Claude Computer Use, Dispatch & Skills: Anthropic prend la tête de la course aux agents (2026-03-29)

Anthropic prend l’avance : Computer Use, Dispatch et Skills font de Claude un véritable agent OS

Dimanche 29 mars 2026

Bonjour, ce digest hebdomadaire passe en revue les vidéos les plus importantes provenant d’environ 45 chaînes YouTube curées sur l’IA et le coding — avec substance, pas de superficialité. Un résumé complet par vidéo, plus un aperçu de la semaine sur les thèmes dominants. Lisez tranquillement — ou copiez un résumé dans le LLM de votre choix et approfondissez. Cliquez sur le lien sous chaque résumé pour regarder la vidéo originale.

Versions de modèles et benchmarks

Le moment de benchmark le plus significatif de la semaine a été ARC AGI 3 : les humains atteindront 100 %, les modèles actuels moins de 0,5 % — car les énigmes sont abstraites, interactives et sans indices linguistiques, et le scoring pénalise l’inefficacité au carré. AI Explained et Everlast AI expliquent pourquoi ARC AGI 1 et 2 ont été saturés par le gaming du chain-of-thought et comment la nouvelle conception l’évite. En arrière-plan se poursuit la course vers la prochaine génération frontier : Claude Mythos d’Anthropic (en interne également Capibara comme variante plus petite) a émergé dans une entrée CMS divulguée — décrit comme un saut offensif-défensif en cybersécurité qui force l’entreprise à adopter une stratégie de déploiement prudente avec des partenaires en cybersécurité. OpenAI travaille de son côté sur un modèle nommé Spud, pour lequel les capacités de Sora sont libérées. Google a publié Gemini 3.1 Flash Live avec speech-to-speech, latence inférieure, reconnaissance d’émotions directement à partir de l’audio et capacité de partage d’écran — Nate Herk en démontre l’intégration dans Voice Agents avec ClickUp et le calendrier. Le nouveau Composer 2 de Cursor a provoqué des controverses parce qu’il s’appuie secrètement sur Kimi K2.5 de Moonshot AI ; Theo analyse le problème de licence et les raisons structurelles qui poussent Cursor vers des alternatives bon marché par rapport aux modèles frontier coûteux.

IA locale et open-source

Alex Finn fournit l’introduction la plus complète aux modèles locaux de la semaine : après plus de 50 000 dollars d’investissement personnel, il décrit le modèle hybride utilisant des « muscles » locaux (Qwen 3.5 sur Mac Studio en tant que Charlie, écrit du code 24h/24) et un « cerveau » cloud (ChatGPT en tant que Ralph, orchestre). Modèles recommandés : Qwen 3.5 (meilleur rapport), Nvidia Neotron 3 (open-source, puissant) et Minimax 2.5 (rapide, léger). LM Studio en tant qu’app de chat gratuite, HuggingFace pour les téléchargements. Le point clé n’est pas l’économie de coûts, mais l’évolutivité 24h/24 et les nouveaux cas d’usage impossibles avec les modèles cloud (un agent Minimax scrape en permanence le web pour les opportunités commerciales et envoie les résultats via Telegram pour zéro dollar). NeuralNine montre le workflow complet de quantification avec Llama.cpp et Docker : réduction de Qwen 2.5 7B de 15 Go à 4,7 Go via quantification Q4_K_M, puis exécution via Ollama — pratiquable même sur un ancien ThinkPad. Tim Carambat explique la recherche TurboQuant de Google : six fois plus de tokens dans le même cache KV, pratiquement quatre fois moins de consommation de RAM — ce qui élève les fenêtres de contexte de 8 000 à 32 000 tokens sur du matériel grand public et rend possibles des classes entières de tâches (par ex. transcription de podcast de trois heures).

Claude Code et outils Anthropic

Outre Computer Use, Dispatch et Channels (voir couverture), la semaine a apporté plusieurs analyses approfondies sur l’utilisation pratique de Claude Code. Cole Medin a énuméré plus d’une douzaine de fonctionnalités plus récentes que presque personne n’utilise : Git Worktrees pour des branches de fonctionnalités parallèles, la commande /simplify contre l’over-engineering, /batch pour les refactorisations de sub-agents parallèles, /btw pour les questions annexes sans surcharge de contexte, /loop pour les prompts récurrents en session, support vocal via /voice, ainsi que le nouveau système de niveau /effort. AutoDream (aussi /dream) est la fonctionnalité Memory 2.0 de la semaine : un sub-agent consolide périodiquement tous les fichiers Memory Markdown, élimine les timestamps obsolètes et les doublons — WorldofAI et Nate Herk expliquent les quatre phases (Orientation, Gather Signal, Consolidation, Prune & Index). Mark Kashef plonge dans la structure du dossier .claude et explique pourquoi CloudMD devrait fonctionner comme un routeur épuré (environ 50 lignes) plutôt qu’une encyclopédie, comment les hooks établissent des blocages physiques (100 % de conformité) tandis que les prompts sont « best effort » (≈99 %), et pourquoi maximum 4–5 outils par agent réduisent le taux d’erreur. Sa vidéo de guide de certification pour le nouveau programme « Claude Certified Architect » d’Anthropic structure les cinq domaines d’examen : Agentic Architecture (27 %), Tool & MCP Integration (18 %), Claude Code Configuration (20 %), Prompt Engineering (18 %) et Context Management & Reliability (17 %). Matt Pocock a testé de manière constructive la commande /init révisée : elle est nettement meilleure qu’avant (interactive, propose des Skills et des Hooks, pas de gonflements massifs), mais semble encore trop complaisante face aux entrées utilisateur. Tim Carambat avertit explicitement Skills.md comme piège de tokens : les Skills individuels coûtent jusqu’à 6 000 tokens, et les plans GStack jusqu’à 21 000 — ce qui entraîne des coûts importants dans les sessions cumulatives, surtout une fois la subvention VC terminée.

Agents de codage (non-Claude)

OpenClaw a reçu cette semaine trois mises à jour de fonctionnalités indépendantes : intégration Clawhub (rechercher et installer des Skills en temps réel par CLI), une interface Mission Control pour la gestion des Skills avec des boutons d’analyse et de construction, ainsi que la commande slash /btw pour les questions légères sans coûts de contexte. Alex Finn montre cinq cas d’usage concrets — Daily Memory Tracker, Trending Content Alerts via les APIs X/Reddit/YouTube, Vibe Coding, une équipe R&D de cinq modèles d’IA parallèles (coûts : environ 40 cents pour quatre mémos) et un employé autonome toute la nuit par travail cron à 2 heures du matin. Julian Ivanov fournit le cours d’introduction le plus systématique à l’architecture d’OpenClaw : Soul.md, Identity.md, Agents.md, la boucle Agentic (Think-Observe-Act), le routage par passerelle sur 20+ canaux, les sessions en tant que threads de conversation parallèles, les subagents en tant que isolateurs de contexte temporaires et les coûts de Heartbeat. MoureDev explique la recommandation de sécurité de ne pas installer OpenClaw sur l’ordinateur principal, mais plutôt sur un Mac Mini dédié ou un VPS. Nate Herk démontre Paperclip en tant qu’outil d’orchestration open-source gratuit qui unifie plusieurs agents Claude Code avec une liste de tâches partagée, un système de ticketing et des limites budgétaires dans un tableau de contrôle — l’agent PDG embauche indépendamment un ingénieur, qui reçoit des tâches. La perspective la plus philosophique vient de Niklas Steenfatt, qui construit un tableau de bord terminal avec quatre panneaux pour regarder son instance OpenClaw Amadeus travailler — et découvre qu’Amadeus contourne un outil Codex non fonctionnel en générant indépendamment des processus de sub-agents.

Ingénierie logicielle et culture dev

Theo (t3.gg) s’engage sur la question de fond de l’avenir des issue trackers : Linear observe que 75 % de ses espaces de travail Enterprise utilisent des Coding Agents, le volume des Agents a augmenté d’un facteur cinq en trois mois et les Agents créent déjà 25 % des nouvelles issues. La thèse : si l’IA est suffisamment compétente pour jouer CEO, manager, designer, engineer et QA, la division du travail humain n’a plus de sens — la bonne approche serait Prototype-First (code en premier, puis planifier de manière informée), pas Spec-First. Jira et Atlassian ne font aucun pas dans cette direction, Linear est sur la bonne voie, mais pense encore trop en termes de catégories de rôles humains. Tim Carambat (AI Made Coding Worse) énumère cinq problèmes de qualité du coding assisté par IA : livraison confiante de faux sans détectabilité, perte de domain knowledge (après 200 prompts, on ne comprend plus sa propre architecture), optimisation pour les tests plutôt que pour la scalabilité, Dependency Debt (des milliers de lignes que personne ne comprend), et la boucle Just-Fix-It. Nate Jones abstrait les cinq règles classiques d’ingénierie logicielle du chercheur Nvidia Rob Pike sur les agents : pas d’optimisations spéculatives, mesurer avant de tuner, simplicité avant complexité — et montre que Factory.ai offre une analyse Agent-Readiness sur huit piliers techniques (Linting, Testing, Documentation, Dev-Environment, Code-Quality, Observability, Security, Governance).

OS IA personnelle et frameworks d’agents

Nate Jones décompose le terme agent cette semaine en quatre types de production clairement différents : Coding Harnesses (un seul LLM avec accès fichiers, humains comme managers), Dark Factories (spec en, logiciel dehors, humains seulement au début et à la fin), Auto Research (optimisation itérative de métriques comme le saut de performance de 53 % de Tobi Lütke chez Shopify) et Orchestration (rôles spécialisés pour une mise à l’échelle de milliers de tâches). Son argument central : mélanger ces quatre types est l’erreur d’architecture la plus courante. Cole Medin contraste les approches basées sur SDK (Claude Agent SDK, Codex SDK : rapides, simples, gestion de conversation automatique) avec les frameworks classiques (Langchain, N8N, Pantic AI : moins chers en production, indispensables avec plusieurs utilisateurs). Les conditions d’utilisation sont un obstacle sous-estimé : les SDK ne peuvent être utilisés que pour des utilisateurs uniques avec leur propre abonnement selon les conditions d’utilisation. Ben AI montre comment Obsidian en tant que vault Markdown local grandit avec Claude Cowork : le claude.md central navigue la structure entière de la vault, les Skills pointent vers des fichiers vault spécifiques plutôt que des fichiers de référence intégrés, et les mises à jour se propagent immédiatement à tous les Skills. Brian Casel démontre quatre workflows mobiles pour Claude Code — Quick Handoff, session cloud via GitHub, nouveau projet sur le téléphone et la configuration Power-User avec Termius plus Tailscale pour un accès local complet en déplacement. Melvynx critique les MCPs de manière fondamentale : ils injectent toutes les descriptions d’outils en permanence dans le contexte, même quand ces outils ne sont pas nécessaires — sa contre-proposition est les CLIs avec des Skills à la demande, qui se chargent uniquement quand nécessaire et fonctionnent plus de manière fiable et efficace en tokens via des pipelines bash standardisées.

Automatisation IA et workflows

n8n montre dans son livestream que MCP peut maintenant créer et éditer des workflows directement à partir de Claude Desktop — une démo en direct construit un workflow d’AI digest quotidien par prompt en langage naturel. Autres annonces n8n : CLI pour la gestion des workflows, OAuth en un clic pour ~30 intégrations (Cloud-only) et Agents en tant que citoyens de première classe plutôt que simplement des nodes. Firecrawl introduit avec son nouveau point de terminaison Interact le véritable contrôle de session de navigateur pour les agents (naviguer, cliquer, remplir des formulaires) ; les utilisateurs de n8n-Cloud reçoivent 100 000 crédits gratuits. Adam démontre un système n8n qui transforme les vidéos YouTube en trois Shorts : Gemini analyse la structure, Replicate génère du B-roll, Creator Mate rend à partir d’une bibliothèque de modèles — l’humain ne doit que filmer 45 secondes de lui-même, le reste fonctionne automatiquement. Kyle Balmer connecte l’automatisation SEO avec Claude : la Skill Claude-SEO gratuite de Rishi Daniel (GitHub) effectue des audits entièrement automatisés (SEO technique, scoring EEAT, Schema Markup, optimisation AI-Search) et peut traiter 20 pages par nuit avec Scheduled Tasks. Zubair Trabzada montre deux outils multi-agents pratiques : un outil d’audit GEO (5 sub-agents parallèles analysent AI Citability, Brand Authority, Technical, Content Quality et Schema ; output : PDF avec score GEO et valeurs de readiness spécifiques à la plateforme ChatGPT/Perplexity/Gemini) et un Contract-Analyzer avec 14 Skills et 5 sub-agents qui passent en revue les contrats freelance en 60 secondes pour les clauses risquées.

Création vidéo et contenu IA

L’arrêt de Sora a enterré l’investissement prévu par Disney d’un milliard de dollars — Kyle Balmer analyse que Google est le partenaire vidéo IA probable pour Disney, tandis qu’Apple malgré la possession de Pixar n’a pas de modèles pertinents. Le nouveau modèle Uni One de Luma AI ne fonctionne pas par diffusion, mais de manière autorégressive en tant que Transformer — pense d’abord la composition avant de générer, ce qui selon Everlast AI apporte une meilleure précision de pixels et moins de bruit, mais est plus faible que les concurrents pour le texte dans l’image. Seeance 2.0 est disponible globalement via l’API PI (wrapper non officiel) : nativement plusieurs angles de caméra, effets sonores/dialogue/synchronisation labiale/musique automatiques, Timeline Prompting comme meilleure pratique pour des résultats cinématographiques (cinq secondes en qualité rapide : environ 40 cents). Remotion, le framework React pour vidéo-en-tant-que-code avec plus de 150 000 installations, et Blender MCP (17 000 étoiles GitHub pour des scènes 3D en langage naturel) sont lus par Nate Jones comme faisant partie d’un changement plus large : la conception migre vers la ligne de commande, le triangle classique d’handoff designer-engineering est remplacé par des workflows parallèles, construisables par défaut.

IA-Business, marketing et freelancing

Le chiffre d’affaires en billions de dollars prévu par McKinsey grâce aux IA-Agents dépend selon Nate Jones d’une condition structurelle que presque tous ignorent : les catalogues de produits, les promesses d’expédition, les politiques de retour et toutes les données transactionnelles doivent être « lisibles et modifiables par l’agent » — non pas comme de la copie marketing, mais comme des schémas structurés avec des sources vérifiables. Quatre fausses conceptions courantes sont examinées : la découverte d’agents ne fonctionne pas comme le classement des moteurs de recherche (les agents évaluent les données structurées par rapport aux contraintes explicites), la complexité des produits n’est pas un obstacle mais un avantage, la confiance des clients commence par la délégation d’intention, et attendre selon l’orateur « signe ta propre condamnation à mort » (le nettoyage des données prend des mois). Nate Herk documente Cal AI : un jeune de 18 ans a construit un scanner de calories par photo (commencé mai 2024, un million de téléchargements en 3-4 mois, plus d’un million de dollars de revenu mensuel, vendu fin 2025 pour probablement plus de 100 millions de dollars) — les leçons : idéation basée sur un problème, marketing Creator-First (DMs à 20-30 créateurs, liberté créative, démo de produit des 15 premières secondes), et rétention via Habit-Features (Streaks, Health Score). Aujourd’hui, Cursor, Lovable, Claude Code et Replit permettent le même démarrage sans connaissances en programmation.

PKM et gestion des connaissances

Ben AI montre le système Obsidian-as-Second-Brain dans sa forme mature : la structure des fichiers (Context, Daily, Departments, Intelligence, Meetings, Projects, Resources, Skills, Tasks, Teams) sert de source de connaissance unifiée pour Claude Cowork, Claude Code et tout autre agent IA — tous accèdent au même dossier Markdown local. L’avantage clé à long terme : le contexte accumulé sur des semaines et des mois rend chaque agent exponentiellement meilleur ; qui démarre tard perd cet avantage de manière irréversible. Mark Kashef démontre une création de Skill basée sur les vidéos : enregistrement d’écran (5–30 minutes) → l’API Google Gemini Video Understanding extrait les connaissances tacites, les critères de décision et les nuances que les SOPs écrites manquent systématiquement → la Skill Creator Skill génère des Skills prêts pour la production avec des dialogues à choix multiples pour les points de décision. L’approche pour le Repurposing de contenu (transcription YouTube en publications LinkedIn et X) montre comment Gemini tire les préférences de style d’écriture personnelle de la vidéo et les intègre dans la Skill.

Prompting et littératie IA

Matt Pocock rend la question des hallucinations opérationnelle : les LLM hallucinent parce que l’entraînement comprime des données massives en un modèle plus petit (comme une compression d’image extrême) et les benchmarks récompensent les taux plutôt que l’incertitude. Conséquence pratique : utiliser les LLM uniquement avec des informations intrinsèques (données qu’on apporte soi-même à la conversation), forcer « Use your search tool » pour les questions extrinsèques, pour les décisions critiques examiner les documents source recherchés soi-même. Dave Ebbelaar déduit de son expérience de projet Rust (jamais appris la langue, pourtant entièrement mise en œuvre avec l’IA) cinq nouvelles compétences fondamentales : l’architecture système plutôt que la pensée au niveau des lignes, la compréhension Full-Stack pour diriger l’IA, le langage naturel comme nouveau langage de programmation (la reconnaissance vocale améliore la clarté), la simplification radicale après chaque cycle de construction (étape ignorée qui détermine la qualité du code) et les tests systématiques avec les vrais edge cases plutôt que des mocks optimistes. David Shapiro réfléchit à un problème plus subtil : la vitesse de l’IA vide les « puits » créatifs plus vite qu’ils se remplissent — quatre albums musicaux en quelques semaines avec Suno, puis un an et demi de silence jusqu’à ce que la vraie expérience de vie apporte de nouveaux impulses. La véritable satisfaction créative vient de la surprise externe, pas de la personnalisation par IA.

Industrie et stratégie IA

Nate Jones cartographie les paris stratégiques dans l’écosystème d’agents selon trois axes (Laufort, orchestration intelligente, interface) : OpenClaw maximise la souveraineté des données à risque de sécurité élevé, Perplexity Computer (200 $/mois) fournit la gouvernance avec le compromis Datentrust, Manus mise sur la distribution de l’écosystème Meta, Anthropic Dispatch adresse les moins techniquement avertis, Lovable est sous pression pour se transformer du Vibe-Coding-Tool en Agent-Builder généraliste. TheAIGRID analyse mathématiquement l’arrêt de Sora : environ 130 dollars de coûts compute par vidéo de 10 secondes, 11 millions de clips quotidiens au sommet — environ 15 millions de dollars de coûts compute quotidiens sans revenus notables. Parallèlement, ChatGPT a perdu sa part de marché mobile de 69 % à 45 %, tandis que Claude a grandi de 240 % par mois. Kyle Balmer met en regard les modèles commerciaux : Anthropic gagne avec 30-40 millions d’utilisateurs autant ou plus qu’OpenAI avec 900 millions — avec une marge nettement meilleure, car la revenue API et Enterprise dominent. Theo disséque la mécanique de subvention : les 5 000 dollars de compute d’Anthropic pour 200 dollars/mois avec Claude Code sont délibérément conçus pour écraser les concurrents et verrouiller les utilisateurs — un modèle qui prend fin une fois la phase de financement VC terminée. Adrian Locher (Merantix) voit les Foundation Models en route vers l’état de commodity comme le cloud computing et prédit l’avenir dans les modèles commerciaux verticalement intégrés et basés sur les résultats : Vara (dépistage du cancer du sein par IA, 50 %+ de tous les dépistages mensuels allemands), Cambrium (biomaterialaux avec Protein Transformer), Delta (systèmes de caméra pour les processus d’usine utilisés quotidiennement). Nemo Claw de Nvidia (couche Enterprise sur OpenClaw avec des guardrails de sécurité, contrôle des politiques et compute GPU local) est lu par Nate Jones comme le contre-modèle à la stratégie de déploiement dépendante du conseil d’OpenAI/Anthropic.

IA et société / Avenir du travail

La semaine a apporté deux analyses macro complémentaires sur le monde du travail. L’essai « Universal High Income » de David Shapiro argue que la part des salaires dans le revenu national a chuté de 65 % depuis les années 1970 à 56–58 % et que la prochaine vague d’automatisation nécessite trois sources de revenu : les transferts d’État (le Permanent Fund de l’Alaska comme modèle), le capital public (Sovereign Wealth Funds ; un fonds américain avec 3-5 % du PIB/an pourrait générer 58 billions de dollars en 30 ans) et le capital privé (ESOPs, Baby Bonds, coopératives). Le problème du temps est critique : les fonds prennent des décennies à mûrir, la vague d’automatisation arrive en 2030-2035. La contre-partie anthropologique-sociologique vient du canal Datapizza avec le rapport d’exposition d’Anthropic et l’analyse de Goldman Sachs : les programmeurs sont exposés à environ 75 %, les métiers manuels à peine — pourtant 100 milliards de dollars par trimestre d’investissements en IA ont pratiquement nul contribution au PIB en 2025 (paradoxe de la productivité ; cf. moteur électrique : 30 ans sans avantage mesurable jusqu’à la réorganisation des processus). Nate Jones décrit le marché du travail fragmenté en parallèle : 3,2 postes IA par candidat qualifié, 142 jours de durée de remplissage moyenne — recherchés : Specification Precision, Evaluation Judgment, Multi-Agent Decomposition et Context Architecture. La chaîne Le-SamourAI avertit du piège des fondateurs LinkedIn : 70 % de plus de titres de fondateurs cette année proviennent d’une fuite du marché des juniors qui s’effondre, pas d’une opportunité réelle — sans expertise de domaine et jugement, l’entrepreneuriat échoue, tandis qu’IBM et Shopify augmentent parallèlement leurs embauches de juniors par dix, mais pour des rôles AI-native avec quatre types de jugement (délégation, spécification, évaluation, organisation).

Brèves nouvelles

Google Stitch (générateur de conception d’interface utilisateur gratuit, 350 générations/mois, basé sur Gemini-3.1-Pro, intégration MCP pour Claude Code) est montré par Leon van Zyl et Nate Jones comme alternative Figma pour les workflows de conception en ligne de commande. GLM 5.1 de Zi atteint 45,3 % sur les benchmarks de codage contre 47,9 % pour Opus 4.6 — un modèle open-source ferme l’écart par rapport aux modèles frontier. Airavy (couche de récupération de contexte open-source avec 50+ connecteurs pour GitHub, Notion, Slack) est présentée comme alternative MCP pour les agents Antigravity. CLI 11 Labs est maintenant Agent-First : les Voice Agents sont créés par ligne de commande plutôt que dans les interfaces, ce que les agents de codage peuvent créer. Mistral Boxrol TTS apporte la synthèse vocale en neuf langues. Tech With Tims Five-AI-Comparison-Tool (interroger ChatGPT, Perplexity, Gemini, Grok, Copilot simultanément, comparer les mentions de marques, via l’API Serp de Bright Data) adresse le monitoring de marque IA comme nouvelle discipline SEO. Semux (Terminal pour macOS avec navigation par onglets multi-niveaux, affichage du statut des ports, affichage des branches GitHub) et Helium (navigateur minimal basé sur Chrome) sont recommandés comme configuration développeur optimale pour Claude Code. Anthropic a interrogé 80 508 personnes dans 159 pays (via Claude comme intervieweur) : le meilleur souhait est l’excellence professionnelle (18,8 %), la plus grande crainte est l’infiabilité/les hallucinations (26,7 %) ; en Afrique subsaharienne et en Amérique latine nettement plus optimiste qu’en Amérique du Nord. Le Maven Smart System (Palantir, AWS, Azure, Google, originalement avec Claude — puis remplacé par OpenAI suite aux objections de Daario Amodei) est disséqué par Fireship techniquement et satiriquement comme chaîne de destruction militaire assistée par IA.

AI Explained (1 nouvelle vidéo)

• Two AI Models Set to “stir government urgency”, But Will This Challenge Undo Them?
  26.3.2026, 20:15:12

  La vidéo traite plusieurs développements récents en IA et leurs implications.

  OpenAI et Anthropic – nouveaux modèles en route : Les deux entreprises travaillent sur des sauts qualitatifs de performance. OpenAI a fermé l’app Sora pour libérer des ressources informatiques pour le nouveau modèle « Spud », qui selon les initiés devrait être disponible en quelques semaines. Anthropic avertit les responsables gouvernementaux américains que la prochaine version de Claude pourrait considérablement améliorer les capacités cyber offensives et défensives – ce qui pourrait relancer les négociations sur l’accord avec le Pentagone.

  Arc AGI 3 – le nouveau benchmark : Un nouveau système d’évaluation a été publié, où les humains atteignent 100% tandis que les modèles d’IA actuels restent sous 0,5%. La particularité : les tests sont des énigmes abstraites et interactives sans indices linguistiques ou culturels ; les objectifs doivent être déduits par le modèle lui-même. Arc AGI 1 et 2 ont été récemment saturés parce que les modèles avec raisonnement en chaîne de pensée ont « gamé » les benchmarks – via des schémas d’entraînement similaires aux sets de test. Arc AGI 3 prévient cela via différentes distributions de données entre le test public et privé. La méthodologie de scoring pénalise l’inefficacité quadratiquement et fixe une limite de 5x pour les actions ; cela rend la vraie généralisation difficile à mesurer. Symbolica AI a atteint tous les niveaux publics avec un harnais multi-agents, mais les harnais ne sont pas autorisés en évaluation.

  Recherche en IA automatisée : OpenAI vise un chercheur en IA entièrement automatisé – un système de niveau stagiaire d’ici septembre. L’analogie : comme les agents de code dans le développement logiciel. Cependant, le papier GDP-Val d’OpenAI montre que même si l’IA crée le premier brouillon et que les humains ne font que l’éditer, les gains de vitesse se situent généralement autour de 40% – pas de décollage exponentiel.

  Risques de sécurité : Un hack de chaîne d’approvisionnement sur une bibliothèque Python a montré comment les dépendances open-source peuvent être abusées pour exfiltrer des secrets. Bien que les essaims agentiques pourraient être utilisés pour détecter les exploits, Jim Fan de Nvidia avertit que « les griffes ont besoin de coquilles » – plusieurs couches de protection – notamment parce que les modèles peuvent maintenant aussi manipuler les benchmarks en temps réel.

  Impression générale : Nous sommes dans une phase « messy middle » : l’IA est meilleure que les humains au premier brouillon, mais les résultats ont encore des lacunes. Il y a généralisation sur les concepts bas niveau (langages de programmation, langage naturel), moins sur les objectifs haut niveau (intégrité académique, planification adaptative des objectifs).

  Explicitement mentionné : OpenAI (modèle Spud), Anthropic (Claude), Google DeepMind (Gemini 3.1, NetHack), Arc AGI 3, Assembly AI (Universal 3 Pro Streaming) ; Format : Synthèse/Plongée profonde avec parts d’opinions.

AI Foundations (1 nouvelle vidéo)

• Automate ANY Task Using Claude Skills! (Full Cowork Setup)
  27.3.2026, 16:00:40

  Résumé : Claude Skills pour automatiser les tâches métier

  Le créateur présente son DBS-Framework — un modèle à trois niveaux pour structurer les automations Claude :

  • D (Direction) : Le fichier skill.md qui guide Claude étape par étape sur ce qu’il doit faire
  • B (Blueprints) : Le dossier references contenant des fichiers statiques comme les guides de style, exemples de données et modèles
  • S (Solutions) : Le dossier scripts avec le code que Claude peut exécuter — pour les appels API, calculs et intégration d’outils externes

  Démo pratique 1 – Générateur de propositions pour artisans :

  Le créateur montre en direct comment il demande à Claude de développer une automatisation pour créer des propositions de projets. Claude pose itérativement des questions sur les détails (types de projets, modèle tarifaire, couleurs de branding), puis effectue 2 à 3 cas de test et génère des PDFs de propositions réalistes. Après retours, l’automatisation est copiée dans la base de données Skill et peut ensuite générer automatiquement une offre formatée à partir de simples notes d’un artisan.

  Démo pratique 2 – Tableau de bord YouTube Analytics :

  Le créateur télécharge des données YouTube et demande à Claude de créer un tableau de bord interactif avec un style soft-brutalisme, des accents rose néon et des onglets (Performance vidéo, Croissance, Revenus). Une fois satisfait, il utilise cette sortie comme base pour instruire Claude de créer une automatisation qui transformera automatiquement tout futur téléchargement d’analytics YouTube dans ce format exact en tableau de bord.

  Exemple bonus – Call Prep Skill :

  Un Skill existant connecte Google Calendar et Notion pour extraire automatiquement les notes CRM et résumés de conversations sur les personnes pertinentes avant les appels à venir — tout avec la commande « call prep tomorrow ».

  L’accès se fait via Claude Desktop/Co-Work par Customize → Skills. On commence par activer « Skill Creator » et le DBS Framework Skill (fourni au téléchargement), puis on crée des automations en langage naturel. Claude Co-Work affiche une barre de progression et charge continuellement les contextes et tests pertinents.

  Idée centrale : Les données personnalisées (vos propres tarifs, prix concurrentiels, outils, standards) transforment les Skills de « très utiles » à « extrêmement utiles » ; une heure d’installation unique crée une efficacité durable.

  Claude et Claude Desktop/Co-Work étaient au cœur du sujet ; format tutoriel avec des démos en direct de l’automatisation des propositions et tableaux de bord, ainsi qu’un exemple pratique de Call Prep.

AI mit Arnie (1 nouvelle vidéo)

• Le seul cours Claude Code dont tu as besoin
  25.3.2026, 21:58:51

  Résumé : Le seul cours Claude Code dont tu as besoin

  Le cours traite Claude Code comme plateforme centrale de productivité IA et montre son application pratique de manière exhaustive – non seulement pour les développeurs, mais pour tous ceux qui veulent travailler plus efficacement. Le contenu est très dense et orienté vers la pratique.

  Installation & Setup : Claude Code s’installe via Terminal (pas via extension IDE), avec un plan payant nécessaire (abonnement Pro à partir d’environ 17 €/mois recommandé). Des commandes spécifiques au système d’exploitation sont fournies.

  IDEs : Bien que VS Code soit recommandé comme favori (moins de complexité, moins de bugs), Cursor et Antigravy (de Google, anciennement Windsurf) sont également possibles – mais ces derniers sont plus encombrants.

  Projet 1 – Assistant personnel : À partir d’une structure de dossiers (données, contexte, prompts), Claude Code est entraîné en tant qu’assistant IA. Vous ajoutez des données professionnelles, des échantillons d’écriture et des prompts récurrents. Un Cloud.md sert de repère pour Claude. Le système peut ensuite rédiger des e-mails dans ton style personnel, composer des tweets, etc.

  Intégration des fonctionnalités : Claude Code reçoit des fonctions via Skills, Plugins, MCP (Model Context Protocol) ou outils CLI – au cœur, tout est Function Calling. Sapier est montré comme serveur MCP pour activer l’accès à Gmail et au calendrier. Notebook LM est intégré par Skill pour générer des recherches approfondies, des cartes mentales et des podcasts.

  Autorisations : Les options incluent l’approbation manuelle de chaque action, la mise en liste blanche dans .cloud/settings.json, ou des flags de démarrage comme --dangerously-skip-permissions (tout autoriser) ou --enable-auto-mode (approche intermédiaire avec demandes pour les commandes critiques).

  Commandes Slash personnalisées : Dans le dossier /Cloud/commands, les prompts fréquemment utilisés peuvent être sauvegardés sous forme de fichiers .md – par exemple suche.md pour l’actualité économique – et sont ensuite directement accessibles via /suche.

  Automatisations : Différence entre Schedule (tâches déclenchées par horaire dans le cloud, quotidiennement/hebdomadairement etc., s’exécute en arrière-plan) et Loops (intervalles en session active, max. 7 jours, min. 1 min., accès local complet).

  Autres sujets abordés : Différents modèles Claude (ex. Opus 4.6 avec contexte de 1 million de tokens), suivi de la consommation de tokens (/slack-text), compression du contexte (/compact), adaptation de la ligne d’état, intégration Git, contrôle de version, plugins, Soul.md pour le comportement/personnalité de l’agent.

  La transcription s’arrête au milieu d’un exemple de tâches Schedule, elle est donc abrégée ; le cours couvre selon l’annonce quatre projets complets (assistant personnel, programmation de sites web, agent IA Python, command center).

  Sujets traités : Claude Code, Anthropic, Notebook LM (Google), Sapier (MCP), Cursor, VS Code, Antigravy – tutoriel/deep-dive avec haut niveau de détail pratique.

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

• Anthropic Just Gave You 3 Tools That Work While You’re Gone.
  28.3.2026, 15:28:38

  Anthropic a publié trois nouveaux outils pour Claude qui permettent ensemble une véritable automatisation : Scheduled Tasks, Dispatch et Computer Use. Le message central n’est pas l’innovation technique, mais un changement de mentalité fondamental : ces outils sont censés faire disparaître le travail de votre bureau, et non pas générer davantage de travail administratif sous forme de rapports ou de brouillons.

  Scheduled Tasks fonctionne comme un environnement informatique en cloud qui exécute du code selon un calendrier fixe (horaire, quotidien, etc.) – sans que votre ordinateur portable n’ait besoin d’être allumé. Exemples : collecter les actualités IA au quotidien, surveiller les prix des vols, gérer les rappels de paiement. Vous pouvez connecter des connecteurs MCP existants (Linear, GitHub, Slack, Google Drive).

  Dispatch connecte votre téléphone à Claude sur le bureau via code QR et permet la parallélisation : à partir de votre téléphone, vous pouvez lancer plusieurs tâches Claude simultanément, qui s’exécutent indépendamment sur le bureau – tandis que vous êtes en déplacement. Ce n’est pas un contrôle à distance, mais une couche d’orchestration. Le compromis : votre bureau doit rester allumé (mais cela sera probablement corrigé bientôt). Les tâches multi-applications ne fonctionnent qu’à environ 50 % pour le moment.

  Computer Use est la fonctionnalité qui change la donne : Claude peut contrôler la souris et le clavier, ouvrir des applications, naviguer dans les systèmes hérités qui n’ont pas d’API (anciennes instances ERP, SAP, Jira, etc.). Cela résout le problème de millions de processus de bureau qui ne sont pas représentés dans un serveur MCP.

  L’auteur argumente fermement contre les démonstrations de « pseudo-travail » (rapports proactifs, planification de voyages) et exige plutôt une mentalité de gestionnaire : faire confiance au système pour accomplir le travail pendant que vous êtes absent. Les cas d’usage pratiques incluent la fermeture des boucles d’engagement (tenir ses promesses), de meilleures décisions grâce à la collecte de données, la détection de signaux composés (avec OpenBrain), et pour les ingénieurs : les tâches nocturnes (refactorisation, tests, migrations). Le plus grand obstacle psychologique est de faire confiance au système sans le surveiller – c’est le véritable changement de compétences pour 2026.

  Claude, Dispatch et Computer Use (Anthropic) ; opinion/réflexion avec éléments pédagogiques.

• A Markdown File Just Replaced Your Most Expensive Design Meeting. (Google Stitch)
  27.3.2026, 14:01:22

  La vidéo traite trois grands lancements IA des dernières semaines qui transforment fondamentalement le design : Google Stitch (générateur texte-vers-UI au format export Markdown, directement exploitable par les agents de codage), Remotion (framework React que la compétence Claude Code génère avec plus de 150 000 installations, créant la vidéo en tant que code avec chaque frame éditable), ainsi que Blender MCP (17 000 stars GitHub), qui génère des scènes 3D à partir de descriptions en langage naturel.

  L’argument central : le design migre vers la ligne de commande, ce qui casse le triangle classique produit-engineering-design des années 2010. Au lieu des transferts séquentiels (designer → export code → vérification engineering), un modèle de flux parallèle émerge, où les résultats sont par définition constructibles. MCP est décrit comme la norme universelle pour connecter ces outils.

  Avantages concrets : Stitch offre gratuitement 350 générations/mois avec versioning multi-écrans et export design-markdown ; Remotion permet la production vidéo évolutive (les mises à jour de données déclenchent des re-rendus automatiques) sans After Effects ; Blender MCP abstrait plus de 1 500 commandes. La vidéo souligne : le coût du travail créatif tombe à zéro, non pas parce que les designers deviendraient obsolètes, mais parce que les tâches opérationnelles (déplacer des calques, ajuster des images clés, convertir des formats) disparaissent par automatisation. Le jugement créatif et la finition restent humains – mais la vitesse de l’idéation à l’artefact s’accélère drastiquement.

  Les limitations critiques sont mentionnées : les designs Stitch ne sont pas encore prêts pour les clients sans retouche ; Remotion gère mal les animations complexes ; Blender MCP échoue sur la modélisation organique intriquée. La vidéo se termine par un plaidoyer pour la « pensée en ligne de commande du design » comme compétence pour 2026 : ce n’est pas la maîtrise de l’outil qui décide, mais la capacité à articuler précisément l’intention visuelle, à itérer rapidement et à imposer le goût.

  Claude, Google Gemini, Anthropic (Claude Code), OpenAI mentionné ; MCP comme infrastructure centrale ; opinion/réflexion avec démonstration de produit.

• The AI Job Market Split in Two. One Side Pays $400K and Can’t Hire Fast Enough.
  26.3.2026, 15:59:47

  Résumé : The AI Job Market Split in Two

  L’orateur décrit un marché de l’emploi IA divisé en forme de K : d’un côté, les rôles traditionnels du travail intellectuel (gestionnaire de produit, ingénieur logiciel, analyste métier) stagnent, tandis que de l’autre côté existe une demande explosive pour les professionnels de la conception, de la construction et de l’exploitation des systèmes IA. Le ratio est d’environ 3,2 emplois IA par candidat qualifié ; en moyenne, il faut 142 jours pour pourvoir un poste – de nombreux employeurs échouent complètement.

  L’orateur identifie sept compétences concrètes et très demandées à partir de centaines d’offres d’emploi :

  1. Précision de spécification / Clarté d’intention : Communication précise et littérale avec les agents (non métaphorique comme avec les humains) pour éviter les malentendus.
  1. Évaluation et jugement de qualité : Capacité à évaluer critiquement les résultats IA – en particulier la résistance au « faux fluide », lorsque les systèmes IA fournissent avec assurance des informations incorrectes. L’important est la détection d’erreurs et la détection des cas limites.
  1. Décomposition multi-agents : Décomposition de tâches complexes en sous-segments gérables et délégation à différents agents – essentiellement une compétence en gestion, mais avec des exigences plus strictes que chez les humains, car les agents ont besoin de directives claires.
  1. Reconnaissance des modèles d’échec : Diagnostic de six modèles d’erreur typiques : dégradation du contexte (perte de qualité lors de sessions longues), dérive de spécification (l’agent oublie la spécification), confirmation complaisante (l’agent confirme sans critique les fausses données), erreurs de sélection d’outils, défaillances en cascade et défaillances silencieuses (résultats plausibles mais faux).
  1. Conception de confiance et de sécurité : Construction de garde-fous et de conteneurs autour des agents – compréhension du coût de l’erreur, de la réversibilité, de la fréquence et de la vérifiabilité. Distinction entre la correction sémantique (semble correcte) et fonctionnelle (est réellement correcte).
  1. Architecture de contexte : Construction de systèmes de contexte qui fournissent aux agents les informations pertinentes au besoin – la « classification décimale de Dewey pour les agents ». Gestion du contexte persistant et par session, qualité des données et recherchabilité.
  1. Économie des coûts et des tokens : Calcul des coûts en tokens pour les tâches, sélection des modèles basée sur l’efficacité des coûts et le ROI – « mathématiques du lycée au niveau d’architecte senior ».

  Ces compétences apparaissent dans les offres d’emploi pour divers titres (opérations, engineering, gestion de produit, fiabilité IA), mais ne sont pas spécifiques à l’ingénierie – les antécédents en rédaction technique, droit, audit ou sciences de l’information sont transférables. L’orateur souligne que ces compétences sont couplées à la logique des systèmes IA et restent donc pertinentes à long terme, et annonce un tableau d’emplois ainsi que des ressources d’apprentissage sur Substack pour aider les candidats talentueux et les employeurs.

  Info : Opinion/réflexion avec élément de guide pratique, accent sur Anthropic Claude (en tant qu’exemple de pratiques d’évaluation et de programme d’architecte certifié) et les systèmes d’agents IA généraux.

• Tobi Lütke Made a 20-Year-Old Codebase 53% Faster Overnight. Here’s How.
  25.3.2026, 14:00:52

  La vidéo décompose le concept abstrait d’« agents » en quatre types de production concrets qui fonctionnent complètement différemment en pratique :

  Coding Harnesses sont les plus simples : un seul LLM avec accès aux fichiers et outils de code remplace un développeur sur une tâche définie. L’humain reste le gestionnaire. Ils se mettent à l’échelle au niveau du projet, lorsqu’un agent planificateur coordonne plusieurs agents exécuteurs (comme avec Cursor sur des projets de navigateur et de compilateur). La clé est la décomposition – diviser le travail en parties discrètes.

  Dark Factories éliminent les humains du processus intermédiaire : spec en entrée, logiciel en sortie, entre les deux seulement l’itération d’agents automatisée contre les tests évaluables. Les humains ne sont impliqués qu’au début (design, qualité de la spec) et à la fin (les évals sont vérifiées, code review pour la responsabilité). Cela réduit les goulets d’étranglement, car les agents sont plus rapides que les humains au milieu.

  Auto Research est une autre bête – pas pour la production de logiciels, mais pour l’optimisation des métriques. Le LLM expérimente itérativement pour améliorer un objectif (par ex., performance à l’exécution comme Tobi Lütke chez Shopify, tuning de modèle, taux de conversion). Classiquement tiré du machine learning.

  Orchestration est pour les rôles spécialisés dans les workflows : un agent fait des recherches, un autre écrit, un autre gère les tickets. Cela nécessite beaucoup de travail en engineering de prompts et gestion de contexte pour les transferts et n’a de sens que lors d’une véritable mise à l’échelle (milliers+ de tâches).

  L’erreur centrale : ne pas confondre ces quatre. Auto Research pour le logiciel, c’est faux. Coding Harnesses pour l’écriture de romans aussi. L’architecture doit correspondre au problème – est-ce un problème de logiciel ou de métrique ? Les agents configurés simplement se mettent mieux à l’échelle que les agents complexes.

  Thématisé : Cursor, Claude, Codeex, Langraph, Crew AI, Andre Karpathy, Tobi Lütke ; format : deep-dive/opinion.

• Nvidia Just Open-Sourced What OpenAI Wants You to Pay Consultants For.
  24.3.2026, 14:00:09

  La vidéo traite du conflit entre Nvidia, OpenAI et Anthropic sur la stratégie de déploiement pour les agents IA. Le point central : OpenAI et Anthropic ont reconnu au cours de 2025 que leurs solutions, bien que techniquement impressionnantes, sont trop complexes en pratique pour les équipes d’entreprise. C’est pourquoi elles engagent maintenant publiquement des cabinets de conseil. Nvidia, en revanche, suit une autre voie : Nemo Claw, une version entreprise d’OpenClaw, est développée en open source et comme couche au-dessus d’OpenClaw avec des garde-fous de sécurité, contrôle basé sur des politiques et compute GPU local – non pas pour vendre des conseils, mais pour habiliter les développeurs.

  L’orateur soutient que les véritables défis du développement d’agents ne sont pas de nouveaux problèmes, mais des pratiques d’ingénierie logicielle éprouvées qui sont redécouvertes : les cinq règles classiques de Rob Pike (pas d’optimisations spéculatives, mesurer avant de tuner, simplicité avant complexité, algorithmes simples = moins de bugs, les structures de données dominent) s’appliquent inchangées. Factory.ai le démontre à travers une analyse de disponibilité des agents sur huit piliers techniques – le résultat : ce n’est pas l’agent qui pose problème, mais l’infrastructure environnante (linting, tests, documentation, environnement de développement, qualité du code, observabilité, sécurité, gouvernance).

  Cinq défis concrets de production sont abordés : (1) Compression de contexte – la summarization incrémentale de Factory.ai surpasse le point de terminaison Compact d’OpenAI et le SDK Cloud d’Anthropic, (2) instrumentation de code et mesurabilité, (3) linting pour imposer la simplicité du code, (4) coordination multi-agents avec motif planificateur-exécuteur au lieu de sur-optimisation, (5) spécifications claires en amont. La thèse centrale : les consultants profitent de la complexité ; le vrai changement fonctionne seulement par un retour aux fondamentaux et co-building, pas par des présentations PowerPoint. Nemo Claw signale que les développeurs « peuvent y arriver » s’ils comprennent les fondamentaux – c’est l’opposé du récit du consulting qui crée la dépendance.

  Démo/mise à jour des actualités, explicitement thématisé : Nvidia (Nemo Claw / OpenClaw / OpenShell), OpenAI, Anthropic, Factory.ai, Cursor.

• I Mapped Where Every AI Agent Actually Sits. Most People Pick Wrong.
  23.3.2026, 14:00:50

  Le cœur de l’analyse ne se situe pas dans le débat sur la sécurité ou la course aux copies d’OpenClaw, mais dans les paris stratégiques que chaque entreprise a placés sur différentes positions dans l’écosystème des agents. L’orateur définit trois axes pour comprendre ces paris : (1) Où l’agent s’exécute (local, cloud, hybride), (2) qui orchestre l’intelligence (modèle unique, multi-modèles, agnostique des modèles), (3) quelle interface est utilisée (application de messagerie, bureau, téléphone).

  OpenClaw maximise les deux dimensions : souveraineté complète des données et contrôle pour les utilisateurs techniques, mais avec un risque de sécurité élevé et une complexité. Perplexity Computer est le jeu de délégation – basé sur le cloud, sandbox sécurisé, mais 200 dollars par mois et confiance en les données auprès de Perplexity. Manis poursuit l’approche de distribution : Zuckerberg veut canaliser l’attention des agents dans son écosystème Meta et mise sur la scalabilité plutôt que la confidentialité. Anthropic Dispatch offre le récit de sécurité : mono-thread, simple, centré sur Claude, pour les professionnels moins techniques. Lovable doit se transformer d’un pur outil de code-coding-vibe à un constructeur d’agents généraliste pour rester pertinent.

  L’orateur prédit une « simplification implacable » – tous les outils verticaux subissent une pression pour s’effondrer en agents conversationnels. Le milieu est l’endroit où les produits meurent ; survivront ceux qui sont soit très spécialisés, soit généraliste-délégateur. La question centrale de 2026 n’est pas « quel agent est plus rapide », mais « comment déléguons-nous la confiance aux agents » – un choix qui façonnera collectivement les marchés des 10–20 prochaines années.

  Explicitement thématisé : OpenClaw (primaire), Perplexity Computer, Manis, Anthropic Claude/Dispatch, Lovable, Meta, OpenAI ; plus mentions de Nvidia Nemo, ZeroClaw, Moltus, Open Fang, Nanobot, ainsi que des forks open source en général. — Format : Opinion/réflexion (analyse stratégique et développement de cadre).

• McKinsey Says $1 Trillion In Sales Will Go Through AI Agents. Most Businesses Are Invisible.
  22.3.2026, 18:00:09

  Résumé : McKinsey Says $1 Trillion In Sales Will Go Through AI Agents

  L’orateur soutient que le prochain changement de chiffre d’affaires d’un billion de dollars vers les agents IA est lié à une condition fondamentale mais largement ignorée : les infrastructures d’entreprise doivent être rendues entièrement « lisibles et accessibles en écriture pour les agents ». Cela ne signifie pas seulement des API ou des fonctionnalités de chatbot superficielles, mais que les systèmes transactionnels – catalogues de produits, promesses d’expédition, politiques de retour, toutes les données de produits – doivent être structurés de sorte que les agents puissent les lire, les interpréter et éventuellement les écrire de manière fiable.

  L’ironie historique : pendant vingt ans, les systèmes ont été intentionnellement sécurisés contre les bots (CAPTCHAs, API fermées, interfaces lourdes en JavaScript). Maintenant, que les agents constituent la forme d’attention client la plus précieuse, ces murs doivent être démantèles. Mais l’orateur avertit : ce n’est pas simplement un enrobage d’API dans un serveur MCP. L’exemple de Stripe le montre concrètement – leur couche analytique Sigma fonctionne comme un export CSV, mais en tant que serveur MCP, elle surchargerait la fenêtre de contexte ; vous avez besoin d’une infrastructure de base de données et d’une logique d’authentification intermédiaire.

  SAP se situe à l’autre extrême : ils ont annoncé un MCP pour Commerce Cloud, mais l’écart entre cette tranche et un véritable paysage SAP lisible pour les agents est énorme. Ce sera une « initiative multi-trimestres » pour laquelle SAP n’a actuellement aucune incitation.

  L’orateur énumère quatre idées fausses :

  1. Découverte d’agents comme le classement des moteurs de recherche : Faux. Les agents évaluent les données structurées contre des contraintes explicites ; il n’y a pas de « au-dessus du pli ». Les gagnants ont des schémas propres, pas les plus grands budgets publicitaires.
  2. « Nos produits sont trop complexes pour la structuration » : Faux. Plus c’est complexe, plus vous en profitez, car les clients sont bloqués aujourd’hui à « assez bien » et peuvent couvrir la complexité avec des données réelles.
  3. « Les clients ne font pas confiance aux agents pour les transactions » : Faux. La confiance est un spectre qui commence par la délégation d’intention (« Trouvez-moi un système audio pour ma chambre »), pas par la délégation complète d’achat.
  4. « Nous attendons pour voir » : C’est « signer votre propre arrêt de mort ». Le nettoyage des données nécessite des mois à des trimestres ; celui qui attend sera invisible pour les agents.

  Un problème central : environ 20 % de l’importance du produit vit dans les structures de données, 80 % dans le copy marketing et la connaissance tribale (par ex., qu’un café soutient un village éthiopien). Si un agent recherche « café qui soutient un travail important », cela doit être disponible dans les attributs de données, sinon le produit disparaît. Cela nécessite des schémas structurés – par ex., qu’un ballon de basket « a été utilisé au tournoi March Madness 2026 » – pas seulement comme phrase marketing, mais comme attributs de données lisibles par les agents avec des sources vérifiables.

  McKinsey projette jusqu’à 2030 jusqu’à un billion de dollars en « chiffre d’affaires orchestré » via des agents IA rien que dans le commerce électronique B2C américain. Google a lancé son Universal Commerce Protocol, plus d’un million de marchands Shopify sont en ligne, mais les grands acteurs (Apple, Google) résistent encore – Apple a même bloqué les applications de codage comme Replit. L’orateur compare cela à Napster : l’ancienne garde perd à la fin, car « les gens » veulent des écosystèmes lisibles et accessibles en écriture pour les agents.

  L’exemple concret : un client tape « chaussures de course sous 120 dollars, taille 10, livraison avant jeudi, retour flexible » – l’agent ne peut résoudre cela que si les délais d’expédition, les politiques de retour, les détails de schéma sont vraiment structurés et disponibles. Sinon, l’agent ignore l’offre sans que l’humain ne la voie jamais.

  En conclusion, l’orateur recommande un audit : testez avec Claude ou ChatGPT jusqu’où vont votre système transactionnel et ceux de vos trois principaux concurrents. Puis vous structurez mesurablelement les données pour les agents – non pas parce que vous oublieriez les humains, mais parce que les données propres activent automatiquement aussi des expériences client magnifiques pour les humains.

  Mentions explicites : OpenAI (ChatGPT), Anthropic (Claude), Stripe, SAP, Amazon, Google, Apple, Shopify, Perplexity, Meta/WhatsApp — thématisé sont l’intégration d’agents, les serveurs MCP, la structuration des données de produits et la transformation d’infrastructure. Format : Opinion/réflexion avec exemples concrets d’affaires et recommandations d’action.

Alejandro AO

Aucune nouvelle vidéo pendant cette période.

Alex Finn (5 nouvelles vidéos)

• LIVE: CLAUDE MYTHOS (OPUS 5) REVEALED!!!
  27.3.2026, 20:10:49

  Résumé

  Le streamer révèle les actualités sur « Claude Mythos » (présumément Claude Opus 5) d’Anthropic : Un modèle divulgué classé comme superintelligent et « trop dangereux » pour le grand public. Anthropic le confie d’abord aux entreprises de cybersécurité et le rend disponible en API uniquement. Le modèle sera considérablement plus cher que les modèles précédents – le streamer prédit un coût minimum de 2 000 USD/mois pour les utilisateurs individuels.

  Thèses principales :

  Inégalité économique : L’accès à la superintelligence aggrave l’écart entre riches et pauvres. Ceux qui peuvent se le permettre génèrent exponentiellement plus de valeur économique ; les autres restent coincés dans une « classe permanente inférieure » et ne peuvent pas suivre.

  Préparation pour l’AGI : Le streamer donne une recommandation centrale : construire des applications moonshot qui ne fonctionnent pas maintenant, mais qui seront prêtes immédiatement après le lancement de Claude Mythos. Cela crée un avantage first-mover au jour de l’AGI. Le workflow concret : utiliser une requête ChatGPT pour générer 10 idées moonshot → sélectionner → document de vision + roadmap V1 → implémenter dans Cursor/Claude Code.

  Modèles matériels locaux : Malgré la supériorité des modèles frontier, on a besoin de modèles locaux (par ex. Qwen 3.5 sur DGX Spark) pour les Agentic Swarms – plusieurs agents IA travaillant 24/7 en parallèle, réduisant les coûts tout en créant de nouveaux cas d’usage.

  Préparation pratique : Annuler les abonnements (Netflix, Game Pass), investir l’argent économisé dans le calcul (DGX Spark, Mac Studio M5), prototyper dès maintenant des applications.

  Annonce personnelle : Le streamer présentera dans 2 semaines au MIT une application moonshot qu’il a créée lui-même (en réponse aux critiques selon lesquelles il « ne construit rien »).

  Autres thèmes :

  • Le matériel devient plus cher (hausse du prix PS5), pas moins cher → l’exploitation locale d’IA devient plus coûteuse.
  • Les modèles open-source sont 6 mois en retard sur les modèles frontier.
  • Chat-GPT Spud est attendu parallèlement à Claude Mythos (dans les 3 prochaines semaines).
  • Paperclip AI sera dépublié après.

  Le streamer ne le présente pas comme de la panique, mais comme une opportunité pour les constructeurs précoces travaillant dès maintenant sur des idées qui semblent farfelues.

  Aucun outil IA spécifique mentionné sauf Claude (Opus 4.6), ChatGPT, Qwen 3.5, Cursor, Claude Code ; Format : Live Q&A avec mise à jour d’actualités et réflexion motivante.

• LIVE: OpenAI Shutting Down Sora!! It’s OVER. Also I’m running Opus 4.6 locally????
  25.3.2026, 20:45:23

  LIVE : Arrêt de Sora par OpenAI + Exécution locale d’Opus 4.6 – Résumé

  La vidéo est un live-stream chaotique avec plusieurs sujets :

  Arrêt de Sora : OpenAI ferme Sora. L’hôte l’utilisait auparavant pour créer des vidéos et les envoyer à ses amis, mais a cessé son utilisation après la suppression de la fonction d’envoi direct. Il considère cette fermeture comme sans importance.

  Rumeurs sur un nouveau modèle : Des rumeurs circulent sur un nouveau modèle OpenAI appelé « Spud » qui pourrait être l’AGI et être désigné comme GPT-6. Il fusionnerait supposément Cursor, Codeex et ChatGPT en une seule application.

  Opus 4.6 exécuté localement : L’hôte montre une version distillée de Claude Opus 4.6 qu’il charge localement sur son Mac Studio. C’est un modèle « appris » de Qwen 3.5 qui sonne comme Opus.

  Lunettes Even Realities (G2) : Il a commandé des lunettes intelligentes avec commande par bague pour y installer OpenClaw – pour donner des commandes sans sortir son téléphone.

  Drame Peter Steinberger : L’hôte avait tweeté qu’OpenAI avait acheté OpenClaw. Peter a corrigé publiquement qu’OpenAI l’avait embauché lui en tant que personne, et n’avait pas acheté le projet. L’hôte aurait préféré être corrigé en privé ; mais défend que l’affirmation était « spirituellement » correcte.

  Philosophie commerciale : L’hôte recommande de construire des outils qui sont impossibles aujourd’hui, pour pouvoir simplement les brancher avec l’AGI plus tard. Il travaille sur un projet secret appelé « Henry » pour un créneau spécifique – pas juste un clone d’OpenClaw.

  Autres sujets : Hermes Agent (avec des compactions de mémoire problématiques), comparaisons entre Claude Code et OpenClaw, Apple Studio Display XDR (trop cher, aucune différence), séminaires Bay Area à venir sur OpenClaw.

  Le stream passe chaotiquement d’un sujet à l’autre, l’hôte venant de se réveiller et buvant beaucoup de café.

  Outils/Modèles : Claude Opus 4.6, ChatGPT 5.4 Pro, OpenClaw, Hermes, Cursor, Gemini, Codeex ; spécifiquement mentionnés : OpenAI, Anthropic – Format : Live Q&A/revue d’actualités avec éléments de démo.

• Why you NEED to be running local AI models (FULL beginners guide)
  24.3.2026, 22:20:54

  Modèles IA locaux – Guide complet pour débutants

  Le créateur a investi plus de 50 000 dollars au cours des deux derniers mois dans des modèles IA locaux et partage ses conclusions sur la façon dont ceux-ci peuvent transformer radicalement l’utilisation de l’IA – sans avoir besoin d’un matériel coûteux.

  Pourquoi local plutôt que cloud ?

  Les modèles cloud (ChatGPT, Claude, Gemini) s’exécutent sur des serveurs distants et présentent plusieurs inconvénients : coûts élevés par token, aucun contrôle sur les modèles (les fournisseurs changent constamment les paramètres), problèmes de confidentialité (les employés peuvent lire les logs), latence due à la dépendance à Internet et manque de scalabilité. Le seul avantage est le niveau d’intelligence le plus élevé.

  Les modèles locaux s’exécutent directement sur l’ordinateur et offrent : complètement gratuit (uniquement les coûts d’électricité), entièrement personnalisable (voix personnelle, style, etc.), complètement privé et sécurisé (aucune connexion Internet nécessaire), latence zéro, et – surtout – scalabilité illimitée : le créateur exploite actuellement quatre modèles IA locaux 24 heures sur 24 pour scraper des sites Web, rédiger des newsletters et générer du code – comme plusieurs employés sans frais supplémentaires. Le seul inconvénient : les modèles locaux sont environ 6 mois en retard sur les meilleurs modèles cloud.

  Matériel requis

  Les anciens ordinateurs portables bon marché fonctionnent ; un Mac Mini à 600 dollars exécute déjà des modèles locaux. Pour les modèles plus volumineux, il existe plusieurs options :

  • Mac Mini/anciens appareils : Petits modèles (9–16 milliards de paramètres), utilisables comme gestion de la mémoire pour les agents
  • Mac Studio (4 000 à 10 000 dollars) : Utilise la « mémoire unifiée », peut charger des modèles plus grands, s’exécute un peu plus lentement
  • Nvidia DJX Spark (4 800 dollars) : Meilleure vitesse grâce à la VRAM, plus d’outils pour développeurs (fine-tuning, LoRAs, auto-recherche possibles)
  • Nvidia DJX Station (100 000 dollars) : Intelligence de niveau frontier avec workflows multi-agents

  Modèles recommandés

  Qwen 3.5 (meilleur rapport) : Intelligent, nombreuses versions pour différents matériels ; le « daily driver » du créateur pour Mac Studio.

  Nvidia Neotron 3 (nouveau) : Très puissant, open-source, de la seule entreprise américaine qui pousse agressivement l’open-source.

  Minimax 2.5 (rapide) : Léger, extrêmement performant, pas aussi intelligent que Qwen, mais idéal pour les tâches rapides.

  Les modèles peuvent être téléchargés sur HuggingFace. L’application LM Studio (gratuite) permet une utilisation locale simple comme un chatbot.

  Application pratique – Le modèle hybride

  Le créateur montre son configuration : un système appelé « Software Factory » avec Charlie (Qwen 3.5 local, écrit du code 24 heures sur 24) orchestré par Ralph (ChatGPT dans le cloud). Ralph agit comme le « cerveau » (réfléchit, décide), tandis que les modèles locaux agissent comme les « muscles » (exécutent). Un autre exemple : un modèle Minimax local scrape en permanence le Web pour des opportunités commerciales et les envoie par Telegram – 24/7 pour zéro dollar au lieu de milliers de dollars quotidiens avec ChatGPT.

  Le créateur rejette le concept selon lequel il s’agirait « simplement d’économies » – le vrai potentiel réside dans la scalabilité 24/7 et les nouveaux cas d’usage impossibles avec les modèles cloud.

  Chemin recommandé pour commencer

  Ne pas dépenser immédiatement 20 000 à 100 000 dollars. À la place : commencer avec le matériel disponible, gérer localement un ou deux petits cas d’usage, observer le ROI, puis upgrader progressivement. Le créateur s’attend à ce que le M5 Ultra à venir (mai/juin) avec un traitement IA cinq fois plus rapide soit une révolution.

  Outils et modèles explicitement mentionnés : Qwen 3.5, Neotron 3, Minimax 2.5, LM Studio, HuggingFace, OpenClaw, ChatGPT, Claude ; Format : Tutoriel/Démo avec composante d’opinion.

• OpenClaw’s new update is MASSIVE
  23.3.2026, 20:14:09

  Résumé : Mise à jour massive d’OpenClaw

  La vidéo est un live-stream chaotique et énergique où Alex rapporte les plus grandes nouvelles fonctionnalités d’OpenClaw. Les principales mises à jour sont :

  1. Intégration Clawhub : OpenClaw peut maintenant trouver et installer des Skills en temps réel depuis Clawhub. Via la CLI, on peut utiliser clawhub search pour rechercher des Skills et les installer directement. Alex le démontre en direct et recommande de vérifier les Skills au préalable – soit par examen manuel sur le site Web, soit en laissant OpenClaw analyser lui-même la Skill avant installation.

  2. Interface Mission-Control pour les Skills : Pendant le stream, il construit avec les spectateurs une interface utilisateur graphique dans Mission Control qui affiche tous les Skills populaires, les rend consultables et propose trois boutons : un pour installer, un pour analyser (envoie une review de code par Telegram) et un pour construire sa propre version.

  3. Commande Slash /btw : Cette nouvelle fonctionnalité permet de poser rapidement des questions secondaires sans affecter le contexte de la conversation principale. /btw lance une question légère unidirectionnelle qui n’utilise pas d’outils et ne gaspille pas de tokens – parfait pour les distractions lors de sessions intensives d’OpenClaw.

  De plus, Alex discute des différences entre OpenClaw et Claude Code : OpenClaw serait un agent open-source sans garde-fou qui automatise tout ; Claude Code en revanche un outil de codage sécurisé et très contrôlé. Il critique le fait que Claude Code, malgré les nouvelles fonctionnalités (Dispatch, Remote Control, Channels), ait toujours trop de restrictions et ne possède pas le même esprit sauvage et productif. On peut commander OpenClaw par Telegram de n’importe où – par exemple télécharger un modèle, l’installer localement, construire du logiciel autour – et il le fait simplement. Un gros problème qu’il mentionne : ballonnement des sessions via des Cron Jobs qui gonflent les coûts ; il recommande de supprimer régulièrement les anciennes sessions.

  Outils/Fournisseurs mentionnés : OpenClaw, Claude (Opus 4.6), ChatGPT 5.4, Deep Seek, Hermes ; Format : Live Q&A/Démo avec interaction avec le chat.

• 5 OpenClaw use cases that will actually improve your life…
  22.3.2026, 13:15:13

  5 cas d’usage d’OpenClaw qui amélioreront vraiment votre vie – Résumé

  1. Suivi quotidien de la mémoire

  Automatise un système de journalisation qui résume chaque jour ce que vous avez discuté et construit avec OpenClaw. Cela améliore la rétention du système et permet de revenir sur tout projet spécifique des mois plus tard. L’implémentation se fait via un prompt simple qui ordonne à OpenClaw de créer quotidiennement des résumés et de les introduire dans un tableau de bord. Ceci sert de base pour tout le système de mémoire et est censé améliorer les performances d’un facteur 10.

  2. Alerte contenu tendance

  Un système qui utilise les API de X, Reddit et YouTube pour rechercher toutes les heures du contenu tendant sur des thèmes définis (dans l’exemple : Claude Code, OpenClaw, IA). Le contenu correspondant est posté dans un canal Discord. Cela aide les créateurs de contenu à toujours réagir aux tendances actuelles et créer du contenu viral. Les API sont partiellement gratuites (Reddit, YouTube) ou bon marché (X).

  3. Vibe Coding

  Créer spontanément des micro-applications directement depuis le chat (sans IDE ni CLI). Particulièrement utile pour les outils internes et l’automatisation personnelle, pas pour les grandes applications grand public. Un prompt efficace est : « Based on what you know about me and my workflows, what micro app can we build right now? » – OpenClaw connaît l’utilisateur mieux que quiconque grâce à ses systèmes de mémoire et peut même faire des suggestions d’amélioration.

  4. Équipe de recherche et développement

  Un processus autonome avec cinq modèles IA différents qui se réunissent quotidiennement (ou plusieurs fois par jour), analysent le propre travail et débattent d’idées d’amélioration. Ensuite, un court mémo émerge avec des recommandations – par exemple sur l’optimisation d’applications ou l’augmentation du chiffre d’affaires. Les quatre mémos précédents ont coûté environ 40 cents ensemble et ont livré selon le présentateur des insights précieux. Ce processus fonctionne pour tous les cas d’usage : coaching professionnel, stratégie de contenu, planification familiale, etc.

  5. Employé autonome (Quart de nuit autonome)

  Une automatisation basée sur un Cron Job qui se déclenche quotidiennement à 2 heures du matin. OpenClaw reçoit l’instruction d’analyser les objectifs commerciaux et les travaux précédents et d’accomplir autonomement une tâche pour rapprocher ces objectifs – par exemple construire un widget de feedback, écrire un tweet ou développer un micro-outil. L’utilisateur se réveille le matin et trouve du travail complété de manière inattendue.

  Tous les prompts sont fournis dans la description vidéo. Le présentateur annonce un bootcamp en direct à venir sur le Vibe Coding.

  OpenClaw a été présenté comme l’outil central ; Format : Recueil d’opinions/How-To avec éléments de démonstration.

Andrej Karpathy

Aucune nouvelle vidéo dans cette période.

Bart Slodyczka

Aucune nouvelle vidéo pendant cette période.

Ben AI (1 nouvelle vidéo)

• Claude Cowork + Obsidian Will Change How You Work Forever
  24.3.2026, 11:10:31

  Résumé : Claude Cowork + Obsidian pour un travail autonome

  Le créateur montre un système qui connecte un « Second Brain » dans Obsidian avec des agents IA comme Claude Cowork pour créer un contexte persistant permettant un travail autonome.

  Les cinq avantages principaux :

  1. Contexte persistant : Au lieu de mener des conversations IA isolées, l’agent a accès à une documentation détaillée sur l’entreprise, la stratégie, les projets, l’équipe, les workflows – tout centralisé dans Obsidian. Ainsi Claude peut savoir directement quelles sont les priorités du jour ou rédiger des posts LinkedIn basés sur les réunions d’équipe.
  1. Mise à jour du contexte : Les décisions, les règles et les mises à jour de projets issues des conversations IA peuvent être écrites directement dans le Second Brain. Le système grandit ainsi : plus on l’utilise, meilleure devient l’IA grâce au savoir cumulé.
  1. Meilleures Skills : Au lieu de doter chaque compétence des mêmes fichiers de référence, les Skills pointent uniquement vers les fichiers pertinents du coffre Obsidian (par exemple ICP, Voice-Guide). Une mise à jour du coffre s’applique immédiatement à tous les Skills utilisant ce fichier.
  1. Indépendant du fournisseur : Le Second Brain est simplement un dossier local contenant des fichiers Markdown. Obsidian, Claude Cowork, Claude Code ou d’autres agents IA peuvent accéder au même dossier.
  1. Scalabilité à travers les équipes : Toute l’équipe partage les mêmes documents stratégiques et fichiers contextuels, ce qui rend tous les agents IA de l’équipe simultanément plus performants.

  Comment ça fonctionne : Obsidian est une visualisation d’un dossier local. Le fichier central est claude.md, un guide pour l’agent IA sur la façon de naviguer dans la structure du coffre. L’agent lit ce fichier, comprend où se trouve quelle information, et peut la rechercher ou la stocker de manière ciblée.

  Structure de fichiers pour les entreprises : Context (entreprise, équipe, stratégie), Daily (journaux quotidiens), Departments (départements avec SOPs), Intelligence (réunions, décisions), Onboarding, Projects, Resources (prompts, templates), Skills (avec références), Tasks, Teams. Pour les professionnels indépendants : le même système, mais sans Departments, Teams et Onboarding.

  Installation : Télécharger Obsidian gratuitement, créer un nouveau coffre et le pointer vers un dossier local. Claude Cowork reçoit l’accès au même dossier. Un plugin de la communauté AI Accelerator aide à construire la structure plus rapidement et à peupler le contexte initial en posant des questions.

  Stratégie à long terme : Le système n’a pas besoin d’être parfait dès le départ – commencer avec seulement cinq fichiers, puis grandir organiquement. La véritable valeur ne réside pas dans la mise en place, mais dans l’accumulation de contexte sur des semaines et des mois : chaque décision, chaque règle, chaque projet est documenté et rend l’IA exponentiellement meilleure pour vous et votre équipe. Ceux qui commencent plus tard perdront cet avantage contextuel.

  Comportements importants : Toujours se référer au même dossier, dire explicitement à l’IA ce qu’elle doit « retenir », mettre à jour claude.md en cas de problèmes de navigation, adapter les anciennes Skills pour qu’elles pointent vers le coffre plutôt que vers des fichiers intégrés.

  Explicitement traités : Claude Cowork, Claude Code, Obsidian, MCPs, Skills et un plugin interne – format de démonstration/tutoriel avec composante de stratégie d’entreprise.

Brian Casel (1 nouvelle vidéo)

• Claude Code on Mobile: The Complete Guide
  26.3.2026, 12:01:05

  Claude Code on Mobile: The Complete Guide

  La vidéo présente quatre workflows pratiques pour coder sur smartphone avec Claude Code :

  1. Quick Handoff (Bureau vers Mobile) : On démarre une session Claude Code sur le bureau, on active la commande Remote Control là-bas, et on peut ensuite poursuivre la session directement dans l’application mobile Claude. Les modifications se synchronisent en temps réel. En option, on peut activer Remote Control de façon permanente dans la config.

  2. Nouvelle session dans le cloud : Via l’application mobile (icône Plus dans la section Code), on peut sélectionner un repo GitHub et démarrer une nouvelle session Claude Code qui tourne entièrement dans le cloud. Claude crée automatiquement une Pull Request à la fin. Cela fonctionne sans préparation sur le bureau, mais se limite à un environnement cloud (pas de Skills ou de fichiers locaux).

  3. Projet from scratch : On crée un nouveau repository via GitHub Mobile ou le navigateur (idéalement avec un template), on l’autorise ensuite dans l’application Claude, et on démarre Claude Code dessus – tout depuis le téléphone. Là aussi, entièrement basé sur le cloud.

  4. Configuration Power-User pour un accès complet : En combinant Termius (application terminal pour connexion à distance), Tailscale (connexion réseau sécurisée à ses machines locales de n’importe où) et optionnellement T-Mux (maintient les sessions actives en cas de coupure de connexion), on peut depuis son téléphone accéder par terminal à son projet sur le bureau, y lancer claude remote control, et ensuite travailler via l’application mobile avec accès complet aux fichiers locaux, Skills et configs. Cela demande une configuration initiale, mais fonctionne ensuite sans accrocs.

  Compromis clé : Les sessions cloud sont sans friction mais ne disposent pas de ressources locales. Les sessions Remote Control nécessitent une préparation sur le bureau ou cette configuration étendue avec Termius et Tailscale.

  Claude (Anthropic) explicitement mentionné ; vidéo de démonstration avec avis et réflexion.

Coding with Lewis

Aucune nouvelle vidéo au cours de cette période.

Cole Medin (2 nouvelles vidéos)

• Everything You Thought About Building AI Agents is Wrong
  26.3.2026, 00:00:46

  Everything You Thought About Building AI Agents is Wrong – Résumé

  Le courant dominant se concentre actuellement fortement sur les assistants AI-Coding, ce qui fait que les frameworks d’agents classiques comme Langchain, N8N et Pantic AI reçoivent moins d’attention. L’auteur a également réorienté son portefeuille de contenu dans cette direction. Il existe cependant une nuance importante : alors que les nouvelles approches basées sur les SDK (comme Claude Agent SDK, Codeex SDK) sont attrayantes pour de nombreux cas d’usage, les frameworks classiques continuent de dominer la réalité de la production – la majorité des agents en cours d’exécution sont encore construits avec ces anciens frameworks.

  L’approche classique : Auparavant, on choisissait un framework, on définissait les outils pour l’agent, on intégrait généralement un pipeline RAG (avec chunking, embedding et stratégie de retrieval) et on construisait une boucle d’agent avec gestion d’état et de mémoire – tout cela avec du code de liaison considérable et de la complexité.

  L’approche nouvelle par SDK : Les SDK modernes comme Claude Agent SDK sont beaucoup plus simples : ils incluent déjà le prompting et les outils, gèrent automatiquement l’historique des conversations et supportent les Skills et les serveurs MCP comme méthodes plus récentes de construction d’outils. Un agent peut être défini dans un seul fichier TypeScript, au lieu d’écrire des pipelines RAG séparés et la logique de base de données.

  Critères de décision entre SDK et framework :

  • Choisir l’approche SDK si seul vous utilisez l’agent, les délais sont acceptables et aucune mise à l’échelle n’est nécessaire (démarrage rapide, moins d’infrastructure).
  • Choisir l’approche framework si plusieurs utilisateurs travaillent en production, la vitesse/les coûts/le contrôle total sont critiques. Les SDK sont notablement plus lents (à cause de la surcharge intégrée), consomment beaucoup de tokens et nécessitent beaucoup de calcul. De plus : selon les conditions d’utilisation, les SDK ne peuvent être utilisés que par l’utilisateur individuel avec un abonnement – avec plusieurs utilisateurs, vous avez besoin de clés API, ce qui devient extrêmement cher. Les frameworks comme Pantic AI sont plus économiques en exploitation de production.

  Skills et serveurs MCP sont les façons modernes d’intégrer des outils dans les agents – plus rapidement et plus réutilisables que les outils définis directement.

  Sur la question du RAG : Beaucoup disent que le RAG est « mort », mais c’est trop général. En 2024, la recherche sémantique était standard ; en 2025, on constate : la recherche de fichiers (comme Grep) fonctionne mieux et moins cher pour les petits ensembles de documents – c’est intégré dans les SDK. Mais pour les grandes bases de connaissances (des milliers de documents), la recherche sémantique est toujours plus précise et moins chère. Les approches modernes utilisent le RAG agentic (recherche combinée : sémantique + mot-clé + graphe etc.), particulièrement pour les grandes bases de code. L’auteur utilise toujours lui-même la recherche sémantique dans ses agents.

  Conclusion de la recommandation : Adapter l’outil au cas d’usage – il n’y a pas de réponse universelle. Souvent, il vaut mieux commencer avec le SDK pour tester rapidement, puis migrer vers un framework si nécessaire.

  Claude Agent SDK, Codeex SDK et Pantic AI ont été explicitement abordés ; la perspective est opinion/réflexion avec un cadre de décision pratique.

• You’re Hardly Using What Claude Code Has to Offer, it’s Insane
  23.3.2026, 16:37:20

  Résumé : Nouvelles fonctionnalités de Claude Code

  Claude Code a livré une douzaine de nouvelles fonctionnalités ces derniers mois, transformant l’outil d’un simple assistant d’autocomplétion en une plateforme d’orchestration multi-agents.

  Contexte d’un million de tokens : Sonnet et Opus supportent désormais un million de tokens (environ 750 000 mots). Cependant, à partir d’environ 250 000–300 000 tokens, on observe significativement plus d’hallucinations – il est donc recommandé d’utiliser une compaction de mémoire ou un prompt de handoff pour démarrer une nouvelle session.

  Agent Teams : Plusieurs agents travaillent en parallèle et communiquent en temps réel, par exemple pour effectuer simultanément des examens de sécurité, de performance et de couverture de test. Cette fonctionnalité est encore expérimentale ; la communication entre agents n’est pas optimale, ce qui la rend plutôt appropriée pour les prototypes que pour le code en production.

  Git Worktrees : Permet de travailler en parallèle sur différentes branches de fonctionnalités avec Claude dans le même contexte, en créant des copies locales dans le dossier .claude/worktrees – économise la configuration manuelle et le temps.

  Nouvelles commandes : /simplify prévient la surenchère en simplifiant automatiquement la base de code ; /batch orchestre les grands refactorisations via des sous-agents parallèles (par exemple, remplacer tous les console-logs par un logging structuré).

  Remote Control : Synchronise les sessions entre le bureau et le téléphone – le travail sur le bureau peut être contrôlé à partir du téléphone.

  Sub-Agents étendus : Mémoire persistante au niveau des sous-agents, hooks par agent au lieu de globaux, et AutoMemory (dossier .claude/memory), qui permet à Claude d’apprendre lui-même des erreurs, tandis que claude.md offre toujours le contrôle manuel complet.

  /btw et /loop : /btw génère des questions annexes sans surcharger le contexte (cependant sans outils de base de code) ; /loop planifie des prompts récurrents (par exemple vérifier le statut du déploiement toutes les 5 minutes ou exécuter les tests toutes les 30 minutes).

  Voice Support : Fonction native de reconnaissance vocale via /voice, bien que les outils externes (Aqua Voice, Whisperflow, alternatives open-source) offrent parfois une meilleure qualité et sont utilisables partout.

  Effort Level : Contrôle de l’effort de raisonnement (faible/moyen/élevé, aussi max pour Opus) via /effort pour équilibrer l’utilisation de tokens et la puissance de résolution.

  Scheduled Tasks : /loop pour les prompts récurrents en session ; tâches cron pour les tâches en cours d’exécution (tests horaires, vérification de pipeline CI/CD, etc.), toutes gérables en langage naturel sans connaissances de syntaxe cron.

  La tendance montre Claude Code comme une plateforme croissante d’orchestration multi-agents mettant l’accent sur le travail parallèle, la coordination asynchrone entre appareils et l’apprentissage autonome – cependant, les déploiements en production doivent rester prudents avec les fonctionnalités expérimentales.

  Démonstration Claude Code axée sur l’orchestration basée sur les agents et l’automation des workflows ; opinion/réflexion.

Datapizza (1 nouvelle vidéo)

• L’impatto dell’AI sulle professioni e sul mercato
  24.3.2026, 16:01:34

  Résumé : L’impatto dell’AI sulle professioni e sul mercato

  L’épisode analyse les impacts économiques et professionnels de l’IA générative en s’appuyant sur deux sources centrales : un rapport d’Anthropic sur le risque d’exposition à l’IA des professions et une analyse de Goldman Sachs sur l’effet macroéconomique d’investissements massifs en IA.

  Rapport d’Anthropic sur l’exposition professionnelle : Le rapport introduit un indice d’exposition qui mesure à quel point les professions individuelles sont automatisables par l’IA – divisé entre automatisation complète et amplification du travail par l’IA. Le constat est surprenant : ce ne sont pas les professions manuelles, mais les travailleurs du savoir hautement qualifiés qui sont les plus exposés – les programmeurs par exemple à environ 75%, suivis par les analystes financiers, les agents de service client et les spécialistes de la saisie de données. Les professions manuelles comme l’artisanat, l’agriculture et la construction restent moins affectées pour l’instant, car elles exigent une présence physique. Crucial : le rapport souligne que 25% des tâches de programmation restent humaines – celles où les humains créent de la valeur ajoutée par la prise de décision, le contexte et la créativité.

  Le paradoxe de la productivité : Bien que les entreprises investissent plus de 100 milliards de dollars par trimestre dans l’infrastructure d’IA, Goldman Sachs montre que ces investissements ont pratiquement contribué zéro à la croissance du PIB américain en 2025. Cela s’explique en partie par le fait que les équipements importés (puces, serveurs) sont comptabilisés comme des importations dans les statistiques, et en partie par le fait que les gains de productivité liés à l’IA en sont encore aux phases initiales. Historiquement, on observe que les technologies transformatrices ont besoin d’années ou de décennies pour montrer des effets mesurables – ce qu’on appelle le paradoxe de la productivité (Robert Solow). L’exemple du moteur électrique l’illustre : 30 ans sans avantage visible, jusqu’à ce que les entreprises redessinassent leurs processus de production autour de la nouvelle technologie (le concept d’« enveloppe »).

  Réalité actuelle de l’adoption : Les données du NBR montrent que 90% des entreprises ne constatent encore aucun effet significatif sur l’emploi ou la productivité ; 56% des organisations n’enregistrent ni gains de revenus ni réductions de coûts. Néanmoins, 66% des responsables utilisent l’IA dans leurs activités quotidiennes – mais seulement environ 1,5 heure par semaine. Paradoxalement, les investissements continuent d’augmenter (252 milliards de dollars en 2024, doublement prévu d’ici 2026), car on attend des potentiels à plus long terme : les données de Stanford suggèrent une amélioration de productivité de 2,7% en 2025, avec des prévisions d’une augmentation supplémentaire de 1,4% jusqu’en 2027.

  Les revers de la mise en œuvre : Une étude de l’UC Berkeley montre que les outils d’IA intensifient souvent la charge de travail au lieu de l’alléger – ils augmentent la diversité des tâches et suppriment les pauses naturelles. La raison : ceux qui excellaient déjà dans une tâche se freinent souvent quand ils doivent la « réapprendre » avec l’IA. L’adoption réussie nécessite un véritable redesign organisationnel (comme l’électrification n’a eu d’effet qu’après la restructuration des usines) plus une formation des collaborateurs – Citigroup a rendu la formation obligatoire pour 175 000 employés.

  Conclusion du rapport : La disruption liée à l’IA progresse graduellement et cumulativement, et non comme un choc – similairement à la diffusion d’Internet. La transition entre « tester des outils » et la véritable intégration des processus ainsi que la création de flux de travail compatibles avec l’IA reste à venir.

  Sources : Rapport Anthropic, Goldman Sachs (via Washington Post), NBR, PWC Global CEO Survey, Forrester, Stanford AI Index, Boston Consulting Group, UC Berkeley Haas School of Business ; perspective philosophique sur la conception d’« enveloppe » par Luciano Floridi. Format : Deep-Dive/Roundup.

Dave Ebbelaar (1 nouvelle vidéo)

• I Stopped Writing Code – These 5 Skills Are All That Matter
  27.3.2026, 15:59:48

  L’auteur décrit comment il a complètement reconstruit une application de bureau en Rust – une langue qu’il n’avait jamais apprise – en laissant l’IA gérer l’implémentation. Il a découvert que les interventions manuelles sur le code ne causaient que des bugs. Il argumenty que l’implémentation n’est plus le goulot d’étranglement du développement logiciel et que des compétences complètement différentes deviennent maintenant décisives.

  Les cinq compétences critiques sont :

  1. Penser au niveau des composants et non des lignes : Comprendre l’architecture système – comment fonctionnent les flux de données, comment les composants sont connectés, ce qui se passe en cas de défaillance. Le livre « Designing Data-Intensive Applications » est recommandé comme ressource ; avant les projets, il faut rechercher les modèles d’architecture.
  1. Compétence Full-Stack : L’IA peut travailler en parallèle sur le frontend, le backend et les bases de données. Pour la diriger, une personne doit comprendre l’image globale. L’auteur recommande d’adopter un langage de programmation inconnu en une semaine et de construire un projet end-to-end (déploiement, CI/CD).
  1. La communication est la nouvelle programmation : Le langage naturel devient le langage de programmation pour instruire l’IA. Des entrées claires et structurées produisent de meilleurs résultats. Utiliser la reconnaissance vocale plutôt que de taper améliore la clarté des prompts.
  1. Planifier grand, puis simplifier radicalement : L’IA tend à bloater et à générer des tokens inutiles. Le workflow : Vue d’ensemble → Plan → Build → Test → Ruthless Simplify. Cette étape détermine la qualité du code et est ignorée par la plupart. Il faut se demander quelles lignes et quels composants peuvent être supprimés sans casser les tests.
  1. Test systématique : L’IA écrit souvent des tests trop optimistes avec des mocks au lieu d’une vraie validation. Il faut comprendre les frameworks de test et réfléchir de manière critique aux cas limites et scénarios d’erreur qui doivent réellement être testés. Les tests doivent s’exécuter automatiquement dans CI/CD.

  L’approche sépare le travail stratégique (architecture, communication, simplification, tests) de la simple écriture de code et positionne le développeur comme pilote du système IA plutôt que comme codeur.

  Claude a été explicitement mentionné ; format : Opinion/Deep-Dive.

David Shapiro (2 nouvelles vidéos)

• We’re already too late
  28.3.2026, 18:08:10

  Résumé : We’re already too late

  L’auteur présente un concept de « Universal High Income » (UHI) – un système de sécurisation des revenus des ménages dans une économie de plus en plus automatisée. Thèse centrale : le travail salarié disparaît, et trois sources de revenus doivent remplacer les salaires – le capital, les transferts et les revenus résiduels.

  Le problème : La part du travail dans le revenu national a chuté depuis les années 1970, passant de 65 % à 56–58 %. Alors que la productivité a doublé, les salaires ont stagné. Parallèlement, aucun nouveau secteur économique n’a émergé dans lequel la main-d’œuvre pourrait migrer – le secteur tertiaire des services domine déjà avec 65–70 %. Sans paiements de salaires, une spirale déflationniste menaçante s’amorce : les dépenses de consommation représentent 70 % du PIB, mais les impôts sur les salaires et les revenus financent 80–85 % des revenus fédéraux. Le système s’effondre si les propriétaires de capital n’ont plus besoin de travailleurs (les machines suffisent), mais ont désespérément besoin de clients.

  La solution – trois sources de revenus :

  1. Transferts (paiements gouvernementaux) : UBI, revenu garanti, crédits d’impôt, comptes de retraite automatiques, services publics. Exemples : le Permanent Fund de l’Alaska verse environ 13 000 $/famille et réduit la pauvreté de 20–40 % ; les dépenses de transfert américaines s’élèvent déjà à 4 billions $ par an.
  1. Capital public : fonds souverains aux niveaux national (Norvège), étatique (Alaska, Dakota du Nord, Texas) et local (fonds patrimoniaux municipaux). Un fonds américain de 3–5 % du PIB par an, avec un rendement nominal de 7 %, pourrait générer 58 billions $ en 25–30 ans (~14 000 $/ménage à perpétuité).
  1. Capital privé : plans d’actionnariat des salariés (ESOPs ; 6 600 aux États-Unis avec 15 millions de participants, 2× plus d’épargne), Employee Ownership Trusts (Royaume-Uni), baby bonds (~17 000 $ à la majorité), coopératives, DAOs, actions, immobilier.

  Le problème fondamental : le décalage temporel. Les fonds souverains ont besoin de décennies pour se constituer. Les plus anciens du monde (Koweït 1953, Norvège) le démontrent. L’Amérique aurait dû commencer dans les années 1960–70 ; il ne reste maintenant que 10 ans avant une vague d’automatisation attendue (2030–2035). Le simulateur montre que le revenu total des ménages pourrait passer de 83 000 $ aujourd’hui à plus de 500 000 $ (en dollars actuels) d’ici 2050–60, si le capital représente >90 % du revenu au lieu des 5 % actuels. Cependant, l’écart entre la baisse du revenu du travail et la constitution du capital doit être comblé par les transferts.

  Situation actuelle (2024) : 82 % salaires, 13 % transferts, 5 % capital. Objectif : que le capital et les salaires échangent leurs positions, les transferts restant modérés. Facteurs supplémentaires : démonétisation (l’IA rend de nombreuses transactions inutiles) et déflation (les biens numériques deviennent 100–100 000 fois moins chers).

  Financement : TVA, bénéfices des entreprises, taxes sur l’automatisation, taxes sur le carbone, impôt sur la fortune, redevances sur les données/l’IA, taxe sur les transactions financières, taxe sur la valeur foncière. Les impôts sur les salaires et les revenus doivent être remplacés par d’autres sources.

  Conclusion : aucune solution magique n’est nécessaire, seulement combiner plus de 140 interventions documentées dans le monde, mais le temps est le bien critique – chaque année d’attente devient exponentiellement plus coûteuse.

  Opinion/réflexion ; aucun outil IA spécifique mentionné.

• AI isn’t going how we thought it would
  25.3.2026, 11:43:11

  Résumé :

  L’orateur réfléchit sur la raison pour laquelle l’intelligence artificielle ne conduit pas à la révolution créative que beaucoup attendaient. Son argument central : la vitesse de l’IA permet de vider beaucoup plus rapidement les « puits » créatifs (réserves d’inspiration) qu’ils ne peuvent se reconstituer dans la réalité. Il l’illustre avec l’exemple de Suno (un générateur de musique) : en quelques semaines, il a créé quatre albums complets, puis s’est ensuivi année et demie de silence – ce n’est que lorsque sa vie réelle a changé (nouveaux chiens, améliorations de la maison) qu’il a à nouveau eu des impulsions créatives.

  Un deuxième problème, plus important, est le contournement des freins naturels : les processus créatifs traditionnels ont des délais et des points de friction intégrés (acheter des instruments, former un groupe, attendre). Ceux-ci fonctionnent comme un soulagement psychologique. Avec l’IA, l’humain lui-même devient le seul goulot – et sous la mentalité de productivité ancrée dans les cultures occidentales, cela conduit à l’épuisement professionnel.

  Un troisième problème, plus subtil : la vraie satisfaction créative provient de la surprise et de la nouveauté venues de l’extérieur. Si on prend soi-même toutes les décisions (même avec des histoires de choix générées par l’IA), la surprise disparaît. Les contenus auto-générés ou fortement personnalisés « perdent rapidement leur attrait », car ils livrent exactement ce qu’on attend. Après six mois avec Claude et Suno, l’orateur a remarqué : son besoin de vraie nouveauté ne peut pas être satisfait par la personnalisation.

  Conclusion : les humains ont besoin d’entropie externe – de vraies expériences de vie, d’autres personnes dont les outputs créatifs les surprennent. La pure disponibilité (générateurs ouverts) mène à la surcharge et à l’engourdissement. L’observation la plus récente : même l’IA en milieu professionnel est moins utilisée – la nouveauté s’use.

  Commentaire final :

  Opinion/réflexion sur Claude et Suno (ainsi que mentionné : Grok Imagine) – pas des modèles d’IA spécifiques comme thème principal, mais des phénomènes psychologiques fondamentaux autour de l’utilisation de l’IA.

DevExpert – IA para Desarrolladores

Aucune nouvelle vidéo sur cette période.

Everlast AI (3 vidéos nouvelles)

• Claude « Mythos » divulgué, MEGA-plan d’OpenAI, Optimus-3, Terafab, interview TUM & plus d’actualités IA
  29.3.2026, 08:15:00

  Récapitulatif actualités IA : Humanoïdes à la Maison-Blanche, chipfactory Terafab, allemand Robo Gym & mises à jour d’outils

  Robotique et matériel :

  Un robot humanoïde (Optimus 3) s’est présenté à la Maison-Blanche et y a présenté une vision appelée Plato – un robot-tuteur IA pour la maison qui s’adapte au rythme d’apprentissage des enfants. Le vrai point intéressant : Elon Musk finance via son nouveau laboratoire IA « Hark » (100 millions de dollars, avec des experts en design et le Superintelligence Lab de Meta) son propre matériel, logiciel agentique et modèles IA. Le Tesla Optimus Gen 3 devrait bientôt ressembler à « un humain dans un costume ultra-lumineux » avec 22 degrés de liberté dans les mains et capteurs de pression tactiles.

  La plus grande nouveauté : Terafab – une chipfactory en joint-venture de Tesla, SpaceX et xAI sur 9,3 millions de mètres carrés, censée produire des puces avec une consommation énergétique de 1 térawatt par an (50 fois plus que toute la production mondiale de puces IA aujourd’hui). 80% devraient aller à des centres de calcul orbitaux alimentés par des panneaux solaires spatiaux avec une efficacité énergétique quintuplée – Musk prédit que l’espace deviendra le lieu le moins cher pour la puissance de calcul IA dans les 36 prochains mois.

  Allemagne : Neura Robotics boucle un tour d’un milliard d’euros et construit avec la TU Munich le plus grand centre d’entraînement robotique au monde (Robo Gym : 2 300 m² à l’aéroport de Munich, investissement de 17 millions d’euros). Là, des centaines de robots s’entraînent simultanément via apprentissage par démonstration et apprentissage par essai-erreur. Le facteur limitant pour les humanoïdes n’est pas la mécanique, mais les données d’entraînement issues d’interactions réelles – la simulation seule ne suffit pas. Les humanoïdes ont du sens parce que le monde est construit par et pour les humains et que les humains peuvent démontrer les capacités.

  OpenAI & outils de codage :

  OpenAI désactive complètement Sora. Derrière cela se cache stratégiquement plus : les rumeurs disent qu’OpenAI a atteint l’AGI en interne ; l’équipe produit est renommée « AGI Deployment ». L’équipe Sora travaille désormais sur les modèles du monde (centraux pour la robotique). Un nouveau modèle appelé Sputnik devrait arriver bientôt (probablement surnom pour GPT 5.5 ou GPT 6).

  OpenAI Codex reçoit des mises à jour massives : nouveaux Plugins (Slack, Figma, GitHub, Gmail, Google Drive, Notion, Stripe, Hugging Face, etc.), avec lesquels on peut déployer des workflows standardisés dans les équipes. Les plugins regroupent des skills et des apps comme les serveurs MCP.

  Claude Code devient de plus en plus rapidement une super app : nouvelles intégrations d’applications (Figma, Canvas, Slides, Dashboards), Desktop Use (les agents cliquent dans les applications locales, remplissent les formulaires), bientôt Phone Use (contrôle du téléphone). Nouveau Automode en mode Permission : les actions s’exécutent automatiquement, mais un classificateur évalue les commandes sur leur caractère destructif – les actions sûres sont confirmées, les risquées bloquées.

  11 Labs CLI fonctionne désormais Agent-First : les Voice Agents peuvent être créés via ligne de commande au lieu de manuellement via UI. L’outil a par exemple automatiquement analysé un site web, extrait les connaissances pour une base de connaissances et créé à partir de là un agent entrant avec reconnaissance d’intention et des subagents pour différentes demandes. Un grand changement : les Voice Agents ne naissent plus dans les UIs, mais par des agents de codage.

  Google :

  Lyria 3 Pro – prochaine mise à jour pour la génération musicale par IA. Gemini 3.1 Flash Life Preview reçoit une mise à jour massive avec des temps de réaction plus rapides, une intelligence émotionnelle supérieure, une largeur linguistique et un contexte doublé. Agents vocaux nativement multimodaux, multilingues, avec partage d’écran pour les scénarios de support.

  Luma AI (génération d’images par IA) :

  Nouveau modèle Uni One ne fonctionne pas sur base de diffusion, mais autogressif comme un Transformer – réfléchit d’abord à la composition avant de générer. Meilleure précision des pixels, moins de scintillement, détection des détails très précise. Faiblesse : le texte dans l’image est pire que Nano Banana. La fonction agent reconnaît et corrige automatiquement les erreurs.

  Benchmarks & modèles IA :

  Arc AGI 3 Benchmark : les humains marquent 100%, l’IA actuellement moins de 1%. Mesure les capacités complexes de résolution de puzzles visuels.

  Agentica SDK marque 36,08% sur Arc AGI 3 – montre que ce n’est pas le modèle seul, mais les wrappers de framework agent autour des modèles qui apportent les grandes percées.

  Claude Mythos divulgué : Une sous-page Anthropic non publiée indique un nouveau modèle, plus grand et plus intelligent que Opus, censé représenter un « risque cybersécurité immense ». Fuite non confirmée, mais les rumeurs s’intensifient.

  Droit : Anthropic a obtenu une ordonnance de restriction dans le différend avec le ministère américain de la Défense ; une juge fédérale a qualifié la demande du Pentagone de contraire à la constitution (la procédure pourrait toujours faire l’objet d’un appel).

  Outils/fournisseurs mentionnés : OpenAI (Codex, Sora, ChatGPT, Plugins), Claude/Anthropic (Claude Code, Opus, Mythos, Anthropic SDK), Google (Gemini, Lyria, Gemini API), 11 Labs (CLI), Luma AI (Uni One), Neura Robotics, Tesla (Optimus 3, Terafab), n8n, Guardrails – Récapitulatif/mise à jour actu, pour utilisateurs avancés.

• Automatise TOUT avec Claude Code : le tutoriel ultime en allemand (Du débutant au pro)
  26.3.2026, 17:16:16

  Résumé : Automatise TOUT avec Claude Code – le tutoriel ultime

  La vidéo est un guide complet en allemand sur Claude Code, présenté par quelqu’un ayant de l’expérience en conseil IA et implémentation. Elle traite Claude Code comme un changement fondamental dans le développement logiciel et le travail de connaissance – loin du codage manuel vers l’ingénierie agentique.

  Pourquoi Claude Code est important

  Le cours souligne que ce n’est pas juste un outil IA, mais un bouleversement paradigmatique : Andrew Karpathy le compare à un tremblement de terre de magnitude 9 dans le développement logiciel. Claude Code écrit déjà 70-90% du code lui-même, et Anthropic contrôle 70% du marché B2B. L’auteur soutient que l’utilisation traditionnelle manuelle des outils Office par Claude-automation devient obsolète – non seulement pour les développeurs, mais pour tous ceux qui travaillent numériquement.

  Les trois produits Claude

  Le cours distingue : Claude Web Chat (générateur de texte, tâches simples), Claude Cowork (accès aux dossiers locaux, tâches multi-étapes sur jours/semaines) et Claude Code (accès complet au terminal, fichiers, services externes – le produit le plus puissant).

  Concepts centraux : Agent Harness et Context Engineering

  Le point clé : un agent IA = modèle + harness. Le modèle (Opus, Sonnet, etc.) est interchangeable, mais le Agent Harness – l’environnement autour – est ton avantage concurrentiel. Il se compose de règles, fichiers de contexte, skills, serveurs MCP, hooks et subagents. Les cinq principes d’ingénierie Harness d’OpenAI sont : (1) Ce que l’agent ne voit pas n’existe pas pour lui, (2) Capacité manquante plutôt qu’erreur de prompt, (3) Application mécanique plutôt que documentation, (4) L’agent a besoin des yeux (feedback), (5) Une carte plutôt qu’un manuel. Chaque erreur de l’agent devrait mener à une amélioration de l’environnement – pas à un nouveau prompt.

  Installation et modes d’accès

  Il y a cinq façons d’accéder à Claude Code : (1) Web-app (la plus simple, mais limitée), (2) App de bureau (GUI graphique, fonctions restreintes), (3) Extension IDE dans VS Code ou Cursor (bon compromis), (4) Terminal/CLI (fonctionnalités et performance maximales – recommandé), (5) Hébergement VPS (pour des cas d’usage spécifiques, mais avec inconvénients). Le workflow recommandé : Terminal pour les utilisateurs power, IDE pour les projets plus complexes pour la visualisation, app de bureau pour les débutants absolus.

  L’installation se fait via la commande officielle des docs Anthropic, connexion via le compte cloud créé. Le choix du plan : Plan Pro (20$/mois) pour commencer, Plan Max (90$/mois, utilisation 5x) comme standard pour une utilisation active.

  Configuration du projet : cloud.md et paramètres globaux vs locaux

  Claude stocke la configuration dans le dossier caché ~/.claude. Central est le fichier cloud.md – les instructions spécifiques au projet remplacent les configurations globales. Cela permet une configuration de projet standardisée tout en maintenant la cohérence des règles globales. L’exemple montre l’importance de toujours travailler dans les répertoires de projet (via cd), pas dans le répertoire utilisateur global.

  Modes Permission

  • Ask Before Edits (Standard) : demande avant les nouveaux outils
  • Edit Mode : Claude peut éditer les fichiers
  • Plan Mode : analyse seulement, pas d’exécution – pour faire un brainstorm avant la mise en œuvre
  • Don’t Ask Mode : terminal seulement, refuse tout sauf les commandes précédemment autorisées
  • Bypass Mode : désactive toutes les demandes – puissant, mais dangereux

  Exemple pratique d’application

  Le cours montre une automatisation de pipeline de vente : recherche sur l’entreprise Hilti, création d’un tableau de bord, documentation des processus de vente et plus tard une app fullstack pour générer automatiquement des offres. En mode Plan, Claude développe d’abord le plan en trois phases avant la mise en œuvre.

  Outils/fournisseurs explicitement abordés : Claude/Anthropic, OpenAI (comparaison), Cursor, VS Code ; mentionnés : Voicely (transcription européenne), Playwright (automatisation de navigateur), serveurs MCP, GitHub, Hetzner.

  Format : Tutoriel (niveau débutant à avancé), avec étapes pratiques de configuration et bases conceptuelles.

• N°1 investisseur IA : Ces modèles commerciaux MEURENT maintenant ! Agents IA, BCIs & futur (Adrian Locher)
  24.3.2026, 16:15:00

  Résumé : « N°1 investisseur IA – Ces modèles commerciaux meurent maintenant ! »

  Adrian Locher, fondateur du studio de venture IA Merantix, discute avec Leonard Schmedding des changements fondamentaux sur le marché de l’IA.

  Thèses centrales sur les modèles commerciaux qui disparaissent :

  Les Foundation Models comme commodity : Locher s’attend à ce que les grands modèles de langage se développent comme le cloud computing – interchangeables, facturés à l’utilisation, différenciation réduite. La pure vente de tokens des hyperscalers deviendra une infrastructure de base, les profits se concentreront chez les opérateurs d’infrastructure cloud.

  Les subventions ne sont pas durables : Les fournisseurs d’IA comme Cursor (5 000€/mois de subvention) et Anthropic subventionnent massivement leurs produits sans responsabilité réelle envers les clients – le code est extrait et déployé, la plateforme n’est pas intégrée. Cette économie unitaire ne fonctionne pas à long terme.

  Ce qui fonctionne à la place – des solutions verticales spécialisées :

  Locher voit le futur dans des modèles commerciaux verticalement intégrés qui ne vendent pas du logiciel, mais des résultats :

  • Cambrium : Conçoit des biomatériaux via des modèles Transformer pour les séquences de protéines (approche en boucle de labo, teste seulement physiquement les candidats les plus prometteurs).
  • Vara : Dépistage du cancer du sein par IA en Allemagne 50%+ de tous les dépistages mensuels ; projets pilotes en Inde pour la prévention généralisée.
  • Delta : Systèmes de caméra pour les processus d’usine, depuis 2 ans utilisés quotidiennement chez 20+ clients, gains d’efficacité continus.

  Tarification basée sur la valeur : Au lieu de licences utilisateur ou d’abonnements mensuels, la tarification suit le résultat (par ex. traitement de fertilisation réussi). Cela se rapproche davantage du vrai bénéfice client.

  Régulation & boom healthcare :

  Les délais réglementaires ne sont pas un bug, mais une feature pour les startups – les concurrents établis ne peuvent pas simplement suivre avec leur propre code. Une médecine personnalisée (par ex. vaccins ARNm conçus par IA) prend des années à certifier, mais cela crée des moats.

  Bulle & valorisations :

  • Oui, il y a une bulle dans les valorisations de startups (trop de VCs veulent entrer).
  • Chez les hyperscalers : la question n’est pas « s’il y a » une bulle, mais « qui sera le Yahoo, qui sera le Google ». Peut-être que 4-5 grands fournisseurs survivront.
  • 3-5 ans avant que l’IA soit mesurable dans le PIB (comparaison : machine à vapeur ~100 ans, électricité ~50 ans, ordinateur ~20 ans).

  BCIs & cyborgs avant AGI :

  Locher croit que les interfaces cerveau-ordinateur arriveront avant l’IA générale – techniquement plus facile de connecter les humains aux machines que de construire une AGI. Une fois que les BCIs atteindront la maturité commerciale (estimée 3-5 ans pour une utilisation plus large), l’adoption sera rapide – comme ChatGPT en 100 millions d’utilisateurs.

  Europe & Allemagne :

  Ne pas investir dans les Foundation Models (USA/Chine ont un avantage d’échelle), mais dans des solutions verticales dans les forces européennes : healthcare, industrie/robotique, logistique, fintech, sciences des matériaux. Là, les entreprises allemandes/européennes sont déjà leaders mondiaux – et c’est de là que naîtront les champions IA de demain.

  Explicitement mentionnés : OpenAI, Anthropic, Claude, Google (Gemini), Scale AI, SAP ; deep dive avec perspective d’investisseurs/fondateurs.

Fireship (2 nouvelles vidéos)

• Anthropic just released the real Claude Bot…
  26.3.2026, 18:11:51

  Résumé : Anthropic’s Computer Use Feature

  Anthropic a lancé « Computer Use » – une fonctionnalité qui permet à Claude de contrôler de manière autonome l’ensemble de l’ordinateur. Avec une simple commande, Claude peut ouvrir des applications, planifier des tâches, créer des rapports et accomplir d’autres tâches sans avoir besoin d’être physiquement sur l’appareil (accès également possible depuis un smartphone). Actuellement, cette fonctionnalité est limitée à macOS.

  La vidéo compare Computer Use avec OpenClaw (une alternative open source gratuite d’OpenAI) : tandis qu’OpenClaw est gratuit, exécutable localement et indépendant du modèle, Computer Use est payant, propriétaire, disponible uniquement sur macOS et lié à Claude. Cependant, OpenClaw est considéré comme potentiellement risqué – une combinaison d’accès à des données privées, d’exposition à des contenus non sécurisés et de communication externe avec stockage. En revanche, Claude Computer Use adopte une approche « Permission-First » et demande l’autorisation avant d’accéder à de nouvelles applications ou dossiers.

  Les exemples d’application pratiques dans la vidéo sont humoristiques et montrent : Claude pourrait automatiquement rédiger des e-mails, aider à la recherche pour des entretiens d’embauche, gérer les entrées du calendrier, participer à des réunions (avec synthèse vocale IA), écrire du code et soumettre des pull requests en différé – essentiellement un outil de productivité simulée.

  La vidéo est sponsorisée par SerpApi, un service qui donne aux LLM l’accès à plus de 100 moteurs de recherche avec des données structurées en JSON en temps réel.

  Claude/Anthropic, Computer Use et OpenClaw explicitement mentionnés ; avis/réflexion avec éléments de démonstration.

• Tech bros optimized war… and it’s working
  24.3.2026, 18:22:27

  La vidéo traite du Maven Smart System – un système d’exploitation IA fourni par Palantir pour l’appareil militaire américain, conçu pour raccourcir la « Kill Chain » en analysant les flux vidéo des drones, en identifiant, en suivant et en priorisant les cibles. L’infrastructure est soutenue par AWS, Azure et Google ; les drones Ghost proviennent de Palmerlyn. Claude d’Anthropic était à l’origine le modèle de langage principal du système, mais a été remplacé par Sam Altman d’OpenAI après les préoccupations de Daario Amodei concernant les applications militaires.

  En approfondissant techniquement, il est expliqué comment un système similaire pourrait fonctionner avec des outils open source : Apache Kafka pour l’ingestion de données (vidéo de drones, géolocalisation par satellite, etc.), Apache Spark pour le traitement, OpenCV pour la détection d’objets, et Neo4j en tant que base de données graphique pour modéliser les relations entre personnes, véhicules et autres objets. L’ingrédient secret de Palantir est le système « Ontology », qui mappe les données fragmentées de diverses sources dans une structure commune. Open Policy Agent appliquerait les règles, Model Context Protocol et les LLM comme Qwen agiraient comme des agents IA – qui initieraient alors réellement des mesures. La vidéo critique de manière satirique qu’il n’y a plus qu’un bouton « Accepter tous les cookies » entre l’analyse des données et le lancement de roquettes.

  Tracer – un outil de sponsoring pour le développement axé sur les spécifications avec intégration d’agents – est mentionné comme une solution pour les équipes souhaitant construire des logiciels prêts pour la production avec des agents.

  Palantir, OpenAI, Anthropic et outils open source (Apache Kafka/Spark, Neo4j, OpenCV, Open Policy Agent, qwen) ont été l’accent – vidéo au format avis/satire avec approfondissement technique.

Greg Baugues

Aucune nouvelle vidéo pendant cette période.

IA et Stratégie | Le SamourAI (2 nouvelles vidéos)

• +70 % de « Fondateurs » sur LinkedIn : L’erreur fatale de toute une génération face à l’IA
  27.3.2026, 16:00:42

  Résumé : +70% de « Fondateurs » sur LinkedIn – L’erreur fatale d’une génération entière face à l’IA

  L’auteur analyse un phénomène : 70% de titres « fondateur » supplémentaires sur LinkedIn cette année – non pas résultant d’opportunités réelles, mais d’une fuite devant un marché du travail en effondrement. Ce n’est pas une victoire, mais un piège structurel.

  Le problème central : L’IA abaisse les barrières à l’entrée de l’entrepreneuriat (n’importe qui peut construire un MVP en un week-end), mais détruit simultanément les conditions d’apprentissage qui permettent aux entrepreneurs de survivre. Les juniors ne peuvent plus commettre leurs erreurs en tant qu’employés, construire leur expertise sectorielle, affûter leur jugement – c’était le « bac à sable ». Au lieu de cela, ils sont jetés directement dans le domaine entrepreneurial difficile, tandis que tous les autres ont la même arme IA. La concurrence écrase les débutants sans véritable expertise métier.

  Le cercle vicieux : Absence d’emplois pour débutants → Fuite vers le freelance/startup → L’IA rend l’exécution bon marché comme la saleté → personne ne se distingue par le code/contenu → Échec faute de jugement, distribution, réseau → Encore plus de pression, démarrage encore plus rapide.

  Mais ce n’est qu’un côté de la médaille. Les grandes corporations technologiques intelligentes (IBM, Shopify) triplent/décuplent en parallèle leurs embauches de juniors – non pas pour l’exécution (que fait l’IA), mais comme professionnels « nés avec l’IA » : des gens qui pensent l’IA comme une extension naturelle de la pensée (outils comme Cursor, Claude, Perplexity), pas comme des auxiliaires. Ils deviennent des « chefs d’orchestre » des modèles – spécifiant précisément, évaluant critiquement, apportant du contexte.

  Quatre types de jugement deviennent maintenant centraux :

  1. Jugement de délégation : Devrais-je confier cela à l’IA ?
  2. Jugement de spécification : Qu’exactement demandé-je à l’IA ?
  3. Jugement d’évaluation : Est-ce vraiment bon ?
  4. Jugement organisationnel : Est-ce la bonne solution pour cette organisation/ce moment ? (Les agents ne voient pas cela)

  Le retournement stratégique : Les mêmes forces qui te tirent vers le bas (absence d’emplois → Pression → Startup sans expérience) peuvent te catapulter vers le haut – mais avec un point d’entrée inversé. Celui qui comprend comment entraîner le jugement peut compresser cette courbe de façon exponentielle : Avec l’IA, tu peux parcourir en quelques semaines des scénarios qui prenaient autrefois des années. Non pas en laissant la machine faire ton travail, mais en l’utilisant comme terrain de simulation.

  Mise en garde contre le théâtre : Beaucoup de grandes corporations (Deloitte, entreprises SaaS) rebaptisent les anciennes fonctions avec le nouveau jargon IA (« vibe coding », noms de niveau alphanumériques). C’est du cosmétique. La vraie ligne se trace entre les organisations qui pensent nativement en IA et celles qui restent bloquées dans l’héritage – ces dernières écrivent leur propre billet d’obsolescence.

  Nouvelle tendance à l’horizon : Mistral « Forge » et surveillance matérielle (données Slack, caméras Office) convertissent la culture d’entreprise interne, les rapports de pouvoir, les schémas de communication en modèles IA propriétaires. La zone grise de la collecte de données reste sous-réglementée jusqu’en août 2026.

  Début pratique : Chaque semaine, recompte toi-même : Combien valides-tu aveuglément depuis la machine versus combien construis-tu toi-même ? C’est ton taux de dette d’apprentissage en direct. Ensuite, prends une tâche répétitive et traite-la comme un exercice de jugement (déléguer oui/non + pourquoi ? → spécification précise → vraie évaluation). Répète le schéma 10 fois jusqu’à ce que le mode de pensée natif s’enclenche.

  Le point central : L’entrepreneuriat n’est pas la solution de fuite (90% de taux d’échec), mais une option – seulement avec un vrai jugement du terrain, pas du storytelling LinkedIn.

  Thématisé : IA en général (Claude, Cursor, Perplexity mentionnés), IBM, Shopify, Mistral Forge, Deloitte ; Format : Opinion/réflexion, plongée profonde dans la mécanique du marché et la stratégie.

• 40 millions de vues en 12h : Claude « Computer Use » enterre le travail de bureau ?
  24.3.2026, 17:11:59

  Claude « Computer Use » – Résumé

  Anthropic a démontré avec « Computer Use » une nouvelle étape de développement des agents IA : au lieu de simplement faire des suggestions ou de fonctionner isolément dans des applications, Claude peut maintenant contrôler directement l’écran – utiliser la souris et le clavier, naviguer entre de vraies applications et orchestrer des tâches complexes en plusieurs étapes. Cela diffère fondamentalement des niveaux précédents : les chatbots (2022) répondaient aux questions, les copilotes (2023) proposaient du code, les orchestrateurs (début 2026) coordonnaient les fichiers entre applications – maintenant vient l’exécution complète sans intégration API, même dans les systèmes hérités anciens.

  La tension centrale ne porte pas sur les fonctionnalités, mais sur l’architecture de la question de confiance : trois modèles concurrencent. Le modèle local et ouvert (Open Claw) promet un contrôle maximal, mais mène au chaos de sécurité (centaines de plugins malveillants, failles d’exécution de code à distance). Le modèle gestionnaire cloud (Perplexity) offre la gouvernance et les journaux d’audit, mais envoie toutes les données (e-mails, fichiers, Slack) via des serveurs externes – risque de conformité pour les entreprises réglementées, 200 dollars/mois. Le modèle intégré au système d’exploitation (Google Gemini, Microsoft Copilot) est fluide, mais te verrouille dans un écosystème. Claude prend un chemin du milieu controversé : exécution locale, contrôle des permissions avec délai d’expiration de 30 minutes, mais – c’est critique – Claude envoie continuellement des captures d’écran aux serveurs Anthropic pour contrôler la souris. Tu obtiens le contrôle de l’action, pas celui des données.

  Limites réalistes : Claude Computer Use est encore un prototype de recherche (macOS, abonnements Pro/Max uniquement, l’écran doit être actif). Sur 240 commandes de test réels, l’automatisation complète de bout en bout n’a fonctionné que dans 2,5 % des cas ; plus de 75 % des tâches de bureau complexes échouent. Ce n’est pas inutile, mais cela calibre les attentes : applicable pour des tâches peu risquées et modérément complexes (entrer des chiffres d’e-mails dans Excel, compiler des résumés), mais pas pour les données sensibles, les processus critiques pour la conformité ou le déploiement en entreprise.

  Décalage stratégique : Ceux qui jusqu’à présent vendaient du temps contre des produits de bureau (formatage, reporting, extraction de données) perdent l’avantage concurrentiel – non pas parce que l’IA fait le travail, mais parce que le décideur lui-même peut piloter l’agent. La prime se déplace vers le gestionnaire de risques, celui qui sait ce qu’on peut et combien on peut déléguer. Deux signaux à surveiller : (1) Computer Use sur Windows (70 % du marché mondial), (2) Mode entreprise avec journaux d’audit et contrôle granulaire des applications avant mi-avril. Un troisième, spéculatif : « Phone Use » – agents sur smartphones.

  Anthropic construit une architecture, pas des fonctionnalités isolées : protocole MCP → Skills personnalisés → Application de bureau → Code cloud → Cowork (janvier) → Dispatch (la semaine dernière) → Computer Use (hier). Chaque bloc renforce le suivant. Les startups qui misent sur l’automatisation de poste de travail sont rendues obsolètes par une mise à jour lundi soir – problème systémique du marché du capital-risque en IA.

  La couche invisible : Computer Use donne à Claude accès à la quatrième couche de données des entreprises – l’implicite, que les bases de données ne capturent jamais (politique interne, intelligence émotionnelle, micro-décisions, fichiers supprimés, hésitations lors du remplissage de cellules). Celui qui contrôle l’agent de bureau cartographie les processus réels en direct – ce qui coûterait des mois aux cabinets de conseil. Sur le marché du travail : les emplois d’exécution perdent, les emplois de pilotage et de gouvernance des risques naissent.

  Test pratique : Avec Computer Use, ouvre le dernier e-mail client, extrait les chiffres trimestriels, mets à jour Excel, crée un nouveau graphique en barres – en une seule instruction, sans copier-coller.

  Claude, Anthropic, Open Claw, Perplexity, Google Gemini, Microsoft Copilot thématisés – Opinion/réflexion, plongée profonde.

Julian Ivanov | Automatisation IA (1 nouvelle vidéo)

• OpenClaw Kurs für Einsteiger: Alle Konzepte einfach erklärt
  23.3.2026, 19:10:14

  Cours OpenClaw pour débutants : tous les concepts expliqués simplement

  La vidéo explique systématiquement comment fonctionne OpenClaw – un système d’agents open-source qui, contrairement à ChatGPT, ne s’exécute pas dans une interface, mais sur un ordinateur ou un serveur, crée des fichiers, exécute des programmes et effectue de manière proactive des tâches en arrière-plan.

  Bases et installation : OpenClaw est gratuit (Open Source), mais ne doit pas être installé sur votre ordinateur personnel principal. Préférable : un ancien portable, un Mac Mini ou un VPS bon marché (serveur virtuel) auprès de prestataires comme Hetzner ou Hostinger – l’agent fonctionne ainsi 24h/24 et se sépare proprement de vos données personnelles.

  Coûts et modèles : OpenClaw a besoin d’un modèle IA en arrière-plan. Deux voies : (1) Clé API avec paiement à l’usage (les jetons sont facturés par action, peut devenir coûteux), ou (2) OAuth via un abonnement existant comme ChatGPT Plus (~20€/mois). OpenAI autorise officiellement OAuth ; Anthropic l’a bloqué ; Google se situe dans une zone grise. Important : OpenClaw consomme bien plus de jetons que les chatbots normaux, car l’agent pense dans une boucle, observe, agit et envoie ses fichiers de configuration à chaque appel.

  Le cerveau de l’agent (fichiers centraux dans l’espace de travail) :

  • Soul.md : définit la personnalité, les règles de comportement, les valeurs
  • Identity.md : nom, ambiance, emoji de l’agent
  • Agents.md : le manuel d’exploitation avec les instructions et limites primordiales
  • User.md : qui vous êtes (nom, fuseau horaire, langue, projets, préférences)
  • Tools.md : notes pratiques sur les connexions d’outils
  • Memory.md et Daily Notes : mémoire à long terme et mémoire quotidienne de l’agent

  L’agent utilise une boucle d’agent (Think-Observe-Act) : une boucle de réflexion, d’observation et d’action jusqu’à ce qu’une tâche soit achevée. Un moteur contextuel orchestre les informations qui entrent dans la fenêtre de contexte et compresse les anciennes parties de conversation – les nouveaux plugins comme Lossless Claw construisent un graphe de connaissances au lieu de supprimer les messages.

  Communication et configuration multi-agents : La passerelle est l’interface centrale. Chaque message arrive par un canal (Telegram, WhatsApp, Slack, Discord, Signal, Teams, etc. – 20+ plateformes), la passerelle l’achemine vers le bon agent. Chaque session est une conversation indépendante ; plusieurs sessions s’exécutent en parallèle indépendamment. La passerelle utilise une file d’attente pour traiter les messages dans l’ordre.

  Vous pouvez avoir plusieurs agents dans une passerelle (par ex. Assistante personnel, Agent de codage, Agent commercial) – chacun a son propre espace de travail et liaison de canal. Un Subagent en revanche est temporaire : il est lancé spontanément par l’agent principal pour une sous-tâche, dispose de son propre contexte et renvoie le résultat sans surcharger l’agent principal (prévient la dégradation contextuelle).

  Automatisation :

  • Heartbeat : La passerelle réveille l’agent toutes les 30 minutes et demande via la Heartbeat.md s’il y a des tâches en attente. Chaque heartbeat est un appel API avec des coûts de jetons – utilisez un modèle bon marché ici.
  • Tâches Cron : tâches programmées à des heures fixes (par ex. 7h du matin briefing, lundi 9h audit de sécurité).

  Extensions :

  • Skills : fichiers Markdown avec instructions concrètes pour les tâches régulières (par ex. rédiger des articles de blog dans un format spécifique). Peuvent contenir des ressources supplémentaires (PDFs, scripts Python). Les Skills sont disponibles sur la place de marché communautaire Claw Hub – on doit y vérifier l’analyse de sécurité.
  • Serveurs MCP et outils CLI : normes pour l’intégration d’outils externes ; les outils CLI sont plus efficaces en jetons.
  • Plugins : packages complets comprenant Skills + ressources (par ex. Lossless Claw comme plugin de moteur contextuel, ou plateformes de messagerie).
  • Nœuds : appareils que vous connectez à OpenClaw (par ex. lunettes intelligentes, iPad) – expérimental, par exemple via Vision Claw.

  La vidéo est accompagnée du tableau de bord de la passerelle, où vous créez des agents, configurez les canaux, visualisez les fichiers centraux et gérez les Skills/Cronjobs.

  Remarque : Pas de transcription explicite pour la partie sécurité à la fin ; la vidéo doit montrer comment installer OpenClaw de manière sécurisée sur un serveur.

  OpenAI (via OAuth/API) et Anthropic (Claude, clé API), Ollama Cloud, Open Router mentionnés ; tutoriel avec parties d’approfondissement.

Kyle Balmer | AI with Kyle (10 nouvelles vidéos)

• Your Website Probably Doesn’t Need SEO
  27.3.2026, 19:00:05

  La vidéo traite principalement de deux sujets : la création de sites web avec Claude et la question de savoir si le SEO est nécessaire pour chaque site.

  Création de sites web avec Claude :

  Claude peut aider à créer des sites web. La méthode la plus simple est d’utiliser l’application Claude Desktop (disponible sur claude.com/download), qui contient Chat, Claude Cowork et Claude Code – techniquement, la variante en ligne de commande est plus puissante, mais l’application est plus conviviale pour les débutants. Pour un site web en direct, il faut un hébergement et un nom de domaine. Un domaine coûte environ 10 $ par an (par exemple via Namecheap), et l’hébergement est gratuit via Vercel (jusqu’à une certaine popularité, puis 20 $/mois) ou Netlify. Autres outils de la pile standard : GitHub, Supabase, Stripe pour les paiements, Resend pour les e-mails transactionnels, Beehiiv pour les e-mails marketing, PostHog et Google Analytics.

  Le SEO n’est pas nécessaire pour tous les sites :

  L’orateur affirme que le SEO n’est pas systématiquement judicieux pour chaque site. Les sites avec peu de contenu (par exemple, de simples landing pages ou pages de vente sans blog) sont considérés par Google comme des « thin sites » et sont difficiles à classer. En comparaison : aiwithkyle.com avec environ 2,5 millions de mots est un bon objectif pour le SEO. Pour de nombreuses entreprises, d’autres canaux fonctionnent mieux – les réseaux sociaux, la publicité payante ou le marketing viral. Exemple : un jouet viral sur TikTok (une boîte avec des interrupteurs et une pieuvre pop-up) ne sera jamais trouvé via la recherche Google ; les réseaux sociaux et la publicité sont les canaux pertinents. Conclusion : l’investissement en SEO doit être lié aux besoins commerciaux réels, et non supposé par défaut. À la fin, l’orateur mentionne une newsletter avec une checklist pour les audits et l’implémentation du SEO avec Claude, et brièvement comment Claude et ChatGPT trouvent des erreurs différentes lors de la vérification mutuelle du code.

  La vidéo mentionne explicitement Claude (application Desktop et Code) et ChatGPT en comparaison ; les autres outils mentionnés sont Vercel, Netlify, Namecheap, GitHub, Supabase, Stripe, Resend, Beehiiv, PostHog et Google Analytics — Opinion/réflexion avec conseils pratiques.

• Replace your SEO agency with AI (Full Guide)
  27.3.2026, 07:00:35

  Remplacer votre agence SEO par l’IA (Guide complet)

  L’orateur montre comment remplacer les agences SEO par Claude IA et un Skill gratuit appelé Claude SEO. Les agences traditionnelles facturent plusieurs milliers de dollars par mois pendant au moins six mois et travaillent souvent comme une boîte noire – l’approche avec Claude ne coûte que l’abonnement Claude Pro (20 $ par mois).

  Le Skill Claude SEO (développé par Rishi Daniel, gratuit sur GitHub) effectue automatiquement plusieurs analyses : SEO technique, analyse on-page, qualité du contenu (scoring EEAT), Schema Markup, optimisation des images et optimisation pour la recherche IA. L’installation est simple via l’application Claude Desktop – on copie le lien GitHub et Claude installe le Skill. L’audit s’exécute automatiquement (plusieurs heures voire toute la nuit pour les grands sites) et fournit une ventilation granulaire avec des stratégies de mots-clés, des lacunes de contenu et des recommandations d’action concrètes.

  Après l’audit, on intègre les résultats dans Claude Code pour mettre en place automatiquement les corrections : générer des balises meta, intégrer le Schema Markup, optimiser le contenu. L’orateur recommande d’automatiser ces tâches avec des Scheduled Tasks – par exemple, traiter 20 pages chaque nuit et fournir un rapport le matin. Avancé : les MCPs (Model Context Protocol) connectent Claude directement à SEMrush, Google Search Console, Google Analytics et PageSpeed Insights pour les données en direct dans l’audit.

  Attention : tous les sites n’ont pas besoin de SEO. Les landing pages ou les sites portfolio avec peu de contenu en bénéficient à peine ; les réseaux sociaux et la publicité sont plus efficaces. Le SEO est un canal parmi d’autres, pertinent uniquement si les gens le recherchent organiquement.

  La présentation couvre Claude comme modèle d’IA, utilise le Skill Claude SEO gratuit et mentionne Claude Code et les MCPs ; c’est un tutoriel avec format Q&A en direct.

• Why Anthropic Is Winning the AI Agent Race Right Now
  26.3.2026, 19:00:27

  L’auteur de la vidéo analyse pourquoi Anthropic mène actuellement la course aux agents IA. Il la contextualise dans quatre grandes percées en IA : GPT-3.5 (preuve de concept), GPT-4 (reconnaissance du potentiel), les modèles de raisonnement comme o1 (résolution de problèmes plus complexes) et enfin en décembre 2024 les modèles agentiques – le tournant où l’IA ne se contente plus de répondre, mais agit autonomement pour nous.

  L’accent porte sur deux systèmes concurrents : OpenClaw (anciennement Clawdbot), un projet open source très puissant mais risqué – il nécessite des connaissances en ligne de commande, un durcissement de la sécurité et une configuration VM/VPS. Il y a eu des histoires horrifiantes (clés API volées, boîtes de réception supprimées). La réponse d’Anthropic est Claude Cowork et Claude Code, qui offrent essentiellement la même fonctionnalité dans un environnement plus contrôlé et sécurisé – moins de puissance, mais nettement plus de sécurité. L’ajout du Computer Control (un Mac mini peut être contrôlé à distance par Claude) rapproche ces fonctionnalités de celles d’OpenClaw.

  L’auteur considère Anthropic comme le vainqueur clair : ils observent ce qui rend OpenClaw populaire, documentent les fonctionnalités et les mettent en place itérativement et publiquement via sa grande équipe d’ingénieurs. OpenAI, en revanche, travaille secrètement avec Peter Steinberger (créateur d’OpenClaw) sur une version ChatGPT. Le problème : construire secrètement empêche les retours directs des utilisateurs, dont Anthropic bénéficie grâce aux lancements publics et au dialogue sur Twitter – ce qui permet une itération et une amélioration plus rapides.

  Thématisé : Claude/Anthropic, OpenClaw, OpenAI, avec des mentions de Perplexity Computer et Manus Agent comme alternatives. — Opinion/réflexion.

• AI Latest: OpenAI Shuts Down Sora, Disney Drops $1B Deal, Claude Does Your Job For You
  26.3.2026, 06:45:08

  Résumé : AI Latest – Arrêt de Sora par OpenAI, accord Disney, Claude reprend vos emplois

  OpenAI ferme Sora – l’application de génération vidéo est complètement arrêtée, y compris l’API. La raison : Sora était trop chère, il y a eu trop peu d’adoption après le battage initial d’une à deux semaines, et les modèles concurrents chinois sont meilleurs et moins chers. En interne, le personnel d’OpenAI a été informé par Fidji Simo que l’entreprise ne pouvait pas se laisser distraire par des « Side Quests », tandis qu’Anthropic gagne en force sur les marchés d’entreprise et du codage. Cela indique une restructuration – OpenAI se concentre sur ce qui rapporte de l’argent.

  La véritable raison : un changement de modèle commercial. OpenAI gagne principalement via les abonnements grand public (20 $/mois, plus de 5 milliards de dollars de revenus), tandis qu’Anthropic se concentre sur les revenus d’API des entreprises. Anthropic génère des revenus similaires ou supérieurs avec 30-40 millions d’utilisateurs par rapport à OpenAI avec 900 millions d’utilisateurs, mais avec une bien meilleure rentabilité. OpenAI en tire les conclusions : abandon des fonctionnalités ludiques comme Sora, passage à une API commerciale stable et profitable et aux applications de codage.

  L’accord Disney s’effondre : L’investissement d’un milliard de dollars de Disney dans OpenAI est mort car il était lié à Sora. Disney voulait libérer les personnages (Marvel, Star Wars, Pixar) pour les vidéos générées par les utilisateurs dans Sora, possiblement intégrées à Disney+. C’était stratégiquement judicieux pour Disney : le jeune public ne regarde plus de longs métrages, mais des vidéos de courte durée. À la place, Google va probablement entamer des discussions avec Disney, car c’est le meilleur candidat pour un partenaire de génération vidéo. Apple aurait la connexion (propriété de Pixar), mais n’a pas de modèles pour cela. Disney conclura probablement un accord avec Google, tout en continuant les menaces légales contre les plateformes chinoises.

  Situation juridique : Les studios (Disney, Warner, NBC Universal) poursuivent Midjourney et autres ; Disney a envoyé un Cease-and-Desist à Meta et Character AI. Le schéma : les anciennes entreprises médias perdront l’interdiction, comme avec le contenu textuel (New York Times, Reddit ont tous entraîné les modèles), mais finalement conclure des accords de licence avec des laboratoires d’IA – avec Anthropic, OpenAI, Google. La Chine n’est pas une option pour Disney.

  Pivot OpenAI visible : La fonction Shopping (Instant Checkout) est supprimée car elle ne fonctionnait pas. Les applications de la boutique ChatGPT sont également déprioritisées. Partout, les fonctionnalités supposément cool sont supprimées.

  Anthropic vs. OpenAI – Comparaison des lancements (2 derniers mois de 2026) : Anthropic a lancé : Claude Cowork (janvier), fonctionnalités Code, Memory, Marketplace, Ambassadors, Excel/Slides Skills, fenêtre de contexte de 1 million de tokens, Dispatch pour Mobile, Channels (intégration Slack/Discord), Cloud Computer Use (hier). OpenAI : barre de recherche dans ChatGPT, bibliothèque de captures d’écran, Codex pour les étudiants avec 100 $ de crédits. La divergence est radicale – Anthropic est en mode de lancement, OpenAI semble paralysée par la focalisation sur l’IPO.

  Claude Cowork vs. Open Claw : Open Claw (projet agentique décentralisé) était la révolution en décembre 2025, mais risqué (accès shell, sécurité, suppressions de boîte de réception). Cowork est le moyen sûr et géré (puissance limitée, plus de sécurité). Computer Use (nouveau) rapproche Cowork des capacités d’Open Claw, mais reste isolé dans un bac à sable.

  Revenus grand public vs. API : OpenAI paie massivement les coûts d’infrastructure pour 900 millions d’utilisateurs avec une faible marge ; l’abonnement grand public s’effondre facilement face aux controverses (accord Pentagone : 3-4 millions de personnes vers Anthropic). Anthropic est délibérément peu attrayant pour le forfait 20 $/mois – l’objectif est l’API et les forfaits supérieurs (100-200 $/mois). Cela explique la promotion Double Usage (tapis de bienvenue pour les nouveaux venus) et l’investissement dans les outils agentiques.

  Edge AI et goulots d’étranglement matériels : La RAM et les GPU sont achetés par les laboratoires d’IA ; PlayStation 5 est plus chère qu’au lancement (sans précédent historiquement). Cela freine le matériel IA local. La Chine a libéré les modèles open source au lieu d’une API payante, stabilisant les pays en développement, c’est une stratégie de soft power contre les laboratoires américains.

  Outils en détail : Cursor se trouve dans une position médiane inconfortable entre Lovable (convivial, gratuit) et Claude Code Desktop (puissant, 100-200 $) ; Cursor pourrait être écrasé. Vibe Coding est l’entrée recommandée.

  La vidéo fournit une substance sur la restructuration d’OpenAI, la domination d’Anthropic, la stratégie Disney et la réorientation du marché de l’IA des jouets grand public vers la rentabilité de l’API B2B — pas un survol superficiel.

  Explicitement thématisé : OpenAI, Claude / Anthropic, Cursor, Lovable, Google Gemini, Open Claw, Midjourney, modèles chinois — Format Roundup / Mise à jour d’actualité.

• Claude Computer Use Just Changed Everything
  25.3.2026, 18:45:00

  Claude a activé Computer Use – une fonctionnalité qui permet au modèle IA d’accéder à votre ordinateur et d’exécuter des tâches. La fonctionnalité n’est disponible que dans l’application Claude Desktop (pas sur claude.ai), s’active via Paramètres > Général > Computer Use et fonctionne comme un mécanisme de secours : Claude tente d’abord de travailler via un connecteur, puis via le navigateur, et enfin en contrôlant directement l’écran. La configuration est nettement plus simple que celle d’O1 d’OpenAI, ne nécessite pas de connaissances en ligne de commande et s’intègre de façon transparente.

  C’est particulièrement puissant grâce à l’accès à distance : vous pouvez contrôler votre ordinateur local toujours allumé (par exemple, un Mac Mini) de n’importe où en envoyant des instructions via Dispatch, Claude Code ou Channels (intégration Slack, Telegram, Discord). Par exemple, Claude pourrait récupérer des fichiers de votre bureau et les télécharger vers Google Drive pendant que vous êtes en déplacement.

  Anthropic travaille sur plusieurs outils en parallèle (Cowork, Claude Code, Dispatch, Remote Control, Channels), mais prévoit à moyen terme d’unifier cette structure fragmentée. Actuellement, Claude concurrence OpenClaw (open source, gratuit, mais nécessite une connexion API et une configuration LLM locale – développé par Peter, qui travaille maintenant chez OpenAI), Perplexity Computer (200 $/mois, critiqué comme étant plus lent et moins performant) et le mode Agent de Meta’s Llama. La conclusion : Claude impressionne par les sorties de fonctionnalités hebdomadaires, l’intégration avec les propres modèles les plus puissants (Opus 4.6, Sonnet 4.6) et un écosystème fermé – alors pourquoi payer plus pour Perplexity ?

  Claude (Computer Use, Claude Code, Cowork), OpenAI (O1), OpenClaw, Perplexity, Meta/Llama — Opinion/critique, avec comparaison.

• Claude Can Now Control Your Entire Computer (FULL Explainer)
  25.3.2026, 05:00:18

  Claude peut maintenant contrôler tout votre ordinateur – Résumé

  Anthropic a lancé hier une nouvelle fonctionnalité avec laquelle Claude peut prendre le contrôle de votre ordinateur – appelée Computer Use. C’est un changement significatif : tandis qu’auparavant on posait des questions à l’IA et qu’on devait coller manuellement le résultat ailleurs, les systèmes agentiques peuvent maintenant exécuter des tâches de manière autonome. Claude Computer Use ouvre des applications, navigue sur le navigateur, remplit des tableaux et peut accéder directement au bureau sur Mac – d’abord sur macOS, Windows arrivera dans quelques semaines.

  La fonctionnalité fonctionne dans une hiérarchie : Claude tente d’abord de travailler via des connecteurs directs (APIs, MCPs) comme Gmail, Slack ou Excel – c’est le plus rapide. Si ce n’est pas possible, il utilise l’extension Chrome et navigue sur le navigateur. En secours, il contrôle ensuite directement votre écran, prend des captures d’écran/vidéos et clique – c’est cependant nettement plus lent.

  Anthropic a maintenu un rythme rapide ces trois derniers mois : Claude Opus et Sonnet 4.6, intégration PowerPoint/Excel, Claude Code avec contrôles de sécurité, contrôle à distance par téléphone, Scheduled Tasks, Memory, Marketplace, Dispatch (accès téléphone à Cowork), Channels (intégration Slack/Telegram) et maintenant Computer Use. L’écosystème en constante expansion permet d’envoyer des instructions à votre ordinateur de n’importe où – soit via l’application Desktop ou via Dispatch/Remote Control/Channels.

  Pour installer : téléchargez l’application Claude Desktop, connectez-vous avec votre compte, sous Paramètres → Général → Computer Use activez la fonctionnalité. C’est tout – pas besoin de configuration en ligne de commande comme avec OpenClaw. Important : Computer Use nécessite le forfait Max, mais s’exécute nettement plus sécurisé qu’OpenClaw avec des protections intégrées (permissions par application, analyse d’injection de prompts, blocage des applications crypto et des données sensibles).

  OpenClaw avait déjà démontré la demande pour des assistants autonomes – c’était cependant trop technique (ligne de commande, clés API, possiblement matériel dédié) et avait des problèmes de sécurité. Claude Computer Use démocratise cette fonctionnalité. Cependant : il y a un risque car le système s’exécute sur votre ordinateur principal. Recommandation de sécurité : ne lui donnez pas d’accès aux services bancaires, aux finances, aux documents juridiques ou aux données clients ; attendez peut-être quelques semaines jusqu’à ce que les premières failles soient comblées.

  Des concurrents comme Perplexity Computer (200 $/mois) ou Manus Agent semblent dépassés face à ce rythme d’Anthropic. La tendance générale depuis décembre 2025 : l’IA passe du « Chatting » au « Doing » – les systèmes sont maintenant assez bons pour faire du vrai travail. Cela abaisse les barrières pour quiconque veut construire.

  Format & Outils : Deep-dive sur Claude (Anthropic) avec démo pratique et aperçu de tout l’écosystème, y compris comparaison avec OpenClaw, Perplexity et Manus.

• What Tools Do You Actually Need to Sell Online?
  24.3.2026, 23:00:41

  Traitement des paiements : Pour les paiements, l’auteur recommande Stripe comme processeur de paiement standard (frais de 3 % par transaction), mais mentionne aussi des alternatives comme Paddle, Lemon Squeezy et Braintree. Pour les scénarios de vente plus complexes – Order Bumps, Abonnements, Paiements en crypto, Ventes d’affiliation, Coupons, Téléchargement de factures, Plans de paiement via Klarna – il utilise lui-même Thrive Cart (environ 500 $ une seule fois), qui s’appuie sur Stripe et offre bien plus de fonctionnalités de commerce électronique que Stripe pur avec ses exigences techniques complexes.

  Systèmes d’e-mail : Ici, on distingue deux catégories. Pour les e-mails transactionnels (confirmations d’achat, réinitialisations de mot de passe, factures), l’auteur utilise Resend, qui s’intègre à l’application et se connecte via Claude, Lovable ou d’autres outils de codage. Pour les e-mails marketing et de contenu, il recommande Beehive (gratuit jusqu’à 2 500 abonnés, puis à partir de 60 $/mois ; il paie environ 300 $ par mois pour environ 45 000 abonnés). Comme alternative pour les pures newsletters, il mentionne Substack. Les deux services nécessitent la validation de son propre domaine via des enregistrements DNS chez Namecheap, ce qui est techniquement complexe la première fois, mais semble plus simple à chaque fois.

  Conclusion : L’auteur soutient que la mise en place répétée d’une telle infrastructure augmente les chances de succès – ceux qui lancent plusieurs entreprises deviennent plus expérimentés à chaque fois.

  Thématisé : Stripe, Thrive Cart, Resend, Beehive, Substack, Namecheap, Claude, Lovable ; Format : Opinion/réflexion avec recommandations pratiques.

• So you’ve Vibe Coded something brilliant — Now what?
  24.3.2026, 13:33:19

  Résumé : So you’ve Vibe Coded something brilliant — Now what?

  L’orateur présente une pile technologique complète pour passer à l’échelle des applications Vibe-Coded de la phase de preuve de concept au déploiement commercial. Il structure le guide dans des outils progressifs :

  Idéation & Codage : Lovable (payant à partir d’environ 20 $/mois), Google AI Studio Build Mode (gratuit) ou Claude Code/Codex (pour les utilisateurs avancés, Claude Code 200 $/mois).

  Contrôle de version & Stockage : GitHub stocke le code de façon centralisée et permet le branchement pour un développement sécurisé parallèlement à la version en direct ; gratuit jusqu’à un grand nombre d’utilisateurs.

  Base de données & Authentification : Supabase gère les données utilisateur de manière sécurisée, gratuit jusqu’à 50 000 utilisateurs actifs mensuels ou 500 MB de trafic de données, puis 25 $/mois.

  Hébergement & Domaine : Vercel héberge l’application (gratuit initialement, 20 $/mois typiquement), domaine de Namecheap (environ 10 $/an).

  Traitement des paiements : Stripe (configuration gratuite, frais de 3 % par transaction) ; optionnellement Thrive Cart (environ 500 $ une seule fois) pour des fonctionnalités étendues comme les abonnements, les ventes d’affiliation et l’automatisation fiscale.

  E-mails : Resend pour les e-mails transactionnels (confirmations, factures) et Beehive pour les e-mails marketing/newsletter (gratuit jusqu’à 2 500 abonnés, puis environ 60 $/mois).

  Analytics : PostHog (gratuit) pour le suivi des utilisateurs et les expériences ; inclut maintenant l’analyse de données assistée par IA.

  L’orateur souligne que les coûts globaux au démarrage sont proches de zéro et ne s’accumulent que lorsque le trafic augmente – à ce moment-là, l’entreprise devrait déjà être rentable. Il met en garde contre l’erreur courante d’acheter de nombreux domaines et recommande d’utiliser un prompt dans Claude ou ChatGPT pour obtenir un plan structuré étape par étape. Les discussions couvrent également Claude Code par rapport à Open Claw (ce dernier étant considéré comme moins sûr), la possibilité de projets gratuits/à but non lucratif (via des dons ou GitHub Pages) et la rapidité de l’évolution de l’écosystème de l’IA.

  Format vidéo : Opinion/réflexion avec plongée pratique profonde dans un kit d’outils spécifique — niveau de difficulté intermédiaire pour les Vibe-Coders avec une compréhension technique de base.

• Why Both OpenAI and Anthropic Are Giving Up on You
  23.3.2026, 19:00:01

  Résumé :

  Stratégiquement, tant OpenAI qu’Anthropic ne se concentrent pas sur les consommateurs individuels, mais sur les clients B2B et d’entreprise ainsi que l’utilisation d’API – c’est la source de revenus durable. Les utilisateurs qui ont basculé de ChatGPT à Claude sont confrontés à des limites d’utilisation : Claude Pro (20 $/mois) n’offre que peu d’interactions avec Opus, tandis que Claude Max (100 $/mois) est conçu comme un compromis, mais semble nettement plus cher. Anthropic gagne presque rien avec les abonnements grand public (moins d’un milliard de dollars), tandis que ses revenus d’API surpassent OpenAI. Les utilisateurs individuels coûtent à Anthropic plus qu’ils ne rapportent – c’est pourquoi l’entreprise ne se soucie pas d’eux. OpenAI, en revanche, a un problème différent : 900 millions d’utilisateurs gratuits avec des coûts d’exploitation énormes mènent à une perte d’argent, c’est pourquoi ils insèrent des publicités et veulent également se tourner vers l’entreprise et l’API. Cela signifie : ChatGPT devient hostile aux consommateurs, avec plus d’annonces et probablement des limites d’utilisation plus restrictives. Anthropic reste concentré sur le codage et le traitement de texte et ignore la vidéo, les images ou les applications – simplement parce que ce n’est pas rentable. Les plaintes des utilisateurs deviennent plus fréquentes, mais les deux entreprises les ignoreront.

  Outils/fournisseurs explicites : OpenAI, Anthropic, Claude (incluant Opus et Max), ChatGPT ; aussi mentionné Nano Banana, Grok. — Opinion/réflexion.

• Massive Global Study: 81,000 people CONFESSED what they really want from AI
  23.3.2026, 07:30:02

  Anthropic a mené une étude avec 80 508 entretiens – la plus grande étude qualitative multilingue de son genre avec des participants de 159 pays dans 70 langues. Les entretiens ont été menés par Claude, l’outil d’interviewer IA d’Anthropic. Les utilisateurs de Claude ont été interrogés sur leurs souhaits et leurs expériences avec l’IA.

  Ce que les gens veulent de l’IA :

  Les principales catégories sont l’excellence professionnelle (18,8 % – utiliser l’IA pour automatiser les tâches de routine et se concentrer sur le travail stratégique), la transformation personnelle (13,7 % – coaching, bien-être émotionnel, accompagnement), l’entrepreneuriat (8,7 %) et l’accessibilité technologique (9 % – l’IA aide les personnes ayant des troubles de l’apprentissage ou des limitations physiques). 81 % des répondants ont déclaré que l’IA les avait aidés à atteindre leurs objectifs ; 19 % disent que l’IA ne répond pas à leurs attentes (manque de fiabilité, hallucinations).

  Préoccupations :

  Les plus grandes préoccupations sont le manque de fiabilité (26,7 %), la perte d’emploi (remarquable dans les pays occidentaux), la perte d’autonomie par suralimentation (16 %) et la perte de contrôle/risques existentiels (6,7 %). Seulement 11 % n’ont exprimé aucune préoccupation. Fait intéressant, il y a un schéma géographique : en Afrique subsaharienne et en Amérique latine, les gens sont plus optimistes (seulement 24 % ont un sentiment négatif), tandis qu’en Amérique du Nord, 35 % pensent négativement – l’IA est perçue comme un multiplicateur de chances dans les pays moins développés, dans les pays riches plutôt comme un risque.

  Nouvelles fonctionnalités Claude :

  Anthropic construit progressivement des fonctionnalités similaires à OpenClaw : stockage persistant, Claude Workspace (accès aux fichiers, automation), et nouveau « Dispatch » – permet des commandes à distance à un ordinateur toujours allumé via téléphone/ordinateur portable. C’est une alternative plus accessible et plus sûre à OpenClaw, avec de petits compromis sur le contrôle.

  Changement du modèle commercial :

  Anthropic se concentre sur les revenus d’API et d’entreprise, pas sur les abonnements grand public. C’est pourquoi Claude-Max se situe à 100 $/mois et les forfaits grand public ont des limites d’utilisation strictes – les utilisateurs individuels ne sont pas rentables pour Anthropic. OpenAI connaît le problème opposé : leurs 900 millions d’utilisateurs gratuits leur coûtent de l’argent, c’est pourquoi ils insèrent des annonces et déplacent le focus vers l’API B2B. Conséquence : les deux fournisseurs deviennent moins favorables aux consommateurs.

  Outils/Modèles : Claude (Anthropic), Comparaison avec OpenClaw, OpenAI / Chat GPT mentionné — Format : Mise à jour d’actualité/Deep-dive avec opinion.

Leon van Zyl (2 nouvelles vidéos)

• Building Beautiful UIs in Minutes with Claude Code and Stitch
  26.3.2026, 13:01:17

  Résumé : Building Beautiful UIs in Minutes with Claude Code and Stitch

  La vidéo montre l’intégration de Google Stitch – un outil de conception UI basé sur l’IA – avec Claude Code pour créer rapidement des applications web.

  Qu’est-ce que Stitch et pourquoi c’est mieux que les approches précédentes :

  Stitch est l’outil de conception gratuit de Google qui fonctionne avec les modèles Gemini et est facile à utiliser : vous sélectionnez le type d’appareil (Mobile/Web), pouvez fournir des images de référence ou des URLs, choisir les schémas de couleurs et les modèles, cliquer sur « Generate » et obtenir instantanément un système de design (avec couleurs primaires et secondaires, typographie, rayons de coins, etc.) et des écrans UI générés en temps réel. L’avantage par rapport à l’utilisation de la Skill Front-End Design dans Claude Code : vous conservez le contrôle sur le système de design, itérez rapidement sans toucher au code, et pouvez tester les designs avant leur implémentation – comme le processus de design classique avec des outils comme Figma.

  Intégration Claude Code + Stitch :

  Le Stitch MCP (Model Context Protocol) est installé via une commande dans le projet Cloud Code (avec basculement optionnel du scope User au scope Project). Après avoir enregistré une clé API depuis les paramètres Stitch, Claude Code peut utiliser toutes les fonctionnalités de Stitch : créer des projets, générer des écrans, gérer les systèmes de design.

  Workflow en détail :

  1. Claude Code crée via un prompt un nouveau projet Stitch (par ex. « CloudFit » – un tracker fitness avec coach IA) avec une landing page et des pages supplémentaires.
  2. Le système de design généré est téléchargé dans un dossier docs/design-system et documenté comme référence dans claude.md.
  3. Un Sub-Agent en tant qu’« UI Expert » est créé pour surveiller le respect du système de design et corriger les incohérences.
  4. Claude implémente le système de design dans le projet : polices, dépendances, variables CSS, composants réutilisables.
  5. Claude exporte les pages Stitch en HTML et les convertit en pages Next.js – conseil important : demander explicitement via le prompt que l’HTML soit téléchargé (pas seulement des captures d’écran) pour que les animations et les métadonnées soient correctement représentées.
  6. Si nécessaire : les images de Stitch sont téléchargées dans le dossier public et utilisées dans l’application.

  Le résultat final est une application Next.js complètement fonctionnelle avec toutes les animations qui correspond exactement au design Stitch – sans écriture de code manuelle pour les détails UI.

  Claude Code + Google Stitch (via Stitch MCP) — Démo/Tutoriel

• Claude Code Skills Changed Everything (And Nobody Noticed)
  24.3.2026, 13:26:45

  Claude Agent Skills – aperçu des nouvelles fonctionnalités

  Les récentes modifications apportées à Agent Skills dans Claude Code ont apporté des améliorations considérables que de nombreux utilisateurs ont ignorées. Les Skills peuvent maintenant s’exécuter dans leurs propres contextes (mode Fork), ce qui évite la pollution du contexte dans les fichiers Skills volumineux. La nouveauté est aussi l’injection de contexte dynamique – avant l’exécution, des commandes shell peuvent automatiquement injecter les données du projet (structure des fichiers, dépendances, historique Git) dans la Skill, au lieu que l’agent doive explorer cela manuellement.

  La Skill Creator Skill a été considérablement améliorée : elle ne crée pas seulement les Skills automatiquement, mais effectue aussi des tests et offre un test A/B en aveugle, pour mesurer si une Skill fait vraiment une différence ou si le modèle de base maîtrise désormais nativement la tâche. Anthropic distingue deux types de Skills : Capability Uplift (nouvelles capacités comme la génération d’images ou une meilleure conception frontend) et Encoded Preferences (workflows spécifiques qu’un agent doit suivre).

  Pratique : les Skills peuvent être appelées comme des Custom Commands avec /, et les deux concepts sont maintenant fusionnés. Pour les Skills longues, l’utilisation de Subagents en arrière-plan (background: true) est recommandée, ce qui permet à l’agent principal de continuer à travailler en parallèle. Les Skills s’installent via skills.sh ou directement via Marketplace dans Cloud Code ainsi que dans d’autres outils GENI (Cursor, Open Code). Les fonctionnalités d’évaluation permettent de vérifier scientifiquement la valeur ajoutée des Skills – particulièrement important puisque les futurs modèles pourraient rendre les Skills construites obsolètes.

  Claude (Anthropic) et les outils : Cloud Code, Cursor, Open Code, Skill Airtop (sponsor), Skill Creator Skill – tutoriel approfondi avec démonstrations pratiques.

Liam Ottley

Aucune nouvelle vidéo pendant cette période.

Mark Kashef (3 nouvelles vidéos)

• You’ve Been Using Claude Code at 10%. Here’s the Rest.
  27.3.2026, 22:00:27

  Résumé : You’ve Been Using Claude Code at 10%. Here’s the Rest.

  La vidéo traite de la structure du dossier .claude dans Claude Code, que la plupart des utilisateurs ignorent mais peuvent entièrement configurer. Il existe deux répertoires .claude : l’un au niveau du projet (contenant des règles, commandes, skills et agents pour des projets spécifiques) et l’autre dans le répertoire home (contenant les préférences personnelles et la mémoire de session comme mode de jeu global).

  Composants principaux :

  Fichier CloudMD : Fonctionne comme un « contrôle du trafic aérien » plutôt qu’une encyclopédie – doit être court et percutant (environ 50 lignes) et ne contenir que les informations de routage. Il existe une version partagée (niveau projet) et une variante locale .local pour les paramètres personnels qui ne doivent pas être archivés. En déplaçant les règles détaillées vers des fichiers Markdown séparés, le CloudMD reste léger.

  Commandes : Les fichiers du dossier commands deviennent directement disponibles sous forme de slash-commandes. Ils peuvent contenir des espaces réservés ($) pour accepter des arguments (par exemple latest ou des identifiants spécifiques).

  Skills : Contrairement aux commandes, les skills sont « toujours observés » – ils ont des mots-clés déclencheurs dans leurs descriptions et sont automatiquement activés lorsque Claude détecte ces mots dans les conversations. On peut désactiver les skills avec disable-mod-invocation: true ou les exécuter dans leur propre contexte avec context: fork.

  Agents (Sub-Agents) : Les agents spécialisés protègent la fenêtre de contexte. Ils peuvent utiliser différents modèles (par exemple Sonnet pour l’analyse de transcription, pour réduire les coûts) et être configurés avec des exigences concrètes.

  Règles et paramètres : Les fichiers de règles centralisent les directives de formatage. Settings.json contrôle les autorisations – soit en mode YOLO (tout autorisé), avec approbation manuelle, ou en nouveau mode « Auto-Mode », où l’IA elle-même décide de ce qui doit être autorisé ou refusé. Des hooks peuvent également être ajoutés au fichier Settings (pre-tool-use, post-tool-use), qui s’exécutent avant/après l’exécution des outils.

  Exemple pratique : Un projet appelé « Meeting Flow » utilise une slash-commande (/process meeting latest), qui déclenche automatiquement des skills (Action-Tracker, Auto-Follow-Up), qui appliquent ensuite des règles (formatage d’e-mail, structure des éléments d’action) et sauvegardent tout dans une base de données.

  Commandes bash pour la navigation : ls ~/.claude ou ls .claude affiche le contenu ; cat .claude/commandMD affiche le contenu des fichiers ; wc -l claudeMD compte les lignes ; head -15 .claude/rules/[fichier] affiche des extraits.

  La vidéo met l’accent sur l’itération – des règles bien entretenues sont affinées quotidiennement pour rendre le système auto-améliorant.

  Mentionné explicitement : Claude (Claude Code), API Fireflies, API Resend, Supabase comme base de données externe. Format : Deep-Dive.

• You’ve Never Made a Claude Code Skill Like This
  23.3.2026, 18:00:50

  Résumé : Création de skills basée sur des vidéos pour Claude Code

  Le créateur présente une méthode de création de skills dans Claude Code basée sur l’enregistrement d’écran : au lieu de devoir documenter manuellement un processus de travail standard (SOP), on enregistre son propre approche lors de l’exécution d’une tâche et on l’envoie à un modèle de langage capable de comprendre les vidéos – ici Gemini – qui extrait automatiquement les détails implicites, les nuances et les « connaissances tacites » à partir de la vidéo, des mouvements du curseur et de la parole. Ces détails sont essentiels pour les skills de haute qualité, car ils manquent généralement dans les documentations écrites.

  Le workflow concret : (1) Enregistrer une vidéo d’écran (5–30 minutes) ; (2) Installer le skill gratuit de compréhension vidéo Gemini du dépôt Google GitHub dans Claude Code (nécessite une clé API Gemini d’ai.google.dev) ; (3) Télécharger le fichier vidéo dans Claude Code et demander un SOP détaillé – Gemini extrait les phases, les critères de décision et les subtilités ; (4) Demander au skill Skill Creator de planifier et générer un skill productif en utilisant des outils Ask-User-Input pour les points de décision (par exemple portée, fréquence de la boucle humaine) ; (5) Examiner le plan, puis générer et tester dans une nouvelle session Claude Code avec l’installation du skill confirmée.

  Dans l’exemple, un workflow de réutilisation de contenu (transcription YouTube en posts LinkedIn et X) est démontré : la vidéo montre comment le créateur guide Claude à adapter différents styles d’écriture (Boris Churnney, Ethan Mollik) et à intégrer les préférences personnelles (direct-casual plutôt que relatable ; pas de hashtags). Gemini extrait ces indices visuels et verbaux de l’enregistrement, le skill résultant utilise ensuite des popup à choix multiples pour guider l’utilisateur à travers le pipeline de réutilisation – avec des points de décision minimaux et ciblés.

  Conseils pratiques : Compresser les vidéos avant le téléchargement avec Claude Code (Python) pour réduire les coûts API ; redémarrer les sessions après l’installation du skill pour que le skill soit injecté ; ranger les fichiers de skills dans des dossiers organisés (par exemple .cloud/skills/) ; vérifier la structure du skill avec un « Guide Agent » avant de l’utiliser dans de nouvelles sessions – et ensuite utiliser le nom exact lors de l’appel pour maximiser la fiabilité de l’invocation.

  Outils thématisés : Gemini (API de compréhension vidéo), Claude Code (installation et exécution de skills), Loom (outil d’enregistrement), Ask User Input (fonctionnalité Claude Code pour les dialogues à choix multiples).

  Format : Tutoriel/Démo – montre le workflow avec un exemple d’application concret.

• Anthropic’s NEW Claude Architect Guide In 39 Minutes
  22.3.2026, 15:01:33

  Guide de l’architecte Claude certifié par Anthropic – Résumé

  Anthropic a publié un nouveau programme de certification appelé « Claude Certified Architect » avec un format d’examen obligatoire. Le guide d’examen officiel de 40 pages couvre cinq domaines fondamentaux nécessaires pour construire des systèmes d’agents productifs.

  Les cinq domaines et leur poids :

  Architecture agentique (27%) – Le cœur : la boucle agentique (requête → réponse Claude → vérifier la raison d’arrêt → exécution d’outils ou fin). L’essentiel est de vérifier le champ stop-reason, pas de chercher textuellement « Terminé ». Pour les tâches complexes, les agents principaux peuvent coordonner les sous-agents, qui travaillent dans des contextes isolés et résument les résultats. Une erreur courante : déléguer les tâches de manière trop restrictive plutôt que largement par les coordinateurs.

  Intégration des outils et MCP (18%) – Les serveurs MCP connectent Claude aux systèmes externes (bases de données, API, systèmes de fichiers). La raison la plus courante des appels d’outils incorrects : les descriptions d’outils ambiguës. Des descriptions claires et précises sont le plus gros levier. Les MCP existent au niveau du projet (mcp.json avec variables d’environnement) et au niveau utilisateur (bac à sable dans le répertoire home). Bonne pratique : utiliser les serveurs MCP natifs des plateformes, créer des serveurs personnalisés uniquement si véritablement nécessaire.

  Configuration de Claude Code (20%) – Les fichiers CloudMD doivent être organisés en trois couches : au niveau utilisateur (préférences personnelles), au niveau projet (règles d’équipe, décisions architecturales, partageables via Git), règles spécifiques au chemin (dans le dossier .claude-rules, chargées uniquement pour certains types de fichiers). Cela évite le gaspillage inutile de tokens. Les commandes sont des déclencheurs slash (personnels ou collectifs), les skills sont des contextes autonomes pour le travail exploratoire. Mode Plan pour les tâches ambiguës affectant plusieurs fichiers ; exécution directe pour les correctifs simples sur un seul fichier.

  Ingénierie des prompts (18%) – Non plus des instructions textuelles, mais utiliser des exemples Few-Shot : 2-3 paires concrètes d’entrée-sortie enseignent à Claude les motifs mieux que de longues directives. Les sorties cohérentes nécessitent de la structure, pas de la créativité.

  Gestion du contexte et fiabilité (17%) – Claude lit bien le début et la fin du contexte, le milieu devient flou (« Lost in the Middle »). Solution : épingler les faits clés en haut, réduire les résultats de tools verbeux, utiliser des sous-agents pour l’isolement du désordre. Sessions séparées pour la révision de code (regard neuf) par rapport à l’écriture de code. Transférer immédiatement à un humain sur demande, ne pas essayer de contourner. En cas d’erreur, toujours fournir le paquet d’erreur complet (ce qui, ce qui a été tenté, résultats partiels, options suivantes).

  Concepts centraux d’application :

  Prompts vs hooks : Les prompts sont « meilleur effort » (≈99%), les hooks sont des blocages physiques (100%). Hooks pour la conformité, la finance, la sécurité ; prompts pour le style, le ton, le format. Éviter la surcharge d’outils : maximum 4-5 outils par agent avec une pertinence claire. Modes tool-choice : auto (Claude décide), any (Claude doit utiliser un outil), forced (outil spécifique forcé).

  Les cinq règles d’or à emporter :

  1. Pour les exigences à 100% (argent, sécurité, légal) : utiliser des hooks, pas basés sur les prompts.
  2. Décrire les erreurs complètement : ce qui a cassé, ce qui a été tenté, résultats partiels, alternatives.
  3. Garder les agents concentrés : max 4-5 outils pertinents.
  4. Examiner le code dans une session séparée (pas de biais de l’auteur).
  5. 2-3 exemples concrets pour une sortie cohérente ; Claude apprend les motifs, pas le format.

  Le guide est complété par des prompts interactifs pour l’auto-évaluation dans les différents domaines (disponibles sur X).

  Outils/modèles explicites : Claude (Anthropic), Claude Code, serveurs MCP (GitHub, Gmail, Google Calendar, Canva, Zapier mentionnés), Skills, Commands, Plan Mode, Hooks. Format : Tutoriel Deep-Dive avec guide détaillé du guide de certification.

Matt Pocock (2 nouvelles vidéos)

• Never Trust An LLM
  27.3.2026, 18:02:47

  Résumé : Never Trust An LLM

  Les LLMs hallucinnt constamment – ils inventent des faits qui n’existent pas ou ignorent le contexte qui leur a été explicitement donné. Le phénomène a été systématiquement catégorisé : erreurs factuelles (par exemple, l’annonce de Google Bard affirmait faussement que le télescope spatial James Webb avait d’abord capturé des images d’exoplanètes), entités inventées (par exemple, des paquets logiciels inexistants – un risque de sécurité de la chaîne d’approvisionnement pour les développeurs), et incohérences contextuelles (par exemple, le chatbot d’Air Canada a ignoré la politique de remboursement implémentée et a inventé un délai de 90 jours incorrect).

  Pourquoi les LLMs hallucinant : L’entraînement compresse d’énormes quantités de données dans un modèle plus petit – comparable à une compression d’image extrême où les détails sont perdus. Le LLM ne voit qu’une version floue et hyper-compressée de l’information d’origine. Pourtant, il est entraîné et évalué pour répondre aux questions plutôt que d’admettre l’incertitude : les benchmarks récompensent la devinette plutôt que le refus, car un modèle qui dit fréquemment « je ne sais pas » se classe mal dans les tests de performance. Comme chez les personnes intelligentes sous pression d’examen, il existe un conflit d’objectifs inhérent entre la sécurité (refus) et la précision dans les cas difficiles.

  Mesures pratiques : Utilisez les LLMs avec des informations intrinsèques – des données que vous apportez vous-même à la conversation. Les LLMs sont fiables pour analyser du code, des documents ou du contexte que vous fournissez. Si des informations extrinsèques sont nécessaires, utilisez l’instruction « Use your search tool » pour amener le modèle à parcourir le Web et intégrer les sources dans son contexte. Pour les décisions critiques (santé, droit, finances), vous devez ensuite vérifier vous-même les documents consultés – même si le LLM répond avec assurance.

  Les LLMs ont été explicitement abordés de manière générale (avec des exemples de Google Bard, Claude/Anthropic et ChatGPT) ; l’opinion s’appuie sur des articles académiques sur les hallucinations et leurs origines – opinion/réflexion avec conseils pratiques.

• Claude Code tried to improve /init… Is it any better?
  23.3.2026, 15:02:28

  Le créateur de contenu teste la version révisée de la commande init de Claude, basée sur les commentaires de la communauté. Auparavant, il avait critiqué le fait que init générait des fichiers Claude.md trop volumineux et gonflés, et a proposé d’utiliser la divulgation progressive et les suggestions de Skills.

  La nouvelle version fonctionne de manière plus interactive : elle demande d’abord si un Claude.md de projet, un personnel ou les deux doivent être créés, puis si les Skills et les hooks sont pertinents. Claude explore ensuite la codebase et fait des suggestions concrètes – dans ce cas, un hook de formatage à l’édition pour Prettier et une Skill de vérification pour les vérifications de type et les tests.

  Le critique parcourt les suggestions de manière constructive : pour les entrées redondantes (par exemple, npm run type-check au lieu de npx tsc), il argue que les hooks l’appliquent déjà. Pour useEffect reducer par rapport à React’s useReducer, il est d’accord puisque c’est une source d’erreur courante. Il rejette les schémas de tests d’intégration car ceux-ci deviennent visibles lors de l’exploration de toute façon. Pour les installations rares de paquets Effect, il propose de les placer dans une Skill spécifique plutôt que dans le Claude.md.

  À la fin, un Claude.md minimalement utilisé (pratiquement vide) et une Skill spécialisée pour les paquets Effect sont créés. Le créateur critique le fait que Claude semble trop servile et n’argue pas suffisamment contre ses arguments. Néanmoins, il évalue la nouvelle version de init comme une amélioration significative – elle pose des questions, suggère des choses de manière proactive et ne génère plus automatiquement d’énormes fichiers comme auparavant. Il recommande de tester la version et de donner des commentaires à la communauté.

  Format & outils : Démonstration de la commande init de Claude Code avec analyse critique et retours constructifs à l’équipe Claude.

Melvynx (5 nouvelles vidéos)

• Claude Code veut remplacer OpenClaw : LEUR NOUVEAU TOOLS
  29.3.2026, 08:00:35

  La vidéo compare la nouvelle fonction Dispatch de Claude avec OpenClaw et explique pourquoi l’affirmation que Dispatch remplacerait OpenClaw est sans fondement.

  Dispatch de Claude permet d’exécuter des actions sur un ordinateur distant à partir d’un appareil mobile – par exemple ouvrir des fichiers, contrôler le navigateur ou parcourir des dossiers. On se connecte via code QR et on peut ensuite envoyer des commandes par chat au PC ; le système demande une autorisation avant les actions.

  OpenClaw, en revanche, est un concept complètement différent : c’est un agent autonome qui s’exécute sur un VPS (serveur virtuel) – pas sur l’ordinateur local – et est donc toujours disponible, même si son propre ordinateur est hors ligne. OpenClaw reçoit des droits d’accès et d’installation complets, peut développer ses propres compétences (« Skills ») et construire son référentiel workspace comme un système vivant. Le créateur montre des exemples concrets : OpenClaw peut effectuer des tâches complexes multi-étapes comme télécharger une vidéo depuis un tweet, la transcrire, extraire des images et effectuer une analyse détaillée – parfois par installation automatique d’outils. Dispatch, en revanche, est beaucoup plus limité et conçu pour des tâches simples sur un appareil local.

  Une deuxième mise à jour : le nouveau Mode Auto de Claude permet au modèle d’effectuer des modifications de manière autonome, sans demander d’abord ; les actions dangereuses sont bloquées par un classificateur, tandis que les actions sûres sont autorisées. Cette fonction est actuellement disponible en « Research Preview » – un label qui permet aux fournisseurs d’appeler les fonctionnalités expérimentales et de supporter moins de responsabilité.

  Le créateur souligne que Dispatch est un « outil pour les gens normaux », tandis qu’OpenClaw est destiné aux utilisateurs avancés qui souhaitent une véritable autonomie et scalabilité, y compris la construction d’une intelligence d’agent permanente avec sa propre structure de mémoire.

  Claude (Anthropic) et ses nouvelles fonctionnalités (Dispatch, Mode Auto) ; comparaison avec OpenClaw – Avis/Réflexion.

• PERSONNE ne comprend OpenClaw : voici le VRAI usage que j’en fais
  26.3.2026, 17:24:23

  Résumé : PERSONNE ne comprend OpenClaw – Cas d’usage réels

  Le créateur montre des scénarios concrets d’utilisation d’OpenClaw (Open Interpreter) qui vont bien au-delà d’une simple conversation. OpenClaw devient pour lui l’application principale quotidienne – utilisée plus intensivement que la plupart des outils.

  Automatisations commerciales :

  OpenClaw gère des agents autonomes pour la gestion des e-mails de sponsors (Steve), les réponses au support et aussi les déploiements de code. L’agent répond aux demandes en étant entraîné à son style d’écriture, vérifie les devis et peut demander l’autorisation par Telegram avant d’effectuer les actions critiques comme les remboursements. Pour les newsletters et les campagnes, il utilise les intégrations MCP (Model Context Protocol) avec sa plateforme d’email et d’autres services comme Dub.sh et Codeline pour créer des coupons ou des liens de landing page – tout dans le flux de langage naturel.

  Assistance personnelle avec threading :

  Grâce aux threads système avec des règles de personnalité propres, OpenClaw agit comme coach (motivant), conseiller amoureux (stocke les interactions de rencontre), docteur (avec un historique médical complet) et chatbot général. Ces threads peuvent communiquer entre eux et construire proactivement de la mémoire ou via Cron Job (2x par jour) – OpenClaw met à jour automatiquement une situation.md avec l’emplacement, les tâches actuelles et les priorités.

  Sécurité & Contrôle des coûts :

  Avec l’abonnement Claude Code Max (200 dollars), il consomme beaucoup de tokens (jusqu’à 100 % par semaine). Important : ne pas utiliser uniquement OpenClaw, mais aussi mélanger d’autres modèles (par exemple 50/50) pour ne pas déclencher de détection d’anomalie. OpenClaw ne supporte pas la mise en cache des tokens comme Claude, ce qui rend les tâches complexes plus coûteuses. La meilleure protection contre l’injection de prompts est l’utilisation d’Opus, qui détecte les entrées non fiables ; les modèles moins puissants sont plus vulnérables.

  Principes clés du succès : Donner des permissions élevées (accès à de nombreux outils commerciaux comme Gmail, Stripe, APIs), demander l’exécution autonome plutôt que des instructions explicites, expérimenter et être créatif – la magie survient quand OpenClaw connecte intelligemment plusieurs services pour réaliser des workflows complexes.

  Référence : Une mini-formation gratuite disponible sur mlv.sh/foation avec des scripts de configuration.

  Claude (Anthropic) a été explicitement traité, ainsi qu’OpenClaw (Open Interpreter) comme outil principal avec intégrations MCP et architecture d’agent – Avis/Réflexion + Deep-Dive avec démos pratiques, destiné aux utilisateurs plutôt avancés.

• Claude Code fonctionne 100x mieux via cette application
  24.3.2026, 17:00:43

  Claude Code fonctionne 100x mieux via cette application

  Le créateur vidéo présente deux outils qui ont révolutionné sa façon de travailler avec Claude Code.

  Semux (Application Terminal) :

  L’outil principal est Semux, un terminal pour macOS qui rend Claude Code beaucoup plus pratique. Semux offre une navigation par onglets multi-niveaux : au premier niveau, il y a des onglets de terminal pour différents projets, au deuxième niveau des onglets horizontaux dans un projet. Dans ces onglets, plusieurs terminaux peuvent s’exécuter en parallèle et être divisés horizontalement ou verticalement. La navigation fonctionne via des raccourcis clavier (par exemple Control+1, Control+2, Command pour changer d’onglet). L’outil affiche également des informations utiles comme l’état des ports en cours d’exécution, les branches GitHub, les pull requests ouvertes et les notifications de Claude Code. On peut ajouter des commandes personnalisées (comme « crab review » pour les révisions de code par plusieurs agents). L’avantage par rapport à des alternatives comme Conductor est que Semux est juste un wrapper de terminal – il offre une liberté complète plutôt que des workflows prédéfinis. On décide soi-même quels agents, serveurs et bibliothèques on utilise.

  Helium (Navigateur Web) :

  Le deuxième outil recommandé est Helium, un navigateur minimaliste et léger comme alternative à Arc. Helium abandonne les fonctionnalités inutiles, utilise Chrome comme moteur, offre une interface propre avec épinglage des onglets et signets, et fonctionne simplement de manière fiable sans gadgets IA ou suivi.

  La thèse centrale : un terminal simple avec une bonne gestion des onglets plus un navigateur épuré = la configuration parfaite pour un travail productif avec Claude Code.

  Claude Code explicitement mentionné comme outil IA, format de démo avec recommandation personnelle.

• SKILLATON à San Francisco : va-t-on réussir à gagner 1 000 $ à San Francisco (c’est galère…)
  23.3.2026, 17:15:06

  Résumé : Skillaton à San Francisco

  Le vlogger documente sa journée lors d’un événement « Skillaton » – un hackathon autour du thème des « Skills » pour les agents IA – à San Francisco. Il montre d’abord son mode de travail : proposer des formations pour développeurs, publier des vidéos YouTube et des tweets, ainsi que développer du code avec Claude. Après le sport et la préparation, il visite un café français (33 dollars pour des œufs Bénédict), puis participe à un événement de création d’idées de Skills, où son équipe avec Laurent Tavernier conçoit le projet « API to CLI » – un outil pour convertir des APIs arbitraires en interfaces de ligne de commande avec un marketplace.

  L’équipe utilise exclusivement Claude (comme agent Web et app) pour le développement, sans ouvrir d’IDE – ils créent en une heure une documentation, un outil CLI et des Skills. Malgré l’ampleur du projet (« plus de 1000 dollars en coûts de tokens, s’il était payant »), le projet « Skill Link » remporte la compétition à la fin. Le vlogger est toutefois confiant de lancer son projet malgré tout.

  Ensuite, il présente son cours « High Builder » (700 €) avec session en direct, visite Golden Gate Beach avec un match de volley-ball spontané avec d’autres utilisateurs de la plage, découvre des magasins locaux avec des produits biologiques (32 dollars la salade) et réfléchit au comportement social ouvert et à la culture de San Francisco comme ville d’expatriés pleine d’événements, de talents et d’activités constantes.

  Format : Démo/Vlog avec avis ; Outils : Claude (explicitement mentionné comme IA principale pour le développement des Skills).

• ARRÊTE LES MCP : Voici ce qu’il faut utiliser MAINTENANT
  22.3.2026, 17:10:00

  Résumé : « ARRÊTE LES MCP : Voici ce qu’il faut utiliser MAINTENANT »

  L’auteur argue que les MCPs (Model Context Protocol) sont obsolètes et devraient être remplacés par les CLIs (interfaces de ligne de commande) avec des Skills.

  Le problème fondamental des MCPs : Ils injectent en permanence toutes les descriptions d’outils disponibles dans le contexte du modèle, même si ces outils ne sont pas utilisés. Cela gaspille la fenêtre de contexte. La solution précédente d’Anthropic – un outil générique « MCP Search » – fait que le modèle ne connaît pas les outils disponibles et ne les utilise donc pas.

  La nouvelle solution – Skills + CLI : Au lieu de serveurs MCP, on utilise maintenant des Skills qui ne sont chargés que si nécessaire. La différence : un Skill n’est qu’une description (par exemple 160 lignes) qui n’est téléchargée que quand l’agent en a besoin. Derrière se cache un CLI que l’agent appelle – Bash est l’interface universelle.

  Avantages pratiques :

  • Les CLIs se chargent en fonction du contexte et économisent du contexte
  • Bash est fiable et utilisable universellement
  • Le modèle peut travailler plus précisément avec les pipelines Bash (par exemple head 150 au lieu de sortir 10 000 tokens)
  • Les CLIs peuvent être facilement générés et standardisés avec « API to CLI » – un outil créé par l’auteur

  Démonstration concrète : L’auteur montre comment il a créé plusieurs CLIs pour Dub, Gemini, Typefully et d’autres services et les gère via un répertoire standardisé dans Open Clow. L’agent peut ainsi automatiquement chaîner plusieurs services ensemble – par exemple rechercher un document, créer un tweet et le planifier – sans que la complexité des MCP soit nécessaire.

  Conclusion de l’auteur : Les MCPs sont une abstraction inutile pour quelque chose que les CLIs et Bash résolvent mieux. Parce que les modèles peuvent coder et s’exécuter sur des ordinateurs, l’accès direct à Bash avec des Skills à la demande est la solution propre.

  Outils/Concepts : Claude (Anthropic), concept de Skills, motif CLI, API to CLI (outil personnel de l’auteur), Open Clow (projet personnel) – Format : Avis/Deep-Dive avec démo en direct.

MoureDev by Brais Moure (1 nouvelle vidéo)

• OpenClaw desde cero: Todo lo que necesitas saber para empezar
  26.3.2026, 19:16:22

  OpenClaw de zéro : Résumé

  OpenClaw est un agent IA autonome qui s’exécute sur votre ordinateur personnel et a accès au système d’exploitation, au système de fichiers et à divers outils. La particularité : la communication avec cet agent ne se fait pas via un tableau de bord, mais via des applications de messagerie comme Telegram, WhatsApp ou Discord – vous discutez simplement avec lui comme avec un chatbot, mais vous pouvez déléguer des tâches réelles sur la machine.

  Pourquoi OpenClaw est significatif : C’est un logiciel open-source, développé par Peter Steinberg (qui travaille maintenant chez OpenAI) et qui a atteint une popularité sans précédent en peu de temps – le projet a rapidement dépassé de grands référentiels GitHub comme Visual Studio Code.

  Recommandation d’installation la plus importante : Ne pas installer sur votre machine de travail habituelle, mais sur un appareil distinct (par ex. Mac Mini, un ancien ordinateur ou un NAS) pour des raisons de sécurité et de performance. L’orateur lui-même utilise un Mac Mini dédié dans son réseau local, mais se connecte via un logiciel de bureau à distance depuis son ordinateur de travail.

  Concepts clés :

  • Gateway : Le système s’exécute en tant que service et attend les requêtes sur différents canaux
  • Workspace : Contient des fichiers de configuration au format Markdown/JSON – dont Soul (personnalité), Identity (nom), Memory (mémoire), Agents (instructions), Tools (outils), Habits (tâches récurrentes) et Bootstrap (routine de démarrage)
  • Modèles : Connexion à Claude, GPT, Gemini et autres via des clés API ; les hiérarchies de secours sont possibles (par ex. Gemini Flash par défaut, puis GPT-4, puis Claude Opus)
  • Skills & Plugins : Des extensions comme l’intégration Todoist, la connexion Obsidian, l’accès GitHub – peuvent être installées via le Skill Hub
  • Crons : Tâches exécutées régulièrement (par ex. quotidiennement à 23h59 : générer un récapitulatif de la journée et le stocker dans Obsidian)
  • Système multi-agents : Exécuter plusieurs agents spécialisés en parallèle (par ex. un agent principal, un agent de contenu spécialisé, un agent maître-étudiant)

  Exemples de flux de travail de l’orateur :

  • Journal quotidien dans Obsidian via Cron
  • Vérification automatique des PR dans le référentiel GitHub selon des critères prédéfinis
  • Messages vocaux via Telegram → transcription automatique avec modèle Whisper local
  • Création de tâches dans Todoist directement via le chat Telegram

  Sécurité : Pas sans risque – l’agent peut supprimer des fichiers, divulguer des données. Recommandations : procéder de manière progressive, effectuer des audits avec openclaw security audit, vous informer, utiliser l’examen du code, vérifier les détails des compétences utilisées. Le projet est mis à jour quotidiennement et a déjà des partenariats (par ex. avec VirusTotal) pour sécuriser les compétences.

  Premiers pas : Installation via terminal, suivi de l’intégration (configurer le modèle, connecter le canal Telegram, ajouter optionnellement des compétences), vous familiariser avec les fichiers d’espace de travail, puis construire progressivement les crons et les compétences.

  La vidéo offre une introduction technique complète, tout en ne négligeant pas les aspects pratiques de la sécurité – pas du pur hype, mais équilibré avec une mise en garde contre l’accès incontrôlé.

  Fournisseurs/outils explicitement mentionnés : Claude (Anthropic), OpenAI/GPT, Google Gemini, Telegram, WhatsApp, Discord, GitHub, Todoist, Obsidian, VirusTotal, Peter Steinberg en tant que fondateur, communauté open-source — Format : Tutoriel/Plongée profonde (étapes d’installation et de configuration avec arrière-plan conceptuel).

n8n (2 nouvelles vidéos)

• n8n Livestream: AI Product Updates, Firecrawl & the latest Community Challenge
  26.3.2026, 17:24:54

  n8n Community Livestream: AI Updates, Firecrawl & Community Challenge

  L’émission traite quatre thèmes principaux :

  Fonctionnalités AI chez n8n (Suja Jabel, Product Manager) :

  n8n développe des fonctionnalités pour fonctionner comme participant à égalité dans l’écosystème des workflows. Le MCP (Model Context Protocol) est déjà en bêta et supporte maintenant la création et l’édition de workflows directement depuis Claude Desktop – basé sur le Workflow SDK de n8n. Une démo en direct a montré comment dire simplement dans Claude « créer un workflow n8n pour un digest AI quotidien » et le workflow est construit automatiquement, y compris les détails des nœuds pré-remplis. Fonctionnalités à venir : CLI n8n pour la gestion des workflows depuis le terminal, configuration simplifiée des credentials avec OAuth en un clic (actuellement ~9-10 intégrations, bientôt ~30, disponible uniquement sur Cloud) et un générateur de workflows AI amélioré avec construction itérative basée sur les prompts. Les agents sont introduits comme des citoyens de première classe – non seulement comme nœuds dans les workflows, mais comme unités autonomes.

  Firecrawl (Leo, Developer) :

  Firecrawl offre du web scraping pour les agents via trois points de terminaison principaux : Scrape (extrait du Markdown/données structurées), Search (recherche basée sur le web) et Interact (nouveau cette semaine – les agents peuvent contrôler les sessions de navigateur, naviguer sur les pages, cliquer sur les boutons). La démo a montré un modèle de workflow qui reçoit les prompts via webhook, déploie un agent qui utilise les bons outils Firecrawl, et retourne des données structurées – par exemple « trouver les tarifs les plus récents de Firecrawl » ou « récupérer les top 20 LLMs d’une page web ». Conseils de workflow importants : augmenter les itérations max pour les interactions de navigateur complexes, utiliser le paramètre additional_properties pour les schémas de sortie optionnels, utiliser des modèles de secours pour la tolérance aux erreurs. L’offre : les nouveaux et anciens utilisateurs de n8n Cloud reçoivent 100 000 crédits Firecrawl gratuits (1 crédit = 1 page ; pour comparaison : le plan Hobby en a 3 000/mois).

  Community Challenge (mars, Tino & Stefano) :

  Après le défi de février sur les évaluations AI, voici maintenant « Ultimate Web Crawler Agent with Firecrawl » (date limite 26 avril). Il y a trois cas d’usage fictifs au choix : (1) Aisha – Évaluateur de packages, automatise la recherche de nouvelles bibliothèques logicielles ; (2) Daniel – Job Scout, trouve les postes plus vite que la concurrence ; (3) Marco – Enrichissement de leads pour les entreprises locales (variante la plus difficile). Tous les cas nécessitent l’intégration de Firecrawl, un agent n8n, l’enrichissement des données et la sortie structurée. Les gagnants seront présentés au prochain spectacle le 30 avril. Récompenses : les 500 premiers participants reçoivent un code de licence n8n Cloud Starter gratuit, des articles merchandisés pour les posts sur les réseaux sociaux avec #n8ncommunity. Le point fort de février : Marco a construit un workflow orienté sécurité avec des garde-fous, une couche de politique à partir de tableaux de données, une GrundedRetrievalAugmentation pour les réponses et les évaluations.

  Infos supplémentaires : n8n dispose d’ambassadeurs dans 130 pays (~38 pays selon la transcription, mise à jour hebdomadairement), organise des rencontres régionales et des ateliers dans le monde, travaille sur les embauches (Support Engineers, Success Managers, équipes AI, postes produits).

  Outils/fournisseurs explicitement traités : n8n (MCP, CLI, Cloud), Claude/Anthropic (intégration MCP), Firecrawl, JavaScript Nodes ; format du livestream : Community Live-Stream avec démo produit, démo de construction en direct, annonces de fonctionnalités.

• 45 Seconds of You. AI Does the Rest. Short Form Content with n8n
  23.3.2026, 21:27:02

  Adam montre un système avec n8n qui transforme les longs vidéos YouTube en trois shorts entièrement édités – avec scripts, B-Roll, transitions, sous-titres et lead magnets, tout automatiquement organisé dans Google Drive. Le workflow est basé sur deux itérations : la première version utilisait des avatars AI entièrement automatisés (Hey Gen), produisant de bons résultats mais paraissant trop irréaliste et pouvant endommager la marque personnelle. La deuxième itération, préférée, place l’humain au centre : l’utilisateur reçoit un script via Telegram, se filme lui-même en 45 secondes, et le reste est automatisé – de l’analyse vidéo à la génération du storyboard jusqu’à l’édition finale.

  Le système utilise plusieurs outils : Ampify télécharge les vidéos YouTube et les transcriptions, Gemini analyse la vidéo pour la structure du contenu et les métadonnées, Replicate génère du B-Roll AI (modèle Sead-Dance), Creator Mate rend l’aperçu final basé sur des bibliothèques de modèles pré-fabriquées. L’approche abandonne délibérément l’idée de laisser l’IA prendre toutes les décisions – à la place, l’IA choisit parmi une bibliothèque d’effets et de transitions déjà éprouvés, ce qui produit des résultats plus fiables. Les scripts générés suivent trois angles émotionnels différents (curiosité, peur, etc.) et s’adaptent aux créateurs les plus réussis de la niche. Les utilisateurs peuvent effectuer une configuration de base en intégrant les clés API pour Ampify, Gemini, Replicate, Creator Mate, Telegram, Google Drive et optionnellement OpenAI. Les workflows complets sont disponibles en téléchargement.

  n8n, Telegram, Gemini, Hey Gen, Ampify, Creator Mate, Replicate ; avis/réflexion avec éléments de démonstration.

Nate Herk | AI Automation (8 nouvelles vidéos)

• Claude Code + Paperclip Just Destroyed OpenClaw
  28.3.2026, 17:49:32

  Résumé : Claude Code + Paperclip Just Destroyed OpenClaw

  Le créateur présente Paperclip, un outil d’orchestration gratuit et open-source pour les entreprises IA entièrement automatisées. L’outil permet de gérer plusieurs agents IA dans un tableau de contrôle centralisé – chacun avec ses propres instructions, compétences et budget. Les agents peuvent recruter indépendamment d’autres agents, déléguer des tâches et s’activer sur des Heartbeats (cycles de réveil programmés régulièrement) pour travailler de manière proactive.

  Dans la démonstration pratique, une exemple d’entreprise appelée Proofshot est construite de zéro : un agent CEO est activé, qui recrute indépendamment un ingénieur, ce dernier recevant des tâches pour développer un MVP. Le système documente toutes les activités dans un système de ticketing. Le créateur peut donner des approbations, laisser des commentaires et créer de nouvelles issues pour des objectifs de plus haut niveau – il agit comme un « conseil d’administration » qui fixe des objectifs sans intervenir opérationnellement.

  Fonctionnalités clés : plusieurs entreprises/départements gérables dans une instance, configurations d’agents prédéfinies (Soul, Heartbeat, Tools, fichiers Instructions), intégration de compétences via URLs GitHub (avec des skills de marketplace skills.sh), routines pour les workflows récurrents, limites de budget par agent et la possibilité d’importer des équipes d’agents préconfigurées. Le créateur souligne également à quel point un projet Claude Code supplémentaire en tant que « partenaire » est utile pour comprendre et étendre le système lui-même.

  L’outil est présenté comme une solution à un grand problème : au lieu de nombreuses sessions CLI parallèles sans visibilité, on obtient un système multi-agents cohérent et gérable.

  Outils traités : Claude Code, Paperclip (open-source), Open Claw (mentionné à titre de comparaison) ; Format : démo + tutoriel ; Niveau de difficulté : adapté aux débutants avec options avancées.

• Gemini 3.1 Flash Live Just Changed Voice Agents Forever
  28.3.2026, 04:02:55

  Google a lancé Gemini 3.1 Flash Live, un modèle vocalisé qui transforme fondamentalement les agents vocaux. Contrairement aux approches antérieures, il fonctionne directement avec la conversion vocale-à-vocale plutôt que de passer par du texte. Le modèle surpasse son prédécesseur (Gemini 2.5 Flash) sur l’appel de fonction multi-étapes d’environ 19 % et montre également des améliorations significatives dans le traitement audio en conditions difficiles (bruit, trafic routier). Il comprend le sarcasme, le stress et les nuances émotionnelles par analyse audio directe plutôt que par transcription.

  Le modèle peut interrompre immédiatement les commandes, répond avec de faibles latences et traite les chaînes alphanumériques de manière plus précise. Il permet également le partage d’écran et l’accès à la webcam – l’agent peut donc voir et réagir visuellement aux instructions. Dans Google AI Studio, le modèle peut être testé gratuitement ; on peut créer des system prompts (par exemple un « coach fitness » avec un accent écossais) et activer les appels de fonction pour le connecter au calendrier, aux applications to-do ou à d’autres API.

  Les démonstrations pratiques montrent un widget intégré sur un site web de clavier et un agent « Arya » qui accède à ClickUp et à un calendrier pour gérer les tâches. Une limitation actuelle : l’agent fait une pause lors des appels de fonction au lieu de continuer à parler – il y a donc du silence pendant que les données sont récupérées. Avec Claude Code, il est relativement rapide de prototyper ces intégrations ; le créateur avait construit les deux démos en moins de 30 minutes. Cependant, le déploiement sur un site web en direct ou un numéro de téléphone est techniquement plus complexe qu’avec les plateformes alternatives, car le modèle nécessite une connexion serveur persistante via WebSockets.

  La tarification est bon marché (environ 14 centimes pour un appel de 10 minutes sur le forfait payant) ; elle reste gratuite tant qu’on travaille dans le sandbox du studio. Google conserve les données pour l’amélioration des produits lors de l’utilisation gratuite ; les utilisateurs payants reçoivent une protection des données de niveau entreprise, des limites de débit plus élevées et des fonctionnalités comme la mise en cache contextuelle.

  Outils traités : Gemini 3.1 Flash Live, Google AI Studio, Claude Code, 11 Labs, ClickUp, Perplexity — Hybride démo/tutoriel avec des exemples d’intégration pratiques.

• Claude Code + iMessage is Finally Here.
  26.3.2026, 02:54:48

  Claude Code reçoit une nouvelle fonctionnalité : l’intégration iMessage via des « canaux », qui permet de contrôler sa session Claude Code locale directement depuis l’application iMessage de l’iPhone. Dans la démo, le créateur envoie un message comme « Scrape the YouTube comments from my recent video and give me a breakdown » – Claude Code le reçoit, exécute la compétence YouTube Analyzer et répond directement dans iMessage avec les résultats (511 commentaires analysés, thèmes principaux et demandes vidéo extraits).

  Les canaux sont des MCP (Model Context Protocols) qui créent un pont entre les applications tierces et une session Claude Code en cours d’exécution – actuellement Telegram, Discord et iMessage sont supportés. Le fonctionnement : vous accordez à l’application un accès complet sur le Mac (dans Paramètres système sous Confidentialité & Sécurité), installez le plugin iMessage via Command, et lancez Claude Code avec le mode canal activé. Le créateur montre comment approuver les autorisations directement depuis iMessage et comment ajouter d’autres numéros/identifiants Apple pour ne pas seulement vous textos à vous-même.

  Un problème principal : la session s’exécute localement sur votre ordinateur – si VS Code ou le terminal se ferme, le canal cesse de fonctionner. Pour être disponible en permanence, il faudrait héberger Claude Code sur un Mac VPS ou Mac Mini (par exemple avec tmux). De plus, la fonctionnalité iMessage est limitée à macOS car elle accède au système iMessage d’Apple.

  Le créateur différencie à la fin trois fonctionnalités Anthropic qui sonnent similaire : Dispatch (basé sur les messages, délègue les tâches depuis l’application Mobile), Channels (déclenché par les événements à partir d’applications externes comme iMessage, idéal pour les réactions aux événements), et Remote Control (contrôle direct d’une session en cours depuis le navigateur/l’application mobile).

  Claude Code avec plugin iMessage, format démo.

• STOP Using Bypass Permissions, Use This New Feature Instead
  24.3.2026, 22:42:50

  Claude Code a reçu une nouvelle fonction appelée Auto Mode, qui représente une alternative plus sûre au mode « Bypass Permissions » précédent.

  Auparavant, il y avait deux extrêmes : le mode « Ask Before Edits » arrête constamment le workflow avec des demandes d’autorisation avant que Claude Code n’exécute des modifications, des requêtes web ou des commandes Bash – idéal pour le contrôle, mais ennuyeux pour les tâches plus longues. Le mode « Dangerously Skip Permissions » fonctionne entièrement automatiquement en revanche, mais risque que Claude exécute des actions nuisibles sans surveillance.

  L’ancienne solution était un paramètre .claude local par projet, avec lequel on pouvait définir des listes d’autorisation et de refus ainsi que des demandes explicites. Auto Mode automatise cette prise de décision : avant chaque appel d’outil, un classificateur vérifie si une action est potentiellement destructrice (comme supprimer ou accéder à des données sensibles) et bloque ou approuve en conséquence. Les actions sûres s’exécutent, les actions identifiées comme risquées sont bloquées – Claude peut alors essayer une approche différente.

  Auto Mode est actuellement limité à Research Preview et uniquement disponible pour les membres de Claude Team. L’activation se fait via les Paramètres de l’organisation ou via la commande terminal claude --enable auto mode. Le mode coûte un peu plus cher, car l’évaluation des risques basée sur l’IA s’exécute avant chaque appel d’outil. Anthropic avertit que des erreurs restent possibles et recommande l’utilisation uniquement dans des environnements isolés.

  Claude Code, fonction Auto Mode – démo/mise à jour actualités.

• Claude Code Just Dropped Memory 2.0
  24.3.2026, 15:04:07

  Claude Code : Memory 2.0 et la fonctionnalité AutoDream

  Anthropic a publié la fonctionnalité expérimentale AutoDream pour Claude Code – un sous-agent qui consolide et nettoie régulièrement les fichiers Memory de Claude. Cela fonctionne un peu comme le sommeil humain : l’agent parcourt régulièrement toutes les sessions précédentes, résume les informations importantes, supprime le contenu redondant et met à jour les fichiers Memory Markdown.

  Claude Code avait déjà AutoMemory (un fichier memory.md injecté au début de la session), mais AutoDream va plus loin : au lieu de simplement alimenter les informations, les fichiers Memory sont continuellement compressés, nettoyés et mis à jour. Le processus s’exécute automatiquement en arrière-plan et peut être activé manuellement via /memory → « edit claude memory files » ; là, on peut activer ou désactiver AutoDream. On peut aussi appeler le processus avec /dream ou en langage naturel.

  L’activation est globale à travers tous les projets, chaque projet ayant ses propres fichiers Memory. L’agent fonctionne en plusieurs phases : collecte des infos de session, lecture des fichiers Memory existants, chargement dans un sous-agent (qui exécute le « dream prompt »), consolidation et stockage. AutoDream sera probablement déclenché par des déclencheurs basés sur le temps (par exemple toutes les 12 heures) ou des déclencheurs basés sur les sessions (par exemple après 300 sessions) – cela n’est pas officiellement confirmé.

  Les avantages sont : moins de répétitions dans le dialogue, encombrement contextuel réduit par l’élagage (suppression du contenu inutile), meilleur rappel grâce à des fichiers mieux organisés, et un « système de point de contrôle » similaire au sommeil. En pratique, cela aboutit à un système en trois couches : sessions normales (Coding, Debugging), couche AutoMemory (décisions et modèles), et couche AutoDream (nettoyage automatique). Plus AutoDream est utilisé, mieux il comprend quel contexte est pertinent pour l’utilisateur.

  Démo avec Claude Code ; annonce de fonctionnalité/actualités

• Claude Code Just Got Another Huge Upgrade
  24.3.2026, 01:11:34

  Claude Code reçoit une fonctionnalité de contrôle informatique

  Anthropic a ajouté à Claude Code une nouvelle fonction qui permet au modèle IA de contrôler nativement votre ordinateur – par des mouvements de souris, des appuis de clavier et des captures d’écran. La fonction est actuellement disponible en tant que Research Preview dans Claude Co-work et Claude Code sur macOS (Windows devrait suivre dans quelques semaines) et fonctionne uniquement dans l’application de bureau.

  Fonctionnalités principales :

  La capacité Computer Use peut être combinée avec Dispatch, ce qui vous permet de piloter Claude à distance depuis votre smartphone. Le créateur montre plusieurs démos pratiques : Claude ouvre automatiquement OBS et démarre un enregistrement, trouve un PDF dans les téléchargements et l’envoie via message direct ClickUp, ouvre l’application Calculatrice et enregistre les résultats dans Notes – tout contrôlé par des instructions simples ou même des messages Dispatch depuis le téléphone.

  Limitations importantes :

  Safari et les autres navigateurs sont limités à un accès en lecture seule (pour des raisons de sécurité). Pour l’automation réelle du navigateur, des extensions Chrome ou des outils CLI sont nécessaires. La fonction est actuellement uniquement disponible sur les forfaits Pro et Mac. Dans les nouvelles sessions, les applications doivent d’abord recevoir des autorisations, puis le système s’en souvient.

  Cas d’usage pratiques :

  Applications héritées sans API, rapports automatisés, test d’applications dans des environnements bac à sable, tâches récurrentes (scanner les emails quotidiennement, extraire des rapports le vendredi) ainsi que tâches programmées. Le créateur souligne qu’Anthropic actualise les fonctionnalités à un rythme élevé en ce moment.

  Problèmes courants :

  Si Computer Use ne fonctionne pas, il faudrait réinstaller l’application de bureau, activer le paramètre, fermer et rouvrir l’application, et être plus explicite dans les prompts.

  Claude Code avec Anthropic – démo.

• This $100M AI App Just Changed Software Forever
  23.3.2026, 22:34:24

  Résumé : This $100M AI App Just Changed Software Forever

  Un jeune homme de 18 ans nommé Zach a vendu son application IA en décembre 2025 pour environ 100 millions de dollars. L’application, Cal AI, était un outil de fitness qui calculait les calories des repas à partir d’une photo – sans pesée ni saisie manuelle. Zach a commencé avec des amis du lycée et du camp de codage du lycée, construit la première version en environ un mois (début mai 2024) et atteint un million de téléchargements en 3-4 mois, puis plus d’un million de dollars de chiffre d’affaires par mois.

  Pourquoi cela change l’industrie : Alors que Zach pouvait encore programmer lui-même, il existe aujourd’hui (2026) des outils comme Cursor, Lovable, Cloud Code, Replit et autres, avec lesquels on peut construire des applications sans connaissances en codage. La barrière à l’entrée du développement logiciel est tombée – mais le côté business reste la partie difficile.

  Trois facteurs de succès :

  1. Idéation basée sur les problèmes : Zach a reconnu son propre problème (le suivi des calories ennuyeux dans MyFitnessPal était dépassé) et a construit une solution simple plutôt que de chercher à perfectionner un produit complet. Lancer rapidement, recueillir les retours, itérer.
  1. Marketing d’influenceurs (Creator-First) : Au lieu de publicités traditionnelles, envoyer des messages directs à 20-30 créateurs, leur donner la liberté créative et montrer l’application dans les 15 premières secondes (par exemple en photographiant de la nourriture). Cela ressemble à une recommandation, pas à de la publicité. Suivre les téléchargements et les revenus par créateur, puis augmenter ce qui fonctionne.
  1. Rétention et revenus prévisibles : Avant l’essai, augmenter l’investissement émotionnel par des questions ciblées (poids, objectifs, motivation). Garder la fonctionnalité principale extrêmement simple (5 secondes par utilisation). Ajouter de petites fonctionnalités d’habitude (Daily Streaks, Progress Dashboard, Health Score). Les chiffres mensuels stables rendent l’application attrayante pour les acquisitions.

  Zach a prouvé qu’on pouvait construire une entreprise d’une centaine de millions de dollars sans investisseurs ni grande équipe ; les outils disponibles aujourd’hui sont encore meilleurs, mais la fenêtre ne reste pas longtemps ouverte.

  Outils et format : Cursor, Lovable, Cloud Code, Replit, Antigravity et Baseplate 4 mentionnés – opinion/réflexion avec analyse de cas d’usage.

• How to Build Claude Agent Teams Better Than 99% of People
  23.3.2026, 13:03:53

  Résumé : How to Build Claude Agent Teams Better Than 99% of People

  La vidéo montre comment construire des équipes d’agents efficaces avec Claude Code. La différence principale avec les sous-agents est que les coéquipiers ont une liste de tâches commune, peuvent communiquer directement les uns avec les autres et travailler en parallèle – pas de manière séquentielle comme les sous-agents. Dans la démo, une équipe composée d’un développeur frontend, d’un développeur backend et d’un agent QA est créée, qui collaborent pour développer une landing page : le QA trouve des bugs, les renvoie aux développeurs, ceux-ci les corrigent, et lors du deuxième passage, tous les problèmes critiques sont résolus.

  Configuration : On active les équipes d’agents via une variable d’environnement dans settings.json. Il est recommandé de former préalablement Claude Code à la documentation des équipes d’agents (sous forme de Markdown dans un dossier docs) pour qu’il y accède plus rapidement.

  Meilleures pratiques du prompting :

  • Formuler l’objectif clairement (les agents n’ont pas d’infos de contexte initiales)
  • Structure du prompt : « Create a team of X agents using [Modèle]. Agent 1 est [Rôle], devrait [Tâches]…
  • Chaque agent devrait avoir ses propres fichiers/livrables (pas de réécritures)
  • Nommer les destinataires concrets, qui contacte qui
  • 3-5 agents idéal, pas 10+
  • Fournir des informations de contexte complètes

  Pièges courants et solutions :

  • Les agents demandent constamment une autorisation → Pré-approuver les outils dans Paramètres
  • Les livrables sont réécrasés → Assigner des propriétaires de fichiers
  • Les agents restent assis sans rien faire → Spécifier explicitement les dépendances/affectations de travail dans le prompt
  • Trop de tokens consommés → Utiliser moins d’agents
  • Utiliser le mode Plan-Approval : les agents planifient d’abord, l’agent principal approuve avant exécution

  Quand utiliser les équipes d’agents : Pour les processus complexes avec plusieurs domaines de spécialité, quand le travail en parallèle et réactif est nécessaire, quand une qualité élevée est requise. Ne pas utiliser : Pour les processus séquentiels (1→2→3), quand tout doit être dans une fenêtre de contexte, pour les tâches simples ou quand les agents modifient les mêmes fichiers (les sous-agents sont meilleurs dans ce cas).

  Vue du terminal (Tmux) : Dans la version terminal, on peut voir tous les agents dans un volet divisé et envoyer des messages directement aux agents individuels/leur donner des instructions – bien meilleur contrôle qu’en mode extension VS Code.

  Processus d’arrêt : Les agents doivent être arrêtés correctement (pas forcément fermés), en demandant à la session principale de les enregistrer et les agents confirment qu’ils sont prêts – de cette façon, tout est complété correctement.

  Claude avec fonctionnalité Agent Teams (Beta/expérimental) ; tutoriel approfondi avec démos en direct et do’s-and-don’ts pratiques.

NeuralNine (2 nouvelles vidéos)

• From 15GB to 4.7GB: Quantizing AI Models Locally
  27.3.2026, 17:00:14

  Résumé : Quantification de modèles IA en local

  La vidéo montre comment quantifier des modèles IA sur le système local pour les rendre plus rapides et plus efficaces en mémoire. L’idée centrale est de réduire la précision des paramètres – passer de floating-points 16-bit à 4 bits – ce qui rend le modèle plus petit mais moins performant. L’insight clé : un grand modèle quantifié (ex. 65 milliards de paramètres avec quantification Q4) surpasse généralement un modèle plus petit non quantifié (ex. 30 milliards de paramètres) en perplexité.

  Le tutoriel démontre le workflow complet sur un vieux ThinkPad aux ressources limitées :

  1. Cloner le repository : Télécharger Llama.cpp depuis GitHub
  2. Installer les dépendances : Via UV et requirements.txt
  3. Télécharger le modèle : Avec un script Python personnalisé utilisant huggingface_hub (ici : Qwen 2.5 7B)
  4. Convertir au format GGUF : Avec le script de conversion du repository, générant un fichier FP16 de 15 GB
  5. Quantification basée sur Docker : Exécuter l’image ghcr.io/ggml-org/llama.cpp:full avec docker run, spécifier la quantification Q4_K_M (quantification 4-bit avec K-Quants par bloc ; M = niveau moyen entre S et L pour l’équilibre taille/performance)
  6. Résultat : Modèle réduit de 15 GB à 4,7 GB
  7. Tester avec Ollama : Définir le modèle quantifié comme Modelfile, charger via ollama create et exécuter avec ollama run ; la consommation RAM reste à 4,7 GB

  La vidéo illustre que la quantification locale est pratique même sur du matériel peu puissant.

  Outils mentionnés : Llama.cpp, Hugging Face, Docker, Ollama — Tutoriel.

• Modern Terminal User Interfaces in Python
  23.3.2026, 17:00:43

  Interfaces utilisateur modernes pour terminal en Python – Résumé

  La vidéo montre comment créer des interfaces utilisateur professionnelles pour terminal (TUI) en Python avec le package Blessed. Après une brève introduction, trois exemples pratiques sont traités.

  Installation et Hello World :

  Blessed s’installe via pip install blessed ou uv. L’exemple le plus simple importe Terminal, utilise le contexte fullscreen, active le Raw-Mode (cbreak) pour l’entrée directe des touches et masque le curseur. term.clear() vide l’écran, print() affiche du texte. Une boucle while True avec term.inkey(timeout=1) répond aux appuis de touches – dans l’exemple, la touche Q ferme l’app.

  Objet en mouvement (style jeu) :

  Avec des coordonnées (x=10, y=10), un symbole astérisque est positionné. Dans la boucle, le canevas est constamment redessiné avec term.clear() : term.move_yx() positionne le curseur, term.reverse met en surbrillance. Les touches fléchées (Arrow Keys) modifient les coordonnées, avec max()/min() elles restent dans les limites du terminal (term.width, term.height).

  Gestionnaire de tâches (application complète) :

  Cette section présente une application entièrement fonctionnelle avec :

  • Persistance : Les tâches sont chargées/sauvegardées en JSON (module json)
  • Navigation : Les touches fléchées se déplacent entre les éléments, la barre d’espace bascule le statut Done
  • Ajouter : La touche A active le mode Ajout (accepte l’entrée de texte), Entrée sauvegarde, Échap annule
  • Supprimer : La touche D supprime l’élément sélectionné
  • Couleurs : Les touches Gauche/Droite changent les couleurs des éléments à travers une liste (utilise les codes de couleur du terminal, rotation modulo)
  • Affichage : Cases à cocher (☑/☐), titre avec limite de retour à la ligne, ligne sélectionnée inversée (surlignage), indications de contrôle en haut, compteur d’éléments en bas

  Le code traite différemment le mode Ajout et le mode Navigation : en mode Ajout, le texte est mis en mémoire, les touches normales sont ajoutées, retour arrière supprime. En mode Navigation, les touches pilotent la logique. Les caractères spéciaux sont filtrés (key.is_sequence).

  Exemples Blessed du repo :

  À la fin, le créateur montre la collection d’exemples officielle : animations (barres de chargement, indicateurs de progression), programmes de dessin (clavier/souris avec sélection de couleur), simulation de physique (balles/limites), jeu Snake, sélecteur de couleur basé sur X11, automates cellulaires.

  Traité explicitement : Package Blessed, Python 3, uv comme gestionnaire de paquets ; Format : Tutoriel avec trois exemples progressifs (Hello World → Mouvement interactif → Application complète).

Nic Conley

Aucune nouvelle vidéo pendant cette période.

Nick Saraev (2 nouvelles vidéos)

• CLAUDE CODE ADVANCED FULL COURSE (3 HOURS)
  28.3.2026, 18:59:16

  Résumé : Claude Code Advanced Full Course (3 Hours)

  Un cours complet pour les utilisateurs avancés de Claude Code, enseigné par quelqu’un qui utilise Claude Code quotidiennement dans un contexte professionnel. Le cours suppose des connaissances de base et couvre les sujets suivants :

  Claude.md et System Prompts : Le cours explique que Claude.md remplit quatre fonctions : (1) la compression de connaissances par un résumé concis du contenu de l’espace de travail au lieu de parcourir des fichiers individuels, (2) les paramètres utilisateur et conventions non intégrés nativement, (3) la déclaration des capacités des agents pour éviter les boucles d’erreur, (4) la documentation des erreurs et succès. Il existe des prompts globaux (valables sur tous les espaces de travail) et des prompts locaux (spécifiques au projet). Un workflow montre : planifier la fonctionnalité → implémenter (avec erreurs/succès) → collecter les apprentissages → mettre à jour Claude.md → répéter la boucle.

  Agent Harnesses : Un harness est tout ce qui entoure le LLM en dehors du modèle lui-même – donc Claude Code, System Prompts, Tools et paramètres. C’est essentiellement un contrôle qui focalise et rend utilisables les capacités variées d’un LLM. D’autres harnesses alternatifs comme Droid ou Pi.dev sont mentionnés ; Claude Code est considéré comme leader depuis le blog post d’Anthropic sur « Effective Harnesses for Long Running Agents ».

  Parallélisation et Agent Teams : Au lieu d’exécuter les tâches séquentiellement l’une après l’autre (Série = 20 min pour quatre tâches de 5 min), les étapes indépendantes peuvent s’exécuter en parallèle avec une étape de synthèse finale, ce qui réduit le temps d’environ 40 %. Cela exploite la stochasticité des agents (outputs différents pour la même entrée) et distribue le travail plus efficacement.

  Implémentation pratique : Le cours montre l’utilisation de la commande /init pour générer automatiquement un Claude.md initial (avec une compression de 45x par rapport aux fichiers complets). Ensuite itération : développer les fonctionnalités, documenter les erreurs dans Claude.md, enregistrer les optimisations (par ex. « remplacer des fichiers entiers en un seul Write au lieu d’édits séquentiels »). Après plusieurs itérations, un rapport /insights peut révéler des patterns globaux sur toutes les sessions.

  Structure globale de Claude.md : Le cours exemplifie une Claude.md globale avec une section profil (qui je suis, mes objectifs, sources de revenus), règles de raisonnement de haut niveau (pas de sur-optimisation, lire la documentation avant d’utiliser l’API), préférences d’interaction et stratégies d’économie de tokens.

  Autres sujets du cours (en partie suggérés) : automatisation de navigateur, outils Computer Use, problèmes de performance, orchestration multi-agents, organisation des espaces de travail pour projets personnels/professionnels/clients, sécurité et tendances futures.

  Contexte : Claude Code (via extension VS-Code ou Claude Desktop App), format démo ; avancé.

• Claude Computer Use Just Dropped, Here’s How to Hack It
  24.3.2026, 17:51:10

  Résumé : Claude Computer Use – 8 cas d’usage pratiques

  Claude a désormais accès au navigateur et au clavier/souris de l’utilisateur. Le créateur montre huit cas d’usage concrets et économiquement précieux au-delà des démos jouet :

  1. Prospection LinkedIn automatisée : Avec le navigateur Min (non bloqué par Anthropic), on peut envoyer des demandes de connexion personnalisées à des milliers d’utilisateurs en fournissant une liste de contacts cibles et un modèle d’ouverture avec variables que Claude remplit dynamiquement.

  2. Social Media Scraping : Claude extrait les posts des plateformes comme LinkedIn et les sauvegarde localement – utile pour les suiveurs de tendances ou pour générer des idées de contenu à partir de posts viraux existants.

  3. Remplissage automatisé de formulaires de contact : De nombreux sites web cachent les emails derrière des formulaires de contact. Claude peut les remplir de manière humaine et les envoyer, y compris des champs complexes comme les sélecteurs de date.

  4. Gestion des plateformes publicitaires : Google Ads, Meta Ads, TikTok Ads peuvent être automatisés sans accès direct aux API – par exemple pour mettre en pause les annonces peu performantes ou réallouer les budgets.

  5. Automatisation du téléchargement YouTube : Au lieu de passer par les APIs (qui pénalisent la portée organique), les vidéos peuvent être téléchargées en tant qu’utilisateur réel, ce qui apporte un avantage algorithmique.

  6. Gestion des factures/documents : Télécharger et organiser localement toute facture.

  7. Automatisation d’applications de bureau : Les outils comme Premiere Pro peuvent être contrôlés – par exemple pour placer les coupes vidéo à des points de forme d’onde bas, générer des sous-titres.

  8. Tests QA : Simulation utilisateur réaliste via vrais clics de souris et interactions clavier plutôt que des événements JavaScript, ce qui détecte les bugs dans les flux d’interaction réels.

  Configuration : Télécharger Claude Desktop App, activer dans l’onglet “Copilot”, activer “Browser Use” et “Computer Use” dans les paramètres, puis installer le navigateur Min (minbrowser.org) car Chrome, Safari, Firefox, Edge sont bloqués. Préfixer le prompt avec “computer use” pour un taux de succès plus élevé.

  Le créateur avertit contre les excès en automatisation des réseaux sociaux (limites de plateforme, risques de blocage) et souligne que les grandes entreprises en profitent davantage que les petites, car les SOPs sont décisives.

  Claude avec la fonctionnalité Computer Use (expérimental en Research Preview) – vidéo de démo/tutoriel avec des hacks pratiques.

Niklas Steenfatt (1 nouvelle vidéo)

• Dans le cerveau d’OpenClaw
  26.3.2026, 18:57:50

  Dans le cerveau d’OpenClaw

  L’auteur documente son accès personnel à Amadeus, son instance OpenClaw, qui fonctionne quotidiennement comme assistant IA pour rechercher, gérer les factures et administrer des sites web. Pour comprendre comment Amadeus travaille concrètement, il a configuré un tableau de bord terminal avec quatre panneaux :

  1. Daily Memory (en haut à droite) : Le « journal » d’Amadeus, où l’agent note ses activités et points d’apprentissage – par exemple quels bugs il a corrigés ou quels sites il a vérifiés.
  1. Command Execution Feed (en haut à gauche) : Vue en direct de toutes les commandes qu’Amadeus exécute indépendamment dans le terminal, soit via des délégués Telegram, soit de manière autonome.
  1. Session Log (en bas à gauche) : Processus de réflexion interne et appels d’outils, par exemple comment Amadeus tente d’utiliser les outils de code – l’auteur a découvert qu’Amadeus contournait un outil Codex non fonctionnel en générant des processus Subagent. Après l’introduction d’une règle, Amadeus s’en est souvenu dans ses fichiers de mémoire.
  1. Core Memory File (en bas à droite) : Fichier de mémoire central contenant les leçons importantes et les principes de collaboration, qui se mettent à jour en direct lors des modifications.

  L’auteur réfléchit philosophiquement à l’architecture d’Amadeus : elle ne consiste qu’en fichiers Markdown – chaque jour, il « se réveille sans mémoire » et doit se réorienter selon ses notes. Cela permet la portabilité, mais a aussi des limites : l’agent comble les lacunes par des hallucinations, comme l’auteur l’a observé quand Amadeus a affirmé que la plupart des utilisateurs ne nommaient pas leur agent – ce qu’Amadeus avait inventé.

  L’utilité pratique de l’observation : l’auteur a reconnu via le Session Log qu’Amadeus avait d’abord des difficultés avec Codex, mais agissait aussi plus intelligemment que prévu – par exemple en accédant via SSH à d’autres serveurs pour lire les logs de déploiement au lieu d’attendre passivement. Le log montre également que les agents essaient souvent des commandes en boucle avant qu’elles ne fonctionnent.

  L’accès a également permis d’adapter le shell du conteneur pour enregistrer et filtrer toutes les commandes. Conclusion : regarder sous le capot détruit partiellement l’illusion (l’agent n’est pas toujours aussi intelligent qu’on le pensait), mais aide à utiliser OpenClaw de manière plus responsable.

  OpenClaw avec suivi terminal, démonstration/analyse approfondie.

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

Aucune nouvelle vidéo au cours de cette période.

Theo – t3․gg (5 nouvelles vidéos)

• Jira and Linear are legacy software
  27.3.2026, 09:55:28

  Résumé : Jira and Linear are legacy software

  L’orateur soutient que les traceurs de problèmes classiques comme Jira et Linear deviennent obsolètes en raison d’un changement de paradigme fondamental. Le suivi des problèmes provient du besoin de coordonner les transitions entre les responsables de produit et les ingénieurs – une contrainte résolue par des processus rigides, des priorisations et des workflows. Linear a été créé pour contrebalancer la complexité de Jira en réduisant les surcharges. Cependant, à l’ère de l’IA, l’hypothèse fondamentale change : les agents prennent progressivement en charge les tâches procédurales, ce qui comprime la planification, la mise en œuvre et la révision du code.

  Linear a déjà observé que 75% de ses espaces de travail Enterprise utilisent des agents de codage, que le volume d’agents a augmenté de 5 fois au cours des 3 derniers mois, et que les agents créent déjà 25% des nouveaux problèmes. L’avenir pour Linear n’est plus un traceur de problèmes, mais un système contexte-vers-exécution : il capture les retours d’information, les intentions, les décisions et le code comme contexte partagé pour les humains et les agents. Les nouvelles fonctionnalités incluent un Linear Agent, Skills (tâches récurrentes codifiées) et Automations (workflows déclenchés automatiquement sur les nouveaux problèmes).

  L’orateur critique cependant le fait que Linear (et l’industrie en général) s’accroche trop aux rôles historiques et aux processus de planification multi-étapes. Sa thèse centrale : si l’IA est suffisamment compétente pour jouer simultanément le rôle de PDG, responsable, designer, ingénieur et responsable QA, la division du travail humain n’a plus de sens. Au lieu d’écrire des spécifications puis de construire, les agents devraient adopter une approche prototype-first rapide – construire une première version jetable pour identifier les pièges et les lacunes de la base de code, puis écrire un plan éclairé et reconstruire. Le code devrait devenir la planification, pas l’inverse. Cela fonctionne mieux parce que les agents devraient plutôt utiliser des outils (code, pas des prompts structurés), tout comme MCP s’est avéré efficace. Linear est sur la bonne voie, mais pense encore trop comme l’ancien monde humain. Jira et Atlassian, en revanche, ne prennent aucune mesure dans cette direction.

  Explicitement mentionné : Linear, Jira, Atlassian, Codeex App, Cloud Code, OpenAI, GStack, GitHub, MCP — Avis/Réflexion avec analyse des annonces de produits.

• OpenAI is lying
  26.3.2026, 12:48:53

  Résumé : « OpenAI is lying »

  Le créateur critique vivement OpenAI pour un article sur l’amélioration du design frontend avec GPT-5.4. La thèse centrale : l’article fait la promotion de techniques et d’exemples comme « prêts pour la production », alors qu’ils sont en réalité de qualité inférieure – c’est du gaslighting et une violation de confiance.

  Problèmes clés avec GPT-5.4 en frontend :

  GPT-5.4 a des problèmes massifs avec le design UI, bien qu’il fonctionne bien dans d’autres domaines. Le créateur montre par une comparaison de benchmarks (menée par le membre de la communauté Dra) que GPT-5.4 produit à plusieurs reprises les mêmes templates inutilisables : des cartes partout (Cards), des mises en page répétitives, des designs génériques. Malgré les conseils détaillés en prompt engineering dans l’article d’OpenAI, les résultats restent mauvais.

  Comparaison avec d’autres modèles :

  Claude Opus (Anthropic) dispose de bien plus de templates de design utiles (~10) et est contrôlable. Gemini 3.1 a encore plus de variantes (~15), dont certaines faibles, mais est moins dirigible. GPT-5.4 n’a que ~4 mauvais templates qui réapparaissent toujours – la « maladie des cartes » partout. Le créateur le démontre visuellement : Kimmy K2.5 (modèle open-weight, bon marché) surpasse clairement GPT-5.4, tout comme Opus et parfois Gemini.

  Pourquoi GPT-5.4 est-il si mauvais ?

  Le créateur spécule : les modèles sont entraînés avec des données d’entraînement falsifiées générées à partir de vrais PRs GitHub. OpenAI semble avoir acheté un ensemble de données obsolète ou plus petit pour les motifs de design frontend. Google et Anthropic ont peut-être accès à des données de design UI plus récentes et meilleures. Cela explique pourquoi GPT-5.4 a également du mal avec Tailwind ou Convex modernes – les données d’entraînement sont plus anciennes.

  La conséquence :

  L’article superficiel d’OpenAI nuit à la confiance parce que les développeurs voient rapidement que ça ne fonctionne pas. Le créateur n’utilise plus GPT-5.4 que pour les corrections de bugs de code après d’autres modèles, pas pour le design initial.

  Explicitement mentionné : OpenAI (GPT-5.4), Claude/Opus (Anthropic), Gemini 3.1 (Google), Kimmy K2.5 (Open-Weight), Codeex, Shadcn, Tailwind UI — Avis/Réflexion avec démo et analyse approfondie.

• AI has a subsidization problem
  25.3.2026, 09:04:59

  Résumé : « AI has a subsidization problem »

  Le créateur soutient que l’accès généreux et subventionné à des modèles d’IA par les géants de la technologie n’est pas viable économiquement et prend fin maintenant. Google, Anthropic et OpenAI réduisent leurs subventions ou les abandonnent – Gemini bloque les utilisateurs gratuits des modèles Pro, GitHub Copilot réduit les modèles Premium pour les étudiants, et même les tiers payants subissent des throttles en cas de congestion capacitaire.

  Problème central : Il n’y a pas vraiment d’inférence « gratuite ». L’utilisation des GPU coûte de l’argent (électricité, matériel, temps). La solution souvent citée via la publicité ne fonctionne pas – malgré des millions de vues sur YouTube, la publicité ne rapporte que des fractions de centime par vue, tandis qu’un seul prompt peut coûter plusieurs dollars. La collecte de données comme justification de subvention n’aide que marginalement.

  La vraie raison : L’acquisition de clients par une guerre des prix. Les entreprises espèrent attirer des utilisateurs qui iraient autrement chez la concurrence. Problème : au lieu de clients précieux et prêts à payer, ils se retrouvent avec un groupe de « je ne peux l’utiliser que s’il est gratuit » – des personnes qui ne paieront jamais et qui causent des coûts de support massifs.

  Stratégies différentes : Anthropic subventionne agressivement (5 000 $ de calcul pour 200 $/mois = rabais de 25x), mais seulement pour Claude Code, pour enfermer les utilisateurs dans son écosystème et empêcher les changements. OpenAI peut se le permettre parce que 70% de ses revenus proviennent de l’abonnement ChatGPT à 20 $/mois – et ils concurrencent directement Anthropic. Google, en revanche, agit de manière chaotique : les équipes internes concurrencent pour les ressources GPU, raison pour laquelle Google a même bloqué ses propres développeurs du modèle Pro.

  Perspectives : Cette vague de subventions disparaîtra. Ce n’est que si les coûts d’inférence diminuent de 10x–100x qu’un modèle freemium durable pourrait à nouveau fonctionner. D’ici là, les structures tarifaires se durcissent. Le créateur conseille : utilisez les tiers payants généreux encore disponibles tant que vous le pouvez.

  Mentionné : Gemini / OpenAI / Anthropic (Claude Code, Claude Pro) / GitHub Copilot / T3 Chat / Cursor / Open Code — Avis/Réflexion (Analyse économique), pour un public techniquement averti.

• I need you guys to trust me on this (sorry Anthropic)
  24.3.2026, 00:54:30

  Le créateur annonce que T3 Code supporte maintenant les abonnements Claude Code – les utilisateurs peuvent utiliser leurs abonnements Claude Code existants gratuitement dans T3 Code en utilisant la CLI locale. Le point clé : alors que Open Code a eu des problèmes juridiques avec Anthropic (Anthropic a menacé avec des avocats et averti des blocages de compte), T3 Code est censé être une alternative juridiquement sûre.

  La justification réside dans la mise en œuvre technique : T3 Code utilise le SDK Agent officiel d’Anthropic et appelle la CLI Claude Code existante localement, au lieu de (comme Open Code) falsifier ses propres flux OAuth et en-têtes. Ainsi, T3 Code ne viole pas la règle d’Anthropic selon laquelle les tiers ne peuvent pas proposer leurs propres harnais pour les abonnements Claude Code. Le créateur a fait vérifier par Claude lui-même la mise en œuvre et les Conditions de service d’Anthropic – Claude a confirmé la conformité.

  La critique envers Anthropic parcourt toute la vidéo : l’entreprise refuse de fournir des réponses claires sur des questions fondamentales concernant l’utilisation légale du SDK Agent, bien que des développeurs de haut niveau comme Matt Pocock (créateur du projet ts-eslint) aient demandé poliment. Cela laisse une zone grise pleine d’incertitude. Le créateur explique aussi pourquoi il intègre Claude Code : Anthropic subventionne massivement les abonnements Claude Code (jusqu’à 5 000 $ de crédit de calcul pour 200 $/mois) pour écraser la concurrence – un prix que d’autres labs ne peuvent maintenir.

  Important : le créateur souligne à plusieurs reprises qu’il n’offre pas de conseil juridique et ne peut pas garantir que les comptes ne seront pas bloqués – mais il dit qu’il paiera lui-même tout ban et en parlera dans une vidéo pour mettre la pression sur Anthropic. T3 Code est open source et consomme moins de ressources que la CLI officielle.

  Pour conclure, il appelle Anthropic à enfin publier des directives claires au lieu de laisser la communauté dans le noir.

  Outils explicitement mentionnés : Claude Code, Claude 5.4, Open Code, Codeex, T3 Code, T3 Chat – Format : Avis/Réflexion avec justification technique.

• Did Cursor really steal Kimi???
  22.3.2026, 17:32:47

  Résumé : Did Cursor really steal Kimi???

  Cursor a présenté son nouveau modèle Composer 2, qui atteint des benchmarks de performance impressionnants et est particulièrement peu cher. La controverse a surgi quand les utilisateurs ont découvert dans les paramètres URL de l’API Cursor que le modèle était en interne nommé « Kimi K2.5 RL » – c’est-à-dire basé sur Kimi K2.5 de Moonshot AI.

  La problématique centrale : Cursor a pris le modèle open-weight Kimi K2.5 comme base et a réalisé un apprentissage par renforcement massif avec ses propres données d’entraînement pour optimiser le modèle spécifiquement pour les tâches de code. Le résultat final est, selon les benchmarks de Cursor, au niveau de GPT-5 et s’exécute à 50 cents par million de tokens d’entrée (par rapport à 5 dollars pour Opus). Mais : Kimi K2.5 a une licence MIT modifiée stipulant que les produits commerciaux avec plus de 100 millions d’utilisateurs mensuels ou 2+ millions de dollars de chiffre d’affaires mensuel doivent nommer le modèle de manière visible dans l’UI. Cursor ne l’a pas fait.

  La solution/L’échappatoire : Cursor a fait appel à Fireworks AI comme partenaire d’inférence. Puisque l’entraînement RL et l’inférence se sont déroulés via Fireworks et que Fireworks s’est conformé à la licence, Cursor a théoriquement pu éviter la mention directe. Finalement, Lee Rob (Cursor) et Moonshot eux-mêmes ont confirmé que Composer 2 est basé sur Kimi K2.5 – sans révéler cela initialement.

  L’évaluation du créateur : Ce n’était pas une opération de vol, mais un travail de post-entraînement massif avec un effort de calcul considérable. Mais : le manque de transparence viole l’esprit des modèles open-weight. Le plus gros problème : si cela s’avère légalement tenace, d’autres labs seront moins disposés à publier des modèles open-weight du tout – ce qui nuit à l’écosystème entier. Le créateur critique aussi la subvention des prix par Anthropic et OpenAI, qui force Cursor à chercher des modèles alternatifs bon marché.

  Contexte : Cursor avait précédemment acquis Super Maven (un modèle d’auto-complétion de Jacob Jackson, anciennement Tab 9) et construit une stratégie d’excellence en code dessus. Avec Composer 2, ils tentent de se libérer de la dépendance aux modèles frontier coûteux – notamment parce que l’abonnement Claude Code d’Anthropic est subventionné à 200 $/mois pour ~5 000 $ de calcul.

  Outils/Modèles mentionnés dans la vidéo : Cursor, Kimi K2.5 (Moonshot AI), Claude/Opus (Anthropic), OpenAI/GPT-5, Gemini 3/3.1, Fireworks AI, DeepSeek, T3 Code/T3 Chat (propre projet du créateur) — Analyse approfondie/Avis.

Tim Carambat (2 nouvelles vidéos)

• TurboQuant will change Local AI for everyone.
  26.3.2026, 19:29:21

  Résumé :

  Google a publié une recherche appelée TurboQuant qui va fondamentalement transformer les modèles d’IA locaux. TurboQuant optimise le cache KV – la mémoire qui conserve l’historique de conversation d’un modèle et détermine sa fenêtre de contexte. La fenêtre de contexte est cruciale pour la fonctionnalité : elle comprend la conversation jusqu’à présent, les systemprompts, les documents injectés et tout ce que le modèle utilise pour répondre. Le problème avec les modèles locaux est que ce cache consomme beaucoup de RAM et grandit avec les conversations plus longues.

  TurboQuant permet de placer six fois plus de tokens dans le même espace mémoire – concrètement environ quatre fois moins de consommation RAM qu’actuellement. En pratique, cela signifie : celui qui était limité à 8 000 tokens peut maintenant monter à 32 000. C’est une différence décisive – tandis qu’une fenêtre de 8K ne suffit pas pour transcrire et résumer un podcast, c’est trivial avec 32K. Le présentateur le démontre avec son outil Anything LLM, qui nécessitait 48 000 tokens pour un podcast de trois heures. Cela rend une toute une classe de tâches pratique sur du matériel grand public, ce qui était auparavant impossible. Les modèles cloud garderont néanmoins leur rôle pour les charges extrêmes et la pure performance, mais TurboQuant permet aux utilisateurs de traiter davantage localement – particulièrement pertinent car les coûts cloud deviennent chers à long terme et le matériel actuel devient plus rare en raison des prix de RAM croissants.

  Conclusion : démonstration et réflexion pratique sur TurboQuant avec un accent sur Anything LLM en tant qu’outil de modèle local.

• Claude Code SKILLS.md are a token trap.
  23.3.2026, 16:01:15

  Résumé :

  Timothy Carabat critique vivement le mouvement « Skills.md » comme un piège de tokens caché sous une meilleure commercialisation. Les Skills ne sont finalement que des systemprompts au format fichier texte – de nouveaux termes sans véritable innovation technologique. Il montre des exemples concrets : le systemprompt Anthropic d’Open Code coûte environ 3 200 tokens, les skills individuels sur le Skill Hub de Vercel en coûtent jusqu’à 6 000. Bien que ces chiffres soient petits dans le contexte d’une fenêtre d’un million de tokens (Claude, Codeex), le problème est cumulatif : pendant que l’utilisateur discute, de plus en plus de skills sont chargés, des outils appelés, des outputs accumulés – le modèle doit même synthétiser ses propres contextes. Cela entraîne des coûts cachés qui se font réellement sentir.

  Carabat cite un cadre qui s’attend à ce qu’un engineer à 500k$ dépense 250k$ en tokens par an – ce qui implique que les coûts de tokens ne baisseront pas, bien que Sam Altman ait promis le contraire autrefois. Les Workflows sont devenus 10 fois plus complexes (modèles de raisonnement, chain-of-thought), donc le calcul de tokens absolu par tâche est plus élevé, même si les coûts unitaires ont baissé. GStack en est son exemple extrême : la skill « Plan CEO Review » seule pèse 21 000 tokens.

  Le vrai problème est la dépendance : les fournisseurs cloud (Anthropic, OpenAI, Nvidia) en profitent pour que les utilisateurs s’habituent à ces systèmes gonflés de contexte. Avec des modèles locaux (256k de contexte au lieu de 1M) ça ne fonctionne pas – la migration devient trop chère, la dépendance se cimente. MCP pourrait être plus élégant, mais n’est pas poussé parce qu’il consomme moins de tokens. Le verrouillage est intentionnel : une fois les subventions VC terminées, les utilisateurs paient de nouveaux prix mais ne peuvent pas partir car leurs workflows sont entièrement construits sur du cloud-bloat.

  Conclusion : Claude Code, Anthropic et le Skill Hub de Vercel sont explicitement nommés ; la vidéo est une opinion/réflexion avec une justification technique forte.

Unsupervised Learning (1 nouvelle vidéo)

• A Conversation With Will Pearce
  25.3.2026, 19:06:45

  Résumé : A Conversation With Will Pearce

  Will Pearce parle des travaux actuels de son équipe sur une plateforme d’infrastructure pour les agents de sécurité basés sur l’IA. Le problème central qu’ils résolvent est de combler le fossé entre les capacités théoriques des modèles d’IA et leur applicabilité pratique dans un contexte de sécurité — concrètement : comment évaluer si un agent fonctionne bien ? Cela conduit à une insight clé : le Red-Teaming et l’évaluation d’agents fonctionnent mécaniquement de la même manière (entrée texte, sortie réponse, évaluation), mais diffèrent dans les métriques.

  Le problème central est la vérification et la mesure : sans métriques claires, on ne peut pas optimiser (pas d’altimètre en montagne). Les gens ne peuvent souvent pas articuler ce que « bien » signifie — Pearce donne l’exemple d’un auditeur de sécurité qui ne peut dire « il trouve des vulnérabilités » sans pouvoir expliquer ce qui le distingue d’un médiocre. La conversation avec le système d’IA aide les gens à explorer et affiner leurs exigences.

  La suite 2.0 inclut : un hub avec ~1600 tâches CTF et empaquetage de capacités, Red-Teaming génétique, un framework d’évaluation, des modules d’entraînement (avec Ray et Tinker comme options backend), optimisation Jeppa et un nouveau SDK 2.0 avec observabilité et tracing. Worlds est un environnement de simulation réseau synthétique pour entraîner les agents sans mise en place d’infrastructure coûteuse.

  Une idée centrale : l’intelligence se commoditise — chacun avec Claude peut maintenant faire des bug-bounties. Au lieu de développer les capacités eux-mêmes, l’équipe se positionne comme fournisseur d’infrastructure pour les professionnels de la sécurité qui apportent leurs propres capabilités. La tarification doit exploiter le modèle d’IA — les coûts tokens/microservices pour l’inférence sont bon marché, on peut donc créer un modèle de pénétration avec une tarification granulaire et linéaire par budget (au lieu du traditionnel « quel est ton budget ? »). Le compute devient une monnaie, et les organisations peuvent distribuer le budget d’inférence entre différents départements ou équipes comme un modèle Active Directory.

  Le point global : appliquer la rigueur ML aux objectifs de sécurité, construire la confiance en production via les évals, et permettre des coûts prévisibles.

  Démo/Annonce basée sur la transcription ; framework de sécurité spécialisé avec agents évaluables (Ray, Tinker comme backend) ; opinion/réflexion sur l’intégration de l’IA en sécurité.

WorldofAI (7 nouvelles vidéos)

• Gemini 3.5? NEW Gemini Stealth Model Is POWERFUL & Fast! (Fully Tested)
  29.3.2026, 05:46:00

  Le créateur teste un modèle leaked appelé « White Water », qui serait possiblement le prochain Gemini 3.1 Flash – une variante plus rapide et moins coûteuse du Gemini 3.1 Pro actuel. Le modèle a été découvert sur Arena (anciennement Alamarina) et affiche selon les tests des taux d’hallucination plus faibles et des vitesses de génération rapides.

  Lors de tests pratiques, le modèle White Water excelle particulièrement en design front-end : il génère un clone Minecraft fonctionnel avec génération de terrain, placement et extraction de blocs (évalué 8/10), un système d’exploitation ressemblant à macOS avec icônes SVG et clone Spotify (8,5/10), ainsi que plusieurs landing pages et tableaux de bord UI avec animations et effets créatifs. Le créateur loue la combinaison de précision technique et de créativité, mais souligne les faiblesses : des quirks dans le suivi des instructions (comme les basculements de mode sombre qui ne fonctionnent pas complètement) et des problèmes d’hallucination persistants – des problèmes que le modèle Pro montre aussi.

  L’évaluation globale est positive : le modèle fournit du code poli et des composants fonctionnels au niveau Pro, mais plus rapidement et moins cher. Le créateur espère que Google ne « nerfra » pas le modèle après son lancement – comme cela s’est produit avec les versions antérieures.

  Google Gemini (3.1 Pro vs. supposé 3.1 Flash), plateforme Arena ; démo.

• Claude Mythos 5: Most Powerful Model Ever! AGI, GLM 5.1, Claude Code Update & Codex Plugins! AI NEWS
  28.3.2026, 06:46:28

  Claude Mythos 5 : le modèle le plus puissant jamais créé – résumé des actualités IA

  La semaine a apporté plusieurs annonces révolutionnaires en IA : Enthropic aurait leaké deux nouveaux modèles – Claude Mythos (un nouveau tier Premium complet) et Capabara (une nouvelle classe au-dessus d’Opus). Selon les rapports, ces modèles ne seraient pas comparables aux modèles Opus actuels et offriraient des améliorations en codage, raisonnement académique et cybersécurité. Enthropic prévoit un lancement progressif en raison de préoccupations liées aux abus et à la sécurité. OpenAI développe en interne un modèle appelé Spud.

  GLM 5.1 a été publié en open-source en tant que modèle agentic par Zi, avec un focus sur les workflows multietapes et le suivi des instructions. Sur les benchmarks de codage, il a atteint 45,3 contre 47,9 pour Opus 4.6 – un modèle open-source comble l’écart avec les modèles de pointe.

  Google DeepMind a lancé Gemini 3.1 Flash Live – un modèle multimodal en temps réel pour les agents voix et vision avec une latence et une qualité considérablement améliorées après plus d’un an de développement.

  OpenAI intègre des plugins dans Codeex, transformant l’outil d’un éditeur isolé en un environnement d’exécution complet avec des workflows prédéfinis et cliquables (applications iOS, analyse de données, rapports).

  ARC AGI 3 est un nouveau benchmark où les meilleurs modèles actuels obtiennent moins de 1% – il teste le raisonnement agentic dans des environnements interactifs, nécessite des solutions à la première tentative sans entraînement préalable et prévient l’overfitting en n’ayant pas de données d’entraînement dessus.

  Autres mises à jour : Claude Code introduit Autofix pour les corrections de PR et des limites de session temporaires de 5 heures ; le mode Auto réduit les invites d’autorisation. 11 Labs CLI est désormais Agent-First. Mistral AI a lancé Boxrol TTS (texte en parole dans neuf langues). Enthropic développe Operon, un agent pour Claude Desktop pour la recherche scientifique. L’application Sora est supprimée. Cursor a publié Composer 2, qui s’est avéré être un fine-tune de Kmik K 2.5, que Cursor n’avait pas communiqué de manière transparente.

  Mise à jour des actualités sur Claude, Enthropic, OpenAI (Codex/Codeex, Spud), Google (Gemini 3.1 Flash Live), GLM 5.1, Cursor, 11 Labs, Mistral, ARC AGI 3, Sora.

• Claude Code Memory 2.0 With UNLIMITED Memory! Solves Claude’s Memory Problem
  27.3.2026, 05:48:23

  Claude a lutté pendant des mois contre un problème de mémoire : la fonction Auto-Memory enregistre certes les notes de projet entre les sessions, mais après plus de 20 sessions, la mémoire commence à se dégrader – des notes contradictoires émergent, les étapes de débogage deviennent obsolètes et des horodatages dénués de sens comme « hier » apparaissent, ce qui finalement conduit à des hallucinations. Anthropic a discrètement introduit une nouvelle fonction appelée /dream (également appelée Autodream) qui consolide automatiquement la mémoire de Claude entre les sessions.

  La fonction fonctionne comme le sommeil REM pour l’agent IA : tandis qu’Auto-Memory accumule continuellement des notes pendant la journée, Autodream les prépare la nuit (supprime les informations obsolètes, fusionne les doublons, convertit les horodatages vagues en dates réelles, met à jour les décisions dépassées). Il s’exécute automatiquement au moins 24 heures après la dernière activité et après au moins cinq sessions – cela prévient le traitement inutile. On peut l’activer manuellement en écrivant par exemple « consolidate my memory using dream » dans le prompt ; le statut « dreaming » s’affiche alors sous la barre de prompt.

  La fonction traverse quatre phases : Orientation (scanne tous les fichiers de mémoire), Gather Signal (filtre les signaux de haute qualité comme les corrections ou les aides-mémoire explicites), Consolidation (nettoie) et Prune & Index (compresse l’index). Autodream ne peut toucher que les fichiers de mémoire, pas le code lui-même, utilise un système de verrouillage contre les conflits et s’exécute discrètement en arrière-plan. Les cas d’usage typiques : après de grandes refactorisations, des changements de framework, un débogage intensif par essais et erreurs ou quand les sessions deviennent incohérentes. Le résultat : Claude ne répète plus les solutions obsolètes, a moins d’hallucinations, donne des réponses plus cohérentes et construit par projet un modèle mental stable au lieu de recommencer à zéro à chaque fois.

  Claude et fonction Autodream/Dream ; vidéo de démo du concept et de l’application pratique.

• Claude Code + OpenRouter = Free UNLIMITED AI Coding (No Local Setup)
  26.3.2026, 05:21:15

  Résumé :

  La vidéo montre comment utiliser gratuitement Claude Code avec Open Router pour exécuter des modèles IA de haute qualité dans le cloud – sans installation matérielle locale. L’approche améliore un tutoriel antérieur sur les modèles locaux via Ollama : au lieu de compter sur le matériel grand public (inférence lente, coûts énergétiques élevés), on délègue l’exécution à Open Router, qui fonctionne comme une couche de gestion entre Claude Code et les fournisseurs de modèles. Open Router propose 39 modèles gratuits ; le créateur recommande particulièrement Mistral Neatron 3 Super, utilisable gratuitement et performant.

  Étapes de configuration :

  1. Installer Claude Code (commandes terminal)
  2. Créer un compte Open Router et générer une clé API
  3. Configurer les variables d’environnement : définir l’URL de base Open Router (open router.ai/api/v1), laisser explicitement vide la clé API Anthropic pour éviter les conflits
  4. Spécifier le modèle souhaité dans le fichier ENV ou Nano (copier l’ID du modèle depuis Open Router)
  5. Redémarrer le terminal et exécuter /status dans Claude Code pour vérifier

  Résultat pratique : Le créateur produit ainsi une landing page SaaS complète uniquement avec des modèles gratuits – sans ralentissements causés par l’inférence locale. On obtient aussi des fonctionnalités agentic comme la recherche web, l’exploration de code et des tâches de sous-agents parallèles. Une remarque : avec les modèles gratuits, il faut au minimum 10 dollars de crédits dans le backend pour permettre 1 000 requêtes par jour ; sinon on est limité à 50 requêtes par jour.

  La vidéo traite explicitement Claude Code, OpenRouter et Mistral Neatron 3 Super comme une configuration gratuite pour le développement IA basé dans le cloud — tutoriel avec commandes pratiques et démo en direct.

• Supercharge Antigravity To Do Anything! 100x Your AI Agents /w Memory, Skills, Etc!
  25.3.2026, 04:15:18

  La vidéo montre comment Airavy – une couche de récupération de contexte open-source – boost les agents IA comme Antidevity en leur donnant accès à des informations de contexte complètes. Le problème central : les agents IA standard fonctionnent en isolation et ne peuvent pas accéder aux documents Notion, aux tickets Jira, aux issues GitHub ou aux threads Slack, ce qui leur fait défaut des informations de contexte critiques.

  Airavy résout cela par plus de 50 connecteurs (GitHub, Notion, Slack etc.) et synchronise les données en temps réel. Un exemple pratique est un agent de surveillance des erreurs intelligent qui agrège les erreurs de production, recherche le code GitHub pertinent, référence les tickets Linear et les threads Slack, transformant ainsi 20 alertes bruyantes en peu d’alertes significatives avec analyse des causes profondes.

  La vidéo démontre la configuration : d’abord, on crée dans Airavy une collection avec des sources de données (par exemple un dépôt GitHub) et on la teste. Ensuite, avec Antidevity, on clone un repo d’assistant de connaissances Slack existant, configure les clés API (jeton bot Slack, API Airavy) et lance le serveur FastAPI. Le résultat est un bot Slack qui répond aux questions dans un canal sur l’ensemble de la base de connaissances – avec citations de sources et références à GitHub, Notion et threads Slack.

  Airavy est aussi directement intégrable via un serveur MCP dans Antidevity, permettant aux utilisateurs de créer sans code de nouvelles sources de connaissances et de construire des agents alimentés par le contexte à travers des prompts en langage naturel.

  Technologies : Airavy, Antidevity, GitHub, Notion, Slack. Format : démo + tutoriel.

• Claude Code MASSIVE Update! Claude Code OS, Computer Use, /Schedule, & More!
  24.3.2026, 03:49:45

  Claude Code – Mise à jour massive : Computer Use, Dispatch et plus

  Claude Code reçoit plusieurs fonctionnalités importantes : la plus importante est la capacité Computer Use, qui permet à Claude de contrôler ton ordinateur comme un vrai utilisateur – maniant la souris, le clavier, l’écran, pour ouvrir des fichiers, naviguer sur le web et interagir avec les outils de développement, sans besoin de configuration. Cela fonctionne actuellement en Research Preview pour Claude Pro sur macOS. La nouvelle fonction Dispatch permet d’assigner des tâches à Claude de n’importe où (bureau ou téléphone), après quoi Claude les exécute en arrière-plan – pratiquement une télécommande pour Claude, qui peut même utiliser directement des apps comme Slack ou Google Calendar.

  Autres mises à jour : Claude peut maintenant s’exécuter sur base de Schedule (pas seulement localement, mais persistant en arrière-plan), permettant aux tâches récurrentes de fonctionner automatiquement – Anthropic l’utilise déjà en interne pour corriger les erreurs CI et mettre à jour la documentation. Les Loops peuvent maintenant durer jusqu’à 7 jours au lieu de 3. Les Effort Levels peuvent être définis par commande slash et remplacent ainsi les défauts de session, pour contrôler la profondeur de réponse par tâche. Dans l’application de bureau, les éléments DOM peuvent être directement sélectionnés au lieu d’être décrits – Claude reçoit alors le HTML, les classes, les styles et pour React même le nom du composant et les props. La performance s’est améliorée (65% plus rapide à la première tentative, 50% rendus plus rapides grâce à la migration vers une architecture statique avec Tanstack Router). Une nouvelle fonction Initialization te guide interactivement à travers la configuration Claude Code dans le repo (Skills, Hooks, Configs). Enfin, il y a des Projects in Codebase avec mémoire partagée sur plusieurs tâches.

  Sécurité : Claude demande la permission avant d’accéder à de nouvelles apps ou d’effectuer des actions sensibles, le système surveille activement les comportements suspects.

  Explicitement abordé : Claude/Anthropic – démo/résumé

• Claude Code + Stitch Is The Greatest AI Design System I’ve Ever Used! (RIP FIGMA)
  23.3.2026, 05:44:38

  La vidéo présente une combinaison de workflow utilisant Stitch et Claude Code comme solution pour le développement front-end automatisé.

  Stitch est l’outil de Google de l’écosystème Vibe Design, gratuit et alimenté par Gemini 3.1 Pro. Il permet de générer des systèmes de design complets avec palettes de couleurs, typographie et composants réutilisables sur la base de prompts, d’images ou de wireframes. L’utilisateur peut créer plusieurs variantes, les modifier en direct via le panneau de chat ou la fonction d’annotations et ajuster les composants individuellement – bien plus intuitif que sur d’autres plateformes.

  La combinaison avec Claude Code : L’auteur soutient que les modèles Claude (concrètement Opus) ne sont pas aussi qualitatifs que Gemini 3.1 Pro pour le design front-end pur, et que Stitch est gratuit. Le flux de travail optimal se divise : Stitch crée la base visuelle précise au pixel et le système de design, puis le code généré ou les composants exportés sont insérés dans Claude Code pour en faire de véritables applications interactives et prêtes pour la production avec intégration backend, API et authentification.

  Exemple pratique : À partir d’un croquis ou d’un wireframe dessiné à la main, Stitch génère des designs UI modernes que Claude Code transforme ensuite en une application Next.js complète avec TypeScript – cela crée un pipeline pour développeur solo pour des applications fonctionnelles sans connaissance en design.

  Outils : Stitch (Google), Claude Code (Google AI Studio mentionné, mais moins recommandé), Gemini 3.1 Pro ; format : démo et explication du workflow.

Zubair Trabzada | AI Workshop (2 nouvelles vidéos)

• I Built a $500K AI Lawyer With Claude Code — It’s INSANE
  28.3.2026, 18:36:08

  Le créateur a construit un outil gratuit d’assistant juridique IA avec Claude Code qui analyse les contrats en 60 secondes. L’outil lit les contrats intégralement, signale les clauses risquées, traduit le jargon juridique en langage compréhensible et génère des contre-propositions — une performance pour laquelle les avocats facturent normalement 300 à 500 dollars de l’heure.

  L’application fonctionne via 14 Skills spécialisées (Slash-Commands) avec cinq Sub-Agents parallèles : analyse de clauses, évaluation des risques, vérification de conformité, mappage des obligations et recommandations. Dans l’exemple de démonstration, un contrat de freelancer standard a été analysé et a reçu la note « F » (Dangereux) avec 16 points hautement risqués — notamment des cycles de révision illimités sans frais supplémentaires et des changements unilatéraux de scope. L’outil génère un PDF détaillé avec Contract-Safety-Score, Executive Summary, tableau de bord des risques et points de négociation priorisés.

  L’installation se fait dans VS Code avec l’extension Claude Code, puis copier-coller une commande clone du référentiel GitHub — ensuite les 14 Skills sont immédiatement disponibles (par ex. /legal-review, /legal-negotiate, /legal-missing, /legal-compare pour les comparaisons). Le créateur souligne que ce n’est pas censé remplacer les conseils juridiques ou les avocats pour les contrats à prix élevé, mais plutôt servir de solution pragmatique pour les freelancers et agences sur des contrats de 10 à 15K dollars qui seraient autrement approuvés sans examen juridique.

  L’outil est Open Source et gratuit ; seul un abonnement payant Claude Code est nécessaire. Le créateur mentionne également d’autres collections existantes de Cloud Code Skills (GEO SEO, Marketing, AI Sales Team) et promeut un programme communautaire pour monétiser ces outils.

  Claude Code avec 14 Skills et architecture Sub-Agents ; tutoriel/démo.

• SEO Is Dead. Claude Code Just Built Its Replacement (It’s FREE)
  23.3.2026, 14:00:10

  Le SEO est mort : Claude Code a construit son remplacement

  Le SEO traditionnel perd en pertinence car la recherche se transforme fondamentalement. Au lieu de Google, les utilisateurs recourent de plus en plus à ChatGPT, Perplexity et autres systèmes d’IA — le trafic de recherche IA croît de plus de 500 % année après année. Le problème : la plupart des sites Web sont invisibles pour les moteurs de recherche IA. Les agences commencent déjà à l’exploiter et facturent 5 000 à 12 000 dollars mensuels pour « GEO » (Generative Engine Optimization).

  Le créateur a construit un outil d’audit gratuit avec Claude Code qui analyse chaque site Web et montre où il se situe auprès des moteurs de recherche IA — le projet a atteint 2 600 étoiles GitHub en quelques semaines. L’outil utilise cinq Sub-Agents spécialisés en parallèle pour auditer un site Web en trois phases : découverte, analyse parallèle (Citabilité IA, Autorité de Marque, Technique, Qualité du Contenu, Schema) et agrégation dans un GEO-Score (0-100). La sortie est un rapport PDF détaillé avec Executive Summary, répartitions de scores, Readiness des plateformes IA (ChatGPT, Perplexity, Google AI, Gemini, Bing Copilot évalués individuellement), résultats critiques et plans d’action priorisés.

  L’utilisation pratique : auditer cinq sites Web, envoyer des rapports gratuits par e-mail, inviter les clients à un appel avec la proposition de corriger les résultats. L’outil est disponible gratuitement sur GitHub, installation avec une commande terminal. Il fonctionne dans Visual Studio Code avec l’extension Claude Code ou dans le Terminal. Le marché GEO est projeté à 7 milliards de dollars dans les années à venir — actuellement, seulement 23 % des marketeurs y réfléchissent, ce qui rend l’entrée maintenant idéale.

  Claude Code avec délégation Sub-Agents (5 Agents spécialisés), démo avec application pratique sur Typeform, avis/réflexion sur le modèle commercial

---

Généré automatiquement à partir des dernières vidéos YouTube de la sélection de chaînes curées. Pour vos commentaires, suggestions ou pour vous désabonner : répondez simplement à cet e-mail.