Blog

Claude Code en tant que centre de gravité : Comment un agent de codage est devenu la norme de l’industrie en 2025

Dimanche 4 janvier 2026

Bonjour, ce digest hebdomadaire analyse les vidéos les plus importantes provenant d’environ 45 chaînes YouTube d’IA et de codage soigneusement curées — avec de la substance, aucun classement superficiel. Un résumé complet par vidéo, plus un aperçu de la semaine des thèmes dominants. Lisez tranquillement — ou copiez un résumé dans le LLM de votre choix et approfondissez. Cliquez sur le lien sous chaque résumé pour voir la vidéo originale.

Versions de modèles et benchmarks

Les récapitulatifs annuels de Cole Medin et Everlast AI ont couvert un large spectre : DeepSeek R1 (raisonnement open source, qui a déclenché une chute de capitalisation boursière de Nvidia de 600 milliards de dollars en une journée), le projet Stargate (500 milliards de dollars), GPT-5 à 5.2, Gemini 2.5 à 3, Claude 4/Opus 4.5, Meta Llama 4, Qwen 3 et Moonshot Kimi K2. Theo complète les données de base : les modèles à poids ouvert chinois (GLM 4.7, DeepSeek 3.2, Minimax 2.1) dominent les benchmarks actuels, l’entrée la plus élevée sans modèle à poids ouvert chinois (OpenAI GPT OSS 120B) est classée sixième. TheAIGRID a analysé le succès de GPT-5 sur ARC-AGI-2 (75-76 % contre 60 % de la moyenne humaine) – réalisé non pas par un modèle plus grand, mais par un « déblocage » : une couche gestionnaire au-dessus du modèle décompose les problèmes, choisit les outils et vérifie les progrès. ARC-AGI-3 (mars 2026) testera l’apprentissage interactif dans des environnements inconnus et élargira davantage l’écart entre correspondance de motifs et véritable intelligence. Simone Rizzo a mis en lumière l’article de DeepSeek sur « Manifold Constraint Hyper Connections » (publié le 31 décembre 2025) : la combinaison des hyper connexions avec l’algorithme Sinkhorn-Knopp stabilise les réseaux profonds et apporte +8,2 % sur BBH, +6,9 % sur Drop avec le même nombre de paramètres – un progrès potentiellement large en architecture au-delà des seuls transformeurs.

IA locale et open source

La deuxième vidéo de plongée profonde de Simone Rizzo a expliqué Activation Steering : en ajoutant un vecteur de pilotage aux vecteurs d’état caché entre les couches du réseau, on peut contrôler le comportement de Llama 3 sans réentraînement – la personnalité, le style d’écriture, la concentration thématique et l’amélioration des compétences sont adressables avec des coefficients α calibrés, les couches intermédiaires (par exemple, la couche 15 sur les modèles à 32 couches) offrant les points d’intervention conceptuellement les plus riches. L’analyse de WorldofAI sur iQuest Coder et son architecture en boucle a déjà été traitée dans la section des agents de codage ; à titre complémentaire, il convient de noter que LM Studio et Open Web UI ont été présentés comme des options de déploiement local pour le modèle 40B. Everlast AI prévoit pour 2026 que les modèles open source (en particulier en provenance de Chine) réduiront l’écart par rapport aux fournisseurs commerciaux de six à trois mois et que les LLM d’entreprise (systèmes auto-hébergés, formés en interne) deviendront la norme dans les entreprises.

Claude Code et outils Anthropic

La semaine a livré une collection dense de guides pratiques Claude Code : Alex Finn a distillé dix conseils officiels d’Anthropic – allant de l’utilisation prudente du mot « think » (déclenche la pensée étendue et brûle les tokens) aux appels d’outils parallèles dans claude.md jusqu’à l’utilisation massive du traitement d’images d’Opus 4.5 pour les rapports de bugs. Nic Conley a expliqué les compétences Claude comme des extensions de flux de travail spécialisées, allant de la recherche d’événements via le scraping Instagram à la construction de sites Web au style rétro – et y a identifié un modèle économique autonome. WorldofAI a démontré la Ralph Loop, un plugin léger d’Anthropic (/plugin install) qui force Claude Code dans une boucle d’amélioration autonome et a complété un projet qui aurait coûté 50 000 USD pour moins de 300 USD. Le cadre Design OS, à son tour, injecte une étape de spécification de conception explicite avant la génération de code – Gemini 3.0 et Claude 4.5 Opus produisaient ainsi des composants d’interface utilisateur considérablement plus polis sans ce cadre. Storm MCP en tant que passerelle en un clic pour les serveurs MCP complète le tableau : Context-7 et Sequential-Thinking-MCP peuvent être intégrés directement dans VS Code, Cursor ou Claude Code, y compris l’observabilité en temps réel.

Agents de codage (non-Claude)

WorldofAI a examiné iQuest Coder – un modèle de codage open source d’Ubiquant (un fonds spéculatif chinois) en quatre tailles jusqu’à 40B paramètres, avec une variante en boucle qui réutilise les paramètres sur les étapes de raisonnement. Les benchmarks publiés (81,4 % sur Swaybench) doivent cependant être examinés avec prudence : l’environnement d’évaluation contenait l’historique Git avec les commits futurs, ce qui remet fondamentalement en question la validité des scores. Dans les tests pratiques, le modèle 40B-Loop a fourni des résultats solides mais non exceptionnels – comparables à Qwen 3. Le rapport annuel de Datapizza évalue Cursor comme le meilleur IDE de l’année (auto-complétion, chat d’agent intégré, intégration GPT-5), Theo confirme que Cursor a atteint 500 millions de dollars ARR et s’est avéré être la plateforme SaaS à la croissance la plus rapide. Google A2UI (CopilotKit AG-UI) montre une approche différente : les agents IA génèrent ici des plans d’interface utilisateur JSON déclaratifs plutôt que du code exécutable, qu’un moteur de rendu convertit alors en widgets natifs – les formulaires, graphiques et cartes émergent directement d’un backend d’agent.

Ingénierie logicielle et culture de développement

Le récapitulatif annuel de Theo, « 2025: The Year I Stopped Writing Code », est le document le plus exhaustif de cette semaine sur la pratique de développement modifiée : la taille des PR a augmenté de 33 %, les lignes de code par développeur et par mois sont passées de 4 450 à 7 800 (+76 %), et Simon Willison (créateur de Django) a publié 110 outils – la plupart codés par vibration. En même temps, Theo met en garde contre « Context Rot » (dégradation de la qualité avec des contextes trop longs), les hallucinations comme faille de sécurité (les noms de paquets inventés sont enregistrés de manière malveillante) et la « trilogie mortelle » composée d’accès externe, de données privées et de contenu non fiable. MoureDev souligne du côté inverse : les fondamentaux ne valent pas moins mais plus en 2026 – celui qui ne peut pas juger la production d’IA est remplaçable. Le débogage, la révision de code et la spécialisation en T restent les véritables leviers de carrière. NeuralNine a fourni deux vidéos de bases de programmation solides : un tutoriel sur la solution de forme fermée de la régression linéaire et une automatisation PDF basée sur ReportLab.

Système opérationnel IA personnel et cadres d’agents

La conception des agents s’est fortement concentrée cette semaine sur les analyses stratégiques. Nate B. Jones a identifié le mode de défaillance central non pas comme une hallucination, mais comme une incompréhension d’intention : un agent supprime les documents originaux parce qu’il interprète trop largement une demande floue de nettoyage des doublons. Son architecture de solution considère l’intention comme un document séparé et versionnable avec des objectifs, des conditions de défaillance et des compromis acceptables – qui doivent être explicitement vérifiés avant toute action destructrice. Le problème du « Human Throttle » aborde le côté complémentaire : dans les déploiements d’entreprise, les agents sont réduits au mode co-pilote, non pas parce que la technologie échoue, mais parce qu’il manque des structures de décision réversibles. La solution réside dans cinq primitives – Drafting First, Preview, Time Windows, Repair Plans, Permanent Record – qui sont transférées du développement logiciel (Git, Rollbacks) à d’autres domaines commerciaux. Pour les agents personnels, Nate diagnostique l’absence de percée UX : tous les composants techniques (MCP, Skills, Browser-Use, GPU portables 2026) sont prêts, mais personne ne les a réunis dans une interface « Mini-Me » intuitive – et le vrai goulot d’étranglement est la capacité à formuler une intention précise.

Automatisation IA et flux de travail

n8n domine à nouveau cette section. Ben AI a présenté un cours pour débutants de cinq heures sur la création d’une agence d’IA, positionnant N8N comme outil principal pour les automatisations – avec une démonstration de bout en bout d’un générateur de sensibilisation LinkedIn qui combine Airtable, l’API Perplexity et un agent IA personnalisé. Pour l’e-commerce, il a montré quatre systèmes : un chatbot de support basé sur RAG (scraping Web → Recherche de fichiers Gemini), un optimiseur de produits Shopify en masse (traitement CSV via Gemini), un générateur d’annonces automatique (API Replicate pour les images) et un suivi automatique des prix des concurrents avec Firecrawl et notifications Slack. Julian Ivanov a démontré une solution EÜR entièrement automatique avec l’OCR Mistral, qui traite les reçus provenant de la messagerie, Telegram et Google Drive, les trie dans des dossiers mensuels et construit un agent IA interrogeable avec un outil de calculatrice. Le panel d’entreprise n8n a mis en évidence les nouvelles fonctionnalités : Custom Roles, Dynamic Credentials, Human-in-the-Loop comme première classe de fonctionnalité et un hub de chat interne comme équivalent ChatGPT agnostique de modèle.

Vidéo IA et création de contenu

Le domaine des modèles vidéo était dense cette semaine. Le classement d’Everlast AI a résumé : Runway Gen 4.5 surpasse Google Veo 3.1 en ELO texte-vidéo, LTX2 (open source, natif 4K, 50 ips, jusqu’à 10 secondes, jusqu’à 10 000 caractères d’invites) devient particulièrement pertinent pour les créateurs vidéo IA, et Clen 1.5 Pro de Chine génère la vidéo et l’audio simultanément. Sora 2 offre des storyboards, des vidéos plus longues (15-25 secondes) et un caméo de personnage pour les personnages fictifs cohérents ; l’accord de licence Disney d’OpenAI permet l’utilisation conforme des personnages Disney. AI avec Arnie marque la dimension sociétale : un homme de 73 ans a généré une vidéo avatar IA avec 3,1 millions de vues, sans que les spectateurs reconnaissent la nature IA. Le guide pratique de TheAIGRID sur la reconnaissance d’images IA nomme Google DeepMinds SynthID (accessible gratuitement via Gemini) comme la méthode la plus fiable – reconnaissable même après recadrage et filtrage – avant les informations d’identification de contenu, Hive AI et l’examen manuel détaillé.

Entreprise IA, marketing et travail indépendant

La chaîne de Liam Ottley a fourni deux plans concrets. Linus de AI Union décrit un modèle d’agence basé sur les pistes de partenaires logiciels : 150 projets en quatre mois, 42 000 € de chiffre d’affaires mensuel avec 80 % de marge grâce à des forfaits standardisés (Small Setup 1 000 €, Large Setup 2 000 €) et partage de revenus avec le partenaire FonYou AI – coûts d’acquisition clients pratiquement nuls. Ben Webb montre la voie opposée vers SaaS sans connaissances en codage : identifier un problème avec un professionnel du secteur (dentiste + diagnostic IA), valider la sortie avec Make/n8n, générer le frontend avec Lovable et assembler ensuite avec Cursor, GitHub, Render et Supabase – pile inférieure à 100 dollars mensuels. La chaîne de Zubair Trabzada regroupe les deux directions : Frontend (VIP Coding), Automation (N8N) et Voice AI comme le triplet qui active les solutions complètement déployables au lieu des démos. Un invité d’entrevue a obtenu 22 000 dollars de frais de développement plus 1 500 dollars de rétention pour un agent vocal avec une agence pour l’emploi d’État – le différenciateur clé était une proposition interactive basée sur Lovable plutôt que PowerPoint et un avantage différencié en cybersécurité.

Prompting et alphabétisation IA

Kyle Balmer tourne plusieurs fois autour du concept de « Capability Overhang » : GPT-5.2, Claude Opus 4.5 et Gemini 3 sont techniquement bien plus performants que la plupart des applications pour lesquelles ils sont utilisés – même le co-fondateur d’OpenAI Andrej Karpathy s’est décrit publiquement comme débordé par le niveau d’abstraction des nouveaux agents, Context Memory et flux de travail MCP. Karpathy et Ethan Mollick partagent le même diagnostic, que Balmer interprète comme une opportunité commerciale pour 2026 : celui qui comble l’écart entre les capacités du modèle et l’application pratique peut facturer 1 500 à 2 000 livres par heure d’atelier. MoureDev formule le côté apprentissage de cette équation : la méthode socratique avec IA – « pourquoi ma logique échoue-t-elle ? » au lieu de « donne-moi le code » – et des sessions d’exercice régulières sans IA comme programme obligatoire pour un artisanat solide.

Industrie IA et stratégie

L’accord Nvidia-Groq a occupé trois chaînes. AI avec Arnie et David Shapiro ont convenu dans l’analyse fondamentale : la transaction de 20 milliards de dollars n’est pas un achat classique mais une « embauche inversée » selon le modèle de l’accord Inflection de Microsoft – les talents et la propriété intellectuelle vont à Nvidia, Groq reste formellement indépendant et contourne ainsi les autorités antitrust. Arnie se concentre sur la thèse hybride des puces stratégiques : la vitesse SRAM (LPU de Groq avec 80 TB/s sur puce) combinée à la capacité de stockage de Nvidia pour les grands modèles, avec la robotique humanoïde (Projet Groot) comme application tueuse. Shapiro affine la dimension logicielle : la véritable protection est CUDA avec 17 ans de création d’écosystème, des millions de développeurs formés et une intégration profonde dans PyTorch et TensorFlow – du matériel architectoniquement supérieur comme le Wafer-Scale Engine de Cerebras ne peut pas rivaliser avec ce verrouillage. Kyle Balmer a analysé l’acquisition de Manus par Meta (estimée à 4-6 milliards de dollars) : le produit de consommation serait probablement interrompu ; le véritable objectif est le talent pour Meta Advantage Plus, la plateforme d’optimisation des publicités pilotée par l’IA de Meta. Le nouveau poste d’OpenAI « Head of Preparedness » (550 000 dollars plus actions) et le cadre Preparedness mis à jour abordent spécifiquement les abus de bioweapons et cyberweapons ainsi que l’auto-amélioration de l’IA.

IA et société / Avenir du travail

TheAIGRID documente un point de basculement qualitatif dans le retour de bâton contre l’IA : données Pew-Research (53 % des Américains disent que l’IA détériore la pensée créative), tweets devenus viraux avec soutien pour les allusions de violence contre les dirigeants de l’IA, et sénateurs républicains qui évitent le mot « IA ». Le constat : sans un récit plus convaincant sur l’utilité économique distribuée, la polarisation se poursuit en 2026. Prof. Dr. Karl-Hans Bläsius (chercheur en IA depuis 1986, Everlast AI) met en garde contre les risques existentiels cumulatifs – cyberguerre autonome sans consommation de ressources, Flash Wars, armes biologiques par l’IA – et considère que la loi sur l’IA de l’UE est nécessaire mais insuffisante ; l’interconnexion internationale plutôt que la confrontation est la seule solution durable. Plusieurs chaînes ont discuté des implications sur le monde du travail : la chaîne française Le SamourAI montre sur le marché des traducteurs (15 centimes → 3 centimes par mot via DeepL + ChatGPT) comment les distributions de puissance remplacent les distributions normales ; Nate B. Jones prévoit un fractionnement en 2026 entre Work-AI (stricte, avec couches d’identité et journaux d’audit) et Personal-AI (optimisé pour l’engagement), ce qui crée des « décalages horaires » cognitifs lors de la transition. L’image de prévision pour 2026, qui émerge de plusieurs vidéos, est cohérente : Claude Opus 4.5 gère déjà ~5 heures de travail agentic avec 50 % de taux de succès ; jusqu’à fin 2026, 20-40 heures sont prévues – ce qui n’est pas principalement un problème de modèle, mais d’organisation et de délégation.

Brèves notes

DevExpert a montré la nouvelle fonctionnalité de générateur de projets IA d’Android dans Canary d’Android Studio (via Google Gemini, modèle « Create with AI ») : forces en architecture native (Room, Hilt, Compose), faiblesses dans les dépendances obsolètes et la fidélité du design. Le récapitulatif CSS annuel de Theo basé sur « CSS Wrapped 2025 » de Google énumère 22 nouvelles fonctionnalités, y compris la stylisation native , Anchor Positioning, CSS if()-logic et l’API move() pour repositionnement DOM préservant l’état. Le nouvel agent Gemini de Google (utilisateurs Ultra US uniquement) intègre le calendrier, Gmail et Drive ; Google Opal offre un constructeur de flux de travail généré par IA analogique à n8n. Le Deep Agent d’Abacus AI combine les capacités de Deep-Think semblables à Gemini-3 pour 10 dollars mensuels et a développé en 20 minutes une application hybride Notion/Linear complète. L’OCR Mistral 3 a amélioré la reconnaissance de reçus gratuitement ; Fisher Audio se positionne comme une alternative 6 fois moins chère à 11-Labs avec clonage vocal à partir de dix secondes d’audio.

Table des matières

Toggle

AI Explained

Aucune nouvelle vidéo au cours de cette période.

AI Foundations

Aucune nouvelle vidéo au cours de cette période.

AI mit Arnie (2 nouvelles vidéos)

• Les tendances de l’IA qui vont tout changer en 2026
  2.1.2026, 14:02:55

  Les tendances de l’IA qui vont tout changer en 2026 – Résumé

  L’orateur s’attend à une poursuite du développement rapide de l’IA en 2026, marquant le 2 août 2026 comme date clé (entrée en vigueur de la loi IA de l’UE). Le critère central est un benchmark mesurant le nombre d’heures de travail humain qu’un modèle d’IA peut accomplir avec un seul prompt : actuellement, Claude Opus 4.5 réalise environ 4 heures 49 minutes de travail humain (à 50% de taux de réussite) ; la prévision pour fin 2026 est de 20–30 heures. Cela signifie : les utilisateurs doivent apprendre à externaliser les tâches représentant une journée de travail vers l’IA.

  Tendance 1 : Mesure et croissance logarithmique – Les modèles ne deviennent pas principalement plus intelligents, mais mieux intégrés et implémentés. Le « Model Overhang » montre que les performances brutes existent, mais ne sont pas optimalement utilisées.

  Tendance 2 : Auto-amélioration et meilleures interfaces – Des outils comme Claude Code, Cursor et Lovable montrent déjà comment les modèles d’IA peuvent améliorer le code eux-mêmes (exemple : Boris d’Anthropic a laissé Claude Code réviser complètement sa base de code – 40 000 lignes ajoutées, 38 000 supprimées). Alpha Evolve de Google optimise le code d’entreprise pour des millions. L’intelligence ne réside plus uniquement dans le modèle, mais dans l’architecture qui l’entoure.

  Tendance 3 : Une décennie plutôt qu’une année pour les agents IA – 2026 n’est pas « l’année » des agents, mais l’ère des agents durera des années. Important : les Computer-Using Agents (comme Operator d’OpenAI) s’améliorent pour contrôler les programmes via des clics. Le protocole Agent-to-Agent de Google permet la communication entre agents – similaire à MCP, mais pour les systèmes multi-agents. L’orchestration multi-agents devient standard, avec des agents spécialisés sous un « agent-chef ». De plus : les agents IA construiront eux-mêmes des agents IA – d’ici fin 2026, vous devriez pouvoir simplement décrire ce que vous voulez et recevoir un agent fonctionnel.

  Tendance 4 : Productivité latérale plutôt que chômage de masse – Les gens atteignent le niveau d’expert dans des domaines étrangers (90e percentile) et deviennent des « super-généralistes ». Nul besoin d’être codeur/rédacteur/designer pour créer des résultats utiles avec l’IA.

  Tendance 5 : Test-Time-Compute et modèles améliorés – Les modèles pensants deviennent plus efficaces et rapides. Peut-être un passage loin de l’architecture Transformer vers des modèles de fusion (plus rapides, fonctionnent aussi localement). La mémoire devient centrale – les modèles se souviennent des préférences utilisateurs et comprennent mieux les nuances.

  Tendance 6 : L’IA sort de l’écran – Vidéo, audio, avatars – Les modèles vidéo font des progrès considérables ; pas de films complets, mais du contenu impressionnant. Les avatars en temps réel et les deepfakes deviennent extrêmement réalistes (exemple : un homme de 73 ans avec une vidéo générée par IA, 3,1 millions de vues – personne ne l’a remarqué sans disclaimer).

  Tendance 7 : L’IA physique – Conduite autonome et robots – La conduite autonome a son « moment ChatGPT » : les propriétaires Tesla ont conduit complètement en autonome de Los Angeles sur 2 732 miles sans intervention. Les robots humanoïdes font des progrès, mais restent des prototypes ; la production de masse prendra du temps.

  Tendance 8 : Paradoxe de Jevons – La technologie devient moins chère et plus accessible – Bien que l’IA devienne moins chère, la demande augmente exponentiellement, entraînant plus d’investissements (2 trillions attendus en 2026). La nouvelle direction de la banque centrale devrait poursuivre une politique monétaire accommodante → la bulle IA ne s’éclatera pas.

  Tendance 9 : L’IA locale comble le fossé – Les modèles open-source avaient 12 mois de retard en 2024 ; l’écart s’est comprimé à 6 mois et pourrait rétrécir à 3 mois en 2026. Les petits modèles locaux (par exemple via Ollama, Confui) deviennent pratiques même sans matériel coûteux.

  Tendance 10 : Centres de données dans l’espace – Google Project Suncatcher et Starcloud expérimentent déjà (H100 dans l’espace). Réaliste : expansion majeure seulement à partir de 2050. Les problèmes de refroidissement sous vide sont sous-estimés.

  Tendance 11 : Nouveaux benchmarks – Les benchmarks classiques atteint un plateau (~100%). De nouvelles métriques plus créatives comme Vending Bench (business de distributeurs automatiques dans le monde réel), GDP Benchmark (face aux experts humains), Arc (énigmes de logique) sont meilleures.

  Tendance 12 : La loi IA de l’UE entre en vigueur (2 août 2026) – Quiconque utilise l’IA en affaires doit documenter la transparence : révéler les données d’entraînement, clarifier les droits d’auteur, prouver la correction éthique, exclure la discrimination, expliquer la logique décisionnelle. L’IA à haut risque est soumise à des classifications.

  Thèse générale : Passage du « chat à l’action via agents », du numérique au partiellement physique, premiers mécanismes d’auto-amélioration visibles. L’orateur motive à apprendre (Andrew Carbthy : « Roll up your sleeves, do not fall behind ») – celui qui n’apprend pas à utiliser l’IA prendra du retard.

  Pas de modèles/fournisseurs d’IA spécifiques (seuls des noms d’outils génériques comme Claude, OpenAI, Google, Anthropic mentionnés) – format opinion/réflexion, orienté vers les prévisions et substantiel.

• L’accord Nvidia-Groq change tout !
  31.12.2025, 18:48:31

  L’accord Nvidia-Groq : structure et stratégie

  L’accord n’est structurellement pas une acquisition classique : Nvidia paie 20 milliards de dollars, mais n’achète que le personnel et le fondateur Jonathan Ross (ancien inventeur du TPU de Google), tandis que Groq reste une « coquille vide ». Cette construction contourne les contrôles des autorités antitrust – une véritable acquisition aurait provoqué des problèmes réglementaires mondiaux, comme l’a montré l’échec de la tentative d’acquisition d’Arm par Nvidia.

  Le cœur technologique : Groq a développé un avantage décisif avec ses Language Processing Units (LPU) – elles utilisent la SRAM directement sur la puce au lieu de la High Bandwidth Memory comme les GPU d’Nvidia. Cela permet une vitesse extrême lors de l’inférence (exécution du modèle) : 268 tokens par seconde, des réponses pratiquement instantanées. L’analogie : le GPU d’Nvidia doit transporter les données du stockage vers le cœur de calcul (8 TB/s), la LPU de Groq a tout déjà sur la puce (80 TB/s+).

  Le plan directeur d’Nvidia : La thèse est qu’Nvidia veut se prémunir contre un avenir où la puissance de calcul devient une commodity et où la vitesse/la latence devient le nouveau critère de différenciation. Nvidia ne veut pas seulement « vendre des pelles », mais « posséder le péage ». L’objectif est une puce hybride combinant les deux : une grande mémoire pour les modèles massifs ET la vitesse SRAM pour l’inférence en temps réel. L’application tueuse : les robots humanoïdes (Projet Groot) qui ont besoin de réactions en temps réel.

  Le problème stratégique de Groq : La SRAM est extrêmement chère et volumineuse. Les puces de Groq ont quelques mégaoctets au lieu de gigaoctets de mémoire – pour les modèles au-delà de 120 milliards de paramètres, ça devient peu pratique et non rentable. Groq était un « one-trick-pony » : terriblement rapide, mais pas d’endurance.

  Le cycle ingénieux d’Nvidia : Ils vendent des GPU pour l’entraînement à Microsoft, Meta et autres (75% de marges), puis une fois les modèles terminés, ils arrivent avec la solution : de nouvelles puces d’inférence avec la technologie de Groq. Les anciens H100 sont soudainement « chers et inefficaces » pour l’inférence LLM. Les fournisseurs de cloud comme Oracle et AWS se retrouvent avec du matériel obsolète et paient la facture. Nvidia joue le « jeu parfait » : ils vendent d’abord le problème, puis la solution – qu’elle que soit la situation de l’IA, boom ou stagnation.

  Qui gagne/perd : Nvidia a sécurisé les talents, absorbé la concurrence la plus bruyante (Groq) et cimenté CUDA et la vitesse maximale comme ses fossés de protection. Pour Amazon et Google ça s’affaiblit, la seule concurrence dans la conception de puces est massivement affaiblie.

  Vidéo sur Nvidia et l’accord Groq avec un deep-dive technique sur l’architecture des puces et le positionnement stratégique du marché d’Nvidia – format opinion/réflexion.

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

• The Fork Most Leaders Don’t See: Visibility vs. Execution
  3.1.2026, 16:01:29

  L’orateur contraste deux voies stratégiques par lesquelles les entreprises déploient l’IA : comme outil pour obtenir une visibilité complète sur tous les processus, ou comme accélérateur pour les petites équipes autonomes. Il met en garde contre le piège de la « Magnifying Glass Company », qui utilise l’IA pour rendre tout observable. La raison : l’IA rend non seulement la vraie visibilité bon marché, mais aussi la fausse visibilité – des tableaux de bord générés par l’IA, des scores de risque et des métriques qui semblent légitimes mais n’ont aucune valeur probante.

  La distinction centrale se fait entre le « legible work » (ce qui devient visible dans Jira, les OKR et les roadmaps) et l’« illegible work » (le vrai travail : les faveurs, les correctifs rapides, les tiger teams, les canaux informels). C’est ce travail invisible qui garde réellement les entreprises en marche – il s’active en cas de crise et est généralement effectué par des personnes de confiance. L’IA amplifie cet effet. Le problème : si la direction croit tout voir (fausse lisibilité), elle fait confiance aux mauvaises cartes et devient surconfiante. Parallèlement, la vraie productivité se concentre sur des équipes de plus en plus restreintes, qui accomplissent avec l’aide de l’IA ce qu’auraient autrefois réalisé 20 à 30 personnes.

  La recommandation : les entreprises devraient promouvoir une culture des tiger teams – de petites unités de confiance avec un périmètre clair et des voies de décision rapides – et utiliser l’IA comme outil d’accélération et, plus tard, de traduction de ce travail pour le reste de l’organisation, non comme instrument de contrôle. Cela signifie : protéger les voies rapides, tolérer le désordre, mesurer les équipes sur les résultats (pas l’adhérence aux plans pilotés par l’IA), et faire suivre la surveillance de l’IA par le vrai travail plutôt que de le dicter. Un exemple concret : un ingénieur qui bidouille une solution d’accessibilité le week-end – les bons leaders ne la considèrent pas comme « en dehors des OKR » et donc problématique, mais protègent précisément ces espaces où le meilleur travail se fait.

  La thèse : les entreprises d’envergure peuvent croître plus vite si elles acceptent que le désordre et les coins inattendus sont inévitables et même nécessaires – et si elles déploient l’IA là où ces équipes s’accélèrent, non où la C-suite croit pouvoir tout surveiller.

  Opinion/Réflexion sans mention de fournisseurs spécifiques d’outils IA.

• The AI Failure Mode Nobody Warned You About (And how to prevent it from happening)
  2.1.2026, 15:00:50

  Résumé : The AI Failure Mode Nobody Warned You About

  Le problème central avec les agents IA n’est ni l’hallucination ni le manque de contexte, mais la mauvaise compréhension de l’intention de l’utilisateur. Un agent peut exécuter une tâche exactement selon sa propre interprétation – mais mal comprise. L’exemple : un agent supprime réellement les documents originaux importants s’il reçoit une demande floue de nettoyage en double.

  Le problème fondamental réside dans la façon dont les modèles de langage de grande taille sont entraînés : ils ont été formés pour générer du texte qui sonne plausible (prédiction du token suivant). En mode chat, c’est suffisant – si la réponse est fausse, l’utilisateur corrige. Mais dès qu’un agent a accès à des outils, des fichiers, des e-mails ou des systèmes critiques, une « mauvaise supposition » devient une action irréversible dans la réalité, pas seulement dans le chat.

  Pourquoi l’intention est-elle si difficile à saisir ? L’intention n’est pas contenue dans le texte comme le contexte. Le contexte est une information explicite (faits, contraintes, instructions). L’intention est latente : priorités, compromis, ce que signifie « terminé », quels risques sont acceptables, ce qu’on regretterait. Les humains déduisent cela sans effort à partir d’informations fragmentaires ; les modèles de langage de grande taille non.

  Approches pratiques de résolution :

  • Désambiguïsation active : former l’agent à poser des questions quand la clarté fait défaut (obtenir stratégiquement l’information)
  • Intention probabiliste : maintenir plusieurs interprétations plausibles en parallèle au lieu de s’engager immédiatement sur une
  • L’intention comme document séparé : documenter explicitement les objectifs, les conditions d’erreur, les compromis, les priorités – versionnable, indépendant du prompt
  • Evaluation Harnesses : tester l’agent contre des tâches curées, intentionnellement ambiguës
  • Boucle de désambiguïsation pour les actions destructrices : pour les opérations dangereuses (supprimer, modifier), l’agent devrait mettre en avant l’interprétation et une question clarifiante avant d’agir
  • Externaliser l’intention comme artefact séparé : permet une mise à jour flexible sans modification du prompt

  À long terme, l’apprentissage par renforcement pourrait aider les modèles à déduire l’intention plus fiablement. Un scénario réaliste pour 2026 : les agents effectuent automatiquement des vérifications intermédiaires et ne remontent que dans les cas d’incertitude élevée ou de conséquences irréversibles.

  L’analogie avec la communauté crypto est instructive : dans les deux domaines, les actions coûteuses et irréversibles conduisent à ce que les systèmes convergent vers une représentation explicite de l’intention et des mécanismes vérificateur-solveur.

  Recommandations pratiques pour les créateurs : concevoir l’architecture de sorte que l’interprétation soit testée avant l’exécution ; évaluer les agents contre des prompts ambigus ; utiliser sélectivement la désambiguïsation (pas à chaque étape) ; rendre l’intention versionnable.

  Les gagnants de la conception agentive ne seront pas ceux qui disposent du plus d’outils, mais ceux qui peuvent porter l’intention clairement jusqu’à l’exécution – un problème que les créateurs eux-mêmes doivent résoudre, jusqu’à ce que les fabricants de modèles rattrapent leur retard.

  Explicitement cités : Claude (Claude-Thinking), ChatGPT 5.2 ; implicitement : Langchain, Langsmith, Google ADK. Format : Opinion/Deep-Dive avec recommandations pratiques.

• The Compounding Gap That Makes 2026 the Last Chance to Catch Up
  1.1.2026, 16:01:15

  Résumé : 10 prédictions IA pour 2026

  L’orateur présente dix prédictions concrètes pour les percées de l’IA en 2026, basées sur les technologies et tendances déjà existantes :

  1. Percée de la mémoire : les outils de compression, le stockage basé sur Markdown dans les systèmes agentiques et les agents de longue durée permettront d’ici l’été 2026 une couche d’application de mémoire fiable pour une meilleure fidélité de la mémoire dans les usages personnels et professionnels.

  2. Percée de l’interface utilisateur du logiciel Agent : avec des indices sur un système de boîte de réception Anthropic prévu et le cycle à venir des ordinateurs portables grands publics avec des GPU locaux, 2-4 startups émergent avec des interfaces « Little Guy in the Computer » qui peuvent déclencher une adoption de masse comme ChatGPT.

  3. Apprentissage continu : les premiers systèmes d’apprentissage continu après le déploiement sont attendus pour le Q2 2026 – les modèles s’amélioreront d’eux-mêmes sans attendre les nouveaux sauts de version.

  4. Auto-amélioration récursive : Anthropic, OpenAI et Google l’ont déjà laissé entendre ; les fabricants de modèles introduiront des boucles d’auto-amélioration opérationnalisées et investiront dans l’alignement pour minimiser les risques de production.

  5. Agents très longue durée : les agents fonctionnant plus de 24 heures sont déjà techniquement possibles ; à la fin de 2026, les systèmes s’exécutant chaque semaine seront la norme. L’humain devient alors le goulot d’étranglement (définition du travail, déblocage, jugements de qualité).

  6. Examen de l’IA par l’IA : les critiques de code automatisés s’étendront à tous les domaines de travail. Les Judge Models, Red Team Passes, Policy Checker et Linting pour le Reasoning s’imposent ; les humains ne regardent que les versions finales validées par l’IA.

  7. Division entre l’IA professionnelle et personnelle : l’IA professionnelle sera plus stricte, avec des couches d’identité, des autorisations, des journaux d’audit, la provenance et les panneaux de contrôle des agents ; l’IA personnelle reste optimisée pour l’engagement et confortable. Cela crée un « décalage horaire » lors du passage – celui qui comprend ce changement sera hautement valorisé par l’entreprise.

  8. Le travail non technique prend forme d’ingénierie : les entreprises rapides attendent de tous les rôles : des exigences nettes, des métriques de succès, des Eval Harnesses, la gestion du débit des agents. Les outils comme Claude Code deviennent le prototype du « Cursor pour toutes les disciplines ».

  9. Persistance de la loi des puissances : le top 1-5% des entreprises construisent des workflows entièrement centrés sur les agents ; le reste reste coincé avec des couches minces comme Email Co-Pilot. Les perturbateurs peuvent fonctionner 10-100x plus rapidement et détruire les modèles d’affaires établis en quelques mois.

  10. Machines proactives : l’IA n’attendra plus, mais agira de manière proactive (« besoin d’une pause café ? », « tu es bloqué ici », « cela contredit notre objectif »). La proactivité devient un champ de bataille produit ; un curseur pour le degré de proactivité est attendu.

  Bonus-Prédiction : la formation et la reconversion en 2026 dépasseront les 25 années précédentes combinées – de nouvelles questions émergent : qui assigne le travail ? Comment définit-on le travail ? Comment gère-t-on les équipes humain-agent ? Cette diversité fait de 2026 le plus grand moment d’apprentissage organisationnel de l’histoire industrielle.

  Opinion/Réflexion ; aborde Anthropic, OpenAI, Google, Claude Code et les frameworks d’agents génériques (MCP, Skills) ; pas d’approfondissement sur des outils spécifiques.

• The $500K Mistake: 8 Engineers Doing Implementation, 0 Doing Governance
  31.12.2025, 15:01:23

  L’orateur soutient que l’ingénierie front-end classique – l’implémentation manuelle des designs en code – disparaît, car les assistants de codage IA et les interfaces pilotées par schéma automatisent ce travail. Au lieu de cela, les ingénieurs front-end se transforment en architectes de composabilité front-end : ils conçoivent des primitives et des systèmes de composants réutilisables (comme Shad CN), activent les workflows pilotés par l’IA et modélisent les flux de travail des utilisateurs plutôt que des pages individuelles.

  Les cinq changements de modèles mentaux centraux sont : (1) passer de la réflexion sur les schémas de données aux profils d’écran – comprendre un système qui génère des centaines de variantes de pages dynamiques ; (2) passer de l’espacement exact aux Brand-Promises comme promesses fiables sur de nombreuses variantes ; (3) passer des Design-Patterns aux Workflows/Recettes – des motifs de travail que les utilisateurs peuvent composer à la volée ; (4) déplacer le contrôle d’accès basé sur les rôles du frontend vers le backend et intégrer l’auditabilité pour les interfaces dynamiques pilotées par les agents ; (5) penser l’IA comme le consommateur principal – les agents reçoivent 99% de l’attention, nécessitent des autorisations différentes et des interfaces basées sur les API.

  Nouvelles responsabilités front-end : design de systèmes (sélection de primitives plutôt que réalisation de tickets), modélisation de workflows avec les clients, intégration des outils de génération IA avec les garde-fous, instincts UX pour la performance/accessibilité sur les pages dynamiques. L’artisanat classique reste nécessaire en UX hautement poli, contextes très à fort trafic ou critiques du point de vue réglementaire. Le cœur du changement : les équipes PM et design doivent être en mesure de déployer elles-mêmes les interfaces grâce à des systèmes de composition stables.

  Format : Opinion/Réflexion ; aucun outil d’IA spécifique n’est mentionné, mais le changement fondamental est discuté via l’IA générative et les agents dans le contexte du frontend.

• The Skill Gap That Will Separate AI Winners from Everyone Else
  30.12.2025, 15:00:41

  L’orateur prédit que les agents personnels « Chief of Staff » percevront en 2026 parce que plusieurs percées technologiques et conceptuelles convergent.

  Les pièces manquantes en 2025 : Les agents ont été très discutés en 2025 et implémentés dans les entreprises, mais pas encore assez conviviaux pour les profanes. Cela change en 2026 par trois facteurs :

  1. Cycle de mise à niveau du matériel : 2026 apporte des ordinateurs portables grand public avec des puces adaptées aux GPU, permettant la tokenisation des données directement sur l’appareil – un composant crucial pour le traitement local rapide.

  2. Agents plus intelligents et plus durables : Alors qu’en 2025, les agents ne travaillaient que quelques minutes, ils atteindront maintenant plusieurs heures d’attention. La percée décisive est la gestion de la mémoire et des échafaudages : les agents peuvent écrire des listes de tâches et les traiter à long terme sans « perte de mémoire » – autrefois un problème fondamental à large adoption.

  3. Travail définissable : Avec le Model Context Protocol et Skills (particulièrement d’Anthropic) ainsi que les technologies Browser-Use, il est clair comment les agents peuvent manipuler de manière autonome les fichiers et effectuer les tâches informatiques.

  La pièce manquante : UX et Skill-Gap. Tous les composants techniques existent, mais personne ne les a intégrés dans une interface intuitive – un « Mini-Me » constamment actif dans une fenêtre de droite, auquel on fixe des priorités et on observe les sous-agents. C’est là que réside l’obstacle central : les gens doivent apprendre à formuler une intention efficace. Celui qui travaille de manière désorganisée ne peut pas bien déléguer aux agents. L’orateur suggère d’ajouter une « couche de traduction » qui convertit les pensées non triées en listes de tâches priorisées.

  La compétition est ouverte – qu’un fabricant de modèles comme OpenAI ou Anthropic, ou un outil comme Cursor réalise cette percée pour les agents personnels est incertain. Le facteur limitant : livrer des résultats de travail excellents, sinon personne ne l’utilise (analogue à la thèse de lancement de Slack selon laquelle on ne « vend pas les selles » mais change comment les gens passent leur temps).

  Conclusion : Une opinion/réflexion sur les compétences et l’UX nécessaires pour que les agents IA deviennent grand public en 2026 – des outils concrets comme Claude, GPT, Anthropic et Cursor sont mentionnés, ainsi que Model Context Protocol et Atlas/Comet pour l’automation du navigateur.

• The “Human Throttle” Problem That’s Killing Enterprise AI Agent ROI
  29.12.2025, 20:46:21

  Résumé : The “Human Throttle” Problem That’s Killing Enterprise AI Agent ROI

  La vidéo identifie la tension centrale entre les impressionnantes démonstrations des agents IA et la réalité des déploiements en entreprise : alors que les agents automatisent sans effort les processus métier dans les environnements contrôlés, ils se réduisent en pratique à des co-pilotes qui ne font que des brouillons – non pas parce que la technologie échoue, mais parce que le monde réel, contrairement au laboratoire, n’accepte pas simplement les erreurs.

  La thèse centrale affirme que le vrai goulot d’étranglement n’est pas l’intelligence, mais la confiance, qui repose sur la structure des décisions. L’orateur divise toutes les décisions en deux catégories : les « Two-Way Doors » (réversibles, peu risquées : une mauvaise heure de réunion peut simplement être changée) et les « One-Way Doors » (irréversibles, très risquées : un message client mal envoyé ou un accès incorrectement autorisé).

  La raison pour laquelle les agents IA ont fait des progrès plus rapides en développement logiciel qu’ailleurs n’est pas la facilité du code – c’est l’investissement de plusieurs décennies dans l’infrastructure qui a rendu les décisions logicielles réversibles (Git, Rollbacks, déploiements progressifs, tests, surveillance). Cette culture du « safe commit » n’existe dans la plupart des autres domaines d’activité.

  Pour déléguer en toute sécurité des agents dans les contextes d’entreprise, l’orateur propose cinq primitives pratiques :

  1. Brouillons d’abord : rien ne devrait passer directement du plan à l’action ; tout devrait d’abord passer par un état Proposed.
  2. Aperçu : avant une action finale, le système devrait clairement montrer ce qui change (quelles données client, emails, autorisations).
  3. Fenêtres de temps : les délais artificiels créent la réversibilité (par exemple, le délai intentionnel de 30 minutes d’Amazon pour les commandes ; la fenêtre d’annulation de 10-15 secondes de Superhuman après l’envoi).
  4. Plans de réparation : des playbooks standardisés pour corriger les erreurs (remboursements, notifications, rotation des identifiants).
  5. Dossier permanent : un historique complet et consultable de chaque action d’agent (Qu’a essayé l’agent ? Quelles données a-t-il utilisées ? Qu’a-t-il changé ?).

  L’orateur argumente que les opérations administratives (finances, RH) seront la première vague de véritable délégation agentique, car ces workflows se déroulent entièrement dans des systèmes contrôlés où les brouillons, approbations et journaux peuvent être ajoutés. Au-delà de la limite de l’entreprise, on aurait besoin de « Market Primitives » comme les périodes de rétention standardisées, les politiques d’annulation, les transferts de titre différés et les contrats lisibles par machine.

  Plus largement, l’orateur zoome arrière : l’ère de l’IA force une question fondamentale – combien de notre monde devrait être construit sur des engagements réversibles versus irréversibles ? Historiquement, cette décision était sociale et cherchait à éviter les risques ; maintenant, nous pouvons la prendre intentionnellement. Pas toute l’irréversibilité est nécessaire ; beaucoup sont simplement un artefact des processus hérités. Les scores de test pour les enfants, la communication administrative – beaucoup pourrait être conçu de manière (plus) réversible.

  Le retour à retenir pour les leaders : ne pas commencer par « Où pouvons-nous déployer des agents ? » mais plutôt « Où pouvons-nous redessiner les décisions pour que la délégation soit sûre ? » – les gagnants ne sont pas les entreprises avec les démos les plus tape-à-l’œil, mais celles qui rendent les actions des agents ennuyeuses, prévisibles, limitées et réparables.

  Format : Opinion/Réflexion avec primitives pratiques ; aucun outil ou fournisseur d’IA spécifique mentionné.

• Anthropic’s New Benchmark Changes Everything—Most People Will Miss Why
  29.12.2025, 15:01:06

  Résumé

  Le nouveau benchmark d’Anthropic montre que Claude Opus 4.5 peut effectuer du travail agentique continu sur près de 5 heures avec une probabilité de succès de 50% – un énorme saut par rapport aux gammes de quelques minutes antérieures. L’orateur soutient que cela ne reflète pas seulement une croissance exponentielle, mais super-exponentielle : avec un doublement tous les 4-4,5 mois, la durée du travail agentique pourrait atteindre 40+ heures d’ici la fin de 2026. Cela indique un volant auto-renforçant où les systèmes d’IA accélèrent eux-mêmes l’entraînement des nouveaux systèmes d’IA.

  Cela a des conséquences radicales pour les carrières et les familles d’emplois : non pas les seules compétences techniques, mais la capacité à assigner aux agents des tâches significatives avec une charge de travail hebdomadaire, devient le différenciateur. Ceux qui commencent maintenant à apprendre la collaboration humain-agent gagnent massivement par rapport à ceux qui le remettent. L’orateur met en garde contre un monde à loi des puissances, où quelques personnes (avec des compétences en gestion agentique) deviennent exponentiellement plus productives que la moyenne. L’expertise métier reste précieuse – un avocat avec 30 ans d’expérience ne sera pas remplacé par un profane avec des agents – mais cette expertise doit être gérée à nouveau : par le goût, la responsabilité et le leadership stratégique d’équipes d’agents. Donc en 2026, non seulement les compétences d’ingénieur seront exigées, mais aussi la maîtrise métier et client ; tous doivent apprendre à être obsédés par les résultats et centrés sur la propriété.

  Claude (Anthropic) a été explicitement thématisé ; opinion/réflexion avec éléments de deep-dive.

Alejandro AO

Aucune nouvelle vidéo pendant cette période.

Alex Finn (5 nouvelles vidéos)

• You’re prompting Claude Code wrong. Here’s how to do it correctly…
  3.1.2026, 18:09:45

  Résumé : 10 meilleures pratiques pour Claude Code

  La vidéo présente dix conseils du guide officiel de prompting d’Anthropic pour Claude Code :

  1. Expliquer les motivations en détail : Ne pas seulement indiquer le quoi, mais aussi le pourquoi. Cela permet à Claude Code de faire proactivement des changements complémentaires qui correspondent à l’objectif global.

  2. Moins de préoccupations concernant les fenêtres contextuelles : Claude Code compacte désormais intelligemment son contexte automatiquement ; /clear ou /compact ne sont plus nécessaires. Une seule fenêtre de chat suffit pour les projets plus longs.

  3. Charger le contexte au démarrage : Dans les nouvelles sessions, envoyer immédiatement un prompt qui explique à Claude l’architecture et la structure de l’application. Claude travaille ainsi dès le départ de manière efficace avec une connaissance complète du contexte.

  4. Utiliser GitHub : Claude a accès automatique aux commits. Les nouvelles sessions chargent automatiquement tous les changements précédents – Claude « se souvient » ainsi du travail antérieur.

  5. Règle de synthèse dans claude.md : Après l’utilisation d’outils, Claude doit résumer ce qu’il a fait – utile pour les débutants pour comprendre l’impatience de Claude Opus 45.

  6. Ajuster les règles d’impatience : Insérer soit Do not act before instructions (ralentit Claude) soit Default to action (encourage Claude à prendre des décisions autonomes) dans le fichier claude.md.

  7. Utiliser le mot « think » avec parcimonie : Le mot « think » active Extended Thinking et consomme beaucoup plus de tokens. Utiliser des alternatives comme « consider » ou « evaluate ».

  8. Utiliser largement les images : Claude Opus 4.5 a d’excellentes capacités de vision. Utiliser des captures d’écran pour l’inspiration (références d’interface utilisateur) et les rapports de bugs – Claude traite plusieurs images simultanément.

  9. Activer les appels d’outils parallèles : Une règle claude.md qui permet à Claude d’utiliser plusieurs subagents et appels d’outils simultanément – gagne du temps sur les tâches complexes.

  10. Règle « Investigate before answering » : Force Claude à vérifier le code en détail avant les modifications. Réduit les hallucinations et les erreurs.

  L’orateur souligne que toutes les règles proviennent directement du blog d’Anthropic et ne doivent que être copiées dans le fichier claude.md.

  Claude Code (Anthropic), tutoriel pour utilisateurs avancés.

• Using Claude Code to get my first customers LIVE!!!
  2.1.2026, 21:16:46

  Claude Code pour l’acquisition des premiers clients – Diffusion en direct

  Le streameur montre comment il lance et améliore Viber, un app store pour les applications créées avec Claude Code, afin d’acquérir ses premiers clients.

  Activités principales du stream :

  Améliorations techniques : D’abord, il corrige le problème des soumissions d’applications dupliquées – Claude Code génère une migration SQL pour éviter les doublons basés sur les URLs. Une erreur du système de soumission est déboguée et rapidement corrigée. Le streameur montre la procédure de débogage et souligne que Claude Opus 4.5 est particulièrement efficace pour traiter les captures d’écran lors de la correction de bugs.

  Fonctionnalités de l’app store : L’outil permet aux utilisateurs de soumettre, découvrir et voter sur des applications. Actuellement, environ 19 applications ont été soumises (après suppression des doublons). Le streameur prévoit d’ajouter une fonctionnalité de bouton de suppression pour l’administrateur afin de supprimer les mauvaises soumissions.

  Stratégie d’acquisition de clients : Le conseil principal est de créer du contenu autour du produit – par exemple, écrire une newsletter sur la découverte d’applications, puis promouvoir Viber à la fin. ChatGPT est alimenté avec une documentation Markdown détaillée de Viber (11 pages) pour permettre le brainstorming sur les fonctionnalités, les plans marketing et les thèmes de newsletter.

  Philosophie personnelle : Le streameur souligne fortement que le Vibe Coding ne peut pas être saturé comme le dropshipping, parce qu’il crée une vraie valeur. Il argue que même si de nombreuses personnes construisent des applications, seulement 1 % de la population agira réellement – donc la concurrence n’est pas le problème. Le focus principal : la qualité plutôt que la quantité, de la rigueur dans chaque soumission, et « Pride in Your Work » – ce qui signifie qu’il faut investir des efforts supplémentaires dans tout pour se démarquer de la concurrence.

  Mise à jour du workflow : Le streameur expérimente l’utilisation de Claude Code directement dans le Terminal (au lieu de VS Code), mais n’a pas encore officiellement recommandé cela – ce sera testé dans les prochaines vidéos.

  Autres conseils : Il mentionne qu’il a construit une application de Fantasy Football en tant que projet hobby (juste pour le plaisir, pas commercialement) et qu’il faut se laisser du temps pour ces projets créatifs. De plus, il critique fortement la tendance à utiliser trop de serveurs MCP et de plugins – Claude Code seul est selon lui le meilleur (« Keep It Simple, Stupid »).

  Claude Code, Supabase (base de données), ChatGPT ; format Q&R en direct/démo.

• USING CLAUDE CODE TO LAUNCH A STARTUP LIVE!!!
  1.1.2026, 09:56:48

  Résumé : USING CLAUDE CODE TO LAUNCH A STARTUP LIVE!!!

  Le streameur tente, ce jour du Nouvel An, de lancer en direct son application développée pendant quatre mois appelée « Viber » – un app store pour code Vibe – un espace où les utilisateurs peuvent soumettre et partager leurs propres applications web, sites et landing pages, tandis que d’autres peuvent les voter et commenter. Pour cela, il utilise intensivement Claude Code : il nettoie d’abord une ancienne « Hackathon Banner », travaille avec Claude Code la renomination de « Gemini App Hunt » en « Viber » et implémente avant le lancement un système de modération (filtrage par AI + signalements utilisateurs + révisions manuelles par admin) pour empêcher les utilisateurs de télécharger du contenu problématique.

  L’implémentation technique se fait entièrement via Claude Code : migrations de base de données dans Supabase, définition des variables d’environnement, création d’un tableau de bord admin. Quand des erreurs de déploiement surviennent sur Vercel, il les transmet simplement à Claude Code pour obtenir les corrections. L’ensemble du processus incarne sa philosophie : Keep It Simple, utilisez Claude Code vanilla sans beaucoup de plugins ou de subagents, et faites confiance à l’outil.

  Parallèlement, il partage des conseils de vie (réflexion au stylo et papier à la fin de l’année, focus sur la distribution au lancement du produit), explique son modèle commercial (Creator Buddy à 300K ARR en deux semaines grâce à la distribution de contenu Twitter antérieure), répond aux questions du chat et souligne : un grand contenu nécessite trois piliers – informatif, divertissant et inspirant à la fois.

  Claude Code (Anthropic) utilisé en continu au format démo en direct.

• I was using Claude Code wrong… then I discovered this
  30.12.2025, 21:56:54

  La vidéo présente que la version CLI de Claude Code dans Visual Studio Code est la meilleure façon d’utiliser Claude Code – bien meilleure que toutes les autres options disponibles (Cursor, extension dans Cursor, application de bureau, application mobile et outils comme Lovable ou AMP Code).

  Pourquoi Cursor est problématique : Cursor est populaire, mais c’est un fork de VS Code avec des fonctionnalités supplémentaires qui ralentissent plutôt Claude Code et conduisent plus souvent à des erreurs que l’intégration VS Code pure. C’est inutile, surtout si on paie en plus 20 $/mois pour Cursor.

  Faiblesses des alternatives : L’extension VS Code a une bonne interface utilisateur, mais une fonctionnalité de planification plus faible que la CLI. L’application de bureau offre une excellente interface et une gestion d’agents cloud, mais n’a complètement aucun mode Plan – la plus grande force de Claude.

  Force de la CLI : Le Plan Mode de la CLI dans VS Code est le meilleur du marché. Il pose des questions, offre des options à choix multiples, soutire des détails à l’utilisateur et fait ses propres recherches. La démo montre comment Claude Code crée ainsi une application complète de prise de notes avec des blocs de type Notion, des fonctionnalités AI, enregistrement vocal et stockage local en une seule session – juste avec quelques questions de planification.

  L’auteur recommande d’utiliser l’application de bureau en complément pour les agents cloud, mais la CLI dans VS Code comme outil principal.

  Outils explicites : Claude Code (CLI, VS Code, extension, application de bureau), Cursor, Lovable, AMP Code, avec Opus 4.5 comme modèle sous-jacent mentionné — format démo/tutoriel avec application pratique.

• Building mind blowing apps with Claude Code LIVE
  29.12.2025, 21:11:13

  Résumé : Building Mind Blowing Apps with Claude Code LIVE

  C’est un stream en direct d’environ deux heures où l’hôte travaille avec la communauté sur une plateforme pour les applications construites par l’AI – un « Product Hunt pour l’ère de l’AI » appelé Gemini App Hunt ou Vibe Coded App Store.

  Thèses centrales et contexte :

  L’hôte est convaincu que le Vibe Coding – la capacité à construire des applications avec Claude Code sans être capable de programmer de façon traditionnelle – est la compétence la plus importante de 2026 et représente une AGI. Il affirme que c’est la seule compétence qui protège contre la perte d’emploi due à l’AI. Le changement de mentalité central : Claude Code ne travaille pas pour vous, vous travaillez pour Claude Code. Il faut constamment demander à Claude des idées, des conseils de feuille de route et une implémentation, puis approuver ses suggestions.

  Contenu pratique sur la construction d’applications :

  Le stream montre le développement en direct : Claude Code est prié d’analyser le projet d’application précédent (fichier Markdown avec statut, lacunes, priorités), puis des « Quick Wins » sont implémentés – des Empty States intelligents, une Hero de page d’accueil avec texte explicatif, des images d’application par défaut au lieu d’images cassées. L’outil Vercel est mentionné pour le déploiement ; la compétence en conception front-end dans Claude Code est soulignée comme cruciale car elle prévient le « AI-Slop ».

  Autres outils mentionnés : Creator Buddy (un produit propre de l’hôte, 300 k$ par an de chiffre d’affaires, construit entièrement via Vibe Coding), Stripe pour les paiements, GitHub pour le contrôle de version, Firebase/Firestore comme options.

  Opinions et discussions :

  • Claude Code Pro (200 $/mois) est « une affaire absolue » – moins cher que d’embaucher des développeurs, l’université ou des cours
  • Les outils de médias sociaux et les automations de cross-posting sont probablement des idées échouées (trop de concurrents, difficiles à monétiser)
  • Les réseaux sociaux gaspillent massivement du temps ; les gens qui disent « trop occupés » gaspillent des heures sur TikTok – c’est le vrai frein
  • Le Vibe Coding est souvent considéré comme un « phénomène de mode » par les programmeurs traditionnels, mais c’est l’avenir selon l’hôte
  • Les secteurs du droit, de la médecine et du gouvernement ont le plus grand potentiel de perturbation grâce aux applications AI

  Communauté et énergie :

  Le stream combine des critiques, des conversations avec les spectateurs, du codage en direct et des réflexions philosophiques sur l’opportunité, la discipline et l’agentivité. L’hôte souligne la gratitude, la réflexion sur l’année et le fait que c’est le meilleur moment de l’histoire humaine pour construire quelque chose.

  La vidéo fonctionne comme une session hybride : partie conversation, partie tutoriel, partie démo en direct de Claude Code dans le développement de produits réel.

  Format : Q&R en direct/démo avec codage parallèle ; Outils thématisés : Claude Code (Claude Opus 45), Vercel, Creator Buddy, compétence Front-End Design, GitHub, Stripe, Firebase ; pas un tutoriel approfondi pour débutants, plutôt une application pratique avancée avec composante philosophique.

Andrej Karpathy

Aucune nouvelle vidéo durant cette période.

Bart Slodyczka

Aucune nouvelle vidéo pendant cette période.

Ben AI (2 nouvelles vidéos)

• Build Your First AI Business in 2026 I 5 Hour Beginner Course
  3.1.2026, 11:34:48

  Résumé : Build Your First AI Business in 2026 – 5 Hour Beginner Course

  Cette vidéo de cours complète s’adresse aux débutants qui souhaitent créer une entreprise d’IA. L’instructeur Ben partage son expérience : il a développé une agence d’IA jusqu’à plus d’1 million USD de chiffre d’affaires annuel, construit une activité de produit IA générant 80K MRR, et soutenu plus d’un millier d’entrepreneurs en IA par le biais de son accélérateur.

  Thèse principale : Pour les débutants, le meilleur chemin est une agence d’IA (et non un SaaS ou un produit), car la demande est énorme, les barrières à l’entrée sont faibles, les flux de trésorerie sont rapides et on acquiert des compétences pour d’autres modèles commerciaux futurs.

  Structure du cours (par ordre de priorité) :

  1. Fondamentaux de l’automatisation IA – Accent sur N8N (économique, flexible, auto-hébergeable, centaines d’intégrations natives). Le cours couvre les Trigger-Nodes (manuel, temporisé, webhooks, soumissions de formulaire), les Action-Nodes (Air Table, HubSpot, etc.), les APIs personnalisées via HTTP-Requests, les AI-Nodes et les structures de données (JSON, Strings, Numbers, Booleans, Arrays, Objects, données binaires). Les Nodes de flux de données comme Filter, If/Switch, Split/Aggregate et Loops sont expliqués.
  1. Acquisition client – Recherche de niche, six canaux rapides d’acquisition de clients, stratégie LinkedIn détaillée.
  1. Compétences commerciales – Tarification, modèles de rétention, scoping des ventes, étude de cas réelle d’un partenariat de 60K.
  1. Scaling – Passage de 10–20K à 100K+ par mois par productisation ou scaling des services.

  La vidéo contient des exemples pratiques : un générateur de messages d’outreach LinkedIn (utilisant Air Table, l’API Perplexity pour la recherche de leads, un agent IA pour la personnalisation) est démontré comme une automatisation de bout en bout. Le cours souligne qu’il s’agit de vraies compétences commerciales – pas de schémas d’enrichissement rapide – et que les modèles offrent des points de départ, mais nécessitent généralement des adaptations importantes.

  Outils/fournisseurs IA : N8N, Air Table, Perplexity, HubSpot, Calendly, Circle, Google Sheets/Notion, Gemini, Make.com, Zapier. Format : Tutoriel/Deep-Dive à vocation pédagogique, conçu pour les débutants.

• 4 AI Systems Every E-com Business Needs (n8n)
  30.12.2025, 09:04:23

  Résumé : 4 AI Systems Every E-com Business Needs

  La vidéo présente quatre systèmes automatisés développés pour les entreprises de commerce électronique :

  1. Widget chatbot de support client personnalisable

  Un widget de chat alimenté par l’IA qui s’installe sur les sites web et offre des recommandations de produits ainsi qu’un support client. Le système utilise le web scraping pour crawler toutes les pages de produits d’un site e-commerce et convertir ces données en PDFs, qui sont téléchargés comme base de connaissances dans Google Gemini (Retrieval-Augmented Generation). Un agent de classification sépare les questions de support simples des problèmes/plaintes potentiels. En cas de problème, un ticket est automatiquement créé dans Airtable et le client et l’équipe de support sont tous deux notifiés par e-mail. Le widget est fourni via un outil personnalisé appelé Chatwood et peut être facilement installé sur n’importe quel site web via un code d’intégration.

  2. Optimiseur de produit en masse automatique pour Shopify

  Un système qui optimise automatiquement des centaines à des milliers de produits à partir d’un CSV Shopify. Il génère des titres de métadonnées optimisés pour le SEO, des descriptions, des textes de produits, des FAQs et des tags – également en plusieurs langues. Le workflow charge le CSV dans Airtable, traite toutes les lignes via un LLM (Gemini 3), et retourne un CSV optimisé qui peut être directement téléchargé dans Shopify.

  3. Générateur automatique d’annonces de produits

  Système de création automatique de variantes d’annonces pour Meta. L’utilisateur télécharge une image de produit, le système effectue optionnellement une recherche automatique de produits (via l’API Perplexity), et génère cinq variantes d’annonces différentes basées sur des angles/prompts distincts. Une image de référence peut optionnellement être téléchargée comme modèle de style. Les images sont créées via Google Nano Banana Pro (via l’API Replicate), et le texte de l’annonce peut être généré automatiquement. Toutes les annonces arrivent dans une galerie au sein d’une interface utilisateur basée sur Airtable.

  4. Suivi automatique des prix des concurrents

  Un système avec des déclencheurs planifiés (par ex., toutes les 2-6 heures) qui scrape les URLs des concurrents (via Firecrawl ; alternative : Scrapfly pour les sites difficiles à scraper), extrait les prix via LLM et les stocke dans Airtable. Un tableau de bord affiche les variations de prix, et des notifications Slack sont envoyées si un prix concurrent est inférieur au vôtre.

  Tous les systèmes sont construits avec n8n comme backend d’automatisation, Airtable comme base de données, et diverses APIs (Firecrawl, Google Gemini, Perplexity, Replicate). Le créateur fournit les modèles à cloner et offre un support technique 1:1 via un programme « AI Accelerator ».

  Outils/fournisseurs explicites : n8n, Airtable, Chatwood (construit sur mesure), Google Gemini (File Search/LLM), Firecrawl, Perplexity API, Google Nano Banana Pro (via Replicate), Slack, Airtable Interface — Démo/Tutoriel de type récapitulatif.

Brian Casel

Aucune nouvelle vidéo pendant cette période.

Coding with Lewis

Aucune nouvelle vidéo pendant cette période.

Cole Medin (2 nouvelles vidéos)

• BIG AI Coding Hackathon Launch Party! (Live AI Coding & Q&A)
  3.1.2026, 18:31:41

  Résumé : BIG AI Coding Hackathon Launch Party

  Le stream est un événement de lancement pour un hackathon de programmation avec Kura CLI (un assistant IA pour le codage). Le modérateur couvre tous les détails : le hackathon démarre officiellement le 5 janvier et se déroule jusqu’au 23 janvier avec l’annonce des gagnants le 7 février. Le prix total est de 17 000 dollars – 5 000 pour la 1ère place, 3 000 pour la 2e, 2 000 pour la 3e et 1 000 chacun pour les places 4–10.

  Conditions principales : Le projet doit utiliser Kura CLI (optionnellement aussi l’IDE), doit être un travail original et se limite à une seule soumission par personne. Les participants peuvent être des débutants, mais le travail en équipe n’est pas autorisé. La soumission requiert l’application elle-même, des documents Steering (règles globales), des Custom Prompts (Workflows), un Developer Log et une vidéo de démonstration de 1-2 minutes.

  Évaluation : Qualité de l’application (40 points), utilisation de Kura CLI (20 points), documentation, innovation et présentation (pondérées plus légèrement). Gratuit : les utilisateurs enregistrés reçoivent 500 crédits bonus immédiatement, plus environ 2 000 crédits pour la participation, ce qui devrait être suffisant pour l’ensemble du hackathon.

  Point fort du template : Le modérateur propose un dépôt Git avec un assistant de configuration qui génère automatiquement les documents Steering, ainsi que des prompts prédéfinis pour un workflow recommandé (Prime → Plan → Implement → Review), provenant d’un cours en ligne. Un prompt spécial « Code Review Hackathon » évalue la soumission finale par rapport à la grille de notation.

  Important : Les participants conservent tous les droits de propriété intellectuelle. Le stream sera monté en vidéo YouTube ; le modérateur annonce qu’il fera désormais 1–2 streams en direct par semaine au lieu d’un par mois.

  Outils/Modèles IA : Kura CLI, Claude (en tant que modèle), Cursor, Cloud Code (mentionnés pour comparaison) ; Format : Live Q&A avec annonce de démo ; Difficulté : Conçu pour être accessible aux débutants.

• AI Exploded in 2025 – Here’s Everything That Happened
  1.1.2026, 01:00:01

  AI Exploded in 2025 – Here’s Everything That Happened

  La vidéo résume les développements majeurs de l’IA en 2025. Les investissements totaux en IA d’entreprise se sont élevés à 37 milliards de dollars (contre 1,7 milliard en 2023) ; 84% des développeurs utilisent ou envisagent d’utiliser des outils IA, environ 50% utilisent quotidiennement des assistants de codage IA. Les startups IA ont reçu près de 50% du financement mondial, avec 49 startups américaines ayant levé au moins 100 millions de dollars.

  Jalons importants : DeepSeek R1 (modèle open-source qui a réduit la capitalisation boursière de Nvidia de 600 milliards de dollars en un jour) ; annonce du projet Stargate (500 milliards de dollars pour l’infrastructure IA sur quatre ans) ; Operator d’OpenAI ; Model Context Protocol d’Anthropic ; Google Gemini 2.5 et plus tard Gemini 3 ; Meta Llama 4 ; OpenAI O3/O4 mini, Codex (agent d’ingénierie logicielle basé sur le cloud avec intégration GitHub) et Sora 2 ; Qwen 3 d’Alibaba. Claude 4 d’Anthropic est devenu l’IA de codage préférée du conférencier.

  Points forts du financement : OpenAI 40 milliards de dollars (valorisation de 300 milliards), Anthropic 13 milliards de dollars (valorisation de 183 milliards), Perplexity 200 millions de dollars (valorisation de 20 milliards), Mistral 1,7 milliard d’euros. Cursor a atteint 500 millions de dollars de chiffre d’affaires annuel récurrent et est la plateforme SaaS à croissance la plus rapide. Microsoft 365 Copilot a été adopté par plus de 90% des entreprises du Fortune 500. Claude Code a généré 1 milliard de dollars de revenus ; Anthropic a acquis Bun, le runtime JavaScript.

  Anthropic a annoncé Claude Opus 4.5 comme IA de codage de premier plan et a donné MCP à la fondation Agentic AI Foundation nouvellement créée sous la Linux Foundation (cofondée par Anthropic, Block et OpenAI). OpenAI a publié GPT-5, GPT-5.2 et a reçu un investissement d’un milliard de dollars de Disney. DeepSeek a publié la version 3.2 en tant que modèle open-source. Google a lancé Nano Banana Pro pour la génération d’images IA. Databricks a enregistré une série L de 4 milliards de dollars (valorisation de 134 milliards) et a acquis Neon. Nvidia a annoncé l’achat des actifs de Groq pour environ 20 milliards. Meta a annoncé l’acquisition de Manifold.

  Points particuliers : Le terme « Vibe Coding » a été inventé par l’ingénieur IA Andrej Karpathy et a reçu une entrée Wikipedia ; l’EU AI Act a été introduit en tant que première réglementation IA complète au monde ; Anthropic a payé 1,5 milliard de dollars de règlement dans une affaire d’auteurs concernant le matériel de données d’entraînement ; Microsoft a annoncé une équipe Superintelligence travaillant vers une « superintelligence humaniste ».

  La vidéo mentionne également un parrainage de Zapier, dont le serveur MCP permet la connexion à plus de 8 000 applications et s’intègre facilement dans Claude Desktop.

  Outils/Modèles explicites : OpenAI (ChatGPT, GPT-5, GPT-5.2, Operator, Codex, Sora 2), Anthropic (Claude 4/Opus 4.5/Sonnet 4.5, Claude Code, Claude Skills, MCP), Google (Gemini 2.5/3, Gemma 3, Nano Banana Pro), Meta (Llama 4), DeepSeek (R1, version 3.2), Alibaba (Qwen 3), Mistral, Cursor, Amazon (Hero), Perplexity, Zapier (serveur MCP), Databricks (y compris acquisition de Neon), Microsoft (365 Copilot, équipe MAI Superintelligence), GLM 4.7, Moonshot (Kimi K2). Format : Résumé d’actualités.

Datapizza (1 nouvelle vidéo)

• Il PAGELLONE AI del 2025
  29.12.2025, 16:11:54

  Il PAGELLONE AI del 2025 – Résumé

  Le podcast dresse un bilan détaillé de l’année IA 2025 avec deux développements centraux : d’abord, la plupart des fournisseurs (à l’exception d’Anthropic) ont concouru au cours du premier semestre pour les meilleurs modèles open-source – Mistral avec Codstral, DeepSeek avec R1, Google avec Gemini 2.5 Pro et les modèles Gemma-3, Meta avec Llama 4, Alibaba avec Qwen. Au cours de la deuxième moitié de l’année, l’accent a été mis sur les systèmes agentic – des systèmes IA capables d’appeler indépendamment divers outils.

  Développements majeurs de la chronologie :

  • Janvier : DeepSeek R1 (Reasoning open-source), Stargate Project, OpenAI Operator
  • Février : OpenAI Deep Search (recherche structurée), GPT-4.5, Mistral Chat, premières discussions sur Web Coding
  • Mars–Avril : Google Gemini 2.5 Pro, Google et Meta renforcent les versions open-source, Mistral Pixtral, OpenAI O3/O4 Mini, Lovable 2.0 pour Web Coding
  • Mai : Google AI Overviews (avec un taux d’hallucination élevé), VO3 (distribué mondialement par la suite), Anthropic Claude 4-famille, Perplexity Labs et Comet
  • Juillet : Mode Agent d’OpenAI dans ChatGPT
  • Août : GPT-5 (annonce en direct avec des promesses que l’intervenant juge en partie non tenues)
  • Septembre : Gemini 2.5 Flash Lite (léger, peu coûteux)
  • Octobre : ChatGPT Atlas (agent navigateur), mise à jour de Cursor
  • Novembre–Décembre : GPT-5.1, Gemini 3 Pro, GPT-5.2, Gemini 3 Flash

  Évaluations :

  • OpenAI : 9+ – Malgré Deep Search, Agents et Codex comme versions majeures, l’annonce en direct de GPT-5 a échoué en raison de promesses hâtives.
  • Google : Croissance importante grâce à une intégration réfléchie (Workspace, Recherche, Notebook LM, Flutter, AI Studio, maintenant Antigravity). Notebook LM comme le meilleur outil d’étude et de documentation de l’année. Critique : trop d’outils fragmentés sous différentes marques, suppression d’une fonction de partage d’écran dans AI Studio.
  • Anthropic : 9 – Meilleur modèle de programmation, mais trop spécialisé (code/tableaux de bord uniquement, pas d’images, vidéos, audio).
  • Mistral : Alternative européenne fiable avec de nombreuses versions open-source et un bon produit chat, mais encore des problèmes d’hallucination et du potentiel d’amélioration.
  • Perplexity : Labs et Comet (agent navigateur) sont des versions importantes, mais les outputs de Deep-Research sont trop courts.
  • Cursor : Meilleur IDE avec complément automatique, chat d’agent intégré et intégration GPT-5.
  • Meta : 5 – Modèles médiocres, Metai dans WhatsApp/Instagram/Facebook trop envahissant et peu de cas d’utilisation convaincants.
  • Microsoft : 7 – Positivement surprenant grâce à l’intégration des modèles OpenAI (GPT-5, 5.1, 5.2) et Anthropic ; encore en cours de développement.
  • Apple : 2 – Apple Intelligence annoncé trop longtemps, deux lancements échoués, peu de sensibilisation du public.
  • DeepSeek : Influence énorme grâce à un modèle de Reasoning open-source peu coûteux ; a montré que les États-Unis ne sont pas seuls compétitifs.
  • Alibaba Qwen : Bon travail, mais peut en faire plus.

  Accent mis sur Notebook LM en tant qu’outil de productivité révolutionnaire pour les résumés, podcasts, infographies et surtout pour l’apprentissage – avec quiz et fonctionnalités de choix multiples.

  Analyse approfondie : OpenAI, Google, Anthropic, Mistral, Perplexity, Meta, Microsoft, Apple, DeepSeek, Alibaba sont évalués en détail ; avis/réflexion.

Dave Ebbelaar

Aucune nouvelle vidéo au cours de cette période.

David Shapiro (1 nouvelle vidéo)

• Nvidia “Buys” Groq for $20 BILLION
  28.12.2025, 12:38:20

  Nvidia a annoncé un accord de 20 milliards de dollars avec la startup d’IA Groq – présenté officiellement comme un accord de licence non exclusive, mais structurellement une manœuvre stratégique d’extraction d’actifs. Nvidia obtient ainsi les meilleurs talents (PDG, présidence, direction générale), les licences technologiques (la Language Processing Unit LPU et autres PI) ainsi que la position de marché, tandis que Groq peut formellement continuer en tant qu’entreprise indépendante sous une nouvelle direction. Ce modèle s’appelle “Reverse Aqua Hire” et suit un scénario bien connu : l’achat de Inflection AI par Microsoft (650 millions de dollars, 2024), l’accord de Google avec Character AI (2,7 milliards de dollars, 2024) et l’acquisition d’Adept par Amazon – dans tous les cas, les talents clés se sont retirés, les startups ont été vidées de leur substance et ont dû se replier sur des marchés de niche étroits.

  L’objectif est double : neutraliser la concurrence technologique et contourner les régulateurs en évitant les acquisitions formelles. Les investisseurs en capital-risque ne récupèrent généralement que 1 à 1,5x leur apport de capital au lieu des 2 à 7x de rendement visés. Le résultat : une consolidation en damier où les challengers indépendants (Groq, Sonova, Habana Labs) deviennent des coques vides, tandis que Nvidia consolide sa domination avec 80 à 90% du marché des GPU de datacenter.

  Le véritable avantage concurrentiel n’est pas la conception du matériel, mais CUDA – la pile logicielle propriétaire de Nvidia avec 17 ans d’avantage de premier arrivant, des millions de développeurs formés, des cursus universitaires établis, un écosystème open-source (PyTorch, TensorFlow) et l’interopérabilité cloud. Même le matériel architecturalement supérieur (comme la Wafer-Scale Engine de Cerebras avec 2 téraoctets de mémoire sur une seule puce) ne peut pas faire face à ce verrouillage logiciel – les coûts de migration se chiffrent en millions de dollars et en mois de temps d’ingénierie.

  Pour permettre une véritable concurrence, il faudrait (1) une pile open-source crédible (Linux pour l’IA, des projets comme Triton et MLIR), (2) une coordination des hyperscalers (Google, Amazon, Microsoft, Meta) autour d’une alternative standard commune plutôt que des puces propriétaires séparées, (3) une intervention réglementaire contre le verrouillage CUDA ou les futurs Reverse Aqua Hires, ou (4) une disruption architecturale via de nouveaux paradigmes (neuromorphe, optique, informatique thermodynamique) pour lesquels CUDA ne convient pas. La question centrale n’est plus qui construit la puce la plus rapide, mais qui casse ou contrôle l’écosystème.

  Fournisseurs explicitement abordés : Nvidia, Groq, Microsoft, Google, Amazon, Meta, Cerebras, Argonne/Lawrence Livermore/Sandia National Labs ; Technologies : CUDA, PyTorch, TensorFlow, TPU, Triton, MLIR — Opinion/Réflexion avec structure d’analyse approfondie.

DevExpert – IA para Desarrolladores (1 neues Video)

• Android Studio AI: Análisis de Arquitectura y Código Generado
  30.12.2025, 16:01:34

  Android Studio reçoit dans sa dernière version Canary un générateur de projet piloté par l’IA. Après connexion d’un compte Google (tokens gratuits) ou d’une clé API (via Google AI Studio), vous pouvez démarrer un nouveau projet via le modèle « Create with AI », télécharger des images et décrire en détail ce qui doit être développé.

  Dans l’exemple de démonstration, une application de gestion d’abonnements est créée : le générateur produit un plan d’exécution (document Markdown avec étapes de développement), génère ensuite classe après classe – base de données Room, modules Hilt, ViewModels, Activities – en respectant scrupuleusement les directives d’architecture Android. Il compile régulièrement lui-même, déploie sur l’émulateur et teste le résultat par des clics et des entrées de données, sans en être demandé au préalable.

  Forces : Connaissance native d’Android (Room, Hilt, Jetpack Compose), synchronisation Gradle directe avec l’IDE, détection des erreurs avant compilation, tests automatiques sur l’appareil, bonne structure avec modules de fonctionnalités et ViewModels.

  Faiblesses : Dépendances obsolètes (par ex. Navigation ancienne au lieu de Navigation 3, pas de navigation type-safe) ; API dépréciées dans les composants générés ; dépendances inutiles apportées (Retrofit, Camera, Location) ; la conception d’interface utilisateur fournie est partiellement ignorée – l’application générée fonctionne bien visuellement, mais ne suit que vaguement la conception. Une autre phase de refactorisation de l’interface utilisateur améliore cela, mais reste inférieure à l’original (un test avec un autre outil montre une meilleure fidélité au design).

  Le générateur est impressionnant pour les prototypes rapides et les premières phases du projet, mais pourrait bénéficier de dépendances à jour et d’une meilleure correspondance au design.

  Google Gemini dans Android Studio, démo. Niveau de difficulté : Standard.

Everlast AI (3 nouvelles vidéos)

• KI-Professor WARNT: „Es wird völlig außer Kontrolle geraten!” (Prof. Dr. Karl-Hans Bläsius)
  1.1.2026, 17:07:28

  Professeur d’IA met en garde contre la technologie qui devient incontrôlable

  Le Prof. Dr. Karl-Hans Bläsius, chercheur en IA depuis 1986 et fondateur d’entreprises d’IA, esquisse dans cet entretien plusieurs risques simultanés : guerre nucléaire accidentelle par fausses alarmes dans les systèmes d’alerte précoce, systèmes d’armement autonomes contrôlés par l’IA, armes biologiques assistées par l’IA et cyberattaques susceptibles de paralyser les infrastructures critiques. La thèse centrale est que ces risques ne doivent pas être considérés isolément, mais agissent de manière cumulative – comme à la « roulette russe » : chaque tentative individuelle peut sembler sûre, mais ensemble, la probabilité de survie diminue dramatiquement.

  Bläsius soutient que l’humanité ne peut pas apprendre ces risques par l’expérience, car les conséquences seraient existentielles. Le discours public traite parfois l’IA comme une bulle, mais en même temps, une superintelligence artificielle ne peut pas être surévaluée – ces deux positions sont logiquement incohérentes.

  Sur la course aux armements USA-Chine : Dans le cyberespace et l’IA, les capacités des adversaires potentiels ne sont pas mesurables comme les chars et les navires, ce qui crée de l’incertitude et force à poursuivre le réarmement. Cela déstabilise l’équilibre de la Guerre froide. Les cyberarmements autonomes ont également une portée d’action illimitée – contrairement aux drones, ils ne consomment pas de ressources et pourraient communiquer entre eux et déclencher des réactions en chaîne incontrôlables (« guerres flash »).

  Allemagne et Europe : Ne construisent ni une infrastructure massive ni ne disposent de modèles d’IA leader mondiaux. Néanmoins, le risque d’ignorer cela est énorme – les impacts affectent tout le monde mondialement. Les innovations méthodologiques (combinaison de l’IA symbolique avec les réseaux de neurones) pourraient également maintenir les plus petits pays compétitifs. Bläsius considère la régulation de l’UE (AI Act) comme importante et insuffisante – elle devrait être renforcée plutôt qu’affaiblie. Une comparaison avec la recherche biomédicale montre : les pays qui assouplissent les règles parce que les concurrents le font créent un danger mondial.

  Solution centrale : Non pas la course aux armements et la confrontation, mais les enchevêtrements internationaux, la coopération et la confiance mutuelle réduisent durablement les risques. Le soi-disant « changement par le commerce » a échoué en tant que condition suffisante pour la paix, mais est nécessaire. L’échange régulier, comme l’ont montré les traités dénoncés Open Sky, est essentiel.

  Scénario réaliste actuellement : Le cours se dirige vers la confrontation – non vers la coopération. Les événements pourraient devenir « totalement hors de contrôle » pour l’humanité si les systèmes militaires d’IA et l’AGI/superintelligence potentielle prenaient des décisions de manière autonome.

  Pertes d’emplois dues à l’IA : Bläsius voit un danger réel, rejette l’optimisme selon lequel de nouveaux emplois émergeraient comme avant – les systèmes d’IA générative sont trop universellement applicables. L’exemple du cheval (le chemin de fer n’a pas remplacé le travail des chevaux, mais les automobiles l’ont fait) avertit. Recommandation : formation continue, éducation, indépendance de la technologie préservée, rester à la pointe de la technologie.

  Thèmes explicites : Course aux armements internationaux en IA (USA, Chine), systèmes d’armement autonomes, cyberattaques, armes biologiques, superintelligence, régulation de l’UE (AI Act), pertes d’emplois ; Format : Deep-Dive / Entretiens d’opinion.

• 10 nouvelles choses d’IA qui arrivent en 2026
  30.12.2025, 17:15:01

  10 nouvelles choses d’IA qui arrivent en 2026

  Le créateur vidéo fait un bilan de ses prédictions d’IA pour 2025 (7 sur 10 se sont réalisées) et présente 10 prédictions pour 2026 :

  Ce qui s’est réalisé en 2025 :

  Les agents d’IA autonomes sont devenus standard ; les coûts des agents vocaux ont chuté de plus de 100% ; les modes de recherche (O1, Claude, Gemini) ont été largement déployés ; les robots humanoïdes comme Unity G1 sont arrivés dans les vraies entreprises ; les modèles réfléchis (O3, GPT-5 Thinking, Gemini 2.5 Pro) ont dépassé les attentes ; l’IA de texte en vidéo (Sora, Veo, Veo3) a brisé le plafond de qualité ; les personnages d’IA sont devenus omniprésents sur les réseaux sociaux.

  10 prédictions pour 2026 :

  1. Robots humanoïdes : Grande percée – OneX promet des Néohumanoïdes à partir d’environ 50 000 dollars ; des entreprises comme Neura Robotik annoncent avoir atteint un point de singularité.
  1. Percées scientifiques : L’IA permettra des inventions en biologie, chimie, médecine ; Oldman prévoit un stagiaire autonome en recherche d’IA d’ici septembre 2026 ; Deepmind parle d’un âge d’or.
  1. Plateau dans les modèles de langage classiques : La création de texte s’améliorera (GPT-6), mais pas de grands sauts ; phase de productivité plutôt que d’innovation.
  1. Les vidéos d’IA dominent : La génération vidéo devient beaucoup plus longue (minutes au lieu de secondes) ; des films d’IA complets sont possibles ; les agences de vidéo avec avatars d’IA surenchérissent massivement les agences de publicité traditionnelles ; des avatars interactifs en direct émergent en tant que tuteurs/coachs.
  1. Agents d’IA verticaux : Agents spécialisés pour des secteurs individuels plutôt que des solutions générales ; Gartner prédit que 40% de toutes les applications d’entreprise auront des agents spécifiques à des tâches (actuellement 5%) ; l’automatisation par IA devient une compétence clé pour les salariés.
  1. Agents de navigateur et agents vocaux : Les agents utilisant le navigateur deviennent pratiquement opérationnels ; les agents vocaux d’IA ne se distinguent plus des vraies voix ; le marché des agents téléphoniques s’ouvre ; les agents de centre d’appels deviennent officiellement mûrs.
  1. Codage et applications d’IA : 99% du code est généré par l’IA (affirmation de Dario Amodei, Anthropic) ; des outils comme Cursor travaillent seuls pendant des heures sur des tâches de code ; n’importe qui peut écrire et monétiser des applications sans code ; intégration possible dans ChatGPT.
  1. Matériel informatique d’IA : OpenAI travaille avec le designer de l’iPhone sur un appareil mystérieux (prévu pour 2026) ; Waymo se développe à 3 500 véhicules autonomes ; Interfaces cerveau-ordinateur : Neuralink prévoit plus de 1 000 implants en 2026 (actuellement quelques-uns) ; des approches BCI non invasives émergent.
  1. Infrastructure d’IA : Les géants technologiques investissent plus de 500 milliards de dollars par an ; Gartner prédit 2 billions de dollars de dépenses en IA mondialement ; OpenAI prévoit 1,4 billion pour les centres de données ; la consommation d’énergie double ; des centres de données au gigawatt émergent ; des partenariats avec des centrales nucléaires ; Starcloud (centres de données en orbite) ; des puces photoniques 1 000 fois plus efficaces que les GPU.
  1. IA souveraine : L’Allemagne se concentre sur la souveraineté numérique ; le partenariat OpenAI-SAP pour un ChatGPT conforme au RGPD sur des serveurs allemands ; les modèles open-source (particulièrement de Chine) comblent l’écart avec les fournisseurs commerciaux (3 au lieu de 6-12 mois de retard) ; les LLM d’entreprise (systèmes auto-hébergés, formés en interne) deviennent standard.

  Signification pour 2026 : L’IA passe du sujet des adoptants précoces au sujet grand public ; les voisins, les parents, les collègues commencent ; l’adoption grand public complète en 2027/28, mais la grande vague commence en 2026.

  La vidéo est basée sur des déclarations publiques de PDG (Oldman, Amodei, Hazis), des entretiens avec des chercheurs en IA et des travaux pratiques avec des centaines de petites et moyennes entreprises – fondée sur des faits plutôt que spéculative.

  Thématisée explicitement : OpenAI, Claude (Anthropic), Gemini (Google), Grock, modèles GPT, O1/O3, Waymo, Neuralink, Deepmind, Cursor, SAP, modèles open-source (Chine), Veo, Sora ; Format : vidéo de prédictions/deep-dive.

• Mise à jour géante IA : GPT-5.2 & Gemini 3, navigateur IA, vidéos IA, Sora, Runway-4.5, Claude et le bilan 2025
  28.12.2025, 09:15:09

  Mise à jour géante IA : GPT-5.2 & Gemini 3, navigateur IA, vidéos IA, Sora, Runway-4.5, Claude et le bilan 2025

  2025 a été l’année où l’IA a cessé d’être de la musique d’avenir. En quelques mois, plus de progrès se sont réalisés que dans les dix années précédentes réunies — des modèles GPT-5.x, Gemini 3, des robots humanoïdes, des agents d’IA et des mises à jour qui révolutionnent des secteurs entiers.

  Lancements de modèles et le « Code Red » chez OpenAI :

  L’année a été marquée par des changements de modèles rapides : Deepseek R1 a choqué l’industrie, suivi de O3, Gemini 2.0, Grok 3, Claude 3.7 Sonnet, puis ChatGPT 4.5, Gemini 2.5 Pro, Llama 4, GPT 4.1, O4, et maintenant GPT 5.1, 5.2, Gemini 3 Nano, Banana Pro. Gemini 3 a coûté des parts de marché à OpenAI — Sam Altman a lancé l’alerte interne « Code Red ». Google en a tiré profit, avec Serge Brin et Larry Page de retour au bureau.

  ChatGPT et l’écosystème d’applications :

  La nouveauté est la boutique d’applications ChatGPT avec des applications intégrées comme Photoshop, Airtable, Figma, Canva, Apple Music, Booking.com, Spotify. Les développeurs peuvent soumettre leurs propres applications et monétiser via l’écosystème ChatGPT — important : les applications doivent offrir de la valeur, pas seulement être des outils de vente.

  ChatGPT Atlas — le nouveau navigateur d’IA :

  OpenAI lance son propre navigateur (actuellement macOS uniquement, gratuit). Atlas a un mode agent intégré : il se souvient de vos activités de navigation, peut analyser les sites Web sans que vous ayez besoin de copier du texte, et agit directement sur le Web. Avertissement : il existe des risques avec les nouveaux navigateurs ; une comparaison détaillée avec d’autres navigateurs d’IA suivra.

  Investissements en infrastructure :

  OpenAI sécurise 1,4 billion de dollars en engagements pour l’infrastructure d’IA (Stargate 500 miliards, Nvidia 100 miliards, AMD 100 miliards, Amazon 83 miliards). Malgré une perte prévue de 14 milliards cette année, OpenAI atteint environ 900 millions d’utilisateurs hebdomadaires actifs — Gemini en a 346 millions.

  Disney + OpenAI / Sora 2 :

  OpenAI conclut un accord de licence avec Disney. Les personnages Disney peuvent être utilisés conformément dans Sora. Sora 2 offre désormais des scénariques et des vidéos plus longues (15-25 secondes). La fonction Character Cameo permet des personnages fictifs cohérents. OpenAI prévoit une économie Sora : les titulaires de droits peuvent facturer des suppléments pour les apparitions invitées. Jake Paul a atteint 1 milliard de vues en 6 jours via Sora + Cameo et gagne via les investissements d’OpenAI.

  Génération d’images :

  GPT Image 1.5 est le nouveau modèle d’image d’OpenAI et se classe #1 selon le benchmark LM, mais l’avance sur Nano Banana Pro est marginale. Les tests montrent : les deux sont à peu près équivalents ; Nano Banana Pro reste légèrement meilleur dans certains cas d’usage, particulièrement pour les infographies et les textes.

  Modèles vidéo — le champ de bataille :

  • Runway Gen 4.5 : Dépasse clairement Google Vio 3.1 en ELO texte-à-vidéo.
  • Vio 3.1 : Extensibilité vidéo, référence-vers-vidéo, cinématographie améliorée, audio natif — mais pas de grands sauts.
  • LTX2 (Open Source, complètement disponible fin d’année) : Qualité 4K native, 50 fps, jusqu’à 10 secondes, jusqu’à 10 000 caractères de prompts — très pertinent pour les créateurs vidéo IA.
  • Clen 1.5 Pro (de Chine) : Génère vidéo et audio simultanément, sous-estimé, mais puissant.
  • Runway Remove : Supprimer les objets et les personnes des vidéos.

  Mises à jour de l’écosystème Google :

  • Gemini 3.0 Flash : Plus rapide, plus efficace que 2.5 Pro. Peut analyser/transcrire des vidéos, créer des quiz, construire des applications. Les benchmarks montrent que Flash peut rivaliser avec GPT 5.2 Pro.
  • Gemini 3.0 Pro : Plus intelligent, surtout pour le codage (fonctionnalité Build-Anything).
  • Gemini Agent : Uniquement pour les utilisateurs Ultra aux USA ; accès au calendrier Google, Gmail, Drive, Internet entier.
  • Google Opal / Workflow Builder : Workflows générés par IA (similaire au générateur Workflow n8n).
  • Intégration Google Maps : Gemini dans la voiture ; adaptation dynamique de route par commande vocale.
  • Sam 3D (Meta) : Reconnaissance d’objets 3D de pointe à partir d’images ; important pour les robots humanoïdes et AR/lunettes intelligentes.
  • Notebook LM + nouveaux visuels : 6 nouveaux styles visuels alimentés par Nano Banana.
  • Google Lens : Nano Banana désormais intégré.
  • Google Gemini AI Glasses : Devraient arriver en 2026.
  • Traduction en direct dans Gemini Live : Traduction en temps réel entre les langues.

  Mises à jour Claude :

  • Haiku 4.5 : Plus petit modèle Claude avec performances de Sonnet 4, plus rapide, plus efficace.
  • Skills dans Claude : Enseigner des compétences (par exemple votre style de présentation), que Claude utilise ensuite de manière permanente — alternative aux Custom GPTs.
  • Mode Tâche : Nouvelle interface utilisateur plutôt que le chat classique.
  • Extension Chrome : Maintenant aussi pour les utilisateurs payants (pas seulement Max), avec accès direct au terminal Claude Code.
  • Anthropic investit massivement dans Google TPUs — signal qu’Anthropic se positionne plutôt comme acteur de niche pour développeurs/scientifiques que capable de rivaliser sur le marché des consommateurs.

  Autres mises à jour :

  • Grok 4.1 (d’Elon Musk) : Bon pour l’analyse de sentiment des publications X.
  • Accord Apple + Google (environ 1 milliard $/an) : Apple utilise les modèles Google Gemini (1,2 billion de paramètres) dans Siri jusqu’au développement de sa propre IA.
  • Mistral OCR3 : Reconnaissance de reçus améliorée ; mise à jour gratuite pour les utilisateurs.
  • n8n Workflow Builder : Workflows générés par IA (utilisateurs Cloud uniquement, pas pour auto-hébergé).
  • Fisher Audio (texte-à-parole) : 6 fois moins cher que 11 Labs, voix très naturelles ; Avertissement : seulement 10 secondes d’audio suffisent pour cloner une voix — risque de fraude.
  • Kita Sonic 3 (Voice AI) : Financement de 100 millions ; concurrence à 11 Labs.
  • Bases de données Oracle : Implémentation multi-cloud, vectorisation pour IA, bibliothèques d’agents prêtes pour l’entreprise.
  • Interface utilisateur générative : Interfaces utilisateur générées par IA.

  Tendance centrale :

  Nous sortons de la phase des adoptants précoces et entrons dans la phase de productivité et d’entreprise. L’automatisation par IA devient marché de masse en 2026. La cohérence des personnages et la qualité vidéo sont désormais impressionnantes — la conception graphique et la production vidéo seront massivement rationalisées. La grande course (assistant super personnel) sera probablement remportée par OpenAI, Google, Meta et XAI ; Anthropic se positionne comme spécialiste de niche.

  Format : Mise à jour d’actualités / Résumé ; outils/modèles d’IA thématisés : ChatGPT (5.1, 5.2, Image 1.5), Gemini (2.5, 3.0 Flash/Pro), Claude (Haiku 4.5, Skills), Sora 2, Runway 4.5, Vio 3.1, LTX2, Nano Banana Pro, Grok 4.1, n8n, Mistral OCR3, Fisher Audio, Kita Sonic 3, Meta Sam 3D, Oracle ; Fournisseurs : OpenAI, Google, Anthropic, Meta, Mistral, Elon Musk/XAI, Oracle.

Fireship

Aucune nouvelle vidéo pendant cette période.

Greg Baugues

Aucune nouvelle vidéo au cours de cette période.

IA et Stratégie | Le SamourAI (1 nouvelle vidéo)

• 2026 : Être ‘moyen’ est dangereux : La leçon que tout le monde rate.
  2.1.2026, 14:28:09

  2026 : Être moyen est dangereux – Résumé

  L’orateur soutient que le monde ne se divise pas graduellement, mais radicalement : non pas entre riches et pauvres, mais entre ceux qui agissent maintenant (même imparfaitement), ceux qui restent sur le quai, et ceux qui attendent le prochain train – qui ne viendra pas. La thèse centrale est qu’une position « moyenne » est devenue dangereuse, car le monde se transforme d’une distribution normale à une distribution en loi de puissance, où une minorité capture la majorité de la valeur.

  Concrètement, cela s’illustre par l’exemple des traducteurs : il y a deux ans, un traducteur moyen gagnait 15 cents par mot, aujourd’hui les outils IA comme DeepL ou ChatGPT avec correction humaine réduisent cela à 3 cents – seuls les 10 % qui se sont repositionnés sur la spécialisation ou la post-édition gagnent plus qu’avant. L’IA accélère cet effet, mais ne l’a pas créé.

  L’orateur met en garde contre l’illusion que quelqu’un viendra vous sauver (l’État, les institutions, les managers). Au lieu de cela, il faut devenir soi-même stratège. L’approche concrète repose sur trois principes : (1) passer du temps avec la technologie pour développer l’intuition, (2) commencer petit, mais maintenant, par exemple en automatisant une tâche répétitive ou en construisant quelque chose de concret plutôt que d’attendre une formation parfaite, (3) documenter ce qu’on apprend. Les signaux d’alerte sont : le confort sans changement depuis deux ans, le discours sans action dans l’organisation, et attendre qu’on vous dise quoi faire.

  L’orateur illustre cela avec l’exemple d’une responsable de projet qui se forme elle-même le soir malgré les résistances, plutôt que d’attendre la permission – un exemple de l’esprit d’autonomisation nécessaire.

  Format : Opinion/Réflexion ; aborde les outils IA comme ChatGPT et DeepL, sans analyser en profondeur les fournisseurs ou les modèles IA.

Julian Ivanov | Automatisation IA (1 nouvelle vidéo)

• Automatise ta comptabilité & déclaration de revenus avec n8n + Mistral OCR ! (Sans code)
  28.12.2025, 16:39:20

  Automatiser la comptabilité & la déclaration de revenus avec n8n + Mistral OCR

  La vidéo montre un système entièrement automatisé de traitement des reçus et de déclaration de revenus. Tous les justificatifs – qu’ils proviennent d’e-mails, Telegram, téléchargements Drive ou PDF – sont centralisés dans un tableau Google Sheets et catégorisés automatiquement.

  Fonctionnalités clés :

  Le processus utilise Mistral OCR pour la reconnaissance de texte (y compris les photos et documents numérisés), extrait automatiquement les données pertinentes (date, montant, fournisseur) et classe chaque justificatif dans une catégorie de revenus/dépenses. Les fichiers sont organisés dans Google Drive par année et mois, puis renommés. Un agent IA avec accès à Google Sheets permet des requêtes comme « Combien ai-je dépensé en abonnements logiciels ? » – l’agent utilise un outil calculatrice pour calculer correctement plutôt que d’halluciner.

  Étapes d’implémentation :

  1. Structure des dossiers : Création automatique de dossiers annuels et mensuels sur Drive
  2. Téléchargement Drive : Les PDF téléchargés dans les dossiers de dépenses/revenus sont lus avec Mistral OCR, les informations extraites, le fichier déplacé et inséré dans Sheets
  3. Traitement d’e-mails : Les factures entrantes sont détectées par classification de texte, puis traitées de la même manière
  4. Bot Telegram : Images de reçus avec confirmation « Human in the Loop » (revenu/dépense ?), limité à l’ID chat individuel
  5. Google Sheets : Catégories en liste déroulante issues d’une table séparée, statut de paiement, devise affinés manuellement. Des règles génèrent automatiquement le résumé fiscal avec résultat net et TVA

  L’auteur mentionne un modèle gratuit et une offre communautaire avec 40% de réduction sur l’adhésion annuelle.

  Outils abordés : n8n, Mistral AI (OCR), Google Drive, Google Sheets, Telegram, OpenAI, Open Router, ChatGPT — Format : Tutoriel/démonstration avec focus sur la configuration et démonstration en direct, conçu pour les indépendants.

Kyle Balmer | AI with Kyle (4 nouvelles vidéos)

• Why Meta Really Bought Manus (It’s Not What They’re Saying)
  31.12.2025, 17:00:47

  Meta rachète Manus : la vraie raison derrière l’acquisition

  Meta a acquis Manus — l’un des premiers systèmes d’IA agentique pour les consommateurs, lancé en mars et révolutionnaire à l’époque car il pouvait automatiser des tâches complexes (recherche, création de tableaux, résolution de problèmes importants). Au fil du temps, Manus a perdu de son importance après que Claude et ChatGPT aient intégré des capacités agentiques similaires.

  Motivation officielle vs réelle : Meta affirme que Manus conservera son produit et son équipe, mais l’intervenant soutient de manière convaincante qu’il s’agit probablement d’une « acquihire » — Meta achète principalement le talent. Le modèle économique est éloquent : Meta tire 99 % de ses revenus de la publicité (Google en tire environ 70 % par les annonces). Le vrai public cible des fonctionnalités Manus ne serait pas les utilisateurs de Meta dans le secteur privé, mais l’activité publicitaire, en particulier Meta Advantage Plus, la plateforme d’optimisation des annonces pilotée par l’IA de Meta.

  La thèse : L’équipe Manus sera transférée en interne au département des annonces pour construire des systèmes de publicité agentique — autrement dit, des annonces qui s’optimisent elles-mêmes, effectuent automatiquement des tests A/B et recherchent la meilleure stratégie publicitaire. Le produit Manus public pour les consommateurs sera probablement abandonné à long terme. Le prix d’acquisition est estimé entre 4 et 6 milliards de dollars, calculé sur la base d’un multiple de 10x du chiffre d’affaires. Manus était l’application d’IA pour consommateurs à la croissance la plus rapide, atteignant 100 millions de revenus annuels.

  Conclusion pour les utilisateurs : Mauvaise nouvelle pour les utilisateurs actuels de Manus — l’espoir que le produit persiste est jugé irréaliste par l’intervenant.

  — Mise à jour démo/actualités sur deux outils d’IA (Manus, Meta Advantage Plus), analyse de la motivation d’acquisition.

• Today in AI: OpenAI’s “Head of Preparedness”, Meta Buys Manus, AI Missing From News Cycle
  31.12.2025, 05:01:04

  Résumé :

  OpenAI embauche un « Head of Preparedness » — un nouveau rôle avec un salaire d’environ 550 000 dollars par an plus des options d’achat d’actions. Le modérateur établit humoristiquement un lien avec un ancien mème Internet concernant un « ingénieur du bouton d’arrêt ». La description de poste aborde des questions sérieuses : comment rendre les capacités d’IA en rapide amélioration utiles sans qu’elles soient abusées ? Les préoccupations concrètes incluent les capacités biologiques et chimiques (abus à des fins d’armes contre développement de remèdes), les capacités de cybersécurité (protection contre les attaques) et l’auto-amélioration de l’IA (chemin vers l’AGI). OpenAI a publié un document « Preparedness Framework » actualisé à ce sujet.

  Meta a acquis la startup Manus — un système capable de traiter les tâches de manière agentique. L’acquisition est estimée entre 4 et 6 milliards de dollars. Le modérateur soupçonne qu’il ne s’agit pas d’une acquisition pour les consommateurs, mais d’une « acquihire » : Meta achète le talent de l’équipe Manus pour l’intégrer à l’optimisation de ses produits publicitaires (en particulier « Meta Advantage Plus »). Le produit Manus pour consommateurs sera selon son évaluation progressivement abandonné.

  Pour finir, le modérateur attire l’attention sur un graphique du média d’actualités Axios montrant les grandes histoires d’actualité de 2025 : l’IA y est à peine représentée — uniquement comme « AI Bubble » en tant que sujet financier. Cela montre que les développements de l’IA reçoivent beaucoup moins d’attention du grand public que dans la communauté technologique.

  Contexte : OpenAI et Meta ont été explicitement traités ; format d’actualités/synthèse.

• Why a ChatGPT Co-Founder Is Panicking About AI
  30.12.2025, 20:15:01

  L’idée centrale est le concept de « Capability Overhang » — l’idée que les modèles d’IA actuels (GPT 5.2, Claude Opus 4.5, Grok 4.2, Gemini 3) sont techniquement extrêmement performants, mais que l’humanité ne les utilise pas encore pleinement. Tandis que les modèles s’améliorent constamment, nous les utilisons toujours pour les mêmes tâches qu’il y a un ou deux ans. Cela crée un écart entre la capacité disponible et l’application pratique.

  L’intervenant cite une crise d’Andrej Karpathy, co-fondateur d’OpenAI, qui a exprimé sur Twitter son malaise : en tant que programmeur, il se sent « dramatiquement superflu » et se demande comment il peut maîtriser le flot croissant d’outils, d’agents, de techniques de prompting, de protocoles MCP et d’intégrations IDE. Malgré son expertise, Karpathy souffre d’une peur de prendre du retard. L’intervenant utilise cela pour montrer : si même ce fondateur hautement compétent se sent submergé, c’est normal que d’autres vivent cette même confusion.

  Le message pour 2026 est qu’il existe une grande opportunité — celui qui apprend à utiliser efficacement ces « outils extraterrestres » et aide les autres à faire de même aura un grand succès. Un exemple : Sankalp, peu après la crise de Karpathy, a publié un guide sur l’utilisation de Claude et des agents qui a atteint près d’un million de vues. L’intervenant travaille lui-même avec Claude sur une version orientée vers les non-programmeurs de ce guide.

  OpenAI (modèles GPT), Anthropic (Claude), outils mentionnés comme Agents et MCP — Opinion/réflexion.

• Today in AI: Capability Overhang Problem and Opportunity, My ChatGPT Wrapped Revealed
  30.12.2025, 05:01:13

  Le modérateur traite deux sujets : d’abord son bilan annuel ChatGPT, puis le concept du « Capability Overhang » comme thème central pour 2026.

  Bilan annuel ChatGPT : L’utilisateur figure parmi les 1 % des meilleurs utilisateurs de ChatGPT avec près de 10 000 messages et 789 conversations. Son style d’écriture est caractérisé comme « curieux, rapide, créatif et confiant », et l’analyse de personnalité le catégorise comme « Stratégiste ». Il souligne qu’il utilise principalement ChatGPT pour les stratégies commerciales et le brainstorming rapide, tandis qu’il utilise Claude pour le codage plus intensif et le développement de produits — ce dernier en raison d’une meilleure conservation du contexte persistant dans ChatGPT.

  Capability Overhang : Le cœur de la vidéo repose sur le concept discuté par Ethan Mollick et Andrej Karpathy (co-fondateur d’OpenAI). Le problème : les modèles d’IA comme GPT-5.2, Claude Opus 4.5 et Gemini 3 sont devenus extrêmement performants, mais la plupart des gens — même les experts — les utilisent toujours pour les mêmes tâches qu’il y a des années. Karpathy a publié un tweet tendu décrivant son sentiment de dépassement en tant que programmeur et son retard dans le développement des nouvelles couches d’abstraction (Agents, Context Memory, MCP, Workflows).

  Le modérateur voit dans cela une opportunité commerciale pour 2026 : celui qui peut combler le fossé entre les capacités des modèles et l’application pratique — par le contenu, le conseil, le coaching ou les ateliers — peut bien gagner sa vie. Un exemple : un développeur nommé Sankalp a publié un guide sur Claude Code et les agents qui a reçu près d’un million de vues. Le modérateur lui-même facture environ 1 500-2 000 livres (2 000-4 000 dollars) par heure pour les ateliers d’entreprise et a développé du matériel pédagogique gratuit, car des entreprises comme Deloitte ont déjà eu des problèmes en raison d’une mauvaise utilisation de l’IA.

  Explicitly discussed: ChatGPT, Claude, OpenAI, Andrej Karpathy, N8N, Lindy AI, Apify, PostHog, Grok, Gemini. — Demo/Opinion avec Q&A en direct.

Leon van Zyl

Aucune nouvelle vidéo au cours de cette période.

Liam Ottley (2 nouvelles vidéos)

• The Simplified AI Agency Model That PRINTS $35,000/m on Autopilot (copy this)
  2.1.2026, 08:57:51

  Résumé : The Simplified AI Agency Model That PRINTS $35,000/m on Autopilot

  Linus décrit un modèle d’agence hautement rentable basé sur des partenariats avec des éditeurs de logiciels. Le principe clé : les plateformes logicielles comme les outils d’IA vocale reçoivent certes de nombreux leads grâce à leurs dépenses marketing, mais ne peuvent souvent pas les intégrer eux-mêmes. C’est là que l’agence intervient – les éditeurs de logiciels transfèrent les leads ou vendent directement des packages d’intégration, et l’agence gère le développement et la mise en place.

  Chiffres d’affaires d’AI Union (agence de Linus) : Plus de 150 projets en quatre mois, plus de 42 000€ de chiffre d’affaires mensuel avec une marge bénéficiaire d’environ 80% et seulement 7 000€ de dépenses (principalement des développeurs, pas d’équipe commerciale). Les coûts d’acquisition de clients sont pratiquement nuls – les éditeurs de logiciels vendent directement l’intégration, ce qui conduit à un taux de conversion de 100%.

  Productisation : L’agence propose deux packages standardisés : un « Small Setup » (1 000€, 8 heures) avec prompting simple et intégration calendrier, et un « Large Setup » (2 000€) avec travail API et workflows N8N.

  Sélection des partenaires : Linus recommande de choisir des plateformes plus petites et nichées (il travaille avec FonYou AI sur le marché germanophone). Les trop grandes entreprises comme Vapi disposent de leurs propres équipes ; les outils trop simples comme Calendly ne créent pas de valeur ajoutée pour une spécialisation. L’introduction s’est faite par le contenu YouTube et l’engagement dans les communautés – après environ trois mois, il a reçu les premiers leads.

  Stratégie de différenciation auprès du partenaire principal : Linus a développé un cadre : productisation des offres, partage des revenus avec l’éditeur (10-25% de rétrocommission), optimisation des processus (conversion automatique des transcriptions Fireflies en prompts), CRM partagé pour la transparence, appels réguliers avec l’éditeur et enfin des upsells (par exemple, ateliers N8N de 40 heures pour 6 000€).

  Scalabilité sans le fondateur : La fourniture standardisée permet de déléguer l’entreprise à une petite équipe (trois étudiants salariés, deux freelances). Les nouveaux employés utilisent une documentation complète plutôt qu’une formation ad hoc. Le modèle fonctionne maintenant sans le fondateur – ce dernier a de la liberté pour de nouveaux projets.

  Expansion : Linus développe maintenant Salesfrank – sa propre solution SaaS pour les appels sortants et la prise de rendez-vous, basée sur les enseignements de ses 150+ projets. En parallèle, il teste le même modèle de partenariat avec une entreprise d’automatisation WhatsApp.

  Message clé : La concurrence sur le marché des agences est féroce, mais le modèle de partenariat élimine les dépenses commerciales et marketing importantes. On peut travailler de manière rentable avec une petite équipe, ne pas rester bloqué sur le projet et obtenir des données de validation pour ses propres produits SaaS – le tout avec des outils qui existent déjà depuis 2023/24.

  Format & outils : Démo/Étude de cas ; mentionnés explicitement : N8N, Make.com, Zapier, Fireflies AI, Google Gemini, FonYou AI, VAPI, Calendly, HubSpot, Pipedrive, Shopify, Shopware, Zoho, cal.com, OMR Reviews. — Avis/Deep-Dive.

• How I Built a $100K AI SaaS Without Knowing How to Code (5 Easy Steps)
  28.12.2025, 11:11:55

  Ben Webb, qui n’avait jusqu’à récemment aucune expérience en programmation, présente un cadre en cinq étapes pour construire un produit SaaS sans compétences en codage. Sa situation initiale était inhabituelle : il a rencontré un dentiste bulgare qui possédait des milliers de radiographies dentaires, et ensemble ils ont entraîné un modèle d’IA pour le diagnostic. Après avoir reçu une valorisation de 1,5 million de dollars chez Microsoft, ils ont réalisé qu’ils possédaient les données eux-mêmes et ont embauché une équipe de développement – le modèle était prêt en 45 jours.

  Les cinq étapes :

  1. Trouver le problème : Webb souligne que de nouveaux modèles d’IA (comme des améliorations dans la génération vocale ou d’images) ouvrent régulièrement de nouvelles opportunités commerciales. Il faut interroger des professionnels du secteur cible, pas simplement consulter ChatGPT. Sa règle : se concentrer sur les deux piliers « acquisition de clients » et « réalisation du service ». L’important est de construire une véritable relation avec un professionnel du secteur – cela deviendra précieux plus tard.
  1. Valider la sortie (MVP) : Ne pas d’abord construire l’interface, mais le résultat principal (dans son cas, le rapport de traitement généré). Webb a utilisé Make ou n8n comme plateformes sans code ; on peut demander à ChatGPT de générer un schéma JSON. La devise : « Si la sortie est utile mais moche, parfait. Si elle est belle mais inutile, tu as perdu ton temps. »
  1. Valider le produit : Pas la méthode « Greg » (deux semaines de pitch deck, validation ChatGPT), mais la méthode « Chad » : aller directement voir de vrais professionnels, les appeler à froid ou par réseau, et demander 5-10 minutes de retour. Cela fonctionne particulièrement bien si le problème est vraiment pertinent.
  1. Construire le frontend : Brainstormer les composants UI avec ChatGPT (Upload, Processing, Results, Dashboard, etc.), puis générer les interfaces avec Lovable – cinq écrans par jour gratuitement. Télécharger le code et le conserver localement.
  1. Assembler le frontend et le backend (Vibe Coding) :

  Stack technologique (moins de 100 dollars/mois) :

  • Cursor : IDE avec support IA, modèles sélectionnables (Claude Opus 3.5, GPT 4o) ; nouveaux modèles régulièrement testables gratuitement
  • GitHub : Contrôle de version, repo privé dès le jour 1, connexion via GitHub pour intégration transparente avec Cursor
  • Render : Déploiement/hébergement, logs backend pour le débogage
  • Supabase : Stockage de données, structure SQL peut être auto-générée par Cursor

  Webb met en garde contre l’effet Dunning-Kruger lors du Vibe Coding : d’abord une grande confiance (« Je suis ingénieur Full-Stack ! »), puis la « vallée du désespoir » quand les bugs apparaissent – la persévérance est importante. Un truc : utiliser l’API Render pour récupérer automatiquement les erreurs au lieu de les copier manuellement.

  La thèse centrale : les barrières à l’entrée pour construire un SaaS ont énormément baissé. Un débutant complet peut maintenant construire du vrai logiciel avec un budget plus petit. Webb encourage à ne pas être pessimiste mais simplement d’essayer.

  Démo/Deep-Dive avec interview invité (Claude, ChatGPT, Make, n8n, Lovable, Cursor, GitHub, Render, Supabase mentionnés).

Mark Kashef (1 nouvelle vidéo)

• This ONE Tool Turns Claude Code Into a Scraping Powerhouse
  29.12.2025, 18:00:56

  Claude peut être transformé en un outil de web scraping puissant grâce à l’intégration du serveur MCP Firecrawl dans Code. Firecrawl permet de parcourir des sites web tout en extrayant différents types de données – du contenu complet du site aux captures d’écran, en passant par les informations de marque comme les couleurs, les polices et les assets logo. Les fonctionnalités principales sont : Scrape (extraire le contenu du site), Screenshot (capturer les pages sous forme d’images), Extract (extraire les données structurées via LLM), Crawl (parcourir plusieurs sous-pages), Search (rechercher dans les pages) et Map (visualiser le plan du site).

  L’intégration fonctionne en copiant une simple commande avec votre clé API personnelle dans une nouvelle session Claude – Firecrawl offre 500 requêtes gratuitement et a des limites généreuses pour les startups et les paliers supérieurs. Après la connexion, Claude peut travailler avec des commandes en langage naturel : vous pouvez par exemple extraire la marque d’un site d’agence, créer des captures d’écran de haut en bas, scraper le contenu de la page, cartographier les pages existantes et organiser le tout de manière claire dans des dossiers – tout en une seule commande.

  Les applications pratiques vont des workflows d’audit client (vérifier la marque et la tonalité) aux portfolios de designers (captures d’écran automatiques) en passant par l’analyse concurrentielle et l’automatisation des appels d’offres, où la marque et le design des sites web clients sont extraits et appliqués à d’autres documents. L’orateur souligne que ce MCP est une exception régulièrement utilisée malgré la surcharge de la fenêtre de contexte des autres MCPs, et qu’il a même permis de conclure des marchés auprès des clients.

  Claude avec le serveur MCP Firecrawl, démo.

Matt Pocock

Aucune nouvelle vidéo pendant cette période.

Melvynx (3 nouvelles vidéos)

• Le SECRET de Cursor : pourquoi les réponses sont différentes de Claude ?
  1.1.2026, 15:01:17

  Le secret derrière Cursor : Pourquoi les réponses sont différentes de Claude

  Le créateur a découvert une technique pour comprendre pourquoi Cursor et Claude Code fonctionnent différemment : via un hack de fichier HTML qui révèle toutes les informations internes d’un outil IA (version du modèle, system prompt, outils disponibles). Il a ainsi généré des fichiers de comparaison pour les deux outils et pu analyser les différences fondamentales.

  Différences philosophiques :

  Cursor est un IDE centré sur l’interface graphique avec une tonalité « casual », tandis que Claude Code est un outil CLI-First avec une « objectivité professionnelle ». Cela explique immédiatement pourquoi les interfaces se ressemblent différemment.

  Outils et fonctionnalités :

  Les deux disposent d’outils similaires (Terminal, Code Search, Web Search), mais Cursor possède des fonctionnalités de mémoire supplémentaires et une exploration de base, tandis que Claude Code dispose exclusivement d’Agents, d’un système de compétences et d’un Plan Mode. Crucial : Cursor contient des directives d’« esthétique frontend » codées en dur qui ordonnent au modèle d’utiliser des arrière-plans dégradés, des typographies personnalisées (Space Grotesk), des animations et des designs non standard – exactement ce que le créateur déteste.

  Le problème central :

  Cursor remplace les prompts définis par l’utilisateur par ses propres directives esthétiques, tandis que Claude Code est beaucoup moins directif et respecte réellement le prompt de l’utilisateur. De plus, chaque requête dans Cursor passe par un serveur avec traitement supplémentaire, réduction de prompt et optimisation des coûts, tandis que Claude Code fonctionne plus près du modèle brut (Claude/O+4.5) – moins de couches, moins d’obstruction.

  Contexte commercial :

  Le créateur note qu’Anthropic est mieux positionné que Cursor dans la « chaîne de valeur » (modèles propriétaires, Cloud Inference, matériel), ce qui pourrait être décisif pour la survie des deux fournisseurs à long terme – particulièrement face à la concurrence de Google.

  Outils explicites : Cursor, Claude Code, Anthropic ; Format : Deep-Dive/Avis.

• Je code 1 HEURE avec Claude Code devant toi (mes secrets devoilé)
  29.12.2025, 15:45:02

  Résumé : Je code 1 HEURE avec Claude Code devant toi

  Le créateur montre son flux de travail réel lors du développement avec Claude Code sur une heure complète. Il commence par plusieurs petits bugs et fonctionnalités dans son application d’email marketing :

  Mode de travail et commandes : Il utilise différentes commandes spécialisées comme /debug pour la résolution de bugs, /one-shot pour les fonctionnalités simples rapides, /apex pour les tâches complexes avec planification et /brainstorm pour la recherche de solutions gourmande en ressources. Pour chaque tâche, il ouvre des sessions de terminal séparées, permettant à plusieurs agents de travailler en parallèle.

  Fonctionnalité principale – Snippets avec synchronisation : La tâche centrale est un système de snippet amélioré pour les modèles d’email. Le créateur souhaite que les snippets s’affichent dans un bloc visuel (et non directement en ligne), soient modifiables et se synchronisent dans tous les emails s’ils sont modifiés. Cela nécessite la mise en cache avec Upstash, l’optimisation des requêtes et une nouvelle extension Node.

  Processus itératif : Il utilise intensivement les captures d’écran pour donner du contexte à Claude. Si Claude malentendu quelque chose, il corrige avec de nouvelles images plutôt que du texte. Il donne intentionnellement des « mauvais » prompts, car Claude fonctionne mieux de cette façon. Pendant que Claude planifie et implémente, il teste en parallèle d’autres fonctionnalités corrigées.

  Détails techniques : Le créateur débogue les problèmes de mise en page responsive, les double barres de défilement, optimise les sorties d’outils à maximum cinq lignes, ajoute des noms d’affichage et des icônes pour les outils. Il dispose de 200 000 tokens de contexte et n’en utilise qu’environ 70 % – suffisant pour un développement continu.

  Mémoire et ajustement des règles : En cours de route, il ajoute de nouvelles règles système (par exemple, Claude ne doit pas effectuer de migrations), utilise la fonction /clone-memory et avertit Claude des conflits entre agents parallèles éditant le même code.

  Implémentation finale : Après une planification extensive, Claude génère le code, écrit les tests et crée une PR. Le créateur envoie des emails avec les nouveaux snippets – ils fonctionnent, y compris le remplacement de variables et l’archivage. Le travail complet se traduit par 116 fichiers modifiés, des tests et un examen complet par Claude lui-même.

  Enseignements clés : On peut exécuter plusieurs sessions Claude simultanément, les captures d’écran sont essentielles pour le retour, et les règles doivent être ajustées de manière évolutive, pas statiquement.

  Claude (le modèle n’est pas explicitement nommé, mais « Opus 4.5 » est mentionné) – Démonstration avec codage en direct sur une longue durée ; pour les développeurs expérimentés qui veulent voir Claude dans un flux de travail de production réel.

• Les DEVS JUNIORS doivent-ils encore apprendre à coder (ou juste à prompter ?)
  28.12.2025, 15:45:00

  Résumé : Les développeurs juniors doivent-ils encore apprendre à programmer ou juste à prompter ?

  La vidéo discute de l’impact de l’IA sur la formation des programmeurs, dans un contexte où les développeurs expérimentés abandonnent de plus en plus la création manuelle de code. Un senior avec 10 ans d’expérience, par exemple, n’écrit plus une seule ligne de code à la main – seules les requêtes SQL générées par l’IA apparaissent occasionnellement.

  Le dilemme central : Les juniors comprennent que l’IA écrit du code mieux et plus vite. Mais celui qui ne connaît pas les concepts de programmation fondamentaux (variables, fonctions, boucles, clean code) ne peut ni valider intelligemment la sortie de l’IA ni identifier les problèmes architecturaux profonds.

  Où les juniors peuvent toujours croître : L’orateur montre par son propre exemple que le rôle d’un senior est défini par la pensée produit, l’analyse des exigences et la review de code – pas par l’écriture elle-même. Les juniors peuvent apprendre de quatre manières concrètes : (1) Mentorat lors du grooming des exigences, (2) Tests manuels des fonctionnalités générées par l’IA, (3) Reviews de seniors commentant la sortie de code de l’IA, et (4) Lecture et compréhension du code généré par l’IA. L’orateur insiste : lire du code est extrêmement précieux pour apprendre.

  Croissance approfondie : Sur les vrais problèmes (par exemple, architecture de base de données en temps réel, gestion d’événements, implémentation Redis), on apprend par itération avec l’IA – l’expert et l’humain déboguent ensemble, les bugs apparaissent et sont corrigés. C’est aussi efficace que de tout coder soi-même.

  Conclusion de l’orateur : Il n’y a pas de problème dramatique. L’avenir de la formation des juniors est inconnu, mais pas sans espoir – il émergera une nouvelle façon d’apprendre, comme pour les autres sauts technologiques (mathématiques, automatisation). Les connaissances approfondies pourraient être perdues, mais une autre compétence émerge à la place.

  Claude est implicitement référencé par l’expérience de l’orateur avec les outils IA (Opus 4.5, auparavant Sonnet) ; aucune configuration d’outil spécifique nommée — Avis/Réflexion.

MoureDev by Brais Moure (2 nouvelles vidéos)

• Especial Fin de Año para Programadores | Tendencias, IA y el Futuro del Desarrollo en 2026
  31.12.2025, 17:40:09

  Spécial fin d’année pour programmeurs | Tendances, IA et l’avenir du développement 2026

  Le streamer réfléchit sur son parcours professionnel et donne un aperçu de sa réorientation prévue pour 2026. Après avoir basculé complètement vers la création de contenu en 2024/2025 (grâce à Mour de Pro et un master en développement avec l’IA), il explique qu’en 2026, il abandonnera les live-streams fréquents pour se concentrer sur du contenu YouTube de haute qualité et une newsletter hebdomadaire avec des contenus réflexifs. Ses priorités pour la nouvelle année sont : retour à YouTube comme plateforme principale, focus sur les fondamentaux plutôt que l’apprentissage superficiel, et un passage conscient de la quantité à la qualité.

  Un thème central du stream est le rôle changeant de l’IA dans la programmation en 2026. Le streamer souligne que les bons fondamentaux deviennent encore plus importants, pas moins – la « barrière d’entrée basse » (programmation copier-coller) disparaît, mais est remplacée par des exigences plus élevées en matière de compréhension solide des concepts. Il critique le narratif selon lequel l’IA détruirait massivement les emplois : historiquement, chaque nouvel outil de développement (WordPress, No-Code) n’a pas conduit à moins de logiciels, mais à plus. Au lieu de cela, les profils de compétences évoluent – même les développeurs seniors doivent s’adapter, pas seulement les débutants.

  Sur le plan personnel, il mentionne qu’il a dû consacrer du temps aux soins familiaux en 2024/2025 (décès de grands-parents), ce qui a réduit sa charge de travail. Maintenant que sa situation personnelle est plus stable, il peut à nouveau voyager et entreprendre des projets plus ambitieux. Pour finir, il répond à des questions sur la science des données en Espagne (même potentiel de croissance qu’ailleurs), le choix des études informatiques (généralement seulement Ingeniería Informática en Espagne) et la question de quand utiliser l’IA durant les études (plutôt comme outil pédagogique en mettant l’accent sur les méthodes que comme raccourci pour générer du code).

  Le streamer a travaillé dans une consultora problématique en début de carrière, mais souligne que de telles entreprises présentent aussi des avantages (diversité des projets, premières opportunités, compréhension profonde des processus industriels).

  Ce stream (YouTube/Twitch, sans transcript du type « résumé avec détails manquants ») était un format mixte associant réflexion, Q&A et bilan personnel – typique des événements de fin d’année.

• El roadmap real para ser programador en 2026
  29.12.2025, 15:00:41

  Feuille de route pour la programmation 2026 – Thèses centrales et 10 conseils

  L’auteur – un ingénieur logiciel avec 15 ans d’expérience – met en garde : en 2026, ce ne sont pas les programmeurs eux-mêmes qui disparaîtront, mais ceux qui ne comprennent vraiment pas leur code et qui dépendent aveuglément de l’IA. Ceux qui ne font que du copier-coller avec ChatGPT sans vue d’ensemble ne trouveront pas d’emploi dans un avenir proche.

  Les points clés :

  1. Éviter la confusion entre utilisation de l’IA et programmation : Écrire du code qui « ne casse rien » n’est pas programmer. La vrai programmation signifie comprendre pourquoi ce code existe, quels problèmes il résout et quelles conséquences il a.

  2. Les fondamentaux ne sont pas négociables : La logique, les structures de données, le flux de contrôle et l’exécution de programmes sont pertinents toute la vie. Sans eux, on ne peut pas juger si une solution générée par l’IA est bonne ou mauvaise. L’IA peut donner des réponses – seul celui qui a les fondamentaux sait si elles sont correctes.

  3. Utiliser l’IA correctement – méthode socratique : Ne pas utiliser l’IA comme raccourci, mais comme un professeur patient. Au lieu de « donne-moi le code », plutôt « pourquoi ma logique échoue-t-elle ici ? » ou « critique mon code comme un senior ». L’IA pour le « pourquoi », pas seulement le « comment ».

  4. Programmer aussi sans l’IA : Intégrer régulièrement des pauses forcées de l’IA. Sans cette résistance mentale, on ne développe pas une vraie compréhension – l’effort est une partie essentielle de l’apprentissage.

  5. Entraîner la lecture et le débogage de code : La plupart du temps d’un bon programmeur se passe à lire, comprendre et déboguer – pas à écrire. Un junior qui trouve et corrige des erreurs vaut mieux qu’un qui tape juste du code. Comprendre les logs et le débogueur est essentiel.

  6. S’entraîner à la relecture de code : Parcourir le code généré par l’IA ligne par ligne et vérifier les failles de sécurité, les redondances et les erreurs logiques. Celui qui ne peut pas le faire ne devrait pas déployer ce code.

  7. Ne pas tomber dans le « piège des tutoriels » : Regarder des cours sans fin ne sert à rien. Les petits projets (1–2 jours) avec de vrais bugs et du refactoring enseignent beaucoup plus. Échouer rapidement est un avantage.

  8. Portfolio : qualité plutôt que projets standards : Les calculatrices ou les listes de tâches n’impressionnent plus personne (l’IA le fait en 30 secondes). À la place, montrer des projets personnels et uniques qui combinent plusieurs technologies – c’est le travail moderne.

  9. Modèle T : large connaissance + spécialisation profonde : Pas de fullstack superficiel et étendu. Choisir une spécialisation (développement web, applications mobiles, ingénierie des données, DevOps, cybersécurité, etc.) et devenir profond et compétent dans ce domaine. La technologie concrète est secondaire – résoudre des problèmes est primaire. La flexibilité pour apprendre de nouveaux outils est la plus grande compétence.

  10. Prendre des décisions, ne pas seulement écrire : On ne gagne vraiment de l’argent pas en tapant, mais en pensant – en justifiant pourquoi cette solution et non une autre, ce qui se passe en production. Les soft skills (communiquer des idées complexes aux non-techniciens, négociation, leadership) sont un superpouvoir.

  Points supplémentaires : La capacité de concentration (s’entraîner 90 minutes sans téléphone) est vitale, car la vraie résolution de problèmes exige de la profondeur mentale. L’anglais est un grand avantage pour la documentation et les opportunités d’emploi. La comparaison avec les autres détruit ; avancer lentement dans la bonne direction vaut mieux que vite dans la mauvaise. La réalité 2026 : le niveau minimum augmentera, car la marge pour les programmeurs superficiels diminuera – mais ceux qui s’adaptent peuvent se démarquer de la masse.

  Sur les outils mentionnés : Chat GPT a été cité plusieurs fois comme exemple (en partie de façon critique) ; sinon, la présentation s’est concentrée sur l’utilisation générique de l’IA et les méthodes d’apprentissage, sans plateforme spécifique. — Format : opinion/réflexion avec des conseils d’apprentissage concrets.

n8n (1 nouvelle vidéo)

• ‘What n8n means for Enterprise’ – n8n Business Lab (November 2025)
  29.12.2025, 19:02:48

  Résumé : What n8n means for Enterprise

  Nick, responsable produit chez n8n, esquisse le rôle de n8n dans la transformation IA en entreprise. Il distingue trois phases de l’adoption de l’IA : expérimentale, prête pour la production et autonome – la plupart des organisations se trouvant actuellement dans la phase de production, où les 20% restants deviennent nettement plus difficiles, car l’IA n’est pas déterministe.

  n8n repose sur l’idée de combiner trois éléments : les personnes, le code et l’IA. L’outil se positionne comme une couche d’orchestration IA avec une représentation visuelle qui permet aux équipes techniques et métier de collaborer. n8n est agnostique du point de vue des modèles (pas de lock-in), prêt à la production dès la conception et offre une large intégration. L’entreprise figure parmi les 50 meilleurs projets GitHub, environ 25% des entreprises du Fortune 500 utilisent n8n.

  Les fonctionnalités Enterprise incluent des environnements distincts (développement/production), SSO/LDAP, gestion externe des credentials et accès au code. La plateforme offre une flexibilité grâce aux blocs de code intégrés (JavaScript, Python) à chaque étape et au node HTTP Request pour toute connexion API.

  Développements actuels : permissions granulaires avec rôles personnalisés et provisioning automatique, meilleure isolation des projets pour les unités métier distinctes, Dynamic Credentials pour que les utilisateurs de workflows ne travaillent pas avec les credentials des builders, Human-in-the-Loop en tant que fonctionnalité de première classe (par exemple, révisions avant les actions critiques), amélioration du générateur de workflows IA pour la création de workflows en anglais, ainsi qu’un « Chat Hub » interne – un chat interne en entreprise similaire à ChatGPT mais agnostique du modèle et axé sur les n8n Agents.

  n8n; Demo/Business-Presentation

Nate Herk | AI Automation

Aucune nouvelle vidéo durant cette période.

NeuralNine (2 nouvelles vidéos)

• Linear Regression From Scratch in Python (Mathematical, Closed-Form)
  2.1.2026, 17:01:16

  Linear Regression From Scratch in Python (Closed-Form Solution)

  La vidéo montre la dérivation mathématique et l’implémentation en Python de la régression linéaire avec solution fermée (Closed-Form), sans Gradient Descent.

  Fondamentaux mathématiques :

  La régression linéaire cherche à trouver une ligne (ou hyperplan en dimensions supérieures) qui décrit les données de manière optimale. L’objectif est de minimiser la Residual Sum of Squares (RSS) — la somme des distances au carré entre les valeurs réelles et prédites. Au lieu d’optimiser itérativement par Gradient Descent, la solution optimale est calculée directement par une formule : en dérivant la fonction RSS par rapport aux coefficients et en annulant la dérivée, on obtient la forme fermée : β̂ = (X^T X)^(-1) X^T y, où β̂ sont les paramètres optimaux.

  Implémentation en Python :

  La classe LinearRegressionClosed suit la structure de Scikit-Learn avec les méthodes fit() et predict(). Dans le processus d’ajustement, un vecteur de uns est ajouté en préfixe (pour le terme d’interception), puis la formule est appliquée directement : np.linalg.inv(xb.T @ xb) @ xb.T @ y. L’interception est extraite comme premier élément du vecteur résultant, les valeurs restantes sont les coefficients. Dans la méthode predict(), les paramètres appris sont simplement appliqués aux nouvelles données.

  Validation :

  La méthode est testée avec le California Housing Dataset et fournit le même score R² que l’implémentation LinearRegression de Scikit-Learn, confirmant le fonctionnement correct. La méthode fonctionne aussi pour plusieurs dimensions/caractéristiques grâce à la notation matricielle.

  Conclusion : Tutoriel sur la régression linéaire sans outils IA externes (NumPy uniquement) ; mathématiquement approfondi pour les débutants ayant des connaissances de base en calcul.

• Create PDFs with Pure Python – Perfect For Document Automation
  29.12.2025, 17:00:03

  Création de PDF avec Python et ReportLab

  La vidéo montre comment créer des documents PDF de manière programmatique avec le package Python ReportLab — particulièrement utile pour les applications d’automatisation comme les factures ou les rapports de ventes.

  Installation et bases :

  ReportLab s’installe via pip install reportlab ou via un gestionnaire de paquets comme UV. L’exemple le plus simple dessine du texte sur une page vierge : on importe canvas depuis reportlab.pdfgen, on crée un objet Canvas avec un nom de fichier, on utilise draw_string() avec des coordonnées X et Y pour la position du texte et on sauvegarde le fichier avec save().

  Exemple de rapport de ventes :

  Dans le second exemple plus complexe, on combine plusieurs composants ReportLab : on définit le document avec SimpleDocTemplate (format A4), on crée un titre comme Paragraph avec un style prédéfini, on structure les données de ventes dans un tableau (Table) avec stylisation (grille, en-tête en gras), et on visualise les données dans un VerticalBarChart. Le graphique reçoit les noms de catégories (Q1–Q4), une plage de valeurs avec min/max et un pas. Tous les éléments sont ajoutés au document avec build().

  Exemple de facture :

  Comme troisième exemple, le créateur montre une facture automatisée avec logo, plusieurs paragraphes, texte XPreformatted (préserve les sauts de ligne), et plusieurs tableaux pour les articles et les calculs. L’exemple de code n’est pas entièrement codé, mais vise à fournir l’inspiration pour des projets d’automatisation extensifs.

  Le créateur renvoie au dépôt GitHub complet et à son service de tutoring.

  Format : Tutoriel ; Outils explicites : ReportLab (package Python), UV (gestionnaire de paquets) — aucun modèle IA/outil IA.

Nic Conley (1 nouvelle vidéo)

• Claude Code Skills for Complete Beginners
  29.12.2025, 15:17:09

  Claude Code Skills pour débutants – Résumé

  La vidéo traite les Claude Skills comme des extensions spécialisées de l’agent Claude Code, permettant d’automatiser des flux de travail prédéfinis. Les Skills se distinguent du Claude Code général en fournissant des instructions ciblées et des processus pour des tâches spécifiques – comme la création de textes SEO, la génération de scripts YouTube ou le support client. Au lieu de réponses générales, une Skill guide l’utilisateur à travers un processus étape par étape optimisé.

  La partie démo montre deux applications concrètes : Un plugin auto-construit appelé « Local Media Tools » scrape les événements d’Instagram, Facebook et de sites web pour les collecter à l’intention des créateurs de newsletters locales. Parallèlement, une Skill de conception frontend démontre la création d’un site web dans le style Space Jam des années 90 pour un YouTuber IA – sans que l’utilisateur n’ait besoin d’écrire du code. Les Skills sont regroupées dans des plugins et installées via des marketplaces ; les Skills propres à Anthropic sont considérées comme fiables, tandis que les Skills tierces librement disponibles peuvent parfois être mal documentées ou contenir des erreurs.

  L’orateur soutient que les Claude Skills offrent un avantage par rapport aux workflows n8n, car elles permettent des interfaces plus intuitives et une flexibilité basée sur les agents – même pour les débutants sans bagage technique. Un modèle commercial émerge aussi en construisant des Skills spécialisées pour des entreprises individuelles ou en utilisant des Skills gratuites comme aimant à prospects pour des offres de plus grande valeur.

  Claude (Anthropic) et Claude Code étaient les thèmes centraux ; format : tutoriel/démo avec focus débutants.

Nick Saraev

Aucune nouvelle vidéo pendant cette période.

Niklas Steenfatt

Aucune nouvelle vidéo au cours de cette période.

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

Aucune nouvelle vidéo pendant cette période.

Productive Dude

Pas de nouvelles vidéos pendant cette période.

Sebastien Dubois

Aucune nouvelle vidéo durant cette période.

Simone Rizzo (2 nouvelles vidéos)

• DeepSeek l’ha fatto di nuovo..
  3.1.2026, 16:22:10

  DeepSeek et la révolution de l’architecture Transformer

  DeepSeek a publié le 31 décembre 2025 un article révolutionnaire intitulé « Manifold Constraint Hyper Connections », qui résout un problème fondamental de l’architecture Transformer depuis 2017 : l’instabilité dans les réseaux de neurones très profonds.

  Le problème central réside dans le phénomène appelé Gradient Vanishing : dans les réseaux profonds, les gradients – les signaux qui se propagent en arrière à travers les couches du réseau pour mettre à jour les paramètres – deviennent si petits qu’ils n’ont plus d’effet. Depuis 2017, on utilise des Residual Connections (connexions de saut) pour l’éviter. Elles fonctionnent comme des voies uniques qui dirigent le signal d’entrée autour de couches entières. DeepSeek étend ce concept aux Hyper Connections – des « autoroutes » multi-voies pour le flux de gradient.

  Le problème : les Hyper Connections étaient jusqu’à présent complètement instables et causaient une Gradient Explosion – le gradient devient si grand que le modèle « désapprend ». La solution de DeepSeek : ils appliquent un algorithme mathématique de 1967 (Sinkhorn-Knopp) qui force les Hyper Connections à se conformer à une structure mathématique (polytope de Birkhoff) garantissant les matrices doublement stochastiques. Le résultat est une « autoroute multi-voies » mathématiquement parfaite et stable pour les gradients.

  Dans les tests avec un modèle de 27 milliards de paramètres, la nouvelle approche montre un entraînement nettement plus stable et des gains de performance massifs : +8,2% sur BBH, +6,9% sur Drop, +7% sur GSM8K et d’autres améliorations – tout cela avec un nombre de paramètres et une quantité de données identiques, uniquement grâce à une meilleure qualité de signal. La mise en œuvre pratique nécessite des coûts de calcul plus élevés (+6% de surcharge), que DeepSeek compense par des noyaux GPU optimisés et une nouvelle approche de planification (Dual Pipe Schedule).

  Selon l’annonce, il s’agit d’une percée qui affecte non seulement les Transformers, mais tous les réseaux de neurones modernes, car les Residual Connections sont utilisées partout – de la vision par ordinateur à la génération d’images.

  Deep-Dive sur l’architecture Manifold Hyper Connection, fournisseur : DeepSeek (Chine), optimisation de modèles IA, article scientifique.

• Come controllare un LLM senza ADDESTRAMENTO (una tecnica che pochi conoscono)
  29.12.2025, 19:34:38

  Résumé : Steering des grands modèles de langage

  La vidéo présente une technique pour contrôler le comportement des LLM sans réentraînement complet – le soi-disant Steering, inspiré du concept neuroscientifique de neurostimulation.

  Principe de fonctionnement

  Entre les couches d’un LLM, il existe des vecteurs d’état caché ou des espaces d’activation – des vecteurs multidimensionnels (plus de 1000 dimensions) qui représentent la « pensée interne » du modèle entre deux couches. Ces vecteurs ont des propriétés géométriques et peuvent être manipulés algébriquement comme des word embeddings. Le steering fonctionne en ajoutant un vecteur de steering à ces activations internes : X_next = X + (α × V), où V est un vecteur conceptuel et α un coefficient d’intensité. Cela permet d’influencer le comportement du modèle « à la volée » – par exemple, Llama 3 a été manipulé de sorte qu’il se présente comme la Tour Eiffel.

  Mise en œuvre pratique

  La mise en œuvre du code est simple : charger le modèle, définir une fonction de hook de steering qui injecte le vecteur de steering à certaines couches, et enregistrer ce hook dans le passage avant. Le reste de l’inférence reste inchangé – seules les sorties diffèrent.

  Identification des vecteurs

  Il y a deux façons de trouver des vecteurs de steering :

  1. Méthode de paires de textes : on fournit au modèle des paires de textes avec des perspectives différentes sur le même concept (par exemple, « monuments célèbres en Europe » – une fois la Tour Eiffel, une fois le Colosseum) et on calcule la différence des vecteurs d’activation moyens entre les deux groupes.
  1. Autoencodeurs peu denses : des réseaux de neurones spécialisés qui déchiffrent les motifs d’activation neuronale. Ils sont disponibles pour chaque couche (par exemple sur Neuron Pedia ou via Gemma Scope de Google) et montrent quelles caractéristiques spécifiques sont activées pour certaines entrées.

  Applications pratiques

  • Contrôle de la personnalité (contrôle du sentiment)
  • Modification du style d’écriture (par exemple, écrire comme Shakespeare)
  • Topic Steering (orienter le modèle vers des thèmes spécifiques)
  • Amélioration des compétences (par exemple, améliorer le codage en Python)

  Paramètres importants

  • Choix de la couche : les couches intermédiaires sont optimales (par exemple, la couche 15 chez Llama 3.1 avec 32 couches), car elles contiennent des embeddings conceptuels. Les couches précoces réagissent aux mots-clés d’entrée, les couches tardives à la génération de tokens de sortie.
  • Coefficient Alpha (α) : régule l’intensité. Les valeurs trop élevées causent une « surstimulation » du modèle (à partir de ~11, il devient instable).
  • Compatibilité architecturale : doit être prise en charge par le modèle spécifique.

  Limitations

  La technique est sensible – trouver le bon vecteur est difficile, et des vecteurs de steering mal calibrés peuvent rendre le modèle inutilisable. Néanmoins, elle permet un contrôle efficace du comportement sans données, ressources ni réentraînement.

  Deep-Dive sur le Steering avec Llama, modèles open-source et autoencodeurs peu denses (Neuron Pedia, Gemma Scope, Hugging Face) – avis/réflexion avec forte composante technique.

Tech With Tim (1 nouvelle vidéo)

• FastAPI + React B2B SaaS Full Project Build – Orgs, Users, Billing, Roles & More…
  31.12.2025, 11:23:52

  Cette vidéo est un tutoriel complet sur la construction d’une application B2B SaaS complète avec FastAPI (backend), React (frontend) et Clerk (pour l’authentification, les organisations et la facturation).

  Structure du projet et configuration :

  La démo montre une application de tableau de tâches basée sur les équipes, similaire à Notion, avec des organisations, plusieurs membres, un accès basé sur les rôles et des niveaux d’abonnement (gratuit jusqu’à 2 membres, Pro pour les membres illimités à 1 $/mois). L’application utilise FastAPI avec SQLAlchemy (base de données SQLite), React avec Vite, et Clerk pour toutes les fonctions d’authentification et d’organisation.

  Architecture du backend :

  La construction est modulaire dans les dossiers : api/ (routes API comme tasks.py, webhooks.py), core/ (config.py, database.py, clerk.py, auth.py), models/ (modèles de base de données task.py), schemas/ (validation Pydantic task.py). La structure de la base de données définit les tâches avec ID, titre, description, statut (pending/started/completed), ID d’organisation, créateur et horodatages.

  Authentification et autorisation :

  Le fichier auth.py traite la validation des jetons JWT par rapport à Clerk, extrait l’ID utilisateur, l’ID d’organisation et les permissions des réclamations. Quatre rôles ont été configurés dans Clerk avec les permissions correspondantes (view/create/edit/delete dans la fonctionnalité tasks) : Admin a tous, Editor a tous, Member a seulement view. Les fonctions d’injection de dépendances (require_view, require_create, require_edit, require_delete) contrôlent l’accès aux points de terminaison API.

  Configuration de Clerk :

  Les organisations sont activées avec une limite de 2 membres pour le niveau gratuit, les rôles et permissions sont définis, la facturation organisationnelle est activée avec des tiers gratuits et Pro. Les clés API de Clerk sont stockées dans .env (publishable_key, secret_key, jwks_url, webhook_secret).

  Points de terminaison API (tasks.py) :

  GET /api/tasks énumère toutes les tâches de l’organisation actuelle (nécessite la permission view), POST /api/tasks crée une tâche (nécessite create), GET /api/tasks/{task_id} récupère une tâche unique (nécessite view), PUT /api/tasks/{task_id} met à jour la tâche (nécessite la permission edit). Chaque point de terminaison vérifie que les tâches appartiennent à l’organisation de l’utilisateur.

  La vidéo est un tutoriel approfondi et intensif en code — pas du matériel pour débutants, car les frameworks ne sont pas expliqués à partir de zéro, mais l’accent est mis sur l’assemblage de systèmes complexes.

  Outils explicitement mentionnés : FastAPI, React, Clerk, SQLAlchemy, Pydantic, PyCharm, UV (gestionnaire de paquets), SQLite, Vite, JWT (pyjwt), SVIX (pour les webhooks) — Tutoriel, pour les développeurs avancés ayant des connaissances en frameworks.

TheAIGRID (5 nouvelles vidéos)

• The Growing AI Backlash Nobody Wants to Talk About.
  3.1.2026, 20:00:08

  Le contrecoup croissant de l’IA que personne ne veut aborder

  Le présentateur documente un point de basculement atteint avec un mouvement de résistance contre l’IA qui va bien au-delà du simple mécontentement : il existe une « haine viscérale » envers les systèmes d’IA actuels au sein du public.

  Le mouvement de résistance a plusieurs moteurs centraux : (1) Intégration forcée : L’IA est intégrée partout dans les produits comme Windows Copilot, sans que les utilisateurs le souhaitent. (2) Pertes d’emploi : Des leaders comme le PDG de Khan Academy avertissent des effets de déplacement massifs dans des secteurs comme le transport, la logistique, la gestion d’entrepôts et même le développement logiciel – sans mécanismes de compensation visibles. (3) Exploitation artistique : Les modèles d’IA ont été entraînés sur des œuvres d’art sans compenser les artistes, menaçant leurs carrières.

  Le présentateur montre des discussions Twitter où la thèse optimiste de Mark Cuban sur la liberté créative grâce à l’IA est largement surpassée par les réactions négatives (7 000+ likes contre ~2 000). Les critiques reprochent au récit de Cuban d’être déconnecté de la réalité – ils ne voient pas l’IA comme un outil, mais comme une « automatisation sans âme » qui détruit le cœur de la création créative.

  Les tendances radicales dans les réactions sont préoccupantes : le présentateur documente un tweet viral avec des implications violentes envers les leaders de l’IA, qui a reçu un soutien significatif. Un tweet avec ~200 000 likes déclare catégoriquement que les utilisateurs d’IA générative sont moralement inférieurs.

  Conséquences politiques et sociétales : Les sondages (Pew Research) montrent que 53 % des Américains pensent que l’IA détériore la pensée créative ; 50 % disent qu’elle détruit les relations significatives. Les sénateurs républicains rapportent qu’ils évitent le mot « IA » pour ne pas perdre de popularité. Exemples concrets du découplage : la nouvelle fonction de modification d’image de Twitter par IA aggrave la tension – techniquement possible, mais socialement inutile et dommageable pour les artistes.

  Le présentateur souligne que l’industrie a besoin d’une « meilleure histoire » – une vision montrant des avantages économiques réels pour les gens ordinaires, pas seulement des pertes d’emploi et des profits pour les milliardaires. Sans changement de cap rapide, la polarisation entre les partisans de l’IA et le public affecté continuera à croître en 2026.

  Opinion/Réflexion ; aucun fournisseur ou modèle spécifique mentionné à l’exception de ChatGPT et des catégories générales comme l’IA générative, les LLMs et les générateurs d’images IA.

• How To Identify AI Images – How To Spot AI Images 2026
  2.1.2026, 19:00:38

  Comment identifier les images générées par l’IA (2026)

  Le guide couvre six méthodes pour détecter les images générées par IA, classées de la plus efficace aux techniques manuelles :

  1. Synth ID (meilleure méthode pour les images photorréalistes) : La technologie de Google DeepMind appose des filigranes invisibles sur les images générées par IA, détectables même après recadrage, filtres ou compression. Accès via Google Gemini (gratuit), activer le paramètre, puis télécharger l’image et demander à Gemini si elle a été créée avec l’IA. L’outil identifie les images de manière fiable, même si elles sont recadrées ou capturées à l’écran.

  2. Content Credentials : Outil disponible gratuitement qui affiche les métadonnées des images et révèle leur origine. Fonctionne très bien avec les images téléchargées contenant des métadonnées (affiche par ex. « généré avec OpenAI »), mais ne fonctionne pas bien avec les captures d’écran.

  3. Hive AI : Outil de modération basé sur une API qui attribue aux images un score de génération par IA de 0 à 1. Efficace avec les images complètes, mais montre des faux positifs avec les images fortement recadrées ou floues.

  4. Recherche d’images inversée : La recherche d’images Google peut rapidement montrer si une image existe déjà sur le web. L’absence de résultats de recherche indique souvent une génération par IA.

  5. Texte ou objets flous ou sans sens : Au grossissement, les images générées par IA montrent des artefacts au niveau microscopique – le texte devient illisible, les objets disparaissent ou fusionnent de manière erronée.

  6. Structure de la peau et des surfaces : Les images générées par IA ont souvent une peau anormalement lisse et impeccable sans les petites imperfections des vraies photos – trop retouchées.

  Synth ID reste la solution la plus fiable, particulièrement avec les images recadrées ou modifiées. Les autres outils ont des faiblesses avec les captures d’écran ou les résolutions plus basses, c’est pourquoi la vérification manuelle des détails aide en cas de doute.

  Outils mentionnés : Google DeepMind Synth ID, Google Gemini, Content Credentials, Hive AI, Google Image Search, OpenAI DALL-E / ChatGPT — Opinion/Réflexion avec conseils pratiques.

• This Test Was Built to Block AI — GPT-5 Finally Passed It
  1.1.2026, 20:00:43

  GPT-5 a atteint pour la première fois un niveau humain sur le benchmark ARC-AGI-2 — un test pour la pensée abstraite, la reconnaissance de motifs et la logique compositionnelle plutôt que la mémorisation. Tandis que les humains atteignent en moyenne 60%, une version de GPT-5 a obtenu environ 75–76%. Cependant, ceci n’a pas été réalisé par un modèle plus grand, mais par ce qu’on appelle l’« Unhobbling » — le concept de surmonter les limitations de l’IA grâce à de meilleurs systèmes.

  Le concept d’Unhobbling vient d’un article de 2024 et décrit comment l’invite de chaîne de pensée ou d’autres échafaudages (outils, cadres, systèmes d’agents, invites) utilisent plus efficacement les modèles de base. Poetic utilise une couche gestionnaire au-dessus du modèle : cette couche de gestion décide quel modèle déployer, comment décomposer les problèmes en étapes, quand écrire du code et vérifie indépendamment les progrès — évitant ainsi les coûts de calcul inutiles. Le même principe s’est avéré chez d’autres modèles : Grok 4 Pro a augmenté de 56–57% à 72%, Gemini 3 Pro de moins de 30% progressivement à plus de 60%.

  Cependant, le créateur du benchmark ARC-AGI François Chollet souligne que des scores élevés ne signifient pas l’AGI. Les tests évaluent la « non-zéro fluidité de l’intelligence » — la vraie pensée sur les motifs inconnus plutôt que le simple appariement de motifs. ARC-AGI-3 (mars 2026) testera l’apprentissage interactif dans des environnements inconnus : les systèmes doivent explorer eux-mêmes les règles, définir des objectifs et planifier de façon autonome. Les systèmes d’IA actuels s’effondreraient sans cette structure de problème — l’écart entre l’appariement de motifs et la véritable intelligence avec agentivité reste ouvert.

  Modèles/Fournisseurs : GPT-5, Poetic, Grok 4, Gemini 3 ; Format : Opinion/Réflexion avec analyse technique.

• How A.I Changes In 2026 – Major Predictions
  31.12.2025, 03:56:08

  Résumé : How A.I Changes In 2026 – Major Predictions

  Le créateur liste huit prédictions principales pour l’IA en 2026 :

  1. Le contrecoup de l’IA atteint de nouveaux sommets : Le rejet sociétal de l’IA augmentera massivement. Les utilisateurs ordinaires n’en profitent pas, mais en souffrent avec des conséquences comme des prix de matériel plus élevés, des coûts énergétiques et la perte d’emploi sans avantages visibles. Des impacts politiques forts sont attendus – les politiciens pourraient critiquer l’IA pour sécuriser les votes des électeurs. La question se pose de savoir si le contrecoup freinera économiquement les investissements en IA par les entreprises (comme l’exemple échoué du spot de Noël McDonald’s utilisant l’IA).

  2. Le travail humain devient un bien de luxe : Le contenu des vraies personnes est perçu comme de meilleure qualité que les produits alternatifs générés par IA – ne pas utiliser l’IA devient un argument marketing (comme la campagne de Porsche). L’authenticité et la confiance gagnent en valeur.

  3. Renaissance des cols bleus : Avec la demande croissante de centres de données et l’automatisation réelle de l’IA, les artisans comme les électriciens, les plombiers et les ouvriers du bâtiment deviennent des talents recherchés, bien que l’IA affectera aussi ces emplois.

  4. Google domine le marché de l’IA : Le créateur passe 50% de son temps sur Gemini 3, 30% sur Claude, 20% sur d’autres outils. Google possède toutes les couches de la pile IA (ses propres puces, TPUs, des plates-formes comme Vertex AI, Notebook LM, l’intégration verticale complète), peut déployer l’IA moins cher et plus vite qu’OpenAI et dispose d’offres de produits supérieures (Nano, Veo3, World Models).

  5. L’apprentissage continu devient réalité : Les modèles seront réentraînables après leur lancement, sans oubli catastrophique – comme l’apprentissage humain. Google et d’autres y travaillent. Cela économise des millions en coûts de réentraînement.

  6. Agents IA pour le vrai travail : Après la saturation du marché des consommateurs, les entreprises se concentrent sur l’automatisation du travail intellectuel économiquement précieux. Le benchmark de valeur du PIB montre des sauts de performance massifs (GPT 5.2 avec Thinking s’améliore dans les feuilles de calcul, les présentations).

  7. Les World Models comme technologie clé : Google utilise les World Models (comme Genie 3) pour des mondes virtuels interactifs et cohérents avec mémoire. Cela rendra les modèles de raisonnement plus puissants et transférable en robotique.

  8. Moment ChatGPT pour la robotique : Les démonstrations autonomes de robotique dans des environnements réels pourraient devenir virales. Le créateur met en avant l’entreprise Physical Robotics (Pi 0, Pi 1.5) comme particulièrement prometteuse.

  Le thème central : 2026 sera marqué par la résistance sociétale à l’IA, tout en étant caractérisé par la supériorité technique de Google et l’automatisation pratique des vrais emplois.

  Modèles/Outils explicitement mentionnés : Claude, Gemini 3, Gemma, GPT 5.2, Grok 5, Genie 3 World Models, Veo3, Notebook LM, Physical Robotics — Opinion/Réflexion.

• A New Kind of AI Is Emerging And Its Better Than LLMS?
  29.12.2025, 01:45:01

  Résumé : VLJ – Une nouvelle approche IA au-delà des LLMs

  Le chef de l’IA de Meta a présenté un nouveau modèle appelé VLJ (Vision Language model on Joint embedding Predictive Architecture, JEPA), qui suit une approche fondamentalement différente des modèles génératifs traditionnels comme ChatGPT. La différence clé : VLJ est non-génératif et ne fonctionne pas par jetons, mais de manière prédictive dans l’espace sémantique. Tandis que les modèles génératifs doivent produire mot par mot (« laisse-moi expliquer pendant que je le découvre »), VLJ apprend directement les vecteurs de sens et n’a pas besoin du langage comme mécanisme de pensée ou de production – le langage n’est qu’un format de sortie optionnel.

  La différence pratique : Un simple modèle de vision examine chaque image isolément et génère des descriptions spontanées (par ex. « bouteille, bouteille, bouteille »), tandis que VLJ suit continuellement la signification temporelle, comprend les actions dans leur contexte et ne fait des prédictions que lorsqu’il y a suffisamment de preuves. Cela permet une compréhension stable plutôt que des devinettes réactives – particulièrement précieux pour la robotique et les agents.

  Efficacité : VLJ nécessite environ 1,6 milliards de paramètres et est ainsi nettement plus petit que les modèles concurrents, mais atteint de meilleurs résultats pour la compréhension vidéo et apprend plus rapidement – même sans fine-tuning. Yan LeCun insiste sur la thèse derrière cela : l’intelligence n’est pas équivalente au langage, mais à la compréhension du monde. Le point : les méthodes d’entraînement des LLMs ne fonctionnent pas assez bien dans le monde réel – c’est pourquoi nous avons des chatbots, mais pas de robot complètement autonome ou d’autonomie de niveau 5 réelle. VLJ l’aborde en capturant la dynamique physique au bon niveau d’abstraction.

  Les critiques existent : Certains commentaires Reddit pointent les détections d’actions erronées, mais l’accent ici porte sur la direction : un changement de paradigme de la pensée basée sur le langage à la pensée basée sur le sens.

  Meta et son directeur IA ont été mentionnés ; JEPA/VLJ comme nouvelle approche pour s’éloigner des LLMs est discuté comme une vidéo Opinion/Réflexion.

Theo – t3․gg (4 nouvelles vidéos)

• 2025: The year I stopped writing code
  2.1.2026, 19:33:50

  2025 : L’année où j’ai arrêté d’écrire du code – Résumé

  L’orateur réfléchit sur une année transformatrice pour le développement logiciel assisté par l’IA. La thèse centrale : 2025 marque un point d’inflexion où les développeurs codent de manière fondamentalement différente – non pas moins, mais plus de code est écrit, mais principalement par des modèles d’IA avec surveillance humaine.

  Développements clés en 2025 :

  Les modèles de raisonnement comme point d’inflexion : Au début de l’année, le raisonnement (modèles qui réfléchissent en interne avant de répondre) s’est imposé comme standard. DeepSeek R1 a montré que cela fonctionnait par apprentissage par renforcement avec des récompenses vérifiables – pas par de nouvelles données, mais par un fine-tuning intensif des modèles existants. Cela a permis des capacités d’agents véritables.

  Du battage médiatique des agents à une utilisation réelle : En 2024, les « agents » étaient un terme à la mode sans définition claire ou exemples fonctionnels. En 2025, ils se sont matérialisés – définis comme « des systèmes LM qui appellent des outils en boucle pour atteindre un objectif ». Les deux applications tueuses : les agents de codage et la recherche assistée par l’IA.

  Claude Code comme moment de vérité : Anthropic a lancé Claude Code en février 2025 (discrètement, sans article de blog dédié). C’est un agent de codage : écrit du code, l’exécute, inspecte les résultats, itère. Le responsable produit Boris a expliqué la stratégie : Claude Code n’a pas été conçu pour les modèles actuels, mais pour les modèles 6 mois dans le futur. Quand Sonnet 3.5 et Opus 4 sont sortis en mars, cela a soudainement fonctionné. Maintenant, ~80-90% de Claude Code est lui-même écrit par Claude Code.

  Les LLM conquièrent la ligne de commande : En plus des agents web (Claude Code pour le web, Codex Web d’OpenAI depuis mai, Gemini Jules), les outils CLI se sont propagés (Claude Codecs et autres). Les développeurs qui étaient autrefois rebutés par Bash utilisent maintenant la ligne de commande de manière productive, car l’IA maîtrise la syntaxe complexe.

  La complexité des tâches explose : Un repère critique : les tâches qui prennent 5 heures aux humains, les modèles (en particulier Opus) peuvent maintenant les réussir à 50%+ – par rapport à ~30 minutes à la mi-2024. La longueur des tâches double environ tous les 7 mois.

  Changement massif des SDK : Le SDK d’OpenAI a augmenté de 800K à 130 millions d’installations mensuelles (2023–2025). Mais le SDK d’Anthropic a explosé 1.547x – de presque zéro (avril 2023) à 30–31 millions d’installations. L’écart de 45x s’est réduit à 4.2x. Le SDK Vercel AI (npm uniquement, pas pip) atteint ~50% de la popularité d’Anthropic – impressionnant pour une bibliothèque dev B2B.

  OpenAI perd la tête : Gemini et d’autres modèles ont rattrapé massivement. Plusieurs laboratoires optent maintenant pour le raisonnement. OpenAI a déclaré en interne « Code Red ».

  Les modèles chinois dominent : DeepSeek V3 (fin 2024) était aussi proche de Sonnet 3.5, mais moins cher. En 2025, cela a changé – GLM 4.7, Deepseek 3.2, Minimax 2.1 et d’autres modèles chinois open-weight dominent les benchmarks. Le modèle open-weight non-chinois le plus classé (OpenAI GPT OSS 120B) se classe sixième.

  La productivité des programmeurs a augmenté de façon mesurable : La taille des PR (nombre moyen de lignes par pull request) a augmenté de 33% de mars à novembre. Lignes de code par développeur/mois : +76% (4 450 → 7 800). Équipes moyennes : +89% de rendement.

  Normalisation de la prise de risque : Les développeurs activent les drapeaux --dangerously-skip-approvals (Codeex l’appelle --yolo) pour exécuter des agents sans dialogues de confirmation. Cela économise du temps de retour, mais normalise les pratiques non sécurisées. Le chercheur en sécurité Johan Reberger a écrit sur la « Normalisation de la déviance dans l’IA » – les événements sans risque répétés mènent à des pratiques de risque acceptées (exemple historique : catastrophe de Challenger).

  L’ère de l’abonnement à 200 $/mois : OpenAI, Anthropic et Google offrent des niveaux à 200 $/mois avec un budget de jetons théoriquement illimité. L’orateur est abonné à cinq de ces abonnements (12 000 $/an) – une stratégie de marché de subvention (les utilisateurs power coûteux sont financés par les utilisateurs moyens + marge API). Pour les petits fournisseurs (comme T3 Chat), c’est existentiel car les fournisseurs de modèles les sous-cotent.

  Le vibe coding se normalise : Le terme a été inventé en février par Karpathy ; l’orateur a traversé un parcours de « plutôt amusant » → « c’est cool » → « ce code est un cauchemar » → une compréhension mature : on développe une intuition, quand on doit faire un code review et quand ne pas le faire. La majorité du code de l’orateur en 2025 était « vibe coded » (généré par IA, pas écrit à la main). Un projet de 12 000 lignes a été construit en 2 jours par Claude Code à partir de rien – zéro lignes de code humain. Il n’a pas ouvert d’éditeur.

  Les 110 outils de Simon Willison : Le célèbre développeur Simon Willison (créateur de Django) a publié 110 outils en 2025, la plupart en vibe-coded. Exemples : minuteur court pour des recettes spécifiques, une application pour vérifier si les photos montrent des oiseaux (avec transformers.js, modèle 150MB), générateur personnalisé Markdown, analyseur de confidentialité. Cela montre : il est maintenant facile de construire des outils utiles, donc bien plus de ces derniers sont créés, même si certains sont éphémères.

  Model Context Protocol (MCP) comme merveille d’un an : Anthropic a introduit MCP (novembre 2024) comme standard d’intégration d’outils. En 2025, l’adoption a explosé – mais seulement brièvement. Raison : les agents de codage qui peuvent exécuter des commandes shell sont plus universels que MCP. Le meilleur outil est simplement Bash. Anthropic a ensuite remplacé MCP par Skills (fichiers Markdown + scripts optionnels) – beaucoup plus simple.

  Coder sur le smartphone : Simon a écrit en 2025 pour la première fois plus de code sur le téléphone que sur l’ordinateur portable – grâce aux artefacts Claude, l’application ChatGPT, Claude Code pour le web, puis directement dans l’éditeur web de Github ou en attendant une PR. Depuis Opus 4.5, même le code pertinent en production est possible depuis le téléphone (p. ex. ports Django).

  Les suites de conformité comme MVP pour les nouvelles langues/protocoles : Quand l’IA voit un test, elle peut déboguer et itérer. Simon recommande à quiconque lancera une nouvelle langue/protocole en 2026 d’apporter une suite de tests indépendante du langage comme outil de base.

  La norme des 200 $/mois : L’orateur dépense maintenant 200 $/mois pour : Cursor, OpenAI (ChatGPT), Codeex (Cloud Code), Google (mais les données Google Drive sont la raison pour ne pas rétrograder) + 1 autre. L’équipe a des milliers de dollars par semaine de coûts d’inférence sous ce plafond.

  Autres tendances :

  • « Slop » a été le mot de l’année (Merriam Webster) – contenu de faible qualité généré massivement par l’IA.
  • Les centres de données impopulaires : 200+ groupes environnementaux demandent l’arrêt des nouveaux centres de données américains ; l’opinion publique s’est tournée contre la consommation d’énergie/eau.
  • La « trio mortel » : les modèles ont maintenant accès à la communication externe, aux données privées et au contenu non approuvé – risque de sécurité.
  • Les hallucinations comme faille de sécurité : les modèles inventent des noms de paquets, qui sont ensuite enregistrés malveillants (distribution de malware).
  • Context Rot : les modèles se détériorent quand le contexte devient trop long.

  Conclusion de l’orateur :

  La manière dont les développeurs codent s’est fondamentalement déplacée en 2025 – non pas loin du code, mais vers des projets plus grands, une itération plus rapide et l’IA comme auteur principal. L’orateur : « Je passe maintenant plus de temps à faire du code review sur GitHub qu’à écrire dans mon éditeur. Point. »

  Claude, DeepSeek, OpenAI/GPT, Anthropic, Google Gemini, ainsi que les modèles open-source et closed-source ; outils spécialisés : Claude Code, Codeex, Cursor, Codecs, Cloud Code for Web ; plongée profonde/réflexion sur une année entière.

• How I parsed billions of rows for every user in 2 seconds
  30.12.2025, 09:44:16

  Le développeur décrit comment il a optimisé la performance de « T3 Chat Rewind » – une fonction de bilan annuel pour des millions d’utilisateurs – passant de 3–20 minutes de temps d’exécution initial par utilisateur à moins de 2 secondes.

  Le problème : T3 Chat utilise Convex comme base de données d’application (non conçu pour l’analytique) et Post Hog pour l’analytique. La première version devait analyser des milliards de lignes et s’exécutait en 10 requêtes par utilisateur (utilisation du modèle, utilisation des fonctionnalités, statistiques de dates, percentiles d’utilisateurs, etc.), ce qui a entraîné ~75 secondes par utilisateur. De plus, Post Hog avait des limites de débit strictes (3 requêtes parallèles, 240 par minute, 2400 par heure), rapidement dépassées. Une file d’attente de 3000 s’est accumulée.

  Approches de solution :

  1. Vues matérialisées : Post Hog stocke les résultats de sous-requête pré-calculées (par exemple, « utilisation par utilisateur », « utilisation du modèle par utilisateur ») dans S3. Au lieu d’analyser des milliards de lignes, on interroge maintenant ces tables mises en cache – les requêtes ont rétrécis de douzaines de lignes à 2–3 lignes et s’exécutaient en moins d’une seconde par étape.
  1. Consolidation de requête : Fusionner 10 requêtes individuelles en Union All pour rester sous les limites de débit.
  1. Points de terminaison Post Hog (bêta) : Une nouvelle fonction qui expose les requêtes en tant que points de terminaison d’API avec mise en cache et sans limites de débit initiales – a permis un gain de performance supplémentaire.
  1. Optimisation extrême : Finalement, tout a été consolidé dans une seule action de requête avec deux étapes, qui prend maintenant 185 millisecondes à 2–3 secondes – selon que c’est en cache ou non.

  Résultat : La version en production s’exécute de manière stable en ~10 secondes (ce qui aurait suffi pour le lancement), les expériences finales atteignent 185ms–2s. Post Hog a généreusement aidé avec les augmentations de limite de débit et les fonctionnalités bêta ; le développeur a utilisé Claude pour les optimisations SQL.

  L’amélioration des performances n’était pas la fonctionnalité centrale (la conception était plus importante), mais nécessaire car la file d’attente des utilisateurs a explosé et a sollicité le système Post Hog.

  Plongée profonde dans l’optimisation de requête et les vues matérialisées avec Convex + Post Hog avec des exemples SQL concrets ; utilise Claude pour la génération de code. Format : plongée profonde.

• OpenAI: Trapped in 2nd place
  29.12.2025, 09:30:34

  OpenAI : Piégé à la deuxième place

  Le créateur soutient que bien qu’OpenAI publie régulièrement des modèles révolutionnaires, il est régulièrement surpassé par des concurrents (Deepseek, Google, Anthropic) dans des catégories individuelles. Pour le démontrer, il décompose l’utilisation de l’IA en plusieurs catégories et évalue les modèles leaders :

  Programmation : Opus 4.5 (Anthropic) est en tête, GPT-5.2 est plus lent et sujet aux erreurs dans les appels d’outils, Gemini 3 Pro ne convient pas au code.

  Expérience de chat : ChatGPT domine massivement sur l’interface utilisateur/expérience utilisateur. Sur la qualité pure du modèle, Gemini 2 est en tête, suivi de Sonnet ; selon le créateur, les modèles GPT produisent un « fouillis rempli d’émoticônes ». Pour cela, cependant, ChatGPT ne peut pas être abandonné en raison de son intégration d’application et de l’habitude des utilisateurs.

  Génération d’images : Nano Banana Pro (Google) est le nouveau leader – extrêmement rapide, meilleure intégration de texte, permet des applications comme la génération automatique de diaporamas. GPT Image 1.5 est 3–5x plus lent et a été supplanté.

  Analyse de documents : Gemini 3 Flash gère au mieux les énormes contextes et le traitement PDF ; GPT-5 Nano le suit de près.

  Appel d’outils d’agent : Opus 4.5 est en tête de manière fiable ; GPT-5.2 est plus intelligent mais sujet aux erreurs ; Gemini malformate fréquemment les appels d’outils.

  Utilisation du navigateur : Gemini 3 Pro légèrement en avant.

  La thèse centrale : OpenAI n’est pas « piégé à la deuxième place », mais stratégiquement indifférent. L’entreprise n’a pas besoin de mener partout – elle n’a besoin que de maintenir ChatGPT.com comme point d’entrée par défaut. 70% des revenus proviennent des abonnements ChatGPT, et tant que la plateforme est « assez bonne », les utilisateurs ne la quittent pas pour des avantages ponctuels d’autres modèles. Une baisse de 7% du trafic hebdomadaire a suffi pour la réaction « Code Red » ; cela montre que le trafic et les abonnements, non les benchmarks, pilotent l’entreprise. Google ne pourrait concurrencer que si Gemini devenait une meilleure application de chat – mais l’interface logicielle de Google est « misérable », c’est pourquoi même les clients Workspace préfèrent ChatGPT. OpenAI gagnera, même s’il reste deuxième dans certaines catégories.

  Outils/fournisseurs explicitement traités : OpenAI, Claude/Anthropic, Gemini/Google, Deepseek, Cursor, Grok/X, Midjourney, Codeex, Cloud Code, Droid, T3 Chat, WAN (Alibaba). — Format : Opinion/réflexion avec plongée profonde dans les comparaisons de catégories.

• It was a wild year for CSS
  28.12.2025, 09:33:38

  CSS en 2025 : Un bilan annuel chargé

  La vidéo décompose le récemment publié « CSS Wrapped 2025 » de Google – un aperçu des 22 nouvelles fonctionnalités CSS et interface utilisateur qui ont atterri sur la plateforme Web en 2025. Le créateur félicite le travail des développeurs Chrome, mais regrette aussi certains départs importants (Adam Argyle, Nicole Sullivan, Adi Osmani), dont la perte trouble la confiance dans la continuité.

  Fonctionnalités phares :

  Composants et interactions : Style

natif enfin possible ; Invoker Commands pour les dialogues et popovers sans JavaScript ; Light Dismiss pour les dialogues ; type hint Popover pour les infobulle, qui ne ferme pas les autres popovers.