidiennement à 9 h).

  Cas d’usage pratiques

  • Copilots : Assister les représentants du Support/Ventes avec des connaissances en temps réel
  • Lead Generation & Appointment Setting : Engagement 24/7 sur le site web, réponses rapides, intégration calendrier
  • Research/Qualification Agents : Approfondir les leads, trouver les profils LinkedIn, poser des questions
  • Voice Agents : Appels entrants/sortants, réservation de rendez-vous, qualification de leads (Retail AI : 40 millions d’appels/mois)

  Exemple de Build : Telegram Receipt Assistant (n8n)

  Le premier build concret démontre une approche plus moderne :

  1. Planification IA : Un GPT personnalisé aide à planifier l’automatisation et à esquisser l’architecture n8n appropriée.
  2. Rédaction de spécifications : Un outil convertit cette planification en un prompt n8n parfait.
  3. n8n AI Builder : Insérer la spécification, n8n génère automatiquement les nœuds.
  4. Affinage itératif : En cas de complexité, on peut revenir à la planification, simplifier et régénérer.

  L’exemple montre : Déclencheur Telegram → Vérification de message ou photo → pour les photos : Gemini 2.5 Flash analyse le reçu, extrait les champs (Vendeur, Montant, Date), si >500$ envoyer un mail au CFO → pour les messages : l’agent répond aux questions sur les données Google Sheets. Au lieu de workflows codés en dur, on utilise un agent avec des tools (Sheets, Gmail) qui décide intelligemment quand utiliser quel outil.

  Liam souligne : La construction moderne d’automatisation IA se détourne du câblage manuel de nœuds pour adopter la planification assistée par IA + n8n AI pour la génération, avec affinage itératif plutôt qu’une configuration déterministe préalable — plus rapide, plus sûr pour l’avenir, plus accessible aux débutants.

  Conclusion : Claude (Anthropic mentionné), GPT-5 (OpenAI), Gemini (Google), n8n, Google Sheets, Gmail, Telegram, Gemini 2.5 Flash comme outils spécifiques ; format de guide pour débutants ; clairement conçu pour débutants ici, sans codage nécessaire et explications détaillées.

• I Set Up a Claude Code Operating System for 6 Founders in 8 Hours
  18.3.2026, 08:34:13

  Le créateur Liam Meley documente une session mastermind de 8 heures à Cape Town au cours de laquelle il initie six fondateurs (avec des niveaux d’expérience et des secteurs variés : ancien propriétaire d’agence, designer, opérateur de venture studio, agence IA, plateforme e-learning, courtier en vacances) à la mise en place d’un « Système d’exploitation IA » (AIOS) basé sur Claude Code. La thèse centrale : Claude Code n’est pas un outil de programmation, mais un « Super-Agent » universel qui fonctionne comme une couche protectrice autour des modèles commerciaux existants et permet aux fondateurs d’économiser 80% de leur temps sur les tâches opérationnelles, pour se concentrer plutôt stratégiquement sur l’entreprise — nécessaire en raison de la compression des marges causée par la pression de l’IA sur les prix au cours des 12 à 36 prochains mois.

  L’atelier s’est structuré comme suit : (1) Introductions, (2) Théorie (Business Model Wrapping, Operator Trap, Urgence), (3) Configuration de l’environnement (Cursor, Claude Code, Kit de démarrage), (4) Context OS (Charger le contexte commercial dans le système via questionnaire, importation de documents, site web, export GPT, etc.), (5) Automatisations pratiques via des commandes comme /brainstorm et /explore. Résultats concrets : Cyble a intégré Zoho et a ensuite pu interroger les Factures Impayées ; Richard a créé automatiquement des Analyses Concurrentielles ; Brian a automatisé les Rapports Financiers ; Lionus a construit un système de Génération Automatisée d’Idées de Contenu.

  L’apprentissage pour Meley : Les fondateurs non-techniques peuvent réellement utiliser ces systèmes eux-mêmes si la bonne méthodologie et les bons prompts/commandes sont fournis — aucune équipe technique requise. D’autres ateliers sont prévus à Bali.

  Explicitement mentionné : Claude Code, Cursor, Zoho ; Format : Démo + Opinion/Réflexion, avec focus sur les cas d’usage pratiques.

Mark Kashef (3 nouvelles vidéos)

• Did Claude Code Just Make OpenClaw Obsolete?
  20.3.2026, 18:17:22

  Résumé : Accès distant à Claude Code via Telegram et Discord

  Anthropic a étendu Claude Code pour permettre de contrôler les sessions de codage à distance via Telegram et Discord. La vidéo montre la configuration des deux plateformes avec des conseils pratiques.

  Configuration Telegram (plus facile) : On enregistre un bot auprès de BotFather avec la commande /newbot, on obtient un token et on le sauvegarde dans un fichier d’environnement. Puis on installe le plugin, on démarre une nouvelle session terminal et on exécute la commande appropriée. Cela prend moins d’une minute. Important : il faut configurer une politique d’accès Telegram pour que seul votre ID puisse accéder à l’instance Claude.

  Configuration Discord (plus complexe) : On crée une nouvelle application dans le portail Discord, on configure OAuth2 avec une URL fictive pour la redirection, on active toutes les permissions nécessaires (View Channels, Send Messages, Read Message History, Attach Files, etc.) et on génère un lien d’invitation du bot. Après vérification par Captcha et activation de certains paramètres du bot (désactiver OAuth2 Code Grant, activer Message Content Intent), le bot fonctionne. Ici aussi, il faut définir une politique d’accès Discord.

  Pièges à connaître :

  • Les deux plateformes demandent par défaut une autorisation à chaque action (mode Accept-Edits désactivé pour des raisons de sécurité)
  • Les pièces jointes peuvent être bloquées et nécessitent une configuration supplémentaire
  • Telegram n’a pas d’API d’historique (pas de sauvegarde de conversation), limite de 50 MB par fichier ; Discord peut récupérer les 100 derniers messages (meilleure persistance)
  • Les sessions ne s’exécutent que pendant que Claude Code est actif ; pour une exécution permanente, il faut le lancer en tant que processus en arrière-plan (Claude Code peut vous aider)
  • La configuration Discord prend 5–15 minutes, Telegram moins d’une minute

  Claude Code peut être utilisé avec le plugin Chrome pour automatiser la configuration. L’orateur suggère que ces fonctionnalités pourraient à terme remplacer OpenClaw en tant que solution d’entreprise.

  Claude (Anthropic) et Discord/Telegram comme intégrations – Démonstration/tutoriel axé sur la configuration.

• 3 Claude Code Features You’ll Wish You Knew Sooner
  19.3.2026, 15:01:16

  Résumé : 3 Claude Code Features You’ll Wish You Knew Sooner

  La vidéo traite de trois fonctionnalités pour combattre le ballonnement du contexte dans les longues sessions Claude Code : le problème est que lors d’une utilisation prolongée, les requêtes de fichiers, les recherches et les tentatives échouées s’accumulent dans la fenêtre de contexte, réduisant l’espace disponible pour les nouvelles idées — non pas parce que le modèle s’affaiblit, mais parce que l’espace se rétrécit.

  Les trois fonctionnalités mentionnées sont : Slash By The Way (pour les questions posées en passant, en dehors du contexte principal), Fork (pour créer des branches de conversation parallèles sans surcharger le contexte principal) et Context Fork (une ligne dans un fichier Skill, nouveau au cours des dernières 24 heures), qui exécute une compétence dans une fenêtre de contexte séparée.

  L’exemple central montre un scénario de consulting : une Vault Search Skill avec context fork fouille votre Obsidian Vault personnelle dans sa propre fenêtre de contexte, effectue 12 recherches et renvoie uniquement le résumé nettoyé. Pendant cette recherche, vous pouvez poser des questions intermédiaires avec /by the way (par exemple « Combien de diapositives ai-je utilisées lors du dernier atelier ? ») sans interrompre la tâche principale. Avec /fork, vous pouvez créer une nouvelle branche de conversation (par exemple pour la version 2 de la présentation) en gardant la conversation d’origine intacte.

  La vidéo montre en direct comment cette combinaison génère une présentation de 12 diapositives avec des versions séparées, sans surcharger la fenêtre de contexte — particulièrement utile pour les tâches complexes et longues.

  Claude Code avec plusieurs fonctionnalités de bonnes pratiques (Context Fork, Fork, By The Way) — tutoriel-démonstration.

• Claude Code Turned Obsidian Into My Dream Second Brain
  15.3.2026, 19:30:00

  Le créateur montre comment la combinaison d’Obsidian et Claude Code a résolu son problème avec les applications de prise de notes infructueuses. Obsidian est une application locale basée sur Markdown (gratuite pour desktop, optionnellement avec un forfait cloud pour l’utilisation mobile) qui organise les idées, les tâches et les notes dans une structure consultable. La vue graphique visualise les relations sémantiques entre les notes, et la fonction Canvas permet des visualisations similaires aux diagrammes Miro.

  La clé réside dans l’intégration avec Claude Code via l’interface en ligne de commande d’Obsidian (95 commandes). Claude Code peut comprendre et utiliser automatiquement la CLI sans que l’utilisateur ait besoin de la maîtriser. Le créateur démontre une Setup Skill qui crée automatiquement une structure de Vault personnelle : après quatre questions à choix multiples (Que faites-vous professionnellement ? Qu’est-ce qui ne rentre pas dans les cadres existants ? Professionnellement seulement ou privé ? Importer des fichiers existants ?), Claude Code génère une structure de dossiers personnalisée avec des Slash-Commands intégrés comme /tlddr (crée automatiquement des notes à partir de conversations) ou /daily (briefing quotidien).

  Pour traiter les grands fichiers (PDF, Excel, JSON), il montre un workflow : organiser les fichiers avec Claude, puis synthétiser avec Gemini (fenêtre de 1 million de tokens) et les convertir en aide-mémoire au format markdown, enfin les importer automatiquement dans Obsidian. L’installation de la CLI Obsidian est une condition préalable pour la pleine fonctionnalité. Le créateur fournit gratuitement les Skills requises via des liens.

  Démonstration avec éléments tutoriels ; Claude Code et Obsidian sont les outils centraux, Gemini est mentionné pour la synthèse de PDF.

Matt Pocock (2 nouvelles vidéos)

• Building a REAL feature with Claude Code: every step explained
  18.3.2026, 14:16:47

  Créer une vraie fonctionnalité avec Claude Code : aperçu complet

  L’auteur montre un workflow complet pour implémenter une véritable fonctionnalité avec Claude Code dans son projet existant (un gestionnaire vidéo de cours React/TypeScript/Node avec Postgres et Drizzle ORM). Le processus comprend plusieurs phases :

  Phase de Grilling (élaboration des exigences)

  L’auteur utilise un skill « Grill Me » pour concrétiser les exigences vagues avec Claude. Il souhaite trois améliorations principales :

  • Créer directement des leçons réelles au lieu du processus en deux étapes Ghost→Real
  • Supprimer directement les leçons réelles sans redirection Ghost
  • Cours Ghost : des cours sans chemin d’accès au système de fichiers, servant d’espace de planification pur

  Claude pose des questions précises sur les cas limites (par exemple, « Les cours Ghost avec des leçons réelles se matérialisent-ils automatiquement ? »), force l’auteur à des définitions cohérentes et travaille avec un document « Ubiquitous Language » pour établir des termes exacts comme « matérialiser » ou « cascade de matérialisation ». Cela prend environ 22 minutes et produit 8 points de exigences concrets.

  PRD et décomposition en issues

  L’auteur utilise d’autres skills pour rédiger un document formel des exigences produit et le diviser automatiquement en 6 problèmes GitHub (avec dépendances de blocage et critères d’acceptation). Il les consolide en 4 slices : création de cours, modifications UI, action de suppression directe, cascade de matérialisation.

  Boucle AFK-Agent (implémentation)

  Avec une configuration Docker appelée « Sandcastle », l’auteur lance une boucle « Ralph »—un agent Claude qui extrait les issues de GitHub, les implémente séquentiellement et remet les commits dans le repo. Cela s’exécute en arrière-plan pendant que l’auteur fait autre chose.

  QA et itération

  Après ~90 minutes, l’auteur examine les 6 commits implémentés. Il génère un plan QA, effectue des tests et trouve des bugs/fonctionnalités manquantes (par exemple, pas de redirection après création de cours Ghost, états de chargement manquants, structure UI indésirable). Il utilise un bouton de feedback pour créer de nouvelles issues que Ralph corrige dans d’autres boucles itératives (8 itérations au total, 14 commits). Le workflow parallélise le travail QA avec les corrections de bugs de l’agent.

  Philosophie centrale

  L’auteur souligne : vous devriez utiliser Claude comme un collègue d’équipe—l’architecture et les boucles de feedback sont importants, pas la planification complète. La phase Grill-Me est essentielle pour créer de la clarté avant d’écrire du code. La révision minimale du code par l’auteur se concentre sur l’entrée/sortie et les interfaces de modules, non sur les détails d’implémentation.

  Claude Code, démo + exemple de workflow pratique ; non pas comme un tutoriel structuré, mais comme une documentation authentique et désordonnée d’une vraie construction de fonctionnalité

• 5 Claude Code skills I use every single day
  16.3.2026, 16:01:49

  Résumé : 5 Claude Code Skills I use every single day

  L’orateur, un ingénieur ayant près de dix ans d’expérience, présente cinq compétences (Skills) qu’il utilise quotidiennement pour diriger plus strictement les agents IA dans le développement logiciel. Comme les modèles IA n’ont pas de mémoire, ils ont besoin de processus bien définis—ces skills codifient de tels processus.

  Les cinq compétences :

  1. Grill Me : Un skill en trois phrases qui force le modèle à poser des questions impitoyablement jusqu’à atteindre une compréhension partagée du design. Il utilise la méthode « Design Tree » pour explorer systématiquement toutes les branches d’une décision de design. L’orateur montre un exemple avec 16 questions pour ajouter une fonctionnalité.
  1. Write a PRD : Ce skill produit un document des exigences produit à partir des informations apprises. Il demande d’abord des descriptions détaillées, explore le référentiel, conduit à nouveau des entretiens, puis crée un PRD structuré avec énoncé du problème, approche de solution et user stories, soumis en tant qu’issue GitHub.
  1. PRD to Issues : Convertit un PRD en tâches Kanban—concrètement en « vertical slices » qui traversent toutes les couches d’intégration plutôt que de couvrir horizontalement une seule couche (approche Tracer Bullet). Le skill crée des issues GitHub avec relations de blocage pour permettre le travail parallèle et des dépendances claires.
  1. TDD (Test-Driven Development) : Un skill plus complet qui force le modèle dans une boucle Red-Green-Refactor. D’abord le modèle confirme les changements d’interface, puis écrit les tests avant l’implémentation, implémente le code pour passer le test et cherche des candidats à refactor. Particulièrement important : concevoir l’interface en fonction de la testabilité, car les bases de code mal structurées rendent le test difficile.
  1. Improved Code Base Architecture : Ce skill explore la base de code pour trouver des problèmes naturels de confusion et de couplage, présente des candidats d’amélioration et génère trois designs d’interface radicalement différents via des sous-agents parallèles. L’utilisateur choisit alors quels designs combiner, et le skill crée une issue GitHub en tant que RFC de refactor.

  L’orateur souligne : les skills n’ont pas besoin d’être longs pour être efficaces—les bons mots au bon moment sont déterminants. Le principe fondamental est de traiter les agents IA comme des êtres humains avec des contraintes spécifiques : ils n’ont pas de mémoire, mais ont besoin de processus stricts et documentés. Une base de code bien structurée est fondamentale—une mauvaise architecture conduit à une mauvaise sortie IA. L’orateur promeut un cours de deux semaines intitulé « Claude Code for Real Engineers » qui enseigne ces skills et les concepts sous-jacents (Tracer Bullets, Feedback Loops, Steering).

  Claude Code pour le développement logiciel, démo pratique/guide avec profondeur théorique.

Melvynx (5 nouvelles vidéos)

• 5 ERREURS que tu FAIS avec Claude Code (en entreprise)
  21.3.2026, 17:00:13

  La vidéo aborde cinq erreurs courantes lors de l’utilisation de Claude Code dans un contexte d’entreprise :

  1. Configuration manquante ou insuffisante : Les responsables d’équipe doivent définir les directives centrales dans un fichier claude.md (workflows, conventions de nommage, chemins de fichiers importants), établir des règles spécifiques pour les patterns de code (par exemple l’utilisation d’API) et ajouter des Skills (par exemple Optimizer pour les performances, Security Check, Test Generation). Cela fait de la code de qualité la norme plutôt que l’exception.

  2. Peur injustifiée des permissions : L’auteur soutient que les préoccupations en matière de confidentialité vis-à-vis d’OpenAI sont irrationnelles et qu’il existe déjà des solutions alternatives. Plus important encore : plus Claude a d’accès et de permissions, meilleurs sont les résultats. Les permissions limitées mènent à des outputs plus faibles. Une instance Claude entièrement configurée n’a jamais rien fait de dangereux chez lui.

  3. Workflows standardisés manquants : Au lieu que différents développeurs utilisent des outils différents (Cursor, différents modèles), l’équipe devrait s’accorder sur un outil et construire des workflows de Skills standardisés (par exemple « Code Scan → Planning → Execution → Code Review → Test Creation »). Cela garantit une qualité de code cohérente et permet même des Sub-Agentes (par exemple un agent « Clean Code » qui signale les fichiers de plus de 400 lignes).

  4. Développeur ≠ un agent : Les développeurs expérimentés devraient monitorer plusieurs agents en parallèle (idéalement 3+), pas travailler eux-mêmes comme un agent. Pendant que l’agent 1 s’exécute, on peut lancer l’agent 2 et vérifier l’agent 3 – ainsi le développeur reste constamment productif au lieu d’attendre les agents. Les développeurs junior ou mid-level doivent apprendre à gérer les workflows multi-agents.

  5. Processus trop lents : Automatisez les processus de code review par des agents au lieu de plusieurs reviews manuelles. Les reviews humaines doivent se concentrer sur la fonctionnalité de haut niveau et la vision produit, pas sur les standards de code – c’est le rôle des agents. Réduisez le nombre de reviews et misez sur l’automatisation.

  L’auteur souligne que ces recommandations s’appliquent principalement aux équipes avec du développement frontend, backend et mobile ; un développement très bas niveau pourrait être évalué différemment.

  Claude Code, Démo/Opinion, application pratique en entreprise.

• COMPOSER 2.0 MEILLEUR QUE OPUS pour 10x moins cher ? (oui…)
  20.3.2026, 07:19:30

  Résumé : Composer 2.0 et Cursor Glace

  Le créateur francophone teste deux nouvelles annonces de Cursor : le modèle Composer 2.0 et l’interface utilisateur rénovée Cursor Glace.

  Composer 2.0 – Prix et performance :

  Composer 2.0 coûte 0,50 $ par million de tokens d’entrée et 2,50 $ par million de tokens de sortie – beaucoup moins cher que les modèles concurrents. Selon Cursor Bench, il atteint 70 % du score de référence et surpasse ainsi Opus, mais un peu moins que GPT-5.4. Composer 1.5 (Fast) est encore moins cher et très rapide, mais convient aux tâches plus petites.

  Tests pratiques :

  Pour une simple correction d’interface, Composer 1.5 est impressionnant de rapidité, tandis que GPT-5.4 prend beaucoup plus de temps. Pour des projets plus complexes, la puissance de Composer 2 se révèle : le créateur teste un générateur de vignettes YouTube et un vérificateur de fuseau horaire. Composer 2 génère du code propre et bien structuré avec des composants séparés, des modules CSS et des Custom Hooks – nettement meilleur que les implémentations comparatives avec Opus et GPT-5.4, qui semblent sur-engineering ou incomplètes. Le modèle comprend aussi les retours itératifs et adapte la solution correctement.

  Cursor Bench – Méthode d’évaluation interne :

  Cursor a développé son propre benchmark utilisant des tâches réelles de développement (352 lignes de code sur 8 fichiers). Ils distinguent plusieurs solutions correctes et n’évaluent pas automatiquement les approches originales négativement, ce qui devrait être plus pertinent que les benchmarks publics.

  Cursor Glace – Nouvelle interface IDE :

  L’interface redessinée offre un panneau latéral pour la gestion de projet, une vue Agent, un terminal intégré avec plusieurs sessions, une Web-View dans la même fenêtre et un système de vue Diff amélioré. Particulièrement remarquable : plusieurs terminaux en parallèle au lieu d’un seul, une navigation par onglets unifiée et une navigation rapide des fichiers. Le créateur souligne que Cursor est ainsi passé d’une fork VS-Code à un véritable développement propre.

  Conclusion du créateur :

  Cursor est de retour en lice. Le modèle est particulièrement adapté aux scénarios de pair-programming avec des exigences précises, tandis qu’Opus fonctionne mieux pour les tâches « Yolo » ouvertes. Le design de code propre et les bas coûts rendent Composer 2 intéressant – avec la réserve que le terminal a encore besoin d’optimisations. La nouvelle interface utilisateur est évaluée comme une avancée notable, car elle ne met plus l’IDE au centre.

  Outils mentionnés & Format : Cursor (Composer 2.0, Composer 1.5, Cursor Glace), Claude, Codex 5.4, GPT-5.4, Opus, Gemini 3.1 Pro — Démo/Test pratique avec comparaison de performance.

• Quel outil choisir en 2026 pour coder (comparaison honnête)
  19.3.2026, 06:30:14

  Comparaison de trois outils de coding IA en 2026 : Codex, Claude Code et Cursor

  Le créateur compare les trois principales solutions de programmation avec support IA dans les domaines de l’interface utilisateur, la qualité des résultats et les tarifs.

  Expérience UI/UX :

  Codex offre deux approches : une interface de chat (avec copie améliorée, affichage du contexte et marquage des Skills) ainsi qu’une nouvelle application de bureau avec intégration Git, accès terminal et gestion des commits. La CLI est cependant jugée confuse. Claude Code offre la meilleure expérience terminal (TUI) avec des raccourcis intuitifs et une vue Diff agréable ; l’utilisation semble provenir d’une équipe de développeurs. Cursor a après les mises à jour récentes la meilleure expérience agent pour le développement d’applications : il combine un éditeur (similaire à VS Code) avec un mode agent, permet plusieurs terminaux et chats en parallèle et offre un mode Debug qui crée des serveurs locaux. Le point critique de Cursor est l’absence d’auto-complètion pour les Skills malgré leur disponibilité.

  Qualité des résultats :

  Lors de la création d’une application « Time Zone Checker », on observe : Claude/Opus génère constamment des interfaces propres avec des designs logiques. Codex avec GPT-5.4 produit régulièrement des mises en page défectueuses et illogiques – critiquées plusieurs fois tout au long de la transcription comme du « Slop Code ». Cursor avec Opus livre également de bons résultats et semble avantagé par le system prompt pour la création d’interfaces. Le modèle linguistique sous-jacent (Opus vs. GPT-5.4) a des impacts plus importants que les différences d’outil elles-mêmes.

  Tarification (avec plan de base à 20 $/mois) :

  Cursor : budget inférence de 20–60 $ ; bénéficie de la réduction Anthropic (environ 50%), brûle l’argent du VC pour de meilleurs prix. Claude Code : peut accomplir beaucoup moins avec 20 $/mois ; l’utilisation d’Opus coûte 55 % d’une session pour une application simple, tandis que GPT-5.4 ne coûte que 4 % (Opus est environ deux fois plus cher par token que GPT-5.4). Codex : limites strictes, utilisation rapidement épuisée. Un tweet montre : avec 200 $/mois sur Claude Code, on peut subventionner jusqu’à 5000 $ en coûts d’API, tandis qu’Anthropic finance le système avec des fonds d’investisseurs. Inversement : GPT-5.4 dans Codex permet plus d’applications par dollar qu’Opus.

  Recommandation selon le budget :

  • 20 $/mois : Codex (GPT-5.4), moins cher par token et plus de débit
  • 200 $/mois : Claude Code grâce à la subvention massive et l’expérience développeur
  • Entreprise : Cursor si l’employeur paie

  La vidéo compare principalement Claude Code (Anthropic), Codex (OpenAI) et Cursor dans un deep-dive comparatif ; le niveau de difficulté s’adresse aux développeurs techniques.

• Je SETUP OpenClaw en 1 heure à un total débutant
  18.3.2026, 17:00:32

  Configurer OpenClaw en une heure – pour les débutants

  La vidéo montre la configuration complète d’OpenClaw (un agent IA sur VPS) avec un débutant complètement novice sur MacBook.

  Préparation de la machine

  D’abord, deux outils Mac utiles sont installés : Ghost (terminal amélioré avec onglets et zoom) et Raycast (application launcher centrale avec sélecteur d’emoji, historique du presse-papiers, gestion de fenêtres et outils de capture d’écran). Avec Raycast, on remplace Spotlight par une alternative plus rapide et puissante – le raccourci Cmd+Space lance la recherche.

  Configuration VPS

  Un VPS est loué chez Hostinger et l’OS est installé. Après création de la clé SSH, on se connecte au serveur. Claude est invité à générer automatiquement des profils SSH et la configuration – ainsi on peut se connecter simplement avec ssh openclaw au lieu de taper les adresses IP.

  Installation d’OpenClaw

  Sur le VPS, on télécharge un script d’installation (npx openclaw-vps-setup) qui installe automatiquement Node.js, l’intégration GitHub d’OpenClaw, CLI Cloud et d’autres outils. Le script propose optionnellement un durcissement de la sécurité (UFW, Fail2Ban). Ensuite, Telegram est configuré : on crée un bot (/newbot dans Bot Father), obtient un token et saisit ce token lors de l’intégration d’OpenClaw.

  Authentification et Skills

  Lors de la configuration, on sélectionne le fournisseur API Anthropic et entre le token de l’API Claude. Ensuite, des Skills peuvent être activés : Claw Update (recherche web), Gemini (génération d’images), Google Workspace (Gmail/Calendrier), Whisper (reconnaissance vocale), Nanogpt et autres. L’installation demande les clés API supplémentaires (Google Places, Gemini, etc.), qu’on peut optionnellement ajouter plus tard.

  GitHub et permissions contournées

  On connecte OpenClaw à GitHub pour qu’il puisse sauvegarder son espace de travail. Pour contourner les demandes de permission ennuyeuses, on utilise une astuce : export SANDBOX=0 dans la config Bash, pour que Claude pense s’exécuter en dehors d’un sandbox et exécute les commandes directement.

  Gmail & Google Calendrier

  Pour intégrer Gmail et Google Calendrier :

  1. Créer un projet Google Cloud
  2. Activer les APIs Gmail et Google Calendrier
  3. Générer des identifiants OAuth 2.0 pour desktop
  4. Transmettre le fichier JSON à OpenClaw
  5. OpenClaw s’authentifie lui-même via le lien OAuth

  Ensuite, il peut lire les e-mails, créer et modifier des événements – par exemple en parlant : « Demain 11h rendez-vous pause » crée une entrée calendrier.

  Autres intégrations

  La vidéo montre optionnellement l’installation de Parler (application de reconnaissance vocale locale) et de Skills personnalisés comme Dub (raccourcisseur d’URL), Flights (API aviation), outils de médias sociaux, etc. Les Skills peuvent être créés manuellement ou par Claude – le présentateur préfère que Claude les écrive lui-même pour minimiser les dépendances.

  Interface locale et utilisation

  L’interface web d’OpenClaw tourne sur localhost:7000 et s’authentifie par token. On peut ensuite utiliser OpenClaw pour :

  • Comme interface de chat comme ChatGPT
  • Partager des tweets, vidéos YouTube ou images (via bouton partage Telegram)
  • Programmer des résumés d’e-mails quotidiens ou des sauvegardes de calendrier par Cron

  Le présentateur souligne : OpenClaw dit toujours oui, essaie de résoudre des tâches, même s’il ne peut pas – il suffit d’être assez créatif dans ses demandes.

  Traité : OpenClaw, Claude (Anthropic), CloudCode, Google Cloud, Telegram, GitHub | Format : Tutoriel pour débutants, démo pratique avec vrai setup | Difficulté : Expliqué au niveau débutant pour le spectateur, mais plusieurs étapes techniques (VPS, SSH, OAuth).

• VLOG : Mon PREMIER Hackathon à San Francisco (ça a dégénéré)
  17.3.2026, 18:00:02

  Résumé : Mon premier hackathon à San Francisco

  Le créateur documente son expérience à un hackathon Mistral à San Francisco. Après avoir hésité à s’engager pendant 3 jours, il décide au deuxième jour de construire spontanément une application – un générateur d’examen de code avec Mistral. Avec Claude et un agent Swarm, il développe en un peu plus d’une heure une webapp fonctionnelle qui utilise les modèles Mistral pour examiner automatiquement le code, avec environ 56 dollars de coûts API. Le détail clé : l’abonnement Claude à 200 dollars offre le meilleur rapport coût-efficacité de tous les plans disponibles et permet jusqu’à 16 dollars de valeur API par dollar dépensé.

  L’événement hackathon semble chaotique (avec des présentateurs, barbecue, des enfants sur place), mais montre des participants internationaux – beaucoup d’étudiants français – et un gagnant impressionnant qui a développé une application interactive de histoires pour enfants avec du texte généré, des images et de la musique. En passant, le créateur documente San Francisco lui-même : la grille urbaine structurée avec Golden Gate Park, la domination d’Apple Maps sur Google Maps chez les utilisateurs d’iPhone, la bonne qualité de l’air malgré les préoccupations environnementales et le climat doux sans saisons extrêmes.

  Outils mentionnés : Claude, Claude Code, Mistral (Modèles), Mistral Vibe (IDE open-source), Swarm (cadre d’agents), NaOTS (configuration backend), Apple Maps / Apple Watch — Format : Vlog/Démo.

MoureDev by Brais Moure

Aucune nouvelle vidéo pendant cette période.

n8n

Aucune nouvelle vidéo au cours de cette période.

Nate Herk | AI Automation (2 nouvelles vidéos)

• Stop Learning n8n in 2026…Learn THIS Instead
  21.3.2026, 11:58:00

  La vidéo soutient qu’une nouvelle ère de l’automatisation commence et que les anciennes plateformes sans code comme n8n sont remplacées par les Agentic Workflows.

  Le changement : Alors que des plateformes comme n8n prennent encore des années pour construire des automations, des outils comme Claude (d’Anthropic) et trigger.dev permettent de créer des automations par descriptions en langage naturel en quelques minutes. L’utilisateur décrit l’objectif, pas les étapes – l’agent IA gère l’implémentation technique.

  Données de marché : Le marché de l’Agentic AI valait plus de cinq milliards de dollars en 2024 et devrait atteindre près de 200 milliards d’ici 2034. 96 % des entreprises prévoient d’augmenter leur utilisation ; un tiers de tous les logiciels d’entreprise devraient avoir l’Agentic AI d’ici 2028.

  Démo pratique : Le créateur montre deux exemples : (1) Une surveillance YouTube qui vérifie toutes les heures les nouvelles vidéos et fournit des points clés – décrite en quelques phrases au lieu d’être configurée manuellement. (2) Un agent de recherche basé sur ClickUp qui collecte les informations d’entreprise. Dans l’exemple en direct, un agent de créateur de contenu LinkedIn est construit, qui génère automatiquement des posts et des infographies (via Nano Banana Pro/key.ai) – entièrement par prompting, pas par configuration de nœuds.

  Défis des Agentic Workflows : Context Drift (l’agent oublie les instructions antérieures), hallucinations (APIs/fonctions inventées), Over-Engineering (solutions inutilement complexes), observabilité insuffisante après le déploiement. Tous peuvent être résolus par la gestion de session, un scoping clair, les tests et le contrôle de version.

  Perspective : n8n n’est pas mort, il devient la base. Celui qui a de l’expérience avec n8n comprend déjà les workflows, le flux de données et la gestion des erreurs – c’est exactement ce dont on a besoin pour diriger les systèmes Agentic de manière réfléchie.

  Outils abordés : Claude/Anthropic, trigger.dev, n8n, ClickUp, YouTube-API, Nano Banana Pro, key.ai. – Vidéo de démo/live-build sur une tendance avec des exemples pratiques.

• Generate Content for 9 Socials on Autopilot with Claude Code
  17.3.2026, 14:44:04

  La vidéo montre un workflow pratique pour convertir une vidéo YouTube en posts de médias sociaux pour plusieurs plateformes – entièrement automatisé avec Claude Code et Blot.

  Configuration et préparation :

  L’utilisateur installe l’extension Claude Code dans Visual Studio Code (fonctionne aussi dans d’autres IDEs), se connecte avec un abonnement Claude payant (Pro ou Max) et s’authentifie avec les clés API de Blot (pour la publication automatique) ainsi que Claude/Open Router (pour les modèles IA).

  Construction du workflow :

  On crée une « Skill » (une sorte de recette/modèle) que Claude Code parcourt avec des questions détaillées : langage de programmation, si un aperçu avant publication est nécessaire, ton pour chaque plateforme, format visuel pour LinkedIn (graphique clé), Instagram (carousel style tweet) et X (graphique de citation). Ensuite, Claude Code enregistre tout dans les brouillons pour examen manuel.

  Exemple pratique :

  L’utilisateur ajoute une vidéo YouTube sur la création de sites web, ainsi qu’une photo de profil dans le dossier des éléments de marque. Claude Code extrait le contenu, rédige des textes adaptés à chaque plateforme et génère des éléments visuels. En cas d’erreur (par exemple, liens YouTube bloqués, images trop grandes), il met automatiquement à jour la documentation de la Skill pour éviter le problème lors de la prochaine exécution.

  Amélioration itérative :

  Après chaque test, le système s’adapte – lors de la deuxième exécution, Claude Code ajoute automatiquement la photo de profil et un badge de vérification dans les diapositives du carousel Instagram. L’utilisateur montre également comment structurer le système à la fin : déplacer les scripts Python dans un dossier /scripts et générer un fichier système claude.md pour centraliser le contexte du projet.

  Publication :

  Une fois tout vérifié, on connecte les comptes de médias sociaux dans les paramètres de Blot et on peut alors publier le post en direct avec une commande – dans l’exemple, un post X est publié avec succès.

  L’argument central : avec des exécutions de test répétées et des retours d’expérience, la Skill devient de plus en plus robuste et peut s’exécuter complètement automatiquement plus tard, dès qu’une nouvelle vidéo est téléchargée.

  Outils : Claude Code (avec Open Router comme API), Blot ; Format : tutoriel (configuration en direct et démo) ; Niveau de difficulté pour utilisateurs intermédiaires (connaissances de base en terminal/IDE requises).

NeuralNine (2 nouvelles vidéos)

• Scraper APIs Make Your Life Easier…
  20.3.2026, 17:01:16

  Résumé : Scraper APIs – La façon moderne du Web Scraping

  La vidéo montre pourquoi les Scraper APIs sont une alternative plus pratique aux solutions de Web Scraping manuelles avec proxies, debloqueurs et scrapers personnalisés. Au lieu de parser la structure HTML d’un site web et d’adapter constamment le code lors de changements, on utilise une API qui résout tous les défis techniques (gestion des proxies, contournement des blocages IP, changements de structure) en arrière-plan – le développeur fait simplement un appel API avec ses paramètres et reçoit des données structurées en retour.

  La vidéo le démontre avec la Scraper-API-Library de Bright Data et trois exemples pratiques : Amazon (E-Commerce : recherche de produits par mot-clé avec filtres), TikTok (Réseaux sociaux : recherche de hashtags avec métadonnées vidéo), Airbnb (Voyage : recherche d’hébergements par lieu et date). Dans chaque cas, il est montré comment on définit simplement les paramètres dans l’interface web, teste l’API et reçoit un téléchargement JSON.

  Suit ensuite un tutoriel technique : le code est implémenté en Python avec le package requests – d’abord on crée un snapshot (requête POST vers l’API), puis on l’interroge régulièrement jusqu’à ce que les données soient prêtes, et finalement on télécharge les résultats. Enfin, il est montré comment construire un AI Agent avec Langchain et GPT-4 Mini qui utilise Bright Data comme outil : l’agent peut accepter des requêtes de recherche en langage naturel (« Headphones »), appeler l’API et afficher les résultats formatés – et cet agent continue de fonctionner sans qu’aucun code ne soit adapté si Amazon change son site web.

  Bright Data Scraper APIs avec intégration Langchain/OpenAI – Démo/Tutoriel.

• This is an AI Supercomputer For Your Desk…
  16.3.2026, 17:00:45

  La vidéo présente le Dell Pro Max avec GB10 – un data center compact doté des derniers chips Grace-Blackwell d’Nvidia, tenant sur un bureau. L’appareil dispose d’une CPU ARM avec 20 cœurs, 128 GB de mémoire partagée (CPU et GPU partagent la RAM) et offre une puissance de calcul FP4 en pétaflops. Il est fourni avec une version d’Ubuntu préconfigurée spécialement pour l’écosystème Nvidia (DGXOS) préinstallée.

  L’accent ne porte pas sur la vitesse, mais sur la convivialité des développeurs et la scalabilité : celui qui développe un concept sur cet appareil avec la stack Nvidia peut le mettre à l’échelle directement dans de véritables data centers. La configuration est simple – via HDMI, Ethernet et USB-C, puis configuration système comme sur un Ubuntu standard. Le testeur montre plusieurs cas d’usage pratiques provenant des « Playbooks » d’Nvidia (tutoriels préconfigurés) : installation de VS Code, Open Web UI avec Ollama pour les LLMs locaux (teste les versions avec 20 et 120 milliards de paramètres), Comfy UI pour la génération d’images, Isaac Sim/Lab pour l’apprentissage par renforcement robotique ainsi que le fine-tuning de modèles locaux avec Unsloth. À noter particulièrement que les 128 GB de mémoire partagée permettent l’inférence avec des modèles jusqu’à 200 milliards de paramètres, le tout sans coûts d’API.

  Le testeur prévoit d’utiliser l’appareil pour cinq objectifs : inférence locale (protection des données, économies de coûts), prototypage/expérimentation dans les startups, recherche lors de pénuries matérielles (par ex. expériences EEG avec de grands modèles), tests des nouvelles technologies Nvidia et possiblement comme data center portable. Nvidia pousse continuellement des mises à jour logicielles avec efficacité énergétique améliorée et support matériel étendu.

  Conclusion : L’appareil s’adresse aux développeurs de l’écosystème Nvidia et est idéal pour le prototypage et le travail de proof-of-concept avec de grands modèles open-weight, pas pour les workloads optimisés pour la vitesse — Nvidia DGX Spark / Grace-Blackwell, Démo.

Nic Conley

Aucune nouvelle vidéo durant cette période.

Nick Saraev (4 nouvelles vidéos)

• Claude Channels Just Dropped, And It Kills OpenClaw (Again)
  20.3.2026, 16:49:29

  Claude Channels : intégration Telegram et Discord pour les agents locaux

  Claude Code a lancé une nouvelle fonction Channels – une intégration avec Telegram et Discord qui permet de chatter avec des agents locaux via les mêmes applications de messagerie qu’on utilise avec les humains. C’est essentiellement une solution native d’Anthropic qui reprend la fonctionnalité d’Open Claude/Claude Bot – avec une meilleure sécurité et un meilleur contrôle.

  Démo de la fonctionnalité :

  Le créateur montre deux cas d’usage pratiques : (1) Des messages texte via Telegram (par ex. « Hey ») déclenchent une réponse de l’agent Claude et documentent localement l’historique de conversation ; (2) Un exemple plus complexe : envoyer via Telegram une URL de miniature YouTube avec des instructions comme « Remplace l’homme par moi, change le texte, remplace les drapeaux par le logo Claude » – l’agent exécute la skill localement et envoie les miniatures générées sur le téléphone. Discord fonctionne de manière similaire, par exemple pour exécuter des tâches de web scraping (ici : scraper 100 leads de dentistes en Californie, qui reviennent sur le téléphone en CSV).

  Processus de configuration :

  1. Telegram : appeler Bot Father, créer un nouveau bot et copier le token. Puis dans Claude Code, entrer /plugin install telegram@claude-plugins-official dans le terminal, activer le plugin, appeler /telegram:configure, coller le token, puis lancer claude --channels plugin:telegram@claude-plugins-official.
  2. Discord : créer une application via discord.com/developers/applications, activer Message Content Intent, réinitialiser le token, définir les permissions OAuth2 (Bot, View Channels, Send Messages, Read Message History, Attach Files, Add Reactions), inviter le bot sur son serveur. Dans Claude Code : /plugin install discord@claude-plugins-official, activer, /discord:configure avec le token, puis lancer claude --channels plugin:discord@claude-plugins-official.

  Garder l’Agent en cours d’exécution :

  Puisque tout s’exécute localement sur l’ordinateur, il faut des mesures contre le mode veille. Sur Mac : caffeinate dans le terminal (par ex. caffeinate -t 3600 pour une heure) ou dans les paramètres : ne jamais éteindre l’affichage, désactiver la mise en veille automatique. Alternativement, on peut utiliser un Mac mini ou un serveur (sans écran) et synchroniser les fichiers via Syncthing entre les appareils pour avoir une disponibilité 24/7.

  Sécurité :

  Chaque plugin de canal approuvé dispose d’une « liste blanche de l’expéditeur » – seuls les IDs prédéfinis peuvent envoyer des messages, tout le reste est rejeté. On conserve toutes les fonctionnalités de sécurité de Claude Code.

  Critique d’Open Claude :

  Le créateur soutient qu’Open Claude/Claude Bot/Molt Bot était un grand phénomène de hype alimenté par plusieurs facteurs : (1) L’astroturfing – une campagne de shitcoin a gonflé artificiellement l’idée, (2) Les YouTubers ont vu les clics et ont fait plus de vidéos à ce sujet, créant une boucle de rétroaction auto-renforçante, (3) Les sociétés d’hébergement VPS ont payé les créateurs pour faire des vidéos. Au cœur, Open Claude n’est qu’un wrapper Telegram autour de Claude avec mémoire. La mise à jour Channels d’Anthropic offre la même fonctionnalité, mais nettement plus sûre (maintenue par Anthropic, pas des développeurs aléatoires sur GitHub), plus scalable et avec un meilleur contrôle des données.

  Conclusion : Channels couvre la plupart des cas d’usage pratiques que les utilisateurs voulaient avec Open Claude – et le fait de manière plus sûre et officiellement soutenue.

  Fournisseurs/outils thématisés : Claude Code (Anthropic), Open Claude / Claude Bot / Molt Bot, Anthropic Channels, Syncthing. Format : Tutorial + démo + opinion/réflexion.

• COLD EMAIL COPYWRITING & OUTREACH Full Course 2026
  19.3.2026, 01:00:58

  Résumé : Cold Email Copywriting & Outreach Full Course 2026

  Le cours offre un aperçu complet de l’outreach froid réussi sur tous les canaux – e-mail, DM LinkedIn, Instagram, SMS. L’instructeur base son enseignement sur une décennie d’expérience et plus de 15 millions de dollars de revenus générés.

  Thèses principales :

  Psychologie du « Oui » aux étrangers : Le cours traite sept principes psychologiques qui expliquent pourquoi les gens réagissent à l’outreach froid : (1) Give First – offrir quelque chose de valeur avant de demander ; (2) Micro-Commitments – petits engagements croissants ; (3) Social Proof – des chiffres concrets et des exemples de succès, en particulier d’industries similaires ; (4) Authority – signaler la crédibilité par l’expertise ; (5) Rapport – refléter les références communes et la tonalité ; (6) Scarcity – véritable rareté, pas falsifiée ; (7) Shared Identity – valeurs ou luttes communes. Ces principes sont documentés dans la littérature psychologique depuis des siècles.

  Trois composantes d’outreach réussi : (1) Définition claire de l’objectif – que doit faire concrètement le destinataire ? (répondre, cliquer sur un lien, réserver un appel) ; (2) Cadre – écrire de manière humaine et personnelle, pas corporatiste ; (3) Itération – tester les campagnes, collecter les données et s’améliorer continuellement, ne pas se fier à l’intuition.

  Framework de copywriting (4 étapes) : (1) Personnalisation – accroche avec une vraie lecture froide ou habile (max. 2 phrases), jamais de phrases génériques qui sonnent comme de l’IA ; (2) Déclaration « Qui suis-je » – Social Proof + identification brève (1–2 phrases), pour établir la confiance ; (3) Offre ; (4) Appel à l’action. La personnalisation est l’endroit avec le meilleur ROI dans un e-mail, car c’est là que l’attention est garantie.

  Insights pratiques : Le cours met en garde contre les e-mails générés par l’IA qui semblent trop génériques ou manifestement non personnels. Les e-mails froids réussis imitent les vrais messages humains, évitent les signaux de vendeur classiques comme « J’espère que vous allez bien » ou les signatures formelles, et gardent les demandes minimales (par ex. offrir directement des créneaux d’appel disponibles au lieu d’aller-retours multiples). L’itération est centrale : un taux de réponse de 3,5 % peut augmenter à 5 %, 8 %, 10 % grâce à des ajustements pilotés par les données.

  Outils/fournisseurs explicitement thématisés : aucun outil IA spécifique mentionné (seulement « IA » et « LLM » en général). Format : Tutorial/Deep-Dive.

• Claude Dispatch Just Dropped, And It Kills OpenClaw
  18.3.2026, 16:58:57

  Claude Dispatch – Aperçu

  Claude Dispatch est une nouvelle fonctionnalité d’Anthropic qui permet de gérer et d’exécuter des agents IA depuis le smartphone. L’utilisateur montre une démo pratique : il lance depuis le téléphone un skill « Lead-Scraper » (100 leads HVAC au Texas), active simultanément un « Inbox-Cleaner » (marquer automatiquement le spam avec des réponses préétablies aux e-mails importants) et laisse s’exécuter une skill de génération de miniatures avec permutation de visage – tout en parallèle sur son ordinateur, tandis qu’il est en déplacement. Les résultats apparaissent directement sur son téléphone.

  Sécurité vs. OpenClaw : L’orateur critique fortement les solutions alternatives comme OpenClaw : les clés API sont fréquemment divulguées, la sécurité est médiocre et les coûts sont exorbitants – au lieu de forfaits plats, on paie par appel API (4–8 fois plus cher). Dispatch en revanche s’exécute localement et en sandbox, nécessite une autorisation explicite pour l’accès aux ressources (« allow listing »), et est facturé dans le cadre de l’abonnement Claude.

  Configuration en 5 minutes : On télécharge Claude Desktop et l’application Claude Mobile (depuis cloud.com/download), active la fonction Dispatch dans CoWork, appaie les deux appareils, et peut ensuite envoyer des commandes du téléphone aux skills de l’ordinateur. La communication fonctionne via des serveurs MCP et la Skills Library, Claude CoWork (ou alternativement Claude Code) servant de « cerveau d’agent » central.

  Utilité pratique : L’orateur économise 2–3 heures par jour car il n’a plus besoin de lancer des automatisations complexes depuis son ordinateur portable, mais peut les déclencher à distance depuis son téléphone, tandis que l’ordinateur (ou par ex. un Mac mini) s’exécute activement. Toutes les données sont échangées de manière sécurisée entre le téléphone et l’ordinateur.

  Conclusion : La vidéo positionne Dispatch comme une alternative sûre et économique aux stacks d’agents décentralisés – thématise Claude, Anthropic et critique explicitement OpenClaw. Vidéo de démo avec guide de configuration pratique.

• Claude Code + Nano Banana 2 + Kling = $15K Animated Sites
  16.3.2026, 19:20:45

  Le créateur construit quatre sites Web attrayants avec des effets de scroll 3D en environ 15 minutes et montre qu’aujourd’hui c’est possible pour 2–3 dollars en coûts de tokens, alors que ces projets coûtaient autrefois 5 000–10 000 dollars.

  Le flux de travail se compose de trois étapes : d’abord, les exigences sont entrées sous forme de points dans Claude Code, en utilisant un modèle de skill créé par un jeune de 16 ans à partir d’un référentiel ouvert, qui normalise les principes et les schémas de conception. Ensuite, les ressources animées (rotations, vues éclatées de maisons) sont générées avec Kling 3.0 via la plateforme Higgsfield – cela coûte environ 36 cents par vidéo. Enfin, les ressources sont intégrées via Claude Code et le site est hébergé gratuitement sur Netlify.

  Dans l’exemple pratique, le créateur montre un site de design d’intérieur : Claude Code génère un design one-shot, Kling 3.0 génère une vidéo d’animation de panoramique d’intérieur pour le hero-header et une vidéo « vue éclatée » de la maison. Claude Code intègre celles-ci, crée une animation de scroll où la vidéo vue éclatée se décharge image par image au fur et à mesure du scroll, et optimise les performances à la demande (Claude extrait les images en JPEG, les précharge et accélère le chargement). Le créateur demande à Claude plusieurs améliorations (meilleure lisibilité du texte, chargement plus rapide, intensité du dégradé, ajout d’overlay) et Claude les exécute en quelques secondes – des modifications qui prendraient plusieurs jours à coder manuellement. Le site final est mis en ligne en un clic et est accessible sur atelieramerin.netlify.app.

  Le créateur critique le fait que d’autres présentent ce processus de manière inutilement complexe, et souligne que seuls trois outils sont nécessaires et non 30 plateformes – tout fonctionne simplement et de manière économique.

  Claude Code, Kling 3.0, Nano Banana 2, Netlify et Antigravity (IDE) thématisés comme outils ; format démo.

Niklas Steenfatt

Aucune nouvelle vidéo pendant cette période.

No Priors: AI, Machine Learning, Tech, & Startups (1 nouvelle vidéo)

• Skill Issue: Andrej Karpathy on Code Agents, AutoResearch, and the Loopy Era of AI
  20.3.2026, 13:27:35

  Résumé : Andrej Karpathy on Code Agents, AutoResearch, and the Loopy Era of AI

  Andrej Karpathy décrit un changement fondamental dans son travail depuis décembre : le rapport entre le code qu’il écrit lui-même et la délégation aux agents est passé de 80/20 à pratiquement 100% de délégation – il tape à peine du code désormais. Ce changement dramatique signifie aussi que le « coding » classique n’est plus le verbe approprié ; tout tourne autour de la manifestation d’intentions aux agents, 16 heures par jour.

  Le concept central est de maximiser le levier par le débit de tokens : au lieu d’être soi-même le goulot d’étranglement, il s’agit de se retirer de la boucle et de laisser les agents travailler de manière autonome – en parallèle, sur plusieurs sessions, avec des instructions optimisées. L’idée est qu’une seule personne peut potentiellement coordonner plusieurs agents (via Claude, Codex et d’autres systèmes), similaire à la configuration chez Conviction, où les ingénieurs instruisent leurs agents par microphone.

  AutoResearch comme concrétisation : Karpathy a laissé un agent d’optimisation effectuer un tuning autonome des hyperparamètres pour son nano-GPT et a été surpris que l’agent trouve encore des améliorations dans une base de code déjà bien optimisée (par exemple, weight decay oublié sur les embeddings de value, Adam-betas sous-optimisés) qu’il avait lui-même manquées. Cela montre que : si des métriques objectives existent, les agents peuvent retirer les chercheurs de la boucle et travailler en continu.

  Exemple pratique – Dobby, l’agent domestique : Karpathy a construit un agent personnel qui a intégré de manière autodidacte les systèmes domotiques (Sonos, lumières, HVAC, stores, piscine, spa, sécurité). L’agent a effectué des scans IP, rétro-ingéniéré les API à partir de recherches web et créé un panneau de contrôle – gérable via des commandes WhatsApp comme « Dobby, bedtime » (toutes les lumières s’éteignent). Une caméra avec détection de changement et modèle Quinn envoie des notifications (par exemple, « FedEx truck just pulled up »). Cela montre comment un agent central peut remplacer six applications distinctes, sans que l’utilisateur n’ait besoin d’écrire du code – ou du moins bientôt.

  La thèse de l’irrégularité : Les agents sont à la fois brillants (peuvent résoudre des tâches complexes pendant des heures) et bizarrement limités (par exemple, tous les LLM semblent ne connaître que la même blague standard sur les atomes depuis des années). Cela suggère qu’ils sont extrêmement bons dans les tâches vérifiables (optimisées par RL), mais en dehors de ces domaines, tout devient aléatoire. Cela signifie aussi : une meilleure génération de code ne mène pas automatiquement à de meilleures blagues ou à une intelligence plus générale – pas de véritable généralisation entre les domaines.

  Déclencheurs de psychose : Le nombre de stacks possibles est potentiellement infini – des agents individuels, plusieurs agents, des équipes d’agents, l’optimisation des instructions d’agents elles-mêmes (en tant que Markdown/programme), puis l’optimisation de ces optimisations. « Everything is a skill issue » – si quelque chose ne fonctionne pas, c’était une instruction insuffisante, pas une limitation de capacité. C’est à la fois autonomisant et paralysant, car la frontière se déplace constamment.

  Vision de la recherche en tant que code : Une organisation de recherche peut être décrite en tant que programme MD (fichier Markdown) – rôles, workflows, décisions architecturales. Plusieurs organisations avec différents programmes MD peuvent alors concourir (sur le même matériel : qui fait le plus de progrès ?), et à partir des données, un modèle peut écrire un meilleur programme MD. C’est un niveau méta de l’autonomie agentique.

  Recherche ouverte / AutoResearch décentralisée : Similaire à Folding@Home, il pourrait y avoir un système où des workers non fiables sur Internet soumettent des candidats-commits (très coûteux à trouver, mais bon marché à vérifier – comme le Proof-of-Work). Ils n’ont pas besoin d’accès au code ; seuls les commits (et leurs résultats dans le leaderboard) sont publics. Cela pourrait utiliser un essaim d’ordinateurs Internet pour améliorer les LLM – potentiellement mieux que les Frontier Labs avec un calcul de confiance limité.

  Avertissements : AutoResearch ne fonctionne que pour les problèmes avec des métriques objectives et facilement vérifiables (par exemple, efficacité des kernels CUDA, loss d’entraînement). Beaucoup sont trop « flous » ou non vérifiables. De plus, les modèles sont encore « un peu rudes » – si on va trop loin, l’ensemble n’a plus de sens. Il y a encore des boucles où les agents font des choses complètement fausses et gaspillent des ressources.

  Spéciation vs. monoculture : Karpathy soupçonne que nous avons besoin de plus de modèles spécialisés (au lieu d’un seul modèle universel) – comme différentes espèces animales ont différentes fonctions cérébrales. Mais il y a peu de pression pour cela, tant que les labs peuvent fournir une monoculture. Le fine-tuning sans perte de capacité n’est pas encore entièrement développé, et c’est coûteux.

  Emplois et paradoxe de Jevons : Selon le Bureau of Labor Statistics, les emplois en santé vont augmenter. Mais Karpathy voit une différence : le travail numérique (déplacer des bits) sera exponentiellement accéléré et remodelé, le travail physique (déplacer des atomes) plus lentement. Il y a un « overhang » dans les professions numériques qui seront refactorisées. À long terme, le nombre d’emplois ne doublera probablement pas – le paradoxe de Jevons (les coûts baissent, la demande augmente) pourrait cependant signifier plus de demande en ingénierie logicielle, du moins à court terme.

  Frontier Labs vs. indépendance : Karpathy souligne qu’en dehors des Frontier Labs, il a plus de liberté d’action et peut se distancier des conflits d’intérêts entre profit et alignement – ce qui l’aligne plus avec l’humanité. Mais il y a aussi des coûts : son jugement dévie, car il n’est pas inclus dans la boucle des prochaines capacités. Idéalement : collaboration régulière avec les Frontier Labs, puis retour au travail indépendant – un hybride.

  L’ambiance générale est un mélange d’euphorie (le pouvoir est réel), de psychose (tout est possible, mais aussi infiniment complexe) et de prudence (les agents sont encore très fragiles et irréguliers).

  Explicitement abordés : Claude, Codex, Open Research (comme vision), Anthropic, OpenAI. Format : Q&A en direct / Deep-Dive (discussion sur les agents, AutoResearch, le marché du travail et les questions organisationnelles).

Productive Dude

Aucune nouvelle vidéo pendant cette période.

Sebastien Dubois (1 nouvelle vidéo)

• Stop Using Separate Task Apps — Manage Everything in Obsidian with TaskNotes
  21.3.2026, 11:07:07

  Résumé : TaskNotes pour Obsidian

  Le plugin TaskNotes pour Obsidian permet de gérer toutes les tâches, objectifs et projets directement sous forme de notes liées dans Obsidian – sans avoir besoin d’applications de gestion de tâches séparées. Les tâches apparaissent comme des notes ordinaires avec des indicateurs de statut visuels (par exemple, un bouton pour basculer entre des statuts comme « En cours », « Prévu », « Complété »).

  Fonctionnalités principales : Pour chaque tâche, on peut définir des étiquettes, un contexte (travail/personnel), des sous-tâches et des propriétés personnalisées. La particularité centrale est le lien avec les notes de projet : le plugin enregistre une connexion entre la tâche et le projet comme propriété de métadonnées, ce qui intègre complètement les tâches dans le système de graphe d’Obsidian. Ainsi, tout reste sous forme de texte consultable et permet d’utiliser des outils IA pour la priorisation ou la planification hebdomadaire.

  Configuration : Les tâches sont stockées dans des dossiers organisés (par année/mois), et les tâches archivées peuvent être automatiquement déplacées dans des dossiers séparés. Une tâche est créée en utilisant la syntaxe Obsidian standard ([ ]) avec du texte, puis en cliquant sur une icône pour la convertir en TaskNote – cela crée automatiquement un lien avec des propriétés avancées (date d’échéance, priorité, statut, rappel).

  Paramétrage : L’utilisateur définit des workflows de statut personnalisés (par exemple Backlog → Planifié pour cette année/trimestre/mois/semaine → En cours → Bloqué → Complété), les organise avec des préfixes numériques pour le tri et utilise les Databases d’Obsidian (Bases) pour créer des vues Kanban filtrées, des tableaux ou des blocs calendrier pour les tâches. Les notes de projet et le type de tâche peuvent être identifiés par des étiquettes, de sorte que seules les notes pertinentes soient proposées comme option de liaison.

  Fonctionnalités supplémentaires : L’intégration calendrier avec Google Calendar ou Outlook permet le time-blocking ; les Daily Notes et les notes périodiques peuvent être marquées et consultées de la même manière. Selon la recommandation du créateur, il convient d’adapter la complexité à la structure existante du vault et de prendre le temps de définir ses propres statuts.

  Démonstration du plugin TaskNotes pour Obsidian.

Simone Rizzo (3 nouvelles vidéos)

• L’AI che si auto evolve è arrivata: ecco MiniMax M2.7
  21.3.2026, 15:51:02

  Résumé : L’AI che si auto evolve è arrivata: ecco MiniMax M2.7

  La vidéo traite du nouveau modèle de langage chinois Minimax M2.7 de l’entreprise Minimax, financée par Alibaba et Tencent, en tant que modèle « premier » d’auto-amélioration, et contextualise ce développement dans le paysage plus large des agents de recherche autonomes.

  Minimax M2.7

  Le modèle affiche des performances solides en codage et utilisation d’OpenClaw, surpassant partiellement Gemini 3.1 Pro et s’approchant de Claude Sonnet 4.6. Il génère également des designs frontend de haute qualité. Cependant, l’approche d’auto-amélioration n’est pas complètement autonome : le modèle M2.7 automatise 30–50% du flux de travail d’amélioration de l’équipe interne d’apprentissage par renforcement, le reste nécessitant une prise de décision hybride homme-IA. Par le biais d’expériences internes, il a découvert des paramètres d’échantillonnage optimaux (température, valeurs de pénalité) et a réalisé des améliorations de performance de 30%. Dans 22 compétitions ML (MLE Bench Light sur un seul GPU A30), le modèle a remporté neuf médailles d’or, cinq d’argent et une de bronze.

  Autosearch (Andrew Karpathy)

  En parallèle, le dépôt open source viral Autosearch du chercheur Andrew Karpathy est mentionné, qui fournit un agent de recherche autonome. Le système fonctionne avec seulement trois fichiers Python (prepare.py, train.py, program.md) et itère continuellement les optimisations de code. Un budget de temps fixe de 5 minutes par exécution permet environ 12 expériences/heure. Un exemple pratique montre Karpathy laissant Autosearch s’exécuter pendant deux jours sur Nano-Chat et trouvant 20 améliorations de code qui ont réduit la validation loss – transférable à des modèles plus grands avec une amélioration de performance d’environ 11%.

  Auto-Research-Clow

  S’appuyant sur Autosearch, Auto-Research-Clow étend le pipeline jusqu’à la création entièrement automatique d’articles scientifiques : il génère des documents Markdown et LaTeX structurés avec introduction, travaux connexes, méthodes, expériences, conclusions, références, rapports de vérification et graphiques – contrôlés uniquement par un prompt textuel initial.

  Autres contextes

  La vidéo mentionne AlphaEvolve comme premier exemple d’auto-amélioration documenté (Gemini a amélioré sa propre architecture TPU), Gemini 3 Deep Think pour les problèmes mathématiques complexes, Agent Teams (frameworks multi-agents similaires aux Sworms de Cloud Code), ainsi que des outils comme Paper Banana (pour les infographies automatiques) et OpenAI’s Prism (éditeur LaTeX) – un écosystème pour automatiser l’ensemble du pipeline de recherche allant des expériences aux rapports et visualisations.

  Sujets abordés : Minimax M2.7 (auto-amélioration), Autosearch (Andrew Karpathy), outils open source — Format : Roundup/Deep-dive avec éléments de démonstration.

• Il segreto della memoria degli Agenti AI
  18.3.2026, 17:17:55

  Le mécanisme de mémoire des agents IA

  La vidéo explique comment les agents IA modernes comme OpenClaw, Claude et autres gèrent leur mémoire – ce que l’auteur considère comme la véritable distinction entre les agents, puisqu’ils utilisent finalement tous les mêmes modèles de langage de grande taille (Claude Sonnet, Claude Opus d’Anthropic).

  Le problème fondamental : Les LLM ont une fenêtre de contexte limitée (par exemple, 200 000–1 million de tokens) et souffrent de la « dégradation du contexte » – la performance se détériore à mesure que plus de texte est entré.

  Mécanisme de compaction : Les modèles Codex et Claude utilisent la compression : lorsque le contexte dépasse un seuil, le système résume la conversation, mais perd des informations en cours de route. Cela empêche d’atteindre le minimum de performance critique.

  Modèles de langage récursifs (RLM) : Un concept développé par le MIT où le long prompt n’est pas entré en tant que token, mais géré en tant que variable de chaîne dans un environnement Python. L’agent peut ensuite accéder sélectivement à des parties via l’exécution de code (par exemple, avec Split, recherche par mot-clé), au lieu de tout lire – similaire aux agents de codage qui recherchent une base de code via des commandes Bash.

  Recherche de fichiers agentique au lieu de RAG : Au lieu de construire un système de base de données vectorielle (avec plongement et recherche sémantique), un environnement est fourni avec des fonctions pour lire et rechercher des fichiers. L’agent utilise des outils comme read_index, read_page, scan_folder, glob – naviguant ainsi comme un humain dans un PDF. Ceci est plus précis que la recherche sémantique et pourrait remplacer RAG.

  Implémentation concrète d’OpenClaw : Utilise des fichiers Markdown dans l’espace de travail comme « source de vérité ». Il y a deux couches : (1) Les journaux quotidiens (année-mois-jour.md) en mode ajout uniquement avec questions/réponses, (2) Memory.md pour les faits persistants, les préférences, la personnalité. Au début de la session, le fichier du jour + le fichier d’hier + Memory.md sont lus. Peu avant la compression, un « memory flush » automatique est déclenché – l’agent est invité à enregistrer tout ce qui est important dans les fichiers. OpenClaw utilise également la recherche vectorielle, mais plutôt pour trouver quel fichier Markdown est pertinent, et non pour récupérer directement le contenu.

  Approche hybride : Les agents les plus performants (Ralph Loop, agents de codage) combinent les outils de fichiers (pour la connaissance structurée et persistante) avec les bases de données locales (SQLite) et une base de données vectorielle optionnelle. Les frameworks de mémoire comme Memex ou MemZ0 implémentent des hiérarchies de systèmes de fichiers similaires.

  Exemple pratique (Ralph Loop) : Les exigences se trouvent dans PRD.md, la progression dans Progress.md. À chaque nouvelle session, l’agent lit ces fichiers, voit quelle tâche est terminée et continue – cela garde le travail cohérent sur de longues périodes.

  La vidéo se termine par la note que l’auteur construit son propre système « Rizzo Claw » comme projet éducatif, qui combine les deux approches de mémoire et est accessible via Telegram.

  Outils/modèles abordés : Claude (Sonnet, Opus), OpenClaw, Codex, Memex, MemZ0 ; Format : Vidéo de deep-dive/explication.

• La Matrix è possibile? Le due scoperte che cambiano tutto
  15.3.2026, 14:59:33

  La Matrix est-elle possible ? Deux percées qui changent tout

  La vidéo traite de deux développements technologiques révolutionnaires qui estompent les frontières entre la vie biologique et la simulation numérique.

  Première découverte : cerveau de mouche en simulation

  Des chercheurs ont entièrement cartographié le cerveau d’une mouche des fruits avec plus de 140 000 neurones et 50 millions de synapses et l’ont téléchargé sur un ordinateur. L’entreprise Ion System a ensuite créé un environnement virtuel ultra-réaliste avec un corps de mouche reconstruit. La conscience de la mouche n’a pas l’impression de vivre dans une simulation – cela semble tout à fait réel pour le cerveau cloné si l’environnement est simulé avec suffisamment de précision.

  Deuxième découverte : neurones biologiques comme ordinateurs

  L’entreprise Cortecalabs emprunte la direction inverse : elle cultive de vrais neurones biologiques sur des puces et entraîne ces cerveaux organiques directement. Ils ont amené des cerveaux biologiques à jouer à Pong et plus tard au jeu 3D complexe Doom – avec seulement 200 000 neurones. Ces biochips ont besoin de nutriments, d’eau et d’oxygène au lieu d’électricité, mais sont plus efficaces sur le plan informatique et plus économes en énergie.

  Implications philosophiques

  L’auteur spécule : qu’arriverait-il si on pouvait télécharger des cerveaux humains ? Le clone numérique serait-il la même personne ou un fork avec son propre parcours ? Pourrait-on désactiver les émotions négatives et programmer un bonheur éternel ? Les personnes décédées pourraient-elles vivre en tant que copies numériques dans des mondes du cloud ? L’immortalité pourrait-elle être atteinte par la numérisation, ou des corps robotiques avec cerveau cloné pourraient-ils permettre l’accès à l’espace ?

  Deux chemins futurs possibles

  Soit des clones numériques en silicium (extrêmement gourmands en calculs), soit des fermes de neurones biologiques dans le cloud (plus économes en énergie) : peut-être que les entreprises construiront des piscines olympiques remplies de milieux liquides et de millions de neurones – une superintelligence biologique comme centre de données.

  L’auteur ne considère plus cela comme de la pure science-fiction et se laisserait cloner pour vivre numériquement.

  Aucun outil IA spécifique n’a été mentionné ; opinion/réflexion avec deep-dive philosophique.

Tech With Tim (5 nouveaux vidéos)

• 7 Steps to Pass Technical Interviews – What I Actually Did
  22.3.2026, 11:58:53

  Résumé : 7 Steps to Pass Technical Interviews

  L’auteur décrit sept étapes concrètes pour préparer les entretiens techniques, qu’il a lui-même appliquées avec succès chez Microsoft.

  Étape 1 – Consolider les fondamentaux : Maîtriser les structures de données (arrays, strings, hashmaps, linked lists, stacks, queues, trees, graphs, heaps), la notation Big-O et l’analyse de complexité. Cette base est essentielle ; l’auteur recommande une semaine de révision avant de commencer les exercices.

  Étape 2 – Apprendre les patterns, pas les problèmes individuels : Au lieu de résoudre des centaines d’exercices aléatoires, il faut comprendre 15–20 patterns fondamentaux (Two-Pointers, Sliding Window, Binary Search, DFS, BFS, Dynamic Programming, Backtracking). Cela crée un cadre applicable à de nouveaux problèmes jamais vus – pas seulement mémoriser les solutions.

  Étape 3 – Utiliser le bon outil : L’auteur recommande AlgoExpert, une plateforme structurée avec 200 problèmes sélectionnés (au lieu de 3 000 aléatoires), créée par Clement Mihillescu (ancien Google, Facebook). AlgoExpert offre pour chaque problème des explications vidéo détaillées avec aperçu conceptuel et walkthrough de code dans plusieurs langages de programmation.

  Étape 4 – Crash Course sur les structures de données : AlgoExpert contient un tutoriel vidéo complet sur la mémoire, l’analyse de complexité et toutes les structures de données importantes – comme ressource d’entrée cohérente sans recherche fragmentée en ligne.

  Étape 5 – Travailler les 200 questions curées : Les problèmes sont organisés par catégories (Arrays, Strings, Linked Lists, Binary Trees, Graphs, Dynamic Programming) et difficultés (Easy, Medium, Hard, Very Hard). L’auteur souligne que les explications vidéo – surtout la composante conceptuelle – sont cruciales pour la reconnaissance de patterns. Il n’a résolu qu’environ 100 problèmes avant Microsoft, tandis que d’autres en résolvent 500 et échouent quand même.

  Étape 6 – Assessments chronométrés : AlgoExpert offre quatre assessments curés et chronométrés qui simulent les conditions réelles d’entretien (plusieurs problèmes, plusieurs heures de code sous pression). Cela se distingue de l’entraînement décontracté et entraîne à rester concentré sous pression temporelle.

  Étape 7 – Mock Interviews : L’étape la plus importante, mais souvent ignorée. Les entretiens techniques ne demandent pas seulement du code correct, mais aussi communication, processus de réflexion et poser des questions. L’auteur recommande au minimum 5–10 mock interviews avec des partenaires ou des plateformes comme Pramp, y compris en tant qu’interviewer, pour apprendre sur quoi les examinateurs se concentrent. Les soft skills (rester calme, penser à haute voix, continuer à communiquer même en cas d’erreur) distinguent les candidats reçus des autres.

  AlgoExpert offre aussi SystemsExpert pour les entretiens system design, ainsi que Front-End Expert et ML Expert pour les entretiens spécialisés. L’auteur collabore maintenant avec la plateforme et a enseigné certains problèmes.

  Approfondie ; mentionne AlgoExpert et ses produits ; histoire de réussite personnelle (préparation Microsoft à 19 ans).

• How to Become an AI Engineer Fast
  20.3.2026, 14:01:03

  Résumé : How to Become an AI Engineer Fast

  La vidéo présente un plan structuré en 10 étapes pour devenir rapidement AI Engineer :

  Étapes 1–2 : Fondation

  Les bases de Python sont non-négociables (fonctions, classes, dictionnaires, HTTP requests, JSON, APIs simples). Ensuite : comprendre le modèle mental des Large Language Models – ce que sont les tokens, context windows, temperature, system messages et comment ils fonctionnent. C’est la base pratique, pas les mathématiques profondes.

  Étapes 3–4 : Travailler avec les APIs

  Apprendre à interagir directement avec les APIs LLM (notamment OpenAI et Anthropic) – structurer les appels API, gérer les réponses, error handling. Ensuite : maîtriser le Prompt Engineering et les Structured Outputs pour générer des réponses fiables et cohérentes au lieu de simples textes (Function Calling, JSON Mode).

  Étapes 5–6 : Systèmes complexes

  RAG (Retrieval Augmented Generation) est le pattern le plus demandé – convertir les données en embeddings, les stocker dans des vector databases, récupérer les chunks pertinents lors des requêtes et les alimenter au modèle. Apprendre les frameworks d’orchestration comme LangChain et LlamaIndex pour coordonner plusieurs appels LLM, agents avec outils et workflows multi-étapes.

  Étapes 7–8 : Production et Portfolio

  LM Ops (rate limiting, caching, monitoring, cost management) sont critiques et distinguent les démos des vrais produits. Construire un portfolio avec trois types de projets qui fonctionnent réellement : chatbots RAG pour domaines spécifiques, AI agents avec outils, systèmes semantic search – déployés sur GitHub, avec des READMEs clairs et expliqués en entretien.

  Étapes 9–10 : AI Tools et Entretiens

  Utiliser des AI tools comme Cursor, Claude Code et autres pour produire du code plus rapidement tout en comprenant comment ils fonctionnent. Enfin : préparer les entretiens techniques avec LeetCode et interview prep spécifique à ML.

  La vidéo souligne que l’apprentissage actif par la programmation (75–90% de rétention) est bien meilleur que regarder des tutoriels (20% de rétention). La clé est de ne pas rester bloqué dans les roadmaps, mais d’implémenter étape par étape et de construire de vrais projets.

  Format & Fournisseurs : Opinion/guide avec intégration de sponsor (DataCamp pour l’apprentissage interactif, AlgoExpert pour la préparation aux entretiens) ; outils/APIs explicitement mentionnés : Python, OpenAI API, Anthropic API, Hugging Face, LangChain, LlamaIndex, Pinecone, Chroma, Cursor, Warp, Claude Code.

• The Fastest Way to Pivot Into AI in 2026 (From Beginner to Job-Ready)
  19.3.2026, 13:01:49

  La vidéo aborde le malentendu courant selon lequel on peut rapidement se lancer comme AI Engineer. La thèse centrale : AI Engineer n’est pas une position d’entrée de gamme, mais s’appuie sur une compétence fondamentale en Software Engineering.

  Le problème : Les responsables du recrutement ne cherchent pas le prompt-writing ChatGPT ou les connaissances AI isolées, mais si les candidats peuvent rendre les systèmes existants plus intelligents sans les casser. La plupart des rôles AI requièrent d’abord une compréhension des APIs, flux de données, trade-offs et scénarios d’erreur – donc une base solide en Software Engineering.

  Trois pièges qui font échouer les pivots de carrière : (1) Tool-only Learning – beaucoup de démos et frameworks, mais pas de profondeur ; (2) Research-Heavy sans implémentation pratique – beaucoup de théorie, jamais livré ; (3) Random Course Hopping – apprentissage constant sans projets terminés ou portfolio.

  Distinction critique des étapes de carrière : AI Adjacent → AI Enabled → AI Specialized. L’erreur : passer directement de zéro à AI Specialized. La bonne méthode est de stratifier les compétences AI sur les connaissances existantes (les développeurs logiciels empilent les APIs LLM et RAG sur les compétences backend ; les analystes de données vont vers Applied ML ; les gens DevOps apportent l’expertise infrastructure).

  Trois rôles AI réalistes qui recrutent : (1) AI-Enabled Software Engineer – AI est une capacité aux côtés du travail backend ; (2) Applied ML/Data Engineer – axé sur la production et le monitoring, pas la recherche ; (3) AI Product/Technical Lead – traduit les exigences métier en systèmes techniques.

  Fondations non-négociables : Python, intuition mathématique basique (Stats, Linear Algebra), manipulation de données (Pandas, NumPy). Compétences AI Core : Machine Learning Fundamentals, compréhension conceptuelle des LLMs et Transformers, évaluation et failure modes. Couche Applied : GenAI tools, APIs, Orchestration, Agents – ce qui doit fonctionner dans les vrais systèmes, pas seulement dans les démos.

  Chemin à quatre phases vers la job-readiness (6–12 mois) : Phase 1 : Littératie AI et fondations sans surcharge théorique ; Phase 2 : Projets applied avec vrais trade-offs, pas des tutoriels ; Phase 3 : Systèmes du monde réel (RAG apps, Copilots, Automations) ; Phase 4 : Portfolio avec preuve de vraie compétence.

  Job-Ready ne signifie pas : Connaître tous les modèles ou entraîner des systèmes massifs from scratch. Job-Ready signifie : Pouvoir concevoir des features AI, expliquer les trade-offs, déboguer les outputs défectueux, déployer et itérer.

  Prochaines étapes concrètes : (1) Chercher la position cible ; (2) Construire 1–2 vrais projets qui correspondent à l’un des trois rôles ; (3) Apprendre seulement la théorie que la pratique demande ; (4) Obtenir du feedback – partager le code avec d’autres, les laisser l’utiliser, obtenir de la validation.

  Message clé : Software Engineering vient avant AI. Celui qui peut coder confortablement et ajoute ensuite des compétences AI a l’avantage concurrentiel.

  Contexte : L’opinion est soutenue par un parrain de cours (Simply Learn / Microsoft Applied Intrinsic AI, Multi-Agent Systems, LangChain, Crew AI, RAG, sept projets) ; la vidéo est une opinion/réflexion avec recommandations d’action pratiques.

• The Postgres Performance Trap Every Developer Falls Into
  17.3.2026, 12:30:28

  Résumé : The Postgres Performance Trap Every Developer Falls Into

  Le vidéaste décrit un problème typique : une base de données Postgres se ralentit à mesure que la table grandit. Les développeurs réagissent avec des corrections classiques – index, partitionnement, upgrades matériels – qui aident temporairement mais ne résolvent pas le problème fondamental. Au bout d’un an, on a gaspillé temps et argent d’ingénierie.

  La racine du problème : Postgres a été conçu pour les données d’application traditionnelles (Create-Read-Update-Delete), pas pour les workloads time-series. Avec les données chronologiques (logs, événements, données de capteurs), chaque ligne porte 23 octets de métadonnées pour les opérations Update/Delete qui n’arrivent jamais. Le processus Auto-Vacuum cherche du travail de nettoyage qui n’existe pas. Les index B-Tree traitent les données anciennes et nouvelles de la même façon, alors que les requêtes ciblent presque toujours les données actuelles.

  La solution : TimescaleDB, une extension Postgres open-source de Tiger Data (anciennement Timescale). Elle change en interne la façon dont les données sont stockées et partitionnées, sans changer SQL ou les outils existants. Fonctionnalités principales :

  • Hypertables : Partitionnement automatique basé sur le temps au lieu de gestion manuelle
  • Column Compression : Jusqu’à 90% d’économies de stockage, requêtes analytiques plus rapides
  • Continuous Aggregates : Materialized Views incrémentiels au lieu de recalcul complet
  • Retention Policies : Suppression ou archivage automatique vers S3

  Dans la démo, une table de 2,6 millions de lignes a été testée avec une time-range query : avec table normale 549,5 ms, avec Hypertable 1,7 ms de temps d’exécution – environ 320x plus rapide, car seuls les blocs de données pertinents sont lus. La migration ne demande que deux commandes : activer l’extension, convertir la table.

  TimescaleDB est gratuit, Tiger Cloud offre une trial de 30 jours sans carte de crédit – idéal pour tester les workloads time-series sur Postgres.

  Format : Démo/tutoriel avec application pratique en direct ; contenu sponsorisé pour TimescaleDB/Tiger Data.

• How to Build a Video Player in Next.js (Step-by-Step)
  15.3.2026, 15:46:57

  La vidéo montre un tutoriel complet pour construire un lecteur vidéo dans Next.js avec des fonctionnalités professionnelles comme upload vidéo, génération de vignettes, watermarks et ajustement de qualité. Le cours a été sponsorisé par ImageKit et utilise leur API pour le stockage vidéo, l’optimisation et la gestion.

  L’architecture connecte les APIs backend (pour les tokens d’upload sécurisés et la gestion vidéo) avec un frontend React. L’avantage principal d’ImageKit réside en ce que les transformations (watermarks, qualité, format) se font uniquement par paramètres d’URL – sans traitement backend complexe. Le projet stocke les métadonnées vidéo dans un fichier JSON local et externalise les vrais assets (vidéo, vignette, watermark) sur ImageKit.

  L’implémentation comprend :

  • Routes Backend : Génération de jeton d’upload via /api/upload-off, stockage vidéo et récupération via /api/videos
  • Composant Video Upload : Formulaire pour titre, description, fichiers vidéo, vignette et watermark
  • Bibliothèque vidéo : Affichage en grille avec vignettes auto-générées à partir des frames vidéo
  • Types de données : Interfaces TypeScript pour métadonnées vidéo et configuration watermark
  • Intégration ImageKit : Extraction de vignette automatique via transformations URL ik-thumbnail

  Le tutoriel s’adresse aux développeurs expérimentés en TypeScript et Next.js et présente une implémentation de base, extensible à volonté – le lecteur vidéo lui-même est construit dans la deuxième partie de la vidéo. Tous les exemples de code sont disponibles sur GitHub.

  Détails vidéo : ImageKit, Next.js, TypeScript — Tutoriel pour débutants avancés.

TheAIGRID (6 nouvelles vidéos)

• Elon Musk Just Dropped Terafab AI: The Future of AI Explained
  22.3.2026, 07:39:23

  Terafab AI : La vision d’Elon Musk pour l’avenir de la civilisation

  Musk présente Terafab comme une initiative centrale pour mettre à l’échelle la civilisation humaine par le biais d’une capacité de calcul IA massive dans l’espace. La thèse centrale : les civilisations humaines sont évaluées selon un système de classification (l’échelle de Kardashev), où une civilisation de type 1 utilise toute l’énergie de sa planète. La Terre ne reçoit actuellement qu’un demi-milliardième de l’énergie solaire – nous sommes cosmiquement parlant des grains de poussière. C’est pourquoi la mise à l’échelle est inévitablement une tâche spatiale : la puissance de calcul IA actuelle de la Terre s’élève à environ 20 gigawatts par an, tandis que Terafab vise un térawatt (un million de gigawatts) par an.

  Le projet nécessite la coordination de SpaceX, xAI et Tesla : SpaceX fournit la capacité de lancement (objectif : 10 millions de tonnes de charge utile par an en orbite via Starship), Tesla fabrique des robots Optimus pour les opérations spatiales, xAI fournit l’infrastructure de calcul. Terafab lui-même est une fabrique de puces ultra-moderne à Austin avec une capacité complète (logique, mémoire, fabrication de masques, tests) sous un même toit – cela permet des améliorations itératives de puces d’une rapidité extrême.

  Musk distingue deux types de puces : les puces Edge Inference pour Optimus (attendu 1–10 milliards de robots par an contre 100 millions de véhicules), et les puces spatiales optimisées haute performance pour les 99 % du calcul qui s’exécute dans l’espace. Dans l’espace, l’IA deviendra moins chère qu’sur Terre (dans 2–3 ans), car il y a un rayonnement solaire constant (5 fois plus efficace qu’au sol) et aucune infrastructure de batterie n’est nécessaire – les coûts de lancement deviendront le facteur dominant.

  Vision à long terme : un moteur de masse électromagnétique sur la Lune (via Optimus + humains) pourrait plus tard conduire à du calcul en pétawatt (1000 × térawatt). Ultimement, Musk vise une économie des millions de fois plus grande qu’aujourd’hui – assez pour l’abondance matérielle universelle (inspirée par les romans « Culture » d’Iain M. Banks), où les besoins sont satisfaits gratuitement. Le voyage se poursuit « au-delà de la Lune, au-delà de Mars et à travers les anneaux de Saturne » – non pas seulement pour l’élite, mais pour tous.

  Récit central : Terafab n’est pas une fin en soi, mais une étape intermédiaire nécessaire sur l’échelle de Kardashev pour devenir une « civilisation galactique » qui permet la multi-planicarité, l’expansion illimitée et la véritable surabondance matérielle.

  xAI et SpaceX ont été traités, format : opinion/réflexion avec présentation de la vision.

• Microsoft’s AI Chief Terrifying Prediction Explained
  20.3.2026, 21:00:35

  Résumé : Microsoft’s AI Chief Terrifying Prediction Explained

  Mustafa Suleiman, responsable IA chez Microsoft, prédit dans une interview que dans 12 à 18 mois, la plupart des emplois cadres seront complètement automatisés – des emplois comme avocats, comptables, chefs de projet et spécialistes du marketing. Il définit l’AGI comme un système capable de gérer la plupart des tâches quotidiennes d’un professionnel, et fait référence à l’ingénierie logicielle comme exemple, où la programmation assistée par IA produit déjà la majorité du code. Dario Amodei d’Anthropic avertit de la même manière des risques d’automatisation des emplois cadres débutants et des crises d’emploi potentielles.

  Les données de marché réelles soutiennent cet avertissement : les annonces d’emplois cadres ont atteint en 2015 leurs niveaux les plus bas depuis (1,6 postes pour 100 travailleurs). Block (Square/Cash App) a annoncé une réduction d’effectifs de 40 % et l’a explicitement attribuée à l’efficacité de l’IA et à des équipes plus réduites ; l’action a augmenté de 25 % par la suite – un problème d’incitation qui pourrait mener aux licenciements massifs.

  Une nouvelle proposition législative interdiserait l’IA d’émettre des avis en médecine, droit, dentisterie, soins infirmiers et autres professions – la première tentative législative sérieuse de protéger les emplois cadres. C’est stratégique : les avocats et médecins ont le pouvoir de lobbying, les chauffeurs de camion non. Cependant, la loi est vague (aucune définition claire d’« avis substantiel »), et la responsabilité incombe aux prestataires, non aux développeurs de modèles, ce qui surcharge les petites équipes.

  L’« AI Exposure Index » d’Anthropic affiche des données d’utilisation réelles sur plus de 800 professions : le droit, la gestion, les finances et l’informatique sont théoriquement très exposés, mais l’adoption pratique est encore précoce. Un programme pilote UBI avec des artistes irlandais (325 £ par semaine) s’est autofinancé et a montré des résultats positifs.

  Cependant, la recherche Gartner montre un tableau plus complexe : impact de l’IA sur les emplois mondiaux jusqu’en 2026 neutre, à partir de 2028 plus d’emplois créés que détruits – mais avec un chaos massif dessous. 32 millions d’emplois par an seront transformés, le requalification est nécessaire ; 30 % de ceux remplacés par l’IA en 2029 seront réembauchés (souvent plus chers). Un cas fintech l’illustre : après une automatisation de 70 %, la qualité du service client s’effondre, les gens sont réembauchés. Clana a également sauté d’« IA en premier » à de nouvelles embauches. La taille de nombreux projets IA ne répond pas à leurs objectifs.

  La thèse centrale : pas que l’IA s’empare de tous les emplois demain, mais un va-et-vient chaotique – licenciements massifs, revers, expériences – tandis que les travailleurs en paient le prix. D’ici 2027, 75 % des processus d’embauche exigeront des certifications de compétences en IA ; l’alphabétisation en IA deviendra un enregistrement formel plutôt qu’un atout supplémentaire.

  Format : opinion/analyse approfondie avec éléments d’actualité ; prestataires/PDG mentionnés : Microsoft (Mustafa Suleiman), Anthropic (Dario Amodei, Claude Exposure Index), OpenAI, Anthropic, recherche Gartner.

• China’s New AI Breakthrough – Attention Residuals Explained –
  19.3.2026, 21:00:15

  Résumé : La percée IA de la Chine – Attention Residuals expliqué

  Le laboratoire IA chinois Moonshot AI (l’équipe derrière les modèles Kimi) a publié un article de recherche qui remet en question un élément fondamental de conception inchangé depuis 2015 dans tous les modèles IA modernes (ChatGPT, Claude, Gemini) : les Residual Connections. Ces connexions transmettent les informations à travers les couches d’un réseau neuronal – mais avec le même poids pour tout. Le problème : avec des modèles profonds, il se forme une accumulation massive d’informations (dilution de signal) dans laquelle les contributions des couches initiales sont étouffées.

  La solution s’appelle Attention Residuals : au lieu d’ajouter aveuglément tous les sorties des couches précédentes, chaque couche doit décider elle-même quelles couches antérieures sont les plus pertinentes – analogues à la mécanique d’attention qui a révolutionné les Transformers en 2017. Une variante pratique (Block Attention Residuals) n’utilise cette sélectivité qu’entre des groupes de couches, pas entre chacune individuelle.

  Les tests montrent des améliorations constantes : équivalent à 25 % plus de puissance de calcul sans coûts supplémentaires. Avec Kimi-Lamarilla (48 milliards de paramètres), les capacités de raisonnement et les performances mathématiques ont augmenté de manière significative – par exemple, sur GPQA Diamond de 36,9 à 44,4 points. Le surcoût de mise en œuvre est minimal : l’entraînement coûte moins de 4 % plus cher, l’inférence moins de 2 %.

  Cependant, un chercheur (Ziming Louie) avertit : les Attention Residuals semblent particulièrement avantageux avec les données structurées, mais peuvent être suboptimaux avec des données plus chaotiques. C’est pertinent pour les LLMs, car le langage et le code sont hautement structurés.

  Analyse approfondie de Moonshot AI et du modèle Kimi ainsi que de leur architecture Attention Residuals.

• China’s New Tennis Robot Reveals the Next Step for Humanoid Robots
  19.3.2026, 09:55:49

  Résumé : Le robot de tennis chinois et l’avenir de la robotique humanoïde

  Des chercheurs de plusieurs grandes institutions chinoises (Université Tsinghua, Université de Pékin, Galbot, Shanghai AI Laboratory et autres) ont réussi à faire jouer un robot humanoïde (Unitree G1) au tennis – l’un des défis les plus difficiles de la robotique. Le robot de 127 cm avec 29 degrés de liberté doit gérer des balles atteignant jusqu’à 30 m/s et positionner sa raquette avec précision pendant seulement quelques millisecondes.

  L’innovation clé a été la résolution d’un problème central : au lieu d’attendre des données parfaites de professionnels, l’équipe a utilisé un système appelé LATENT (Learns Athletic Humanoid Tennis Skills from Imperfect Human Motion Data), qui fonctionne avec des données de mouvement imparfaites. Ils ont collecté seulement 5 heures de données de mouvement de cinq joueurs de tennis amateurs dans une zone de capture de mouvement de 3 × 5 mètres et les ont laissés exécuter des mouvements isolés (coup droit, revers, mouvements latéraux).

  Le système utilise une architecture à trois niveaux : un Motion Tracker traduit les mouvements humains en équivalents compatibles avec le robot, un Latent Action Space apprend l’essence des mouvements plutôt que des mouvements articulaires individuels (et peut donc généraliser), et une Policy sélectionne les types de coups et coordonne le corps entier. Tout est d’abord entraîné en simulation – ici l’imperfection est volontairement introduite (bruit, physique différente), pour que l’écart sim-to-real soit comblé et que le robot agisse aussi de manière adaptative dans le monde réel.

  Les résultats sont impressionnants : 91 % de taux de réussite en coup droit, 78 % en revers, des échanges multiples avec des joueurs humains. Le robot peut sprinter à plus de 6 m/s sur le court. Les chercheurs considèrent le tennis comme une preuve de concept – la véritable importance réside dans la capacité à travailler avec des données désordonnées et imparfaites. Cela pourrait s’appliquer à n’importe quel travail physique pour les robots humanoïdes (travail d’entrepôt, parkour, interventions en catastrophe). Les prochaines étapes qu’ils mentionnent incluent : la vision embarquée au lieu de la capture de mouvement externe, les scénarios multi-agents (deux robots l’un contre l’autre) et les tests avec d’autres sports/tâches.

  Aucun outil IA/fournisseur de modèle spécifique n’a été nommé (matériel uniquement : Unitree G1) ; format : analyse approfondie.

• DLSS 5 Explained Clearly In 8 Minutes (How It Actually Works)
  18.3.2026, 11:30:19

  DLSS 5 expliqué clairement en 8 minutes

  DLSS 5 est une technologie de rendu fondamentalement nouvelle d’Nvidia qui, contrairement aux versions DLSS précédentes, n’améliore pas seulement l’efficacité, mais modifie délibérément l’apparence des jeux via un modèle de rendu neuronal. La technologie a été révélée à la GTC 2026 et a provoqué une controverse après qu’une démo Resident Evil ait montré que l’IA avait modifié les traits du visage d’une actrice – lèvres plus pleines, pommettes plus acérées.

  Comment fonctionne DLSS 5 : Le moteur de jeu rend une frame normalement (géométrie, textures, éclairage). Le moteur fournit ensuite deux sorties : le Color Buffer (l’image) et les Motion Vectors (mouvements de pixels entre les frames). Le modèle neuronal analyse les deux et comprend la sémantique de la scène – personnages, tissus, cheveux, peau. Il génère ensuite une nouvelle version de la frame avec un éclairage photréaliste et des matériaux : subsurface scattering sur la peau, brillance du tissu, diffusion des cheveux. Important : il ne crée pas de nouvelles géométries, mais superpose simplement les effets d’éclairage sur le contenu original.

  Obstacles techniques et commerciaux : Lors de la démo GTC, Nvidia a eu besoin de deux cartes graphiques RTX 5090 (~2 000 $ chacune) – une pour le rendu des jeux, une uniquement pour DLSS 5. Nvidia prévoit d’optimiser cela pour un seul GPU.

  La controverse : Les joueurs PC ont critiqué le fait que la démo Resident Evil ne montrait pas seulement un éclairage réaliste, mais changeait structurellement les traits du visage – ce qui a été qualifié de « Yassification » (effet de filtre beauté comme Instagram). La préoccupation plus profonde : DLSS était jusqu’à présent seulement additif (rend les jeux plus rapides). DLSS 5 rompt cette promesse en changeant fondamentalement l’apparence. Nvidia souligne que les développeurs ont le contrôle artistique complet (curseur d’intensité, correction des couleurs, masquage régional) et que DLSS 5 est désactivable. Cependant, Digital Foundry avertit que les modders pourraient forcer DLSS 5 sur des jeux pour lesquels il n’a jamais été développé.

  Signification plus large : Cela fait partie d’une tendance à l’échelle de l’industrie vers le rendu neuronal. Google DeepMind a déjà démontré Gen 3, qui génère des environnements 3D complets à partir d’invites textuelles en temps réel. DLSS 5 se situe au milieu de cette trajectoire – toujours hybride avec le rendu traditionnel, mais une étape vers la graphique générative. Le soutien d’éditeurs comme Bethesda, Capcom, Ubisoft, Warner Bros. montre que l’industrie prend cela au sérieux. Plus d’une douzaine de titres pour le lancement DLSS 5 en automne sont annoncés, notamment Assassin’s Creed Shadows, Resident Evil et Starfield.

  La véritable bataille : La controverse n’est pas de savoir si le rendu neuronal fonctionne – les critiques louent les améliorations photréalistes de l’éclairage, des détails matériels et du subsurface scattering. La question centrale est : qui contrôle l’apparence des jeux – le développeur, le joueur ou l’IA ?

  Nvidia DLSS 5 et Deep Mind Gen 3 sont mentionnés ; vidéo de démo avec exemples pratiques et controverse au centre.

• Nvidia Just Dropped NemoClaw And Other Huge AI Updates
  17.3.2026, 07:30:20

  Nvidia a lancé NemoClaw et autres mises à jour IA massives – Résumé

  Nvidia a annoncé NemoClaw – un système basé sur OpenClaw qui permet aux entreprises de déployer des agents IA pour exécuter des tâches au nom des employés. La plateforme offre des outils intégrés de sécurité et de confidentialité et est indépendante du matériel, fonctionnant donc indépendamment de la base de l’infrastructure sur des puces Nvidia.

  Jensen Huang a souligné l’importance d’OpenClaw en tant que « projet open-source le plus populaire de l’histoire humaine », ayant surpassé Linux en quelques semaines après 30 ans. OpenClaw a été décrit comme un système d’exploitation pour les agents – il gère les ressources, appelle les modèles de langage, peut accéder aux systèmes de fichiers, décomposer les tâches, appeler plusieurs sous-agents et communiquer via diverses modalités. Huang a noté que chaque entreprise doit maintenant avoir une « stratégie OpenClaw », tout comme il fallait autrefois des stratégies Linux, HTML ou Kubernetes.

  NemoClaw répond aux exigences des entreprises via une architecture de référence avec intégration OpenShell, moteurs de politique, garde-fous et routeur de confidentialité. Nvidia a également annoncé sa famille Nemotron de modèles de langage – en particulier Nemotron 3 et Nemotron 3 Ultra comme modèle de base – ainsi qu’une Coalition Nemotron pour développer des modèles IA souverains spécifiques au domaine.

  Autres annonces : DLSS 5 utilise l’IA générative pour mettre à l’échelle les éléments spécifiques des jeux et améliorer ainsi les graphiques ; Nvidia Alpamo donne aux véhicules autonomes des capacités de raisonnement ; les outils robotiques comme Isaac Lab (entraînement et simulation), Cosmos (World Models), Groot (Foundation Models) et Newton (simulation physique accélérée GPU) permettent aux développeurs d’entraîner l’IA physique et la robotique à grande échelle.

  Actualité sur Nvidia, OpenClaw, Nemotron et outils propriétaires et open-source pour l’IA d’entreprise, la robotique et les véhicules autonomes.

Theo – t3․gg (4 nouvelles vidéos)

• Everything needs to change
  20.3.2026, 12:35:17

  Résumé : « Everything needs to change »

  La vidéo soutient que les outils de développement doivent changer radicalement. À partir de l’idée de l’IDE classique (Integrated Developer Environment) – qui unifiait l’éditeur, le compilateur et le débogage dans une seule fenêtre – l’auteur esquisse l’évolution : de Sublime Text à Atom, puis VS Code, où l’éditeur s’est progressivement adapté aux projets individuels.

  Le problème actuel : avec les agents IA travaillant en parallèle pendant des heures sur plusieurs projets, l’ancien modèle ne fonctionne plus. L’auteur travaille maintenant simultanément sur de nombreuses codebases et doit jongler mentalement entre différents onglets de terminal, fenêtres d’éditeur, onglets de navigateur (pour GitHub et le serveur de développement) et connexions de projets – c’est inefficace et fragmente le flux de travail sur trop d’applications.

  La solution : un IDE plus grand qui ne contient pas seulement un éditeur, mais orchestre toutes les dépendances – plusieurs projets avec leurs terminaux, navigateurs et espaces de travail dans une interface cohérente. L’auteur montre Semox (un fork de Ghosty avec des ajustements d’interface) comme une première approche et mentionne T3 Code comme sa propre expérience dans cette direction.

  Insight central : le problème de la « hiérarchie » dans l’IDE traditionnel – optimisé pour un projet à la fois – doit être repensé. Il faut de nouvelles solutions, une navigation basée sur un canvas, des espaces de travail multidimensionnels. L’auteur souligne que ce n’est pas encore résolu et que de nombreuses approches différentes devraient être essayées. Intéressamment, l’auteur se réfère à Andrej Karpathy, qui a postulé quelque chose de similaire.

  En parallèle, Kernel est sponsorisé (navigateur cloud pour agents avec intégration OAuth).

  Outils/Contexte : VS Code, Cursor, Ghosty/Semox, T3 Code mentionnés ; inspiré par Karpathy ; aucun modèle IA spécifique nommé — Opinion/Réflexion, avec historique de développement personnel.

• Vercel accuses Cloudflare of stealing
  19.3.2026, 11:49:33

  Résumé : Vercel accuses Cloudflare of stealing

  Vercel et Cloudflare se sont affrontés à propos de Just Bash, un package construit par le CTO de Vercel Malta – un environnement Bash entièrement émulé en TypeScript avec système de fichiers en mémoire, développé pour les agents IA. La raison : Cloudflare a forké Just Bash et l’a intégré sous le nom « Cloudflare/Shell » dans son monorepo Agents.

  Malta a critiqué le fork publiquement, car Just Bash est encore en développement actif et Cloudflare a supprimé les avertissements beta ainsi que plusieurs avis de sécurité de la documentation. Pire encore : Cloudflare a remplacé l’implémentation sécurisée de Python Pyodide par une variante non sécurisée donnant au host JavaScript un accès complet, et a éliminé les couches de défense en profondeur contre les breakouts (désactivation eval, vérifications de pollution de prototype) – des mesures de protection critiques pour les environnements Node.js, mais moins pertinentes pour les Isolates de Cloudflare.

  Le contexte plus profond : Vercel a besoin de Just Bash pour des raisons de sécurité, car un vrai Bash sur un serveur Node.js permettrait un accès direct à toutes les ressources système. Cloudflare, en revanche, ne peut pas exécuter un vrai Bash (il utilise des Isolates V8 au lieu d’instances Linux complètes) – pour Cloudflare, l’émulateur Bash est une extension de fonctionnalité, pas une fonction de sécurité.

  Sunil Pi (ancien membre de l’équipe React originale de Cloudflare, maintenant responsable des Durable Objects) était enthousiaste du package et a expérimenté avec. Le fork était à l’origine un projet de vibe-coding en arrière-plan, mais a été accidentellement poussé vers le monorepo public sans label expérimental ou utilisation GitHub personnelle – ce qui a donné l’impression que Cloudflare publiait un package productif sous son propre nom. Malta a ensuite publié un article public au lieu de communiquer d’abord en privé.

  L’ironie : Sunil avait de bonnes intentions et voulait vérifier avec Malta plus tard. Après l’article public de Malta, Sunil s’est excusé et a expliqué que c’était de la frivolité expérimentale. Malta a réalisé plus tard son erreur, a publié une réflexion (« I stirred up unnecessary pain for Sunil ») et s’est excusé à son tour – Sunil ne méritait pas ça.

  L’orateur critique la mauvaise foi entre les entreprises (déclenchée par des drames antérieurs comme le fork erroné de Vext de Next.js) et plaide pour que les deux parties communiquent d’abord en privé avant les confrontations publiques.

  Format & Contexte : Mise à jour d’actualité/approfondissement sur les problématiques d’open-source et d’architecture de plateforme ; pas d’outil IA spécifique au cœur, mais plutôt des disputes d’infrastructure fondamentales (Vercel vs. Cloudflare).

• I did not expect this…
  17.3.2026, 23:40:47

  Le développeur teste Vite Plus, la toute nouvelle chaîne d’outils unifiée open-source en alpha autour de Vite, qui combine la gestion des packages, la gestion des versions de Node, le linting, le formatting, la vérification de type et l’orchestration des tâches. Après l’enthousiasme initial pour l’annonce, il entreprend une exploration en direct, démarre un nouveau projet, expérimente les commandes vp check (332ms pour 15 000 lignes de code), vp dev, vpenv pour la gestion des versions de Node, et teste la fonction vp migrate sur un projet existant — ici, il rencontre plusieurs points de friction : le modèle agents.md généré est trop verbeux et nuit plutôt aux modèles IA ; Vite Plus ne supporte pas Bun (seulement PNPM, NPM, Yarn) ; les commandes vp écrasent les scripts personnalisés du package.json (par exemple vp dev au lieu de vp run dev), ce qui est critiqué comme un mauvais choix UX et répète un agacement bien connu de Bun.

  Lors de la migration d’un projet Tanstack Start de Vite 7 vers Vite 8 + Vite Plus, des conflits de dépendances surgissent, qu’il résout finalement avec Claude Code (Codeex) — un moment où il souligne la supériorité d’une interface graphique par rapport aux outils basés sur la CLI. Les temps de build s’améliorent d’environ 28 secondes à environ 22 secondes. La fonctionnalité Vite Tasks (mise en cache des résultats générés, suivi des dépendances, parallélisation par sous-tâche) et la nouvelle chaîne d’outils Rust Ox le convainquent techniquement.

  Son conclusion : il voit un grand potentiel dans la vision (tout ce qui est nécessaire du déploiement à la gestion des packages d’une seule main, combiné avec les autres projets d’Evan), mais n’est pas encore convaincu d’utiliser Vite Plus dans tous les projets. La critique du surpoids agents.md, l’exclusion de Bun et le comportement de remplacement de script sont des problèmes alpha qui, selon lui, doivent être résolus avant la version finale.

  Traite : Vite Plus (Alpha, Open-Source), Vite Tasks, Ox (linter/formateur basé sur Rust), Claude Code/Codeex — Démonstration/Tutoriel en direct, difficulté standard.

• You don’t want to be a manager.
  16.3.2026, 19:06:16

  Résumé : « You don’t want to be a manager »

  L’orateur discute un article qui soutient que les développeurs de logiciels d’aujourd’hui ne devraient pas passer à des rôles de gestion. Le conflit central : pour progresser dans une carrière technologique, les développeurs sont traditionnellement promus à des postes de direction – et quittent le travail pour lequel ils ont été formés.

  L’article énumère trois principales raisons contre un changement de gestion :

  1. Mauvais moment pour s’éloigner de la technologie actuelle – l’industrie change rapidement, et l’absence entraîne une perte de connaissances rapide.
  2. Échelle de progression compétitive – Les entreprises aplatissent leurs hiérarchies (moins de postes de gestionnaire), tandis que les rôles d’ingénieur Senior/Staff se maintiennent et sont mieux rémunérés en externe.
  3. Rémunération inférieure – Un ingénieur Staff gagne souvent 20-30% de plus qu’un Engineering Manager dans d’autres entreprises.

  L’orateur apporte une position de contre-argument importante : en tant qu’IC (Individual Contributor), on a plus de liberté dans le travail qu’en tant que gestionnaire. Les gestionnaires doivent soumettre leurs décisions à l’équipe et accepter des compromis qu’ils n’auraient pas faits. Mais il met aussi en garde contre l’acceptation de contre-offres après un changement d’emploi – cela détruit la confiance de manière permanente.

  L’orateur inverse ensuite l’argumentation : le management enseigne des compétences relationnelles cruciales, en particulier la communication, qui sont précieuses non seulement en management, mais aussi en tant qu’ingénieur et généralement dans la vie. Un exemple pratique : il a essayé de donner à Claude (CodeX) la tâche de programmer un moteur d’échecs capable de battre Stockfish niveau 17. Le modèle a d’abord mal compris l’exigence et a utilisé Stockfish lui-même à la place. Grâce à l’itération, il a appris qu’il devrait décrire non pas des tâches, mais des objectifs – une compétence tout aussi importante pour les agents IA que pour les humains.

  Sa conclusion finale s’écarte de l’article : au lieu d’éviter les rôles de gestion, il faudrait les envisager si on les aborde avec la bonne mentalité. Les compétences en communication sont à long terme plus précieuses que les rôles spécifiques ou le salaire, car l’avenir de la technologie est incertain. Ceux qui réfléchissent suffisamment à la communication au sein de leur équipe ne deviendront pas seulement meilleurs en gestion, mais aussi en travail d’ingénierie et en prompt engineering IA – un avantage que peu de gens voient.

  Format : Opinion/Réflexion avec analyse de discussion d’un article ; aucun outil IA spécifique/fournisseur mentionné dans le contenu principal (seulement une brève mention des sponsors Augment et Unblocked), mais référence pratique forte à Claude et CodeX dans la démo du moteur d’échecs.

Tim Carambat

Aucune nouvelle vidéo sur cette période.

Unsupervised Learning (2 nouvelles vidéos)

• AI WILL Replace Knowledge Workers
  21.3.2026, 16:00:55

  Résumé : « AI WILL Replace Knowledge Workers »

  L’orateur soutient, à l’encontre de la complaisance répandue, que l’IA remplacera effectivement les travailleurs du savoir – en s’appuyant sur une critique détaillée de l’état actuel du travail en entreprise.

  La situation initiale dans les entreprises : L’orateur, qui a travaillé 25+ ans dans de grandes entreprises et comme consultant, décrit les problèmes typiques : les objectifs sont flous ou non communiqués, les procédures opératoires standard (SOP) n’existent pas ou ne sont pas respectées, la qualité des résultats est massivement incohérente (dépendante de l’individu plutôt que du processus), et il y a des pertes d’information massives lors des changements de personnel. Les dirigeants n’ont souvent aucune visibilité sur le travail effectué, son coût ou sa qualité. Cette découverte nécessite des mois ou des consultants externes pour des centaines de milliers de dollars.

  La fausse vision de la supériorité humaine : L’orateur réfute deux arguments : (1) les humains seraient des machines pensantes chaotiques – la méditation montre que nous ne savons pas d’où proviennent nos pensées, nous ne planifions pas les phrases et nos souvenirs sont déformés et dynamiques, non statiques comme des blocs de données. (2) L’expertise humaine repose sur quatre capacités : le savoir, la compréhension, l’intelligence et la créativité. L’IA maîtrise déjà excellemment les trois premiers – le savoir (connaissances factuelles exhaustives), la compréhension (reconnaissance de motifs inter-domaines) et l’intelligence (adaptation aux nouvelles exigences, objectifs dynamiques). L’IA manque de créativité, mais celle-ci n’est pas nécessaire pour 95 % du travail de savoir moyen.

  Pourquoi la lacune d’expertise prétendument existe : La véritable lacune n’est pas que l’IA en est moins capable, mais que le savoir expert reste dans les têtes humaines – non écrit, non documenté. Quand le savoir est converti en « Skills » (contextes structurés, processus, documentation), l’IA peut l’exploiter pleinement. Des outils comme Claude Code l’illustrent : ce n’est pas un meilleur modèle, mais un meilleur scaffolding (gestion du contexte, interconnexion) qui a fait la différence.

  L’architecture Lattice (projet open-source prévu) : L’orateur présente un système destiné à créer la transparence dans les entreprises : chaque niveau (employé, équipe, département, entreprise) publie ses SOP, objectifs, métriques, budget et résultats via des API. Un démon central permet des requêtes en temps réel – au lieu de mois pour les audits de transparence, cela prend maintenant des secondes. Les objectifs et SOP peuvent être mis à jour centralement et propagés immédiatement à tous les niveaux. Cette visibilité permet à la fois d’identifier les redondances et d’activer l’automatisation assistée par IA.

  Conclusion : Le « narrative de confort » selon laquelle l’IA ne peut pas remplacer les travailleurs du savoir est faux et dangereux, car il conduit à une impréparation. La véritable limite ne réside pas dans les capacités de l’IA, mais dans le manque de documentation des processus – un problème que l’architecture décrite résout. Les entreprises qui atteindront rapidement cette transparence et cette structuration pourront adopter l’automatisation en premier.

  Références : Aucun outil ou fournisseur spécifique mentionné (Claude Code comme exemple générique) ; Lattice et PI sont des projets de l’orateur. – Format : Opinion/Deep-Dive avec éléments de system design.

• A Conversation With Rishi Sharma
  19.3.2026, 16:00:45

  Résumé : A Conversation With Rishi Sharma

  Rishi Sharma de Project Discovery présente Neo, une plateforme native IA pour la cybersécurité qui utilise les LLM pour automatiser les tâches de sécurité dans les organisations. Neo combine deux fonctions : la cartographie de la structure organisationnelle (vue externe et interne sur les API, outils, applications) ainsi que l’identification de vraies failles de sécurité exploitables.

  Le problème central que Neo résout est la réduction des faux positifs. Les scanners traditionnels produisent massivement de mauvais résultats ; Neo sépare intentionnellement la phase de détection de la phase de validation. Les agents de scan effectuent une évaluation initiale, suivie d’un pipeline de validation séparé (avec bac à sable, navigateurs, outils développés en interne) qui confirme l’exploitabilité réelle. Le taux de faux positifs a été réduit de plus de 90 %. Simultanément, Neo aide aussi au triage des backlogs de vulnérabilités existants et accélère les workflows de test de pénétration.

  Neo utilise plusieurs principes de conception : sous-agents pour la gestion du contexte, engineering de boucles de rafraîchissement (chaque itération avec contexte frais), et la soi-disant « Bitter Lesson » (donner des objectifs et des outils au modèle, pas des instructions pas à pas). Cela améliore automatiquement la performance avec de meilleurs modèles LLM. Le système utilise des outils de connaissances séparés et une indexation structurée plutôt que de charger de gros volumes de texte dans la fenêtre de contexte. Les agents peuvent traverser de longues chaînes, chaque étape combinant le reasoning et les appels d’outils.

  La démo montre l’interface API-first : définir des tâches (par exemple « vérifier quotidiennement l’API pour détecter les findings critiques »), ajouter les credentials et l’upload de fichiers, ainsi que configurer les intégrations (Jira, Linear, Slack). L’agent crée un plan, délègue aux sous-agents, se souvient des découvertes antérieures, valide les findings et fournit un rapport avec des instructions de reproduction. Les rapports peuvent être intégrés aux systèmes de ticketing. Plusieurs agents peuvent exécuter des tâches en parallèle et collecter leurs résultats dans un stockage commun ; un agent d’agrégation peut alors rapporter sur tous les résultats.

  Le modèle de tarification est basé sur l’utilisation (infrastructure, calcul LLM, outils tiers). Un pentest coûte environ 20–30 crédits Neo. Neo s’exécute sur Project Discovery Cloud ou peut être déployé dans des VPC personnels (AWS, GCP). L’accès se fait via project discovery.io avec demande de démo.

  Tech-Stack & Format : Project Discovery, Neo ; Démo/Interview avec présentation pratique du système. Aucun nom LLM spécifique mentionné, mais LLMs confirmé comme backbone.

WorldofAI (6 nouvelles vidéos)

• Google AI Studio 2.0 – NEW Powerful Autonomous AI Coding Agent Can Build ANYTHING & IS FULLY FREE!
  21.3.2026, 06:50:30

  Résumé : Google AI Studio 2.0

  Google a refondu Google AI Studio avec une grande mise à jour introduisant un nouveau « Build Mode » ou « Agent Mode ». Cela permet de créer des applications Full-Stack complètes avec backend, intégré directement à Firebase – le tout gratuitement. Le système utilise un AI-Coding-Agent et permet de générer des projets complexes comme des landing pages animées ou des jeux multijoueurs simplement en utilisant des prompts.

  Les nouvelles fonctionnalités principales incluent : le support multijoueur en temps réel (avec AI-Bots, systèmes de scoring et tableaux de classement en direct), la collaboration en temps réel entre plusieurs utilisateurs (par exemple, des expériences 3D Particle partagées avec synchronisation automatique), la visualisation d’éléments de physique et de game design, ainsi que des intégrations avec des services externes comme Firebase. L’interface a été complètement repensée, et l’utilisateur peut sélectionner différents modèles de pointe comme Gemini 3.1 Pro et configurer des frameworks.

  La démo montre un cas d’usage : un tableau de bord CRM avec backend fonctionnel, Google Sign-In et un chatbot Gemini intégré pour les requêtes de base de données, le tout généré automatiquement. De plus, on peut gérer les versions, les secrets et les intégrations directement dans le panel, et télécharger le code en tant que fichier ZIP. L’intégration GitHub et le partage avec d’autres utilisateurs via Gmail sont possibles. Une particularité est le lien avec Google Stitch : les composants front-end de Stitch peuvent être exportés vers AI Studio et développés ultérieurement avec l’agent.

  La roadmap mentionne les plans pour Design Mode, l’intégration Figma, l’intégration Google Workspace, le support GitHub, Planning Mode et les UIs immersives. La vidéo démontre un jeu de chars multijoueur entièrement créé à partir d’un prompt.

  Explicitement mentionnés : Google AI Studio, Stitch, Firebase, Gemini 3.1 Pro ; Format : démo avec avis/réflexion.

• MiniMax M2.7 IS INSANE! Best Agentic/Coding Model! Beats Opus 4.6 and 50x Cheaper! (Fully Tested)
  20.3.2026, 02:21:19

  Résumé : MiniMax M2.7 – Test et évaluation

  MiniMax a lancé le M2.7, un nouveau modèle d’IA agentic qui s’est développé via auto-amélioration autonome sur 100+ itérations (sans intervention humaine) et a atteint une augmentation de performance de 30%. Le modèle se distingue par de solides résultats de benchmark : 56,22% sur SWE-bench Pro (niveau Opus), 55,6% sur Vibe Pro et 57% sur Terminal Bench 2. Il peut gérer de grands systèmes avec plus de 50 Skills et 100+ features, tout en suivant de manière fiable les instructions et en utilisant les outils.

  Le tarif du M2.7 est révolutionnaire : à 30 cents pour 1 million de tokens d’entrée et 1,20 dollar pour 1 million de tokens de sortie, il coûte jusqu’à 50 fois moins que Opus tout en offrant une intelligence similaire à GLM5 à moins d’un tiers du coût. La fenêtre de contexte de 24K prend en charge les workflows complexes.

  Les tests pratiques montrent de fortes performances dans des scénarios réels comme l’analyse de journaux, le refactoring de code, les pipelines de machine learning et le développement Android. Le critique a effectué plusieurs tests pratiques : un OS de navigateur de style macOS, des landing pages dynamiques avec animations et rendu de shaders, un clone Minecraft avec génération de terrain, une machine à sous de casino avec gestion d’état et animations, ainsi qu’une visionneuse de produits 360° et un jeu de mineur occasionnel. Dans les comparaisons directes avec Opus 4.6, le M2.7 produit souvent une meilleure qualité de front-end, particulièrement pour les animations et les éléments interactifs.

  L’accès se fait par plusieurs canaux : API directe, interface chatbot gratuite, Open Router, Kilo (avec CLI open-source et crédits gratuits) ou divers plans de tokens/codage. Le critique recommande le modèle comme une véritable concurrence pour Opus 4.6 pour les systèmes multi-agents agentic et souligne particulièrement la capacité à l’auto-amélioration autonome des systèmes.

  Modèles explicitement testés : MiniMax M2.7, Opus 4.6, Gemini 3.1 Pro ; Outils/Plateformes : Kilo CLI, Open Router ; Format : démo avec tests comparatifs.

• Google’s NEW AI Vibe Design Tool IS INSANE! The Greatest AI Design System I’ve Ever Used! (Stitch)
  18.3.2026, 18:01:14

  Résumé : Google Stitch – Système de design natif IA

  Google a transformé Stitch, son agent de design alimenté par Gemini, en une plateforme de design entièrement native IA. Le composant principal est une toile généreuse et native qui gère simultanément les images, le code et le texte et permet le travail parallèle avec plusieurs agents – par exemple, créer simultanément une landing page et une page de profil utilisateur.

  L’agent refondu est plus puissant : il peut échanger des logos, critiquer les designs, générer des PRD, construire des systèmes de design avec des couleurs et typographies prédéfinies et les importer depuis des sites web. La fonction Instant-Prototype assemble les écrans en quelques secondes, affiche les flows interactifs immédiatement et génère automatiquement l’écran logiquement suivant en fonction des interactions de l’utilisateur. La toile prend en charge l’aperçu dans différents formats (mobile, tablette, web) ainsi que les variations et les cartes de chaleur.

  La nouvelle conception Voice-Vibe utilise l’intégration Gemini Live et permet le prototypage libre grâce à l’entrée vocale – l’agent répond aux questions, génère les designs en direct et fournit des retours en temps réel. Les systèmes de design peuvent être ajustés en détail (couleurs, polices, border-radius) et appliqués de manière cohérente sur toutes les toiles. Le code exporté peut être traité ultérieurement ; les utilisateurs peuvent choisir entre différents modèles d’IA (par exemple, Gemini 3 Flash). L’outil est gratuit et accessible avec un compte Google.

  Outils/Modèles traités : Google Stitch, Gemini Live, Gemini 3 Flash — Format : Démo.

• AI Agents That Control Your Computer! Automate Your Life With AI FOR FREE!
  18.3.2026, 04:19:54

  Résumé :

  La vidéo présente Neo, un navigateur gratuit et natif IA de Norton qui met l’accent sur l’automatisation, la vie privée et l’assistance IA. L’ensemble du processus reste local sur l’appareil et ne nécessite aucune synchronisation cloud. Après l’installation et la configuration du profil, Neo offre une interface de chat principale où on peut entrer des URLs, utiliser des commandes avec le symbole @, ou simplement poser des questions. Le navigateur dispose de snippets prédéfinis pour les tâches courantes comme les résumés, la rédaction et l’aide au code. Dans les paramètres, on peut activer l’IA locale, activer le bloqueur de publicités et configurer le comportement de la barre latérale.

  Les fonctionnalités principales sont : le panneau latéral IA résume les articles d’actualité et répond aux questions de suivi ; un bloqueur de publicités supprime automatiquement les publicités ; le Smart Tab Grouping organise les onglets ; les vidéos et podcasts peuvent être résumés au lieu d’être regardés entièrement ; au survol des liens, un bouton d’aperçu apparaît sans clic ; les textes du navigateur peuvent être mis en évidence et expliqués ou résumés. L’agent IA trouve les codes de réduction avec les dates d’expiration, développe la mémoire à long terme en fonction de l’utilisation, sauvegarde les préférences comme le style d’écriture et affiche un fil d’actualités personnalisé. Neo peut également traiter de grands documents, générer des images et les rendre visibles sous forme de galerie, ainsi qu’offrir la génération de texte en ligne (par exemple, dans les e-mails ou les notes). Le navigateur fonctionne sur Windows et Mac et est gratuit.

  Format & Outils : Démo d’un navigateur IA (Neo de Norton) ; axé sur la confidentialité, traitement local ; aucun fournisseur d’IA spécifique au cœur du sujet, mais Claude et Gemini 3.1 Pro brièvement mentionnés — Vidéo de démo.

• Codex Subagents, Minimax M2.7, Claude Code Update, NVIDIA GTC, AI CMO, Google AI Tool! HUGE AI News
  17.3.2026, 05:59:47

  Résumé : HUGE AI News – Mise à jour hebdomadaire

  Cette semaine a apporté plusieurs annonces majeures en IA :

  OpenAI Codex Sub-Agents : OpenAI a introduit des Sub-Agents pour Codex qui peuvent générer en parallèle des agents spécialisés pour traiter différentes parties d’une tâche et combiner intelligemment leurs résultats – particulièrement pour les workflows complexes comme les explorations de codebase ou les plans de fonctionnalités multi-étapes.

  Minimax M2.7 : Le modèle sort cette semaine et s’affiche déjà sur Design Arena. Les tests montrent une meilleure génération de code et des capacités front-end (par exemple, simulation d’OS de style macOS avec des éléments d’interface utilisateur fonctionnels), mais peut encore progresser en complétude.

  VS Code Agent-Mode : VS Code a reçu un nouvel outil de navigation agentic permettant aux agents de contrôler un navigateur en direct – ouvrir des pages, lire le contenu, cliquer sur des éléments et vérifier les modifications en temps réel.

  Nvidia GTC 2026 : Les annonces comprenaient Nemotron Ultra (nouveau modèle open-source pour le raisonnement et la robotique), Nemoclaw (stack open-source sur Openclaw), et DLSS5 (amélioration graphique assistée par IA pour les jeux).

  Mistral Small 2 : Modèle 128-Expert avec 119 milliards de paramètres, sous licence Apache 2.0, 40% plus rapide, 3x plus de débit, mais avec seulement une fenêtre de contexte de 256k. Mistral a également annoncé un partenariat stratégique avec Nvidia.

  Mises à jour Claude : Fenêtre de contexte d’1 million de tokens pour Opus et Sonnet 4.6, Opus 4.6 atteint 78,3% sur MRCR v2, jusqu’à 600 images/pages PDF par requête. Bonus à partir du 14 mars : 2x l’utilisation en dehors des heures de pointe pendant deux semaines.

  Outil de design Google : Application de bureau avec contrôle vocal, layout de toile et vision d’agent pour la création automatisée de designs (kits marketing, interfaces, tableaux de bord, diapositives) avec intégration React – lancement prévu ce mois-ci.

  Autres outils : Okra présente le premier AI CMO (acquisition d’utilisateurs automatisée), Perplexity lance « Personal Computer » (système IA toujours actif), application de bureau Manis avec agent local, Stitch publie SDK TypeScript pour les workflows agentic.

  Moonshot Intention Residual : Nouvelle idée d’architecture où les modèles, au lieu d’empiler aveuglément toutes les données de couche, sélectionnent de manière sélective uniquement les informations pertinentes des couches précédentes – réalise une efficacité de calcul 1,25x meilleure avec 48 milliards de paramètres.

  Outils/Fournisseurs IA : OpenAI, Claude (Anthropic), Minimax, Nvidia, Mistral, Google, Okra, Perplexity, Moonshot, VS Code – Format : Synthèse des actualités

• Claude Code + Obsidian = UNLIMITED Memory! Solves Claude’s Memory Problem!
  16.3.2026, 07:30:55

  Claude + Obsidian pour la mémoire persistante du projet

  La vidéo montre une solution au problème bien connu de Claude Code : le modèle perd son attention sur les contextes plus longs et oublie les instructions précédemment données. La combinaison avec Obsidian, une application de prise de notes gratuite, maintient toutes les informations du projet organisées et disponibles de manière permanente.

  Principes de base d’Obsidian : L’application stocke les notes sous forme de fichiers Markdown bruts dans un coffre local (dossier) – pas de format propriétaire, entièrement privé et hors ligne. Claude Code peut accéder directement à ces fichiers Markdown, les rechercher, les référencer et les mettre à jour.

  Structure du coffre : On remplit le coffre avec le contexte pertinent : aperçu du projet, décisions architecturales, normes de codage, informations GitHub, schémas Prisma, résumés de session, notes de bogues, transcriptions de réunions – tout ce dont Claude a besoin pour prendre des décisions. Après chaque session, Claude peut lui-même écrire de nouvelles notes et mettre à jour le coffre.

  Skill Obsidian : Un plugin installé (via Marketplace) enseigne à Claude Code comment mieux interagir avec le coffre : lire les fichiers Markdown, écrire/mettre à jour les notes, explorer le coffre, référencer le contenu. Avec la commande /obsidian, Claude peut utiliser directement la CLI Obsidian.

  Exemple pratique : Dans la démo, un tableau de bord CRM est étendu. Claude tire d’abord les contextes du projet du coffre (architecture existante, schéma Prisma, modèles de composants Shad-CN), construit ensuite un tableau Kanban de transactions cohérent avec les modèles existants et met à jour le coffre après. Plusieurs agents peuvent travailler en parallèle et utiliser la même mémoire de projet sans écarts.

  Résultat : Pas d’explications répétées nécessaires, Claude reste aligné avec la vision originale, les détails sont conservés pendant des semaines/mois, le code devient plus cohérent, les workflows plus fluides – particulièrement pour les gros projets à long terme.

  Claude Code + Obsidian ; tutoriel avec démo pratique.

Zubair Trabzada | Atelier IA (3 nouvelles vidéos)

• Give Claude Superpowers with These 3 MCPs (Step-by-Step)
  21.3.2026, 14:00:52

  Résumé : Give Claude Superpowers with These 3 MCPs (Step-by-Step)

  La vidéo montre comment installer et utiliser trois MCPs (Model Context Protocols) dans Claude Desktop pour étendre considérablement les fonctionnalités de Claude.

  Prérequis : Il faut télécharger l’application Claude Desktop depuis claude.com/download. Les MCPs s’ajoutent via l’icône Plus → Connectors → Manage Connectors.

  Les trois MCPs :

  1. Canva MCP – Permet d’attribuer directement des tâches de design à Claude au lieu d’utiliser Canva manuellement. Par exemple, créer en langage naturel une série de carrousel Instagram sur « cinq habitudes matinales » et obtenir plusieurs options de design que Claude génère automatiquement avec Canva. Ensuite, on peut affiner les designs dans l’éditeur Canva ou poursuivre les itérations avec Claude.
  1. Zapier MCP – Connecte via un seul MCP l’accès à plus de 8 000 applications (Gmail, Google Calendar, Slack, Google Sheets, Salesforce, etc.), au lieu de les relier individuellement. On peut définir des permissions granulaires par outil (par exemple, ajouter uniquement des réunions, pas les supprimer). Dans la démo, Claude demande les rendez-vous de demain, les résume et envoie un message Slack – tout automatiquement sans commande explicite sur l’outil à utiliser.
  1. Stripe MCP – Automatise la création de factures et de liens de paiement. Claude peut générer des factures avec les données clients et créer des liens de paiement qui accèdent directement au compte Stripe personnel. L’authentification s’effectue via l’API Stripe, où on définit préalablement quelles permissions (par exemple, facturation, liens de paiement) accorder.

  À chaque utilisation, Claude demande une confirmation ; on peut régler « Always Allow » pour éviter les demandes répétitives.

  Format : Tutoriel/démo avec Claude et les MCPs Canva, Zapier et Stripe.

• Build and Sell AI Websites + CRM to Local Contractors (Zite)
  19.3.2026, 01:05:40

  Build and Sell AI Websites + CRM to Local Contractors

  Le producteur vidéo montre comment créer et vendre avec Zite un système professionnel de site web et CRM pour les petits entrepreneurs locaux (l’exemple d’un électricien) avec un seul prompt.

  La solution résout un vrai problème : beaucoup d’artisans travaillent encore avec des appels manqués, des messages texte et des feuilles de calcul – sans système de suivi de leads ni de gestion client.

  Workflow Zite : après création d’un compte gratuit, on décrit son outil métier en anglais. Le système construit alors automatiquement l’infrastructure complète (backend, base de données, authentification) en une seule fois – au lieu d’assembler plusieurs outils séparés.

  La structure du prompt comprend deux applications interconnectées :

  1. Site public : présentation de l’entreprise avec formulaire de demande de service, pages de services, contact et horaires
  2. Tableau de bord CRM : backend pour le contractant pour gérer les demandes entrantes

  Base de données : tableau des demandes de service avec champs comme nom du client, téléphone, e-mail, adresse, type de service, urgence, heure préférée, statut, notes.

  Fonctionnalités démontrées : notifications email automatiques, édition visuelle du contenu du site, automatisation des workflows, filtrage selon les conditions (par exemple, afficher uniquement le statut « scheduled »), gestion des utilisateurs avec inscription sur invitation, plusieurs méthodes d’authentification (Google, Magic Link).

  Approche commerciale : construire rapidement un système de démo, l’envoyer au contractant avec accès au backend et possibilité de tester le formulaire – montrer en direct comment les demandes arrivent dans la base de données CRM et comment gérer les leads.

  Les itérations sont possibles : on peut décrire des modifications à tout moment et faire reconstruire le système.

  Démo Zite avec applications no-code personnalisées et fonctionnalité CRM comme tutoriel de modèle commercial.

• I Switched From Clawdbot to Claude Dispatch (Here’s What Happened)
  18.3.2026, 23:21:33

  La vidéo montre l’installation et l’utilisation de Claude Dispatch, la fonction nouvellement publiée d’Anthropic pour déléguer des tâches du smartphone au bureau.

  Installation et configuration de base : télécharger l’application Claude Desktop, activer l’onglet « Co-work », scanner un code QR pour se connecter à l’application Claude mobile et accorder à l’application l’accès aux fichiers et à la navigation web. Il est important que l’ordinateur reste actif et que la connexion fonctionne comme un « talkie-walkie » entre le téléphone et le bureau.

  Cas d’usage 1 – Actions et recherche dans le navigateur : Claude est chargé de chercher les 3 meilleurs outils de productivité IA 2026 sur Google, d’ouvrir leurs pages, de collecter les prix et fonctionnalités, et d’enregistrer un tableau comparatif dans les documents. Le système effectue cela automatiquement et crée un document professionnel de comparaison avec les détails sur ChatGPT, Notion AI et Microsoft Copilot.

  Cas d’usage 2 – Analyse de données complexe : Claude analyse des données brutes de ventes et des notes d’équipe désorganisées des dossiers locaux, identifie les meilleurs collaborateurs et crée un rapport executive-summary propre avec graphiques, tendances de chiffre d’affaires et recommandations – tout enregistré automatiquement dans le dossier de sortie.

  Workflows avec fichiers Markdown : pour les tâches répétitives ou complexes, on peut enregistrer des instructions détaillées dans des fichiers Markdown (appelés « Skills ») – du simple briefing aux workflows multi-phases avec sous-agents (exemple : un audit SEO avec 5 agents et 11 skills). Claude lit ces fichiers et exécute les instructions étape par étape.

  Cas d’usage 3 – Fonctionnalités d’assistance : les tâches quotidiennes simples comme vérifier le calendrier, résumer les e-mails, préparer les réunions et prendre des notes automatiques sont mentionnées.

  Avantage de sécurité : contrairement à OpenClaw ou CloudBot, Dispatch s’exécute localement sur son propre ordinateur, ce qui réduit considérablement le risque de fuite de données et d’exposition des API – particulièrement pour les utilisateurs non-techniciens.

  Type de vidéo et outils : démo avec éléments tutoriels ; Claude Dispatch (Anthropic) est continuellement démontré, l’application Claude Desktop est mentionnée, le référentiel GitHub « GEO-SEO pour Claude » est cité.

---

Généré automatiquement à partir des dernières vidéos YouTube de la sélection de chaînes organisée. Pour tout commentaire, suggestion ou pour vous désinscrire : répondez simplement à cet e-mail.