> Agent4Science : une plateforme expérimentale de “réseau social” pour agents IA, où ceux-ci publient, critiquent et discutent de recherche scientifique sans participation humaine directe.

Donc le phénomène est réel. L’institution est réelle. Le labo est reconnu.

Mais ça ne suffit pas à en faire un signal utile.

S'abonner maintenant

Une histoire qui se répète

En janvier 2026, Moltbook a fait le tour de la sphère tech. C’était présenté comme le premier réseau social réservé aux agents IA, sans humain. Andrej Karpathy avait qualifié ça de « chose la plus incroyable à côté du décollage de la science-fiction ». Des milliers d’agents discutaient, votaient, s’organisaient.

Sauf que la réalité était autre. Une enquête de Wiz a révélé que derrière les 1,5 million d’agents Moltbook, il y avait environ 17 000 humains. Pire : n’importe qui pouvait créer un compte agent et publier en son nom via une simple requête POST. La plateforme n’avait aucun mécanisme pour vérifier qu’un “agent” était réellement de l’IA.

> Moltbook : un réseau social conçu pour les agents IA, où ceux-ci postent, commentent et votent. Initialement promu comme un espace sans humain, il s’est avéré être principalement des humains pilotant des flottes de bots.

Leçon : quand on annonce un réseau social « sans humain », la question n’est pas seulement de savoir si des agents discutent. C’est de savoir qui décide, qui contrôle, et qui vérifie.

Agent4Science semble plus sérieux. Le labo est reconnu, la démarche est académique, et l’objectif est d’étudier les interactions entre agents. Mais le même risque existe : 150 agents qui échangent des commentaires sur des papiers générés par d’autres agents, ce n’est pas de la science validée. C’est de l’auto-cohérence en boucle.

> Auto-cohérent : quelque chose qui semble logique en interne, mais qui n’a pas été confronté à un regard extérieur critique ou à des données nouvelles.

La science fonctionne par confrontation. Même les meilleures revues par pairs humaines ont des failles. Remplacer ça par des agents qui se débattent entre eux, pourrait créer une boucle infinie sans valeur ajoutée.

—

La question de fond

Imaginons qu’on laisse 150 agents débattre de la composition chimique d’un nouveau médicament, puis décider seuls de sa formule finale.

Accepterais-tu qu’on te l’injecte sans qu’un expert humain ait vérifié leurs conclusions ? Sans essais cliniques, sans peer review humain, sans régulateur compétent ?

La réponse est probablement non.

Et cette réponse définit la limite.

Entre se faire aider par des agents IA pour accélérer des découvertes scientifiques et laisser l’IA décider seule de solutions qui s’appliqueront aux humains, il y a un gouffre. Agent4Science est une expérience du côté « aider ». Sur le papier, il y a des validations humaines dans la boucle.

S'abonner maintenant

Quand une news IA te fait lever les sourcils, pose-toi trois questions :

1. Qui l’a publié ? Une institution, un journal reconnu, un blog, ou un compte anonyme ?

2. Y a-t-il une preuve vérifiable ? Code, papier, site officiel, démo publique ?

3. Le chiffre est-il actionnable ?

Si la première question est floue et que la deuxième est non, tu peux probablement passer ton chemin, même si le chiffre est vrai.

Laissez un commentaire.

Partager

La première : admirer la prouesse technique.
La seconde : se demander pourquoi tant de failles restaient là, en pleine vue, pendant des années.

La réponse est à deux niveaux.
Le premier: L’IA générative n’était pas aussi puissante il y a 4 ans.
Le deuxième : Dans plusieurs cas, personne ne les avait activement cherchées.

Et maintenant que des modèles ultra-puissants le font, une partie d’entre eux deviennent inaccessibles pour des raisons de sécurité nationale. Tu n’as pas besoin d’attendre qu’ils reviennent. Tu peux déjà utiliser ce que tu as sous la main pour auditer ton propre code, ton site, tes bases de données.

Voici comment, selon ton niveau technique.

S'abonner maintenant

Niveau 1 : Tu n’as pas de base technique

Prends Claude Opus 4.8.

Donne-lui une URL, un export de la structure de ta base de données, ou une description de ton architecture. Demande-lui de jouer l’attaquant : « Quelles sont les 5 failles les plus probables ici ? »

> Base de données : l’endroit où ton application stocke les informations (utilisateurs, commandes, contenus, etc.). Sa structure dit beaucoup de choses sur les failles possibles.

Ne cherche pas à ce qu’il corrige tout. L’objectif est qu’il te donne une liste priorisée de faiblesses : injection SQL mal protégée, page d’admin exposée, fichier de configuration accessible, tokens stockés en clair, formulaire sans protection brute-force.

La plupart des vols de données ne viennent pas d’attaques sophistiquées. Ils viennent de failles visibles que personne n’a pris le temps de regarder.

Une heure avec Opus 4.8 sur ton site peut t’éviter des mois de procédure post-incident.

—

Niveau 2 : Tu codes ou tu gères un repo GitHub

Installe Claude Code.

Demande-lui d’auditer ton dépôt. Sois précis. Par exemple : « Fais une revue de sécurité sur les routes d’authentification, la gestion des tokens JWT, et l’upload de fichiers. »

> Repo GitHub : le “dossier” en ligne qui contient le code source de ton application, avec toute son historique de modifications.

Claude Code peut naviguer dans le code, poser des questions, proposer des correctifs, et même te montrer où une bibliothèque est obsolète ou mal utilisée. Tu restes aux commandes : tu décides ce que tu appliques.

Pour aller plus loin, configure plusieurs sous-agents avec des rôles distincts :

Un agent qui cherche les failles.

Un autre qui propose des correctifs.

Un troisième qui vérifie que les correctifs n’introduisent pas de régression.

C’est cette boucle critique — trouver, corriger, vérifier — qui fait la différence.

—

Niveau 3 : Tu veux automatiser sur un site WordPress ou plusieurs projets

Utilise Hermes Agent.

Hermes te permet de déployer des agents qui travaillent sur plusieurs repositories, sur un site WordPress, ou sur toute infrastructure à laquelle tu peux donner un accès contrôlé. Si tu as une clé d’application, une clé SSH, ou une API, tu peux faire auditer ton système de manière récurrente.

> Clé d’application : un code secret que tu génères dans ton hébergeur ou ton CMS pour permettre à un outil d’accéder à ton site de façon limitée et sécurisée.

L’avantage d’Hermes, c’est la répétitivité associée à la puissance du modèle donné : tu peux orchestrer toi-même les modèles, les agents, et les tâches. L’inconvénient, c’est que ça demande un peu plus de montée en compétences pour déterminer où est ce que l’agent peut etre autonome et ce que tu dois configurer par tes soins.

Mais le principe reste le même : ne pas attendre qu’un tiers découvre tes failles avant toi.

—

Sakana Fugu dans tout ça ?

Sakana Fugu propose un abonnement Standard à 20 $/mois. Le modèle Fugu Ultra est facturé à 5 $/million de tokens en entrée et 30 $/million de tokens en sortie (10 $/million en entrée et 45 $/million de sortie au-delà de 272K de contexte). Certains retours indiquent que le modèle donne de bons résultats sur des analyses de cybersécurité.

C’est une option à tester, avec une réserve majeure : tu n’as aucune visibilité sur les modèles choisis en interne. Pour une analyse sécurité, cela peut être acceptable si tu traites du code public ou des architectures génériques. Pour du code interne critique, la transparence importe.

> Code interne critique : le code qui gère des données sensibles, de l’argent, de l’identité, ou de la propriété intellectuelle.

Fugu peut donc être un point de départ intéressant. Il ne remplace pas un audit structuré avec des outils dont tu maîtrises la chaîne.

S'abonner maintenant

Le vrai problème de la cybersécurité n’est pas qu’on manque d’outils. C’est qu’on attend souvent d’être attaqué pour agir.

❌ Attendre que quelqu’un d’autre trouve tes failles.

❌ Croire que seuls les grands comptes sont visés.

✅ Auditer toi-même, même de manière imparfaite, dès cette semaine.

Claude Opus 4.8, Claude Code, Hermes Agent, ou Sakana Fugu : chacun a son niveau d’entrée. Le meilleur outil est celui que tu vas réellement utiliser.

—

Quelle est la dernière faille ou la dernière mauvaise pratique que tu as découverte en auditant ton propre système avec l’IA ?

Partage en commentaire. Même si c’est évident avec du recul, ça peut sauver quelqu’un qui ne l’a pas encore vue.

Laissez un commentaire.

Partager

Sur le papier, ils sont spectaculaires : un orchestrateur qui coordonne plusieurs modèles d’IA derrière une seule API et qui, selon les tableaux publiés par Sakana, égalerait Fable 5 et Mythos Preview d’Anthropic. L’idée est séduisante : contourner la concentration des fournisseurs par l’intelligence collective.

Sauf que, dans la vraie vie, les premiers testeurs indépendants rapportent autre chose.

S'abonner maintenant

Fugu Ultra : le benchmark ne raconte pas l’usage

Sakana Fugu n’est pas un modèle unique. C’est un orchestrateur. Vous envoyez une requête à un point d’entrée, et Fugu décide en interne quel(s) modèle(s) appeler, comment découper la tâche, et comment synthétiser les réponses.

Le concept est pertinent. Le problème, c’est ce qu’on ne voit pas.

> Orchestrateur : un système qui choisit et enchaîne plusieurs modèles spécialisés pour répondre à une demande, sans que l’utilisateur ait à le faire lui-même.

Vous ne savez pas quels modèles sont utilisés. Vous ne savez pas combien de tokens sont brûlés rien que pour coordonner la première action. Vous ne maîtrisez pas les coûts. Pour un développeur qui utilise déjà Claude Code, OpenCode ou Hermes Agent avec des agents et des modèles choisis explicitement, Fugu ressemble à un pas en arrière : on remplace le choix technique par un acte de foi.

Et les retours terrain confirment le doute.

Ethan Mollick, qui teste beaucoup d’outils créatifs en public, a fait tourner Fugu Ultra-high sur des scènes interactives et des shaders. Résultat : près de 30 minutes d’attente, une sortie qualifiée de « fine », mais qui ne matchait pas Fable en pratique. D’autres testeurs mentionnent une consommation de tokens élevée, une latence importante et des résultats inconsistants.

Ce n’est pas un échec. C’est un rappel.

Un benchmark est une photo. L’usage réel est un film.

Quand Sakana dit « on égale Fable », elle dit en réalité : « une équipe d’autres modèles publics arrive à rivaliser avec Fable sur certaines tâches de benchmark ».
C’est déjà intéressant. Ce n’est pas ce que le titre de presse laisse entendre.
—

Ornith-1.0 : le nouveau né open-source

Pendant ce temps, DeepReinforce a sorti Ornith-1.0, une famille de modèles open-source dédiée au code. Les annonces affirment qu’il approche, voire dépasse, Claude Opus 4.7 sur certains benchmarks de programmation.

Cette fois, on a une différence majeure : les poids sont publics. Vous pouvez télécharger les versions 9B ou 35B sur Hugging Face/Ollama. Des quantifications GGUF existent pour les faire tourner localement via Ollama. Vous n’avez pas à croire sur parole.

> GGUF : un format de modèle compressé qui permet de faire tourner un LLM sur une machine locale, même sans GPU très puissant.

Là où Fugu vous demande de confiance, Ornith vous donne la clé du capot.

Naturellement, les benchmarks de DeepReinforce sont probablement sélectionnés pour mettre le modèle en valeur. Mais le point n’est pas de savoir qui a le meilleur score. Le point, c’est que vous pouvez l’intégrer dans votre workflow, le mesurer sur vos propres tâches, et voir s’il vaut mieux qu’un modèle propriétaire pour ce que vous faites.

C’est rarement le leaderboard qui décide. C’est votre terminal.

—

Prometheus : 12 milliards de dollars, combien de démonstrations ?

Jeff Bezos a levé 12 Md$ pour Prometheus, une startup censée construire un « ingénieur général artificiel » pour le monde physique. Valorisation : 41 Md$. Objectifs affichés : aérospatial, automobile, puces.

Le montant est colossal. Les démonstrations publiques, en revanche, sont quasi absentes. À ce stade, Prometheus est davantage une thèse d’investissement qu’un produit que l’on peut évaluer.

Ce n’est pas un rejet. C’est une question honnête : avant d’appeler ça un tournant de l’IA industrielle, que peut-on vraiment faire avec aujourd’hui ?

S'abonner maintenant

—

Cette semaine, deux visions se sont affrontées.

D’un côté, des annonces spectaculaires : orchestrateurs qui battent des records, modèles industriels financés à coups de milliards. De l’autre, une réalité plus terre-à-terre : lenteur, coûts non maîtrisés, manque de transparence, absence de preuves d’usage.

La leçon n’est pas que ces outils sont inutiles. C’est qu’il ne faut plus accepter un benchmark comme preuve d’adoption.

❌ Ne pas croire un score sans l’avoir testé sur sa propre tâche.

❌ Ne pas confondre « accessible via API » et « maîtrisable en production ».

✅ Dans plusieurs cas métiers, privilégier ce qu’on peut auditer, héberger, mesurer et dans d’autres, s’en remettre aux modèles fermés qui prouvent leur supériorité.

—

As-tu testé Fugu Ultra, Ornith-1.0, ou un autre modèle récent sur une tâche réelle ?

Raconte ton ressenti en commentaire. Pas le benchmark officiel : le temps d’exécution, le coût, le nombre de tentatives nécessaires, et surtout si tu referais la même chose demain.

Laissez un commentaire.

Partager

Artificial General Intelligence. L’IA qui pense comme un humain. Qui resout tout. Qui remplace tout.

C’est le fantasme. Le blockbuster. La promesse des conférences a 5 000 dollars la place.

Mais ce n’est pas la que la révolution a lieu.

LA RÉVOLUTION SILENCIEUSE

La vraie révolution est silencieuse. Elle ne fait pas de vidéos. Elle ne ressemble pas a Jarvis. Elle ne génère pas de fruits qui dansent.

Elle soigne.

Cette semaine, OpenAI et l’hopital pour enfants de Boston ont rouvert 376 cas de maladies genetiques rares. 18 diagnostics nouveaux confirmes. Des familles qui avaient tout essaye ont enfin une reponse. o3 Deep Research a lu la litterature medicale, relie les genes aux symptomes, propose des variants que les medecins n’avaient pas identifies.

Pas de spectacle. Pas de viral. Juste une preuve de plus que l’IA médicale sauve des vies dans le silence des laboratoires.

Ce n’est pas la que la révolution s’arrête.

---

LA ROBOTIQUE BASCULE

La robotique aussi change. Des robots répètent aujourd’hui des mouvements qui étaient autrefois trop complexes a programmer. Ce qui demandait des ingénieurs spécialises et des mois de calibration devient relativement simple.

Les mouvements repetitifs — saisir, placer, assembler, vérifier — sont aujourd’hui a la portée de la programmation par démonstration. Un opérateur montre le geste au robot. Le robot l’apprend. Il le reproduit. Il l’adapte.

Ce qui semblait magique il y a dix ans devient accessible. Et ça touche le travail de milliers de personnes. Pas demain. Maintenant.

---

LES AGENTS A L’ÉCHELLE

Et puis il y a les agents. Pas l’agent conversationnel qui te répond sur ChatGPT. Les vrais agents. Déployés a l’échelle.

Un expert. Une configuration longue et minutieuse. Et dix sous-agents qui exécutent en parallèle. Chacun sait ce qu’il doit faire. Chacun a ses outils. Chacun rend compte.

❌ Ce n’est pas magique. Ça ne marche pas du premier coup.

✅ Mais une fois que c’est bien fichu, un seul expert produit au niveau de dix. L’efficacité est phénoménale.

La configuration prend du temps. Il faut définir les rôles, les outils, les sorties, les garde-fous. Il faut tester, corriger, re-tester. C’est du travail d’architecte, pas de magicien.

Mais quand c’est en place, l’agent ne fatigue pas. Il ne fait pas de pause café. Il ne se trompe pas deux fois au même endroit. Il exécute.

---

LE FANTASME DE L’AGI

L’AGI est le fantasme qui distrait. On attend le super-héros. Le cerveau parfait. La machine qui pense.

Mais le vrai changement vient de l’IA appliquée avec précision la ou ça coince. Dans les hôpitaux, ou elle diagnostique ce que les médecins n’ont pas vu. Dans les usines, ou elle reproduit des gestes qui coutaient des milliers d’heures. Dans les bureaux, ou elle exécute des workflows que des équipes entières peinaient a tenir.

Ce ne sont pas des histoires de science-fiction. Ce sont des rapports d’activité. Des bilans trimestriels. Des cas cliniques.

---

LE VRAI PROBLÈME

Le vrai problème n’est pas que l’AGI n’arrive pas assez vite. Le vrai problème est que nous passons notre temps a commenter l’IA au lieu de l’utiliser.

Dix lignes sympathiques sur LinkedIn. Un thread viral sur Twitter. Une vidéo YouTube qui parle de nouvelles techno formidables.

C’est du bruit. Du bruit qui masque le signal.

Parce que les vrais benefices, ce n’est pas ce qu’on raconte. C’est ce qu’on obtient en testant, en exécutant, en se trompant, en comprenant, en se perfectionnant.

Tu peux lire 100 posts sur l’IA. Si tu n’as pas fait la moitie de l’exécution, tu n’as aucune information a toi. Rien que tu puisses utiliser dans ton domaine.

---

LA QUESTION QUI COMPTE

La révolution n’attend pas que l’AGI arrive. Elle est déjà là, dans les hôpitaux, les usines, et les workflows de ceux qui ont choisi de construire au lieu de commenter.

L’IA a-t-elle déjà eu un impact dans ton activité ?

Si oui, lequel ? Et comment tu l’améliores ?

> « Ce qui compte, ce n’est pas l’IA que tu attends. C’est l’IA que tu déploies. »

---

CE QUE JE FAIS

Je ne cherche pas l’AGI. Je cherche l’application précise.

Dans mon workflow, j’utilise des agents pour generer des videos, rediger des articles, structurer des recherches. Ce n’est pas spectaculaire. C’est du travail quotidien. Mais c’est du travail qui aurait pris dix fois plus de temps il y a un an.

Je teste chaque semaine un nouvel outil. Pas pour en parler. Pour l’utiliser. Pour voir si ça accélère mon travail. Pour comprendre ses limites. Pour intégrer ce qui marche et rejeter ce qui ne marche pas.

C’est lent. C’est discret. Ça ne fait pas de viral.

Mais c’est la que la valeur se crée. Et le fait que vous soyez en train de me lire aujourd’hui est aussi le fruit de ce travail, alors merci.

---

L’AGI est un fantasme utile. Il mobilise. Il finance. Il fait rêver.

Mais la vraie révolution est silencieuse. Elle a lieu dans les laboratoires médicaux, les chaines de production, les bureaux ordinaires. Elle est portée par ceux qui testent, qui exécutent, qui apprennent.

Ne cherche pas l’IA parfaite. Cherche l’IA que tu peux utiliser aujourd’hui. Et utilise-la.

Laissez un commentaire.

Partager

Z.ai lance GLM-5.2. Licence MIT. 1 million de tokens de contexte. Dual reasoning. Traction immédiate sur Hugging Face.

Et Kimi K2.7 bat Claude Opus 4.8 et GPT-5.5 sur les taches agentiques à très long terme. Pas sur un benchmark synthétique. Sur l’utilisation réelle d’outils, en chaine, sur des durées qui comptent.

Pendant ce temps, Fable 5 et Mythos 5 sont bloques d’accès mondialement. Réponse d’Anthropic à une demande insoutenable de l’admin US

Tu vois le schéma ?

---

CE QUI EST ARRIVE

GLM-5.2 n’est pas un modèle de plus. C’est un modèle avec une licence MIT. Tu peux l’utiliser pour un produit commercial sans payer de redevance. Tu peux le modifier. Tu peux le redistribuer. Tu peux le forker. Tu peux l’installer sur ton serveur. Il ne disparaitra pas parce qu’une entreprise a change de stratégie.

Le million de tokens de contexte, c’est environ 750 000 mots. Tu peux lui donner un livre entier, plus des notes, plus des instructions, et il garde la cohérence sur toute la longueur. Le dual reasoning, c’est la capacité de réfléchir en profondeur sur les taches complexes avant de répondre.

Kimi K2.7, de son cote, a été testé sur des scenarios agentiques a long terme. Des taches qui demandent 50, 100, 200 étapes d’exécution, avec des outils multiples, des changements de contexte, des erreurs a corriger en cours de route. Il bat Claude Opus 4.8 et GPT-5.5. De peu mais cela reste significatif.

Ces deux modèles ont quelque chose en commun : ils sont accessibles. Pas en file d’attente premium. Pas derrière un paywall a 200 dollars par mois. Pas soumis a un comite de validation.

---

CE QUI EST BLOQUE

Fable 5 et Mythos 5 sont des modeles fermes parmi les plus avances. Tout deux de classe Mythos, le modèle le plus avancé jamais mis en place par Anthropic.

Le 13 juin 2026, Anthropic a du bloquer leur accès internationalement suite à une demande du gouvernement US de ne les rendre accessibles aux personnes de nationalité US.

Raison officielle : “précautions de sécurité nationale”. Raison réelle : contrôle du flux technologique.

Le résultat : des milliers d’entreprises, de chercheurs, de développeurs qui avaient intégré ces modèles dans leurs workflows se sont retrouves du jour au lendemain sans accès. Pas d’avertissement. Pas de migration possible. Juste un écran noir.

C’est le risque du modèle ferme. Tu ne possèdes rien. Tu loues. Et la location peut s’arrêter.

---

LA DIFFÉRENCE

Un modèle ouvert, c’est un moteur que tu installes chez toi. Tu le vois tourner. Tu le modifies. Tu le sauvegardes. Il ne disparait pas parce qu’un comite a change d’avis. Il ne double pas de prix parce qu’un actionnaire a exigé plus de marge. Il ne devient pas indisponible parce qu’un pays a pris une décision politique.

Un modèle ferme, c’est un taxi. Pratique. Jusqu’à ce que le chauffeur décide de ne plus passer par chez toi.

✅ GLM-5.2 = MIT licence. Tu peux l’utiliser commercialement sans demander la permission.

✅ Kimi K2.7 = accessible via API ouvertes, pas de file d’attente premium.

❌ Claude Opus 4.8 et GPT-5.5 = excellents. Mais tu ne possèdes rien. Tu loues. Et la location peut s’arrêter.

---

LE BENCHMARK NE SUFFIT PAS

On me dit souvent : “Oui, mais GPT-5.5 est meilleur sur SWE.” ou “Claude Opus 4.8 bat tout le monde sur HumanEval.”

Les benchmarks sont des jeux video. Ils mesurent ce qui est mesurable. Mais la vraie question n’est pas “Qui a le meilleur score ?”. La vraie question est “Qui est la quand j’en ai besoin, comment je le veux, ou je le veux ?”.

Un modèle ouvert que tu contrôles, que tu peux modifier, que tu peux déployer la ou tu veux, vaut plus qu’un modèle ferme qui bat tous les records mais peut disparaitre demain.

Le benchmark qui compte, c’est le benchmark de la disponibilité. Celui de la perennite. Celui du contrôle.

---

L’AVENIR DE L’IA AGENTIQUE

L’IA agentique, c’est l’IA qui utilise des outils, qui execute des taches en chaine, qui travaille sur des durees longues. C’est l’IA qui ne répond pas a une question mais qui accomplit une mission.

Cette IA agentique a besoin de deux choses :

1. Des capacites de raisonnement a long terme

2. Un accès stable et contrôlé aux outils

Si tu construis un produit sur un modèle ferme, tu dépends des changements de facturation ou des interdictions de modèle. Si tu construis sur un modèle ouvert, tu construis sur du roc, ton roc.

---

CE QUE JE FAIS

Je n’ai encore teste ni GLM-5.2 ni Kimi K2.7 en production. Mais je sais déjà que je vais les tester.

Mon workflow actuel melange modeles ouverts et fermés. Kimi K2.6 via Ollama Cloud pour les taches rapides. Claude pour la validation des taches complexes. Des modèles locaux pour les taches sensibles.

Je diversifie. Je ne mets pas tous mes œufs dans le même panier. Et je me prépare a une époque ou les modèles fermes deviendront des options de luxe, pas des standards.

---

L’avenir de l’IA agentique n’est pas chez les gardiens de portail. Il est chez les architectes qui construisent avec des briques qu’ils peuvent toucher.

Le open-source n’est pas un choix idéologique. C’est un choix strategique. C’est le choix de la possession contre la location. Du contrôle contre la delegation. De la perennite contre le risque.

> « Ce qui est ferme aujourd’hui peut etre ferme demain. Ce qui est ouvert, tu le possèdes. »

Team open-source, team modèle fermé ou Mixte ?

Laissez un commentaire.

Partager

Spoiler alerte, non. Je me suis trompé. Plusieurs fois. Et parfois c’était pour un logo.

LE PIÈGE DU PING-PONG

L’un de mes workflows consiste à animer du texte et des logos pour accompagner mes vidéos. Pour se faire, Hermes a donc besoin d’icônes qui correspondent aux marques/entreprises dont je parle. Bien souvent il finis par me dire qu’il n’a pas pu les télécharger ou il les télécharge mais elles ne sont pas exploitables.

Mon ancien réflexe : lui demander de la trouver en explorant des voies différentes ou de la générer sur wavespeed.

Premier aller-retour. L’agent cherche sur le web. Il trouve une image PNG qui ne corresponds pas vraiment au logo. Il me la propose. Je refuse. Il recommence.

Deuxieme aller-retour. Il explore des voies alternatives pour trouver le logo et ne trouve rien.

Troisieme aller-retour. Il essaie par wavespeed, génère une image mais s’est trompé dans les couleurs ou la forme.

Résultat : 45 minutes perdues, des tokens brules, une video reportée, et la certitude que l’agent n’était pas la solution. Il était le problème.

Mais le problème, c’était moi.

---

LA DISTINCTION

Ce que l’IA peut faire : elle peut exécuter. Elle peut animer, assembler, découper, rendre, produire. Donne-lui un SVG propre, elle te fait une video. Donne-lui un brief clair, elle te fait un texte. Donne-lui des données, elle te fait une analyse.

Ce que l’IA ne peut pas faire : elle ne peut pas tout chercher à ta place. Ou plutôt, elle le peut, mais pas forcément comme tu voudrais. Elle ne sait pas ce dont tu as besoin avant que tu le lui dises. Elle n’a pas ta culture visuelle, ton histoire avec le projet, ta connaissance du besoin. Elle ne peut pas deviner ce qui est important.

La distinction est simple : même si l’IA peut chercher, elle excelle surtout comme exécutante. Pas un chercheur. Pas un architecte. Pas un curateur.

Si tu lui donnes du sable, elle construit un château de sable. Si tu lui donnes des briques, elle construit une maison. Mais elle n’ira pas chercher les briques pour toi.

---

LE CHANGEMENT

J’ai fournit à mon agent l’accès à la base simple-icons, qui comporte +3000 icons SVG officielles prêtes et gratuites.

Boom, problème résolu.

Maintenant, quand mon agent me dit “je n’ai pas l’icône” dans cette base(ce qui arrive souvent pour les marques récentes), je ne lui demande plus rien. Je cherche moi-même.

Je télécharge le SVG exact. Je le dépose dans un dossier de mon espace de travail. Et je relance l’agent.

Un fichier. Un clic. Fini.

❌ Avant : l’agent cherchait, trouvait un truc approximatif, brulait des tokens, je corrigeais, il recherchait, je recorrigeais.

✅ Maintenant : je fournis la matière brute. L’agent exécute. Pas de ping-pong.

Ce changement a réduit mon temps de préparation par trois. Mais il a exigé quelque chose de moi : de savoir ce que l’agent pouvait faire et là où il avait besoin de mon aide pour avancer.

---

L’ESPACE DE TRAVAIL

C’est pour ça que je définis un espace de travail structure avant chaque session agentique :

- un dossier assets/ avec les logos, icones, images, fichiers sources

- un dossier output/ pour les rendus finaux

- un dossier temp/ pour les fichiers intermediaires

- un fichier brief.md qui resume l’objectif, les contraintes, les livrables attendus

L’agent sait ou regarder. Il ne devine pas. Il ne telecharge pas n’importe quoi. Il ne cherche pas au hasard sur le web. Il travaille avec ce que j’ai pose sur la table.

Cet espace de travail, c’est le contrat entre l’humain et l’agent. L’humain fournit les ressources, les définitions, les cadres. L’agent execute dans le cadre.

Sans cet espace, c’est le chaos. L’agent invente, approxime, suppute. Avec cet espace, c’est la précision. L’agent assemble, calcule, rend.

---

CE QUE CA CHANGE

J’ai compris que l’IA ne remplace pas la préparation. Elle la rend visible. Si la préparation existe, l’IA l’amplifie. Si elle n’existe pas, l’IA révèle le vide.

Avant, je cachais mon manque de préparation derrière des heures de correction. Je demandais a l’agent de chercher, de deviner, d’itérer.

Maintenant, je prends dix minutes avant la session pour structurer l’espace. Je rassemble les fichiers, je redige le brief, je verifie les formats. Puis je lance l’agent.

L’agent travaille mieux. Je travaille mieux. Le résultat est meilleur. Le temps total est réduit de moitie.

> « L’IA ne remplace pas ta préparation. Elle la rend visible - si elle existe. »

---

LA VRAIE QUESTION

Tu passes plus de temps a corriger l’agent ou a preparer ses ressources ?

Si tu passes plus de temps a corriger, le probleme n’est pas l’agent. C’est l’espace de travail. C’est le brief. C’est la preparation que tu as saute.

L’agent n’est pas magique. C’est un miroir. Il reflete ce que tu lui donnes. Donne-lui du chaos, il te rend du chaos amplifie. Donne-lui de l’ordre, il te rend de l’ordre accelere.

Le choix est le tien.

---

ACTIONS CONCRÈTES

Voici ce que je fais avant chaque session agentique :

1. Je definis l’objectif en une phrase. Pas de brief de trois pages. Une phrase precise.

2. Je rassemble les ressources dans assets/. Un seul endroit. Pas de recherche eparpillee.

3. Je vérifie les formats.

4. Je rédige un brief.md de 5-10 lignes. Objectif, ressources, contraintes, livrable.

5. Je lance l’agent avec une instruction claire : “Utilise les fichiers dans assets/. Rend le resultat dans output/.”

Ce protocole prend 5 a 10 minutes. Il économise 30 a 60 minutes de ping-pong.

---

La qualité de son travail dépend de la qualité de ce que tu lui fournis. Structurer son espace de travail, c’est structurer sa propre pensée. Et c’est la que la vraie productivité commence.

Tu passes plus de temps a corriger l’agent ou a préparer ses ressources ? Réponds en commentaire.

Laissez un commentaire.

Partager Substack de William

S'abonner maintenant

Pas un bug. Pas une panne. Une décision politique.

Le gouvernement américain a exigé que ces modèles ne soient accessibles que sur vérification de la nationalité US. Anthropic a refusé d’imposer cette condition. Alors ils ont purement et simplement fermé le robinet.

Pour tous. Même pour les Américains.

Ça veut dire quelque chose d’énorme : l’intelligence artificielle n’est plus qu’un outil. C’est devenu une arme de pression diplomatique.

---

❌ L’ancien monde : croire que le meilleur modèle suffit

❌ Tu payes un abonnement Pro et tu penses être à l’abri.

❌ Tu construis tout ton workflow autour d’un seul modèle parce qu’il “déchire”.

❌ Tu balances des prompts bancals dans une fenêtre de chat et tu attends que la magie opère.

❌ Tu crois que la puissance brute du modèle compensera ton manque de préparation.

Faux.

---

La Chine ne regarde pas passer les trains

Pendant que les États-Unis retiennent leurs modèles, la Chine avance à une vitesse qui fait peur.

GLM 5.2 le dernier modèle de Zhipu AI n’est pas un joueur de second plan. Sur les benchmarks de capacité à piloter un projet sur le long terme, à rester pertinent dans le décodage et la planification, il est à un point derrière Opus 4.8.

Derrière. Pas loin derrière.

Et sur le même type de tâches, il est meilleur que GPT 5.5 d’OpenAI.

Nous ne sommes pas loin d’un monde où les Chinois sortiront un modèle qui se rapproche (voire dépasse) Fable 5 ou Mythos. Pas dans 5 ans. Dans les mois qui viennent.

Ce que ça change : le leadership américain en IA n’est plus un postulat. C’est une course. Et la ligne d’arrivée bouge chaque semaine.

---

✅ Le nouveau monde : ta méthodologie est ton seul modèle permanent

Opus 4.8 existe encore. Pour l’instant.

Mais demain ? Dans 6 mois ? Si la même pression politique s’exerce sur Anthropic, sur Amazon, sur Google : que se passe-t-il pour ton travail si tu as tout construit sur un seul modèle ?

La qualité de ton travail ne doit dépendre d’aucun modèle.

Elle doit dépendre de la qualité de ta chaîne de travail. De ta préparation. De ta rigueur.

---

Ce que tu dois faire maintenant, protocole concret

1. Soigne ton contexte

Un prompt pourri + un contexte pourri + des instructions floues = un résultat pourri/moyen surtout si le modèle est bon.

Règles :

Pose des questions claires. Une question = une tâche.

Définis le format de réponse que tu attends. (JSON ? Markdown ? Liste à puces ? Tableau ?)

Donne des exemples d’entrée/sortie quand c’est ambigu.

Mets des contraintes chiffrées. (”En 500 mots maximum.”, “3 paragraphes.”, “5 idées.”)

2. Utilise les Projets

Si ton IA propose des projets (Claude, ChatGPT…), crée-en.

Mets-y tes données : ton profil, ton style, tes contraintes, ton vocabulaire, tes références. Ainsi, l’IA conserve ton contexte entre les conversations sans charger la fenêtre de contexte.

3. Change de chat au bon moment

Au bout d’une trentaine d’échanges dans une fenêtre de chat, la qualité décline. Le modèle “oublie” les premières instructions. Les contradictions s’accumulent.

Action : ferme la conversation. Ouvre une nouvelle. Récupère les données importantes du premier chat et injecte-les comme contexte initial dans le nouveau.

C’est le fenêtrage de contexte, et il est vital.

4. Apprends à écrire des Skills

Si tu utilises un outil CLI (Claude Code, Codex, Cursor, Windsurf) ou des agents autonomes, tu n’as plus le droit à l’approximation.

Un skill, c’est :

Un rôle défini (”Tu es un rédacteur technique spécialisé en...”)

Des règles précises (format, ton, longueur, exclusions)

Des étapes numérotées (”Étape 1 : analyser le fichier. Étape 2 : extraire...”)

Des exemples de sortie valide

Des anti-patterns (”NE JAMAIS faire...”)

Un skill mal écrit = un agent qui déraille. Un skill bien écrit = un agent qui livre à chaque fois, quel que soit le modèle sous-jacent.

---

L’audit de ton socle IA une fois par semaine, toutes les 2 semaines, ou par mois

Pose-toi ces questions régulièrement :

Questions

1. Mes prompts sont-ils encore pertinents ?

2. Mes projets contiennent-ils des données obsolètes ?

3. Mes skills fonctionnent-ils avec le modèle actuel ?

4. Y a-t-il un nouveau modèle ouvert à tester ?

5. Ma chaîne de travail tient-elle si je change de modèle ?

6. Un audit régulier de ton socle IA, c’est l’assurance-vie de ta productivité.

---

Ce que je fais moi-même

Je ne compte sur aucun modèle.

Je compte sur mes skills. Sur mes projets. Sur mes prompts structurés. Sur la boucle Ralph.

Quand Anthropic retire un modèle, je pivote. Quand OpenAI change de version, je m’adapte. Quand un nouveau modèle chinois ou open-source sort, je le teste en une heure et je sais immédiatement s’il rentre dans ma chaîne.

Ce n’est pas de la flexibilité. C’est de l’ingénierie.

---

La conclusion que je veux que tu retiennes

> Ce n’est pas un problème de compétences. C’est un problème de structure.

Tu peux être un expert dans ton domaine. Si ta chaîne de travail IA est bancale, le jour où le modèle disparaît, tu t’effondres.

Tu peux être un débutant. Si ta chaîne est solide : bons prompts, bons projets, bons skills ; tu pivotes sur un autre modèle en 10 minutes et tu continues comme si de rien n’était.

La puissance du modèle n’a jamais été la variable importante.

La variable importante, c’est toi. Ta méthode. Ta rigueur. Ta capacité à rebondir.

William

Laissez un commentaire.

Partager

Pas l’échec qui coûte un contrat. Pas l’échec qui brûle une boîte.

S'abonner maintenant

L’échec que tu paies en heures, en patience, en lignes de code jetées. Impact minime. Apprentissage maximal. Pour être prêt quand l’opportunité réelle frappe.

Et pourtant.

Je vois des étudiants. Je vois des pros. Ils refusent de travailler sur quoi que ce soit pour lequel ils ne sont pas directement payés.

Puis ils s’étonnent de ne pas monter. De ne pas être sollicités par les meilleures boîtes.

Le paradoxe est brutal : tu veux qu’on te recrute pour des sujets que tu n’as jamais touchés. Mais tu n’as jamais touché ces sujets parce que personne ne t’a payé pour les toucher.

---

Ce que j’ai fait et ce que je continue de faire : l’inverse.

J’ai passé des semaines à bosser sur Hermès Agent un agent autonome que j’utilise au quotidien. Des projets personnels. Zéro client. Zéro facture.

J’ai écrit des dizaines de skills. J’ai cassé ma configuration en laissant un fichier modifié là où il ne fallait pas. J’ai produit des skills pleines d’éléments inutiles parce que je ne savais pas encore structurer correctement.

❌ Échecs. Beaucoup. À moindre coût.

Aujourd’hui, quand je rédige un skill, il est suffisamment solide pour fonctionner quel que soit le modèle d’IA sous-jacent. Hermès produit le résultat attendu même quand je change de modèle. Ce n’était pas le cas au début.

Et ce que j’ai appris à travers tout ça :

• Des flux de production vidéo automatisés

• Des actions web autonomes

• De la conversion audio/texte

• Du scraping de sites

• De l’analyse de données

• Des agents qui surfent sur Internet et enregistrent eux-mêmes leurs sessions de navigation

Tout ça sur du temps perso. Sur des projets fictifs. Sur des erreurs que personne n’a vu sauf moi.

Ce n’est pas un sacrifice. C’est un investissement à taux d’apprentissage extrême.

---

La méthode : laisse l’IA te dire quoi apprendre

Ce que Mo Gawdat disait aux diplômés : apprends vite, échoue petit, sois prêt.

Mais apprendre quoi, exactement ?

J’ai déjà écrit un guide complet sur cette question. La méthode est simple : tu demandes à l’IA de cartographier ton chemin à partir de ton profil. Pas l’inverse. Ce n’est pas toi qui choisis la techno au hasard sur Twitter, c’est l’IA qui trace la route des expertises à développer pour devenir excellent dans ton domaine.

Si tu ne l’as pas encore lu, commence par là.

---

L’étape suivante : des preuves de concept à petite échelle

Une fois que tu sais quelles technologies apprendre, il reste un écart.

Savoir n’est pas savoir faire.

Et les recruteurs, les bonnes boîtes, ne veulent pas juste entendre que tu as suivi un tutoriel. Ils veulent voir que tu as appliqué. Que tu as confronté des problèmes réels. Que tu sais déboguer quand rien ne va.

Voici ce que je te suggère de faire : une fois que l’IA t’a donné ta liste de technologies, redemande-lui ceci :

> « Quelles sont les preuves de concept à petite échelle des mini-projets concrets et rapides que je peux réaliser pour renforcer ma crédibilité sur chaque technologie que tu m’as conseillée ? »

Mais avec une contrainte supplémentaire : combine chaque POC à un sujet qui t’intrigue ou qui te passionne.

À défaut d’être payé, tu vas au moins faire des choses que tu apprécies. Et c’est ce qui te fera tenir le coup quand le projet devient difficile.

Exemples concrets :

Tu veux apprendre le scraping web ? Crée un petit agent qui surveille automatiquement les offres d’emploi dans ton domaine et t’envoie un récap quotidien.

Tu veux apprendre la génération vidéo ? Fais un script qui transforme un article de blog en vidéo courte avec voix off automatisée.

Tu veux apprendre les agents IA ? Construis un agent qui fait une tâche que tu répètes chaque semaine — même si c’est juste organiser tes fichiers téléchargés.

Ce ne sont pas des produits. Ce sont des laboratoires personnels. Des endroits où tu as le droit de casser. Des endroits où l’échec ne coûte rien sauf du temps et où l’apprentissage est maximal.

---

Le protocole d’apprentissage par l’échec

Voici le protocole que je te propose :

Semaine 0 : Demande à l’IA quelles technologies apprendre pour ton domaine. Obtiens ton plan.

Semaine 1 : Demande les preuves de concept à petite échelle. Choisis celle qui te passionne le plus.

Semaines 2 à 4 : Construis le premier POC. 30 minutes par jour. Régularité > intensité.

Semaine 5 : Retourne voir l’IA. Montre-lui ce que tu as fait. Demande ce qui manque. Ajuste.

Répète : Chaque POC est un échec calculé à moindre coût. Tu casses, tu répares, tu recommences. Tu accumules des compétences que personne ne peut t’enlever.

---

Pourquoi ça marche

Mo Gawdat a dit quelque chose de profond :

> « Ce n’est pas un problème de compétences. C’est un problème d’agilité. »

Tu peux apprendre n’importe quelle techno en 3 mois aujourd’hui. L’IA accélère tout. Ce qui sépare ceux qui progressent de ceux qui stagnent, c’est la capacité à se remettre en question régulièrement, à ajuster la trajectoire, à revenir au centre après chaque coup.

Le squash, pas les échecs.

Ce que je fais aujourd’hui, bosser sur Hermès, écrire des skills, automatiser des flux de production vidéo, des agents web, ce n’est pas du temps perdu. C’est du temps investi dans un portfolio de compétences que je ne pourrais pas acquérir autrement. Des compétences que je n’aurais pas si j’attendais d’être payé pour les apprendre.

Parce que le jour où la bonne boîte, le bon projet, la bonne opportunité arrive tu n’auras pas le temps de rattraper. Il faudra déjà savoir.

---

Ton tour.

Ouvre ton IA. Demande-lui quelles technologies apprendre. Demande-lui quels mini-projets faire. Combine ça à ce qui te passionne.

Et dis-moi dans les commentaires : quel POC à petite échelle l’IA t’a suggéré ? Est-ce que ça te surprend ? Est-ce que c’est quelque chose qui t’intrigue ?

Je lis tout.

— William

Laissez un commentaire.

Partager

Pas le discours habituel.

S'abonner maintenant

Ex-CBO de Google X. Aujourd’hui Chief AI Officer chez Flight Story. L’homme qui a construit des moonshots pour Google et qui a passé les dernières années à réfléchir vraiment à ce que l’IA change dans nos vies.

Il leur a dit quelque chose de simple et de brutal :

> La vie n’est plus un jeu d’échecs. Le plateau s’est barré par la fenêtre.

> C’est un jeu de squash(je ne savais pas ce que c’était non plus).
Sur la pointe des pieds. Tu ne sais pas où va la prochaine balle. Tu te déplaces, tu frappes, tu reviens au centre. Et tu attends la suivante.

Traduction : l’époque où tu pouvais planifier 5 ans à l’avance est morte. L’époque où tu apprenais une techno, trouvais un job et restais 10 ans ? Morte aussi.

Aujourd’hui, l’agilité prime sur le plan.

---

Mais Mo Gawdat n’est pas resté dans la métaphore. Il a donné aux diplômés un devoir précis. Pas du bullshit motivant. Une action.

Voici ce qu’il leur a demandé de faire, et ce que je te demande de faire maintenant :

Ouvre l’IA que tu préfères. Peu importe laquelle. Claude, ChatGPT, Gemini, Mistral, ce que tu veux.

Explique-lui qui tu es. Ce que tu étudies. Ce que tu aimes faire. Ce qui te passionne, même si ça n’a aucun lien avec ton job actuel.

Et pose-lui cette question exacte :

> « Quelles technologies je dois apprendre maintenant, et sur quoi je dois m’investir dans les mois à venir, pour devenir le meilleur dans mon domaine ? »

Pas l’inverse.

❌ Ce n’est pas toi qui choisis la techno au hasard sur Twitter/LinkedIn/YouTube.

✅ C’est l’IA qui cartographie ton chemin à partir de ton profil.

C’est une inversion totale de la logique.

Jusqu’ici, on apprenait une techno, puis on trouvait un job.

Demain, on définit qui on est. On s’aide de l’IA pour tracer la route des expertises à développer, pas pour accumuler des badges LinkedIn ou des certificats, mais pour devenir des contributeurs réels. Pas des spectateurs. Pas des consommateurs. Des gens qui ajoutent quelque chose.

Parce que connaître une techno, ça ne suffit plus.

Ce qui compte, c’est ce que tu en fais.

---

Méthodologie : deux chemins

Option 1 — Tu as Gemini (gratuit ou Pro)

Google a déjà construit un agent pour ça. Il s’appelle Career Guide.

Tu le trouves dans l’onglet Gems de Gemini. C’est un agent pré-configuré dont le job est exactement cette démarche : te guider dans ta carrière en posant les bonnes questions, en analysant ton profil et en te proposant un plan.

Le truc intéressant : quand tu cliques sur “Copier cet agent”, tu vois le prompt système que Google a injecté. C’est transparent. Tu peux lire comment l’agent est conçu pour te guider.

Si tu as un abonnement Pro, va directement là-bas. C’est prêt.

Option 2 — Tu n’as pas Gemini / Tu préfères une autre IA

J’ai écrit une version simplifiée et directe du guide. Pas besoin d’abonnement. Pas besoin de Gemini. Tu prends ce prompt, tu le copies, tu le colles dans l’IA que tu veux.

Voici :

---

PROMPT À COPIER-COLLER

```

Tu es mon conseiller en carrière. Ton objectif : m’aider à identifier quelles technologies je dois apprendre dans les mois à venir pour devenir excellent dans mon domaine.

Voici qui je suis :

- [Décris ton parcours, tes études, ton job actuel]

- [Ce que tu aimes faire, même en dehors du travail]

- [Ce qui te passionne dans ton domaine]

Pose-moi 3 à 5 questions pour affiner mon profil et comprendre mes objectifs.

Une fois que tu as mes réponses, fais-moi une liste de :

1. Les technologies clés que je dois apprendre maintenant

2. Pourquoi chacune est pertinente pour moi spécifiquement

3. Un plan d’action sur 3 mois (quoi apprendre, dans quel ordre, comment)

Ne me donne pas une liste générique. Adapte tout à mon profil et à mes réponses.

```

---

Le protocole d’apprentissage

Apprendre une techno, c’est bien. Mais l’apprentissage sans feedback est une recette pour abandonner au bout de deux semaines.

Voici le protocole que je te propose :

Semaine 0 — Copie le prompt ci-dessus. Réponds aux questions. Obtiens ton plan de 3 mois.

Semaine 1 à 12 — Apprends. 30 minutes par jour minimum. Pas besoin de plus. La régularité bat l’intensité.

Chaque semaine — Reviens discuter avec ton IA. Dis-lui ce que tu as appris. Demande-lui ce que tu devrais approfondir. Ajuste le plan si nécessaire.

Tu bloques ? Tu trouves ça bizarre ? Mets-le en commentaires ici. Je serai ravi de rebondir sur le sujet avec toi. Je lis tous les commentaires.

Ce n’est pas un sprint. C’est une conversation.

---

Pourquoi ça marche ?

Mo Gawdat a dit aux diplômés ce que moi et plusieurs pratiquants en IA appliquons déjà:

> « Ce n’est pas un problème de compétences. C’est un problème d’agilité. »

Tu peux apprendre n’importe quelle techno en 3 mois aujourd’hui. L’IA accélère tout. Ce qui sépare ceux qui progressent de ceux qui stagnent, c’est la capacité à se remettre en question régulièrement, à ajuster la trajectoire, à revenir au centre après chaque coup.

Le squash, pas les échecs.

---

Ton tour.

Copie le prompt. Ouvre ton IA. Commence la conversation.

Et dis-moi dans les commentaires : quelle techno l’IA t’a conseillée d’apprendre ? Est-ce que ça t’a surpris ?

Je lis tout.

William

Laissez un commentaire.

Partager

Tu veux que ton site monte dans Google. Tu as lu 47 articles qui te disent de « créer du contenu de qualité » sans te dire comment.

Voici 3 façons de faire, du prompt dans ChatGPT jusqu’à l’agent autonome qui réécrit ton site pendant que tu dors.

S'abonner maintenant

Simple : Un rapport + un prompt quali + tes mains

Ce dont tu as besoin :

• Un rapport SEO de ton site (Lighthouse, SEMrush gratuit, ou Screaming Frog en trial)

• 15 minutes

• Un LLM (ChatGPT, Claude, Gemini, peu importe)

La méthode :

Exporte ton rapport SEO au format texte ou PDF.

Ouvre ton LLM préféré et colle ce prompt :

```

Tu es un consultant SEO senior. Voici le rapport Lighthouse/SEMrush de mon site [URL].

Identifie :

- Les 5 problèmes techniques les plus impactants (score 0-100)

- Les 3 opportunités de mots-clés à fort potentiel

- Les 2 actions quick-win que je peux faire ce matin

Pour chaque problème, donne :

- La gravité (🔴 critique / 🟠 important / 🟢 nice-to-have)

- L’action exacte à faire (pas de “optimise” — dis “ajoute un H1 sur la page /blog/pomme”)

- Le fichier ou la page concernée

Réponds en français, structuré, numéroté.

```

3. Prends les recommandations une par une. Va dans ton CMS. Applique.

Résultat attendu : en 2-3 heures de travail manuel, tu as corrigé les problèmes basiques (titres manquants, meta descriptions, images sans alt). Pas de miracle. Mais un site plus propre.

Le piège : le LLM te dit quoi faire. Il ne le fait pas pour toi. Si tu as 200 pages, cette méthode devient rapidement un marathon.

---

Moyen : MCP + ton CMS = l’automatisation qui applique

Ce dont tu as besoin :

• Un CMS avec API (WordPress, Webflow, Shopify, Ghost)

• Un LLM avec support MCP (Claude Desktop, ou n8n avec module LLM)

• Le connecteur MCP de ton CMS (ex: MCP WordPress, ou un nœud n8n)

La méthode :

1. Configure le connecteur.

• Pour WordPress : installe le MCP WordPress ( REST API + clé d’application)

• Pour n8n : crée un workflow avec les nœuds HTTP Request vers l’API de ton CMS

2. Crée le workflow :

``

Étape 1 : Analyse

- Le LLM lit le rapport SEO exporté

- Il identifie les pages à corriger

Étape 2 : Génération

- Pour chaque page, le LLM génère :

- Un nouveau titre SEO (60 caractères max)

- Une meta description (160 caractères max)

- Une liste de 3 alt-texts pour les images

Étape 3 :Application

- Le connecteur MCP envoie les modifications directement dans ton CMS

- Mise à jour en masse des titres, descriptions, alt-texts

3. Prompt type pour le LLM :

Tu es connecté à mon CMS WordPress via MCP.

Voici la liste des pages à corriger : [JSON exporté du rapport SEO]

Pour chaque page :

1. Génère un titre SEO optimisé (max 60 caractères, mot-clé en premier)

2. Génère une meta description engageante (max 160 caractères)

3. Si des images n’ont pas d’alt-text, propose-en des descriptifs

Applique les modifications directement dans le CMS via l’outil update_page.

Ne modifie rien d’autre que les champs demandés.

Confirme chaque modification appliquée.

```

Résultat attendu : en une heure de setup + 10 minutes de supervision, tes 50/100/200 pages sont corrigées en masse. Tu contrôles le résultat avant publication.

Le piège : si ton CMS n’a pas d’API propre, ou si le connecteur MCP est buggé, tu passes plus de temps à debugger qu’à faire le travail à la main. Teste sur 5 pages avant de lancer le batch complet.

---

Avancé : Claude Code / Hermes avec un skill SEO = l’agent autonome

Ce dont tu as besoin :

• Claude Code CLI (ou Hermes Agent avec terminal)

• Accès au repo de ton site (si statique : Next.js, Astro, Hugo, etc.)

• Un skill / script d’automatisation SEO

• 30 minutes de setup initial

La méthode :

1. Installe le skill SEO dans Claude Code.

Crée un fichier `CLAUDE.md` à la racine de ton repo :

```markdown

# Skill SEO Auto

Quand je te demande “audit seo” ou “fix seo” :

1. Lance Lighthouse CLI sur le build local

2. Analyse le rapport JSON généré

3. Identifie les problèmes par ordre d’impact

4. Pour chaque problème corrigeable par du code :

- Modifie le fichier source concerné

- Ajoute les balises manquantes (title, meta description, alt, canonical)

- Optimise les images (compression si outil dispo)

5. Génère un rapport des modifications avec avant/après

6. Crée une branche git `seo-fix-YYYY-MM-DD` et commit

Règles :

- Ne touche jamais au contenu éditorial sans mon feu vert explicite

- Priorise les balises techniques (title, meta, heading structure)

- Respecte le style de code existant

```

2. Lance l’agent.

```bash

claude code

> audit seo

```

Claude Code :

• Lit ton repo

• Lance Lighthouse

• Analyse le JSON

• Modifie les fichiers

• Commit sur une branche

• Te présente un rapport

3. Tu relis, tu valides, tu merges.

Résultat attendu : l’agent travaille pendant que tu fais autre chose. En 20 minutes, il a audité tout ton site, corrigé les balises, compressé les images, et préparé une PR propre. Tu n’as fait que relire et cliquer « merge ».

Le piège : si ton site est sur un CMS propriétaire sans accès fichiers (Lovable,Wix, Squarespace), Claude Code ne peut rien faire. Cette méthode marche pour les sites statiques ou les CMS avec accès code (WordPress custom, Shopify with Liquid access, etc.).

---

Comment choisir ta méthode

Si tu débutes, fais le Simple. C’est fastidieux mais tu apprends ce qu’est un H1, une meta description, un alt-text. Ne délègue pas cette étape à une IA si tu ne sais pas ce qu’elle fait.

Si tu as déjà un workflow n8n ou Make, passe au Moyen. Le ROI est immédiat.

Si tu es dev ou tu travailles avec un dev, l’Avancé est un game-changer. Un audit SEO récurrent qui se lance avec une commande ? C’est ça, le vrai leverage.

Ce qu’il faut retenir

❌ Le SEO n’est pas un plugin magique.

❌ Ce n’est pas un prompt qui va réparer 10 ans de négligence technique.

✅ C’est de la discipline appliquée avec les bons outils.

La règle : commence Simple. Quand la méthode Simple devient pénible, c’est le signal que tu dois passer au niveau supérieur.

Tu as déjà essayé l’une de ces 3 méthodes ? Tu utilises un agent pour ton SEO ? Ou tu restes team « je préfère tout contrôler à la main » ? Raconte-moi ton workflow en commentaire, je suis curieux de savoir ce qui marche vraiment sur le terrain.

Laissez un commentaire.

Voici ce que je te conseille d’ignorer selon ton niveau et le vrai signal sur lequel tu devrais travailler.

S'abonner maintenant

## Google Antigravity 2.0 du bruit pour tout le monde ?

Ce qu’on te vend : l’IDE du futur. Multi-agents parallèles. Gratuit jusqu’à 200$/mois. Tout le monde en parle. Mais voici la réalité :

- Free tier quasi inutilisable (XDA-Developers confirme)

- Un RCE actif non corrigé depuis fin avril

- Pas de tracker public de bugs, pas de SOC2, pas d’ISO27001

- Tier enterprise “Coming soon” sans date

Pour qui c’est du bruit :

Niveau Débutant : Tu ne codes pas encore. Tu n’as pas besoin d’IDE.

Niveau Intermédiaire : Tu utilises déjà Cursor ou VSCode + Copilot. Antigravity n’apporte rien de plus à ce stade.

Niveau Avancé : Tu sais reconnaître une preview marketing. Le RCE te disqualifie pour toute prod.

Niveau Entreprise : Pas de compliance, pas de SSO, pas de SLA. C’est non-négociable.

Sur quoi te concentrer à la place :

Si tu cherches un IDE agent-first, teste Cursor (maturité prouvée) ou Windsurf (Codeium). Si tu veux rester dans l’écosystème Google, attends 6 mois que Antigravity sorte de beta et passe une audit sécurité.

---

“Claude Memory synchronise avec ChatGPT et Gemini”: une confusion dangereuse

Ce qu’on te vend : Anthropic a créé une mémoire universelle qui marche entre toutes les IA. Un projet commence dans Claude, continue dans ChatGPT, finit dans Gemini.

La réalité :

Anthropic a lancé Import Memory (claude.com/import-memory). Google a fait pareil dans la dernière maj de Gemini.

“Le problème n’est pas que tes IA ne se parlent pas. C’est que toi, tu ne te parles pas à toi-même entre deux sessions.”

---

Microsoft CapEx IA 2026 à 190 milliards $, du bruit financier pour les spectateurs

Ce qu’on te vend : Microsoft investit 190 milliards $ en IA en 2026. 25 milliards de plus à cause des prix de la mémoire. C’est le signe que l’IA est inarrêtable.

La réalité :

- C’est une annonce financière pour les actionnaires.

- 97 milliards dépensés sur 4 trimestres pour 37 milliards de revenus IA.

- Ça ne change rien à ton workflow lundi matin.

Pour qui c’est du bruit :

Niveau Débutant : Les chiffres de CapEx ne t’aident pas à écrire un meilleur prompt.

Niveau Intermédiaire : Ça ne change pas le prix de ton API. OpenAI et Anthropic ne baissent pas leurs tarifs à cause du CapEx de Microsoft.

Niveau Avancé : Tu sais déjà que les modèles deviennent meilleurs et moins chers. Tu n’as pas besoin d’un communiqué financier pour le confirmer.

Niveau Entreprise : Si tu es en charge de budget, tu suis déjà les pricing updates. Ce chiffre ne t’apprend rien de nouveau.

Sur quoi te concentrer à la place :

Si les dépenses des géants te fascinent, regarde plutôt DeepSeek. Eux, ils changent vraiment les prix (-75% permanent sur V4-Pro). Ça, c’est un signal qui impacte ta facture API.

---

Le vrai signal de la semaine

Alors que tout le monde parle d’Antigravity et de CapEx, voici ce que j’ai noté dans mon carnet :

Pour les débutants :

- Teste Gemini 3.5 Flash dans l’app Gemini. C’est gratuit, c’est meilleur, tu vas sentir la différence.

Pour les automatiseurs :

- Teste tes workflows API avec Gemini 3.5 Flash ou DeepSeek V4-Pro (Ta facture va fondre)

Pour les avancés et les entreprises :

- Le vrai sujet de l’année n’est pas Antigravity. C’est la data residency et la compliance des agents autonomes. Anthropic et Google travaillent dessus. Attends la GA.

---

Ce qu’il faut retenir

Ce n’est pas la quantité d’informations que tu consumes qui compte.

Ce n’est pas le chiffre le plus gros qui compte.

C’est ce que tu construis avec ce que tu sais.

La règle : si une news ne te donne pas une action concrète à faire dans les 7 jours, c’est du bruit.

---

Qu’est-ce que tu ignores déjà ? Tu as des techniques pour filtrer le bruit ? Ou tu avoues que parfois, tu cliques quand même sur “Google lance l’IDE du futur” ? Dis-moi tout en commentaire on est tous coupables de FOMO ici.

Laissez un commentaire.

Partager Substack de William

Cette semaine, Google a fait le plein d’annonces à l’I/O. Anthropic a ouvert ses sandbox. DeepSeek a cassé ses prix. Et quelqu’un a fuité du code chez Anthropic (oui, encore)

On fait le tri. Pas le buzz. Le tri.

Gemini 3.5 Flash GA, le modèle qui remplace le précédent… par défaut

Google a sorti Gemini 3.5 Flash à l’I/O. Pas une révolution de papier. Un remplacement de fait.

Il prend la place du vieux `gemini-3-flash-preview` comme modèle par défaut partout : app Gemini, Search AI Mode, API, Android Studio.

Les chiffres qui comptent :

• 76.2% sur Terminal-Bench 2.1 (contre 58% pour le Flash précédent)

• 4x plus rapide en tokens par seconde que les modèles frontier concurrents

• ~4 à 8x moins cher que Gemini 3.1 Pro

• 65 536 tokens de sortie, plus que Pro qui est bloqué à 32 768

Voici l’impact réel selon ton profil :

Utilisateur LLM basique : Tu vas probablement rien voir. C’est plus fluide, plus précis, mais le changement est sous le capot. Continue à poser tes questions dans Gemini, le résultat sera un peu meilleur. C’est gratuit. C’est natif.

Automatiseur : C’est ici que ça devient intéressant. 4x plus rapide = tes workflows n8n / Make / scripts API terminent plus vite. 65k tokens de sortie = tu peux générer des rapports longs d’une seule traite. Box rapporte +96% de précision sur l’extraction de données médicales. Si tu automatises des tâches documentaires, teste le switch.

Utilisateur avancé : Le vrai argument, c’est le coût à l’échelle. Si tu fais tourner des agents avec 50 appels d’outils par session, la latence se cumule. 4x plus rapide = tes boucles agentiques tournent en 2 minutes au lieu de 8. Par contre, attention : sur les raisonnements très profonds (Humanity’s Last Exam : 40.2%), il reste derrière Opus 4.7 (46.9%). Pour le code complexe multi-fichiers, attends Gemini 3.5 Pro qui arrive le mois prochain.

DeepSeek V4-Pro — la guerre des prix vient de changer de dimension

DeepSeek a annoncé le 24 mai que sa réduction de 75% sur V4-Pro devient permanente.

Ce que ça veut dire :

• Un modèle de raisonnement frontier chinois coûte désormais un quart de ce qu’il coûtait avant.

• Sur OpenRouter, les modèles chinois représentent déjà 60% du traffic.

Observons l’impact réel selon ton profil :

Utilisateur LLM basique : Tu t’en fiches probablement. Tu utilises ChatGPT ou Claude via leur interface. L’API de DeepSeek ne te concerne pas.

Automatiseur : Ça devrait t’intéresser. Si tu consommes de l’API via OpenRouter, switcher vers V4-Pro pour les tâches de raisonnement standard peut diviser ta facture par 4. Le modèle est un MoE (Mixture of Experts) efficace, pas une bête de latence.

Utilisateur avancé : Le signal ici, c’est la déflation des prix frontier. Quand DeepSeek brade à -75% en permanence, OpenAI et Anthropic vont devoir réagir. Surveille leurs annonces de pricing dans les semaines qui viennent. En attendant, V4-Pro sur OpenRouter est un excellent fallback pour du raisonnement à bas coût.

« 60% du traffic OpenRouter. C’est pas une statistique. C’est un avertissement. »

--

Google Antigravity 2.0 , l’IDE agent-first qui n’est pas encore prêt

Google a lancé Antigravity 2.0 à l’I/O. App desktop + CLI + SDK. Multi-agents parallèles. Gemini 3.5 Flash par défaut. Supporte Claude Sonnet 4.5 et GPT-OSS.

Ça a l’air sexy. C’est pas prêt.

Les tarifs :

• Free tier : quasi inutilisable (XDA-Developers le confirme : « on ne peut presque rien faire »)

• Pro : 20$/mois

• Ultra (nouveau) : 100$/mois

• Ultra (ancien prix réduit) : 200$/mois (au lieu de 250$)

Le piège : un RCE actif non corrigé a été signalé par CyberScoop le 30 avril. Un escape de sandbox donne exécution de code distante. Pas de patch annoncé. Pas de CVE. Pas de tracker public de bugs. Pas de SOC2. Pas d’ISO27001. Le tier Enterprise est « Coming soon » sans date.

Impact réel selon ton profil :

Utilisateur LLM basique : Tu n’utilises pas d’IDE. Tu peux ignorer.

Automatiseur : Attends. Même si l’orchestration multi-agents te tente, tu ne peux pas déployer ça en production avec un trou de sécurité ouvert.

Utilisateur avancé : Teste en local si tu veux jeter un œil. Mais ne remplace pas Cursor, Windsurf ou Claude Code par Antigravity pour le moment. Le produit est une preview marketing. Pas un outil de travail.

Anthropic Self-Hosted Sandboxes, la compliance pour les équipes sérieuses

Le 19 mai, Anthropic a ouvert la beta publique des Self-Hosted Sandboxes pour Managed Agents.

Le concept : au lieu d’exécuter le code de l’agent dans les containers d’Anthropic, tu le fais tourner sur ton infrastructure. L’orchestration (Claude, routing, checkpointing) reste chez eux. L’exécution est chez toi.

Tarif : 0.08$/heure/session + tokens API au tarif normal.

Ce qui marche :

• Données qui ne quittent pas ton réseau

• Accès à des services internes non publics

• Audit et compliance sous ton contrôle

Ce qui coince :

• Mémoire cross-session non supportée en mode self-hosted

• Pas dispo sur Claude Platform on AWS

• MCP Tunnels dépendent de Cloudflare sans SLA

Impact réel selon ton profil :

Utilisateur LLM basique — Tu n’as pas d’infrastructure à gérer. Tu peux ignorer.

Automatiseur — Si tu automatises des processus avec des données sensibles (RH, finance, santé), c’est une option à évaluer. Mais la complexité de setup (Docker, workers, tunnels) est non négligeable.

Utilisateur avancé — C’est le bon signal. Anthropic découple l’orchestration de l’exécution. Ça veut dire que dans 6-12 mois, tu pourras faire tourner des agents Claude avec zero data retention dans ton VPC. Pour l’instant, c’est une beta. Teste si tu as une équipe infra. Sinon, attends la GA.

---

Claude Mythos , la fuite qui prouve que le futur de la sécurité est déjà là

On termine par la fuite de code présumée de Claude Mythos. Ce n’est pas un produit sorti. C’est un modèle d’évaluation interne d’Anthropic pour la recherche en sécurité.

Ce que la fuite révèle :

• Un modèle capable de trouver 181 exploits fonctionnels sur Firefox (contre 2 pour Opus 4.6)

• Capable de découvrir des failles zero-day sur des systèmes complètement patchés

• Coût d’un exploit réussi : parfois moins de 50$

Impact : ce modèle n’est pas accessible au public. Il fait partie du « Project Glasswing » d’Anthropic pour sécuriser les logiciels critiques AVANT que des modèles similaires ne se retrouvent entre de mauvaises mains.

Pour toi ? Aucun impact direct. C’est du bruit pour les utilisateurs standards. C’est un signal pour les équipes de sécurité.

---

Ce qu’il faut retenir cette semaine

❌ Ce n’est pas le nombre d’annonces qui compte.

❌ Ce n’est pas le benchmark le plus impressionnant qui compte.

✅ C’est ce qui s’intègre proprement dans ce que tu fais.

Mon top 3 actions :

1. Si tu consommes de l’API Gemini, migre vers 3.5 Flash — c’est plus rapide, moins cher, et meilleur.

2. Si tu utilises OpenRouter, teste DeepSeek V4-Pro pour tes tâches de raisonnement standard.

3. Si tu es en entreprise, note Anthropic Self-Hosted Sandboxes dans ton radar compliance pour 2026-2027.

Le reste, c’est du marketing.

---

Quelle news de cette semaine t’a le plus marqué ? Tu testes déjà Gemini 3.5 Flash ? Tu fais tourner des agents avec des sandbox self-hosted ? Dis-moi en commentaire, j’adore savoir ce que vous briquez de votre côté.

Laissez un commentaire.

Partager

Tu l’as encore lu cette semaine.

Et dans six mois, la moitié de ces annonces auront discrètement disparu des pages de présentation sans communiqué, sans excuses, sans remboursement du temps que tu as passé à tester.

Il serait temps qu’on en parle franchement.

Cas n°1 : Happyhorse d’Alibaba : la promesse et le gouffre

Alibaba a sorti Happyhorse avec une belle fanfare.

Le nouveau roi du Text-to-Video. Open Source. Accessible à tous.

Sauf que...

❌ Open Source ? Finalement non. La licence a changé après l’annonce.

❌ Fidélité au prompt ? Les tests utilisateurs quotidiens montrent que le modèle prend des libertés considérables par rapport aux instructions données.

Dans un monde où Seedance 2.0 produit du spectaculaire tout en respectant scrupuleusement le prompt, difficile de donner raison à Alibaba.

Entre la promesse marketing et le rendu réel, il y a un gouffre.

Et ce gouffre, personne ne te le signale sur la slide de présentation.

Cas n°2 : Mistral Medium 3.5 : un choix stratégique qui interroge

Mistral a glissé d’une licence Apache 2.0 vers du MIT avec exclusions de revenus.

Autrement dit : tu peux l’utiliser, jusqu’à ce que ça rapporte trop.

Pour un modèle qui performe correctement sur les tâches de coding agentique, mais qui accuse un retard réel sur tout le reste, le timing est surprenant.

Pendant ce temps, Kimi K2, Gemma 4 et DeepSeek occupent le terrain avec des performances comparables ou supérieures, sur des coûts moins agressifs.

La question se pose donc honnêtement : est-ce vraiment la bonne approche stratégique pour Mistral ?

Ce que tu peux faire concrètement

Pas de théorie. Du concret.

Pour tester Happyhorse et Seedance 2.0 :

➜ Direction wavespeed.ai : les deux modèles sont accessibles directement.

La méthode la plus honnête : prends le même prompt, génère la même vidéo avec les deux modèles, et observe lequel est resté le plus fidèle à tes instructions. Pour renforcer ton prompt avant de tester, passe-le d’abord par ton LLM préféré.

Pour tester Mistral Medium 3.5 :

➜ Pull le modèle en local via ollama.com/library/mistral-medium-3.5 : Ollama ne dispose pas encore de version cloud pour ce modèle.

➜ Ou directement sur Hugging Face si tu préfères éviter l’installation locale.

La méthode : soumets-lui exactement les mêmes tâches que tu as déjà soumises à d’autres modèles open source. Mêmes prompts. Mêmes instructions. Et observe qui s’en sort réellement le mieux sur ton usage, pas sur les benchmarks de l’entreprise.

Ce qu’il faut garder en tête

Avant de conclure quoi que ce soit sur ces deux annonces :

1️⃣ Lis les retours terrain, pas les communiqués de presse, les fils Reddit, les commentaires LinkedIn, les threads X d’utilisateurs qui testent vraiment

2️⃣ Teste dans ton propre flux de travail, un modèle qui performe sur un benchmark générique peut être inutile pour ta réalité quotidienne

3️⃣ Accepte que ces news ne te concernent peut-être pas, si tu n’as aucun besoin en génération vidéo, Happyhorse est anecdotique. Si tu n’utilises pas l’open source dans ton activité, la licence de Mistral ne change rien à ton quotidien. Tu utilises probablement un LLM directement dans sa fenêtre de chat et c’est parfaitement suffisant pour beaucoup d’usages.

Ce n’est pas un aveu de faiblesse.

C’est du bon sens.

La règle qui ne change pas

L’IA qui fait le buzz sur Twitter (je n’arriverai probablement jamais à l’appeler “X”) n’est pas forcément celle qui fera tourner ton activité demain.

❌ Ce n’est pas le logo le plus connu qui compte.

❌ Ce n’est pas le benchmark le plus impressionnant qui compte.

✅ C’est ce qui s’intègre proprement dans ce que tu fais, chaque jour, étape par étape.

Le reste, c’est du marketing.

Et toi ?

Tu as fait les mêmes constats sur le décalage entre les annonces et la réalité du terrain ?

Ou tu as un cas précis où un modèle survendu t’a vraiment déçu à l’usage ?👇

Laissez un commentaire.

Tu l’as entendu cent fois.

C’est sexy. C’est vendeur. Et c’est le meilleur moyen de passer six mois à tester des outils sans jamais changer ta façon de travailler d’un millimètre.

Parce que la vraie question n’est pas quel outil utiliser.

La vraie question, c’est : tu fais quoi, toi, concrètement, chaque jour ?

Le piège dans lequel tout le monde tombe

Tu peux citer les features de GPT-4o, Claude Opus, Gemini Ultra.

Tu connais la différence entre un LLM et un agent.

Tu as une liste de 47 outils IA dans ton Notion.

Et pourtant...

Tu ne sais pas exactement ce que l’IA fait ou pourrait faire dans ton activité, tes tâches, ta semaine réelle.

Ce n’est pas un problème de connaissance.

C’est un problème de méthode.

La réalité, c’est que 60% du travail est personnel

Avant de toucher un seul outil, il y a une question à se poser. Une seule.

« Qu’est-ce que je fais, chaque jour de la semaine, étape par étape, et qui constitue mon travail ? »

Liste tout.

Pas les grandes missions. Pas les objectifs trimestriels.

Les étapes réelles. Les micro-tâches. Ce que tu fais entre 9h et 10h un mardi matin ordinaire.

Rédiger des emails de suivi. Compiler des informations éparpillées. Préparer un brief. Relire un document. Chercher une information.

Chaque action compte.

Et pitié, ne délègue pas cette étape à une IA.

C’est un travail d’introspection. Personne ne connaît ton travail mieux que toi. Une IA qui liste tes tâches à ta place, c’est construire une maison sur des fondations que tu n’as pas posées toi-même.

Les 40% restants : 30 minutes avec ton LLM

Une fois ta liste en main, bloque 30 minutes.

Ouvre ton LLM préféré Claude, ChatGPT, peu importe et commence ton prompt comme ça :

« Tu es un conseiller métier expert en productivité et en outils IA. Ton rôle est de me simplifier l’intégration de l’IA dans mon travail réel, par rapport aux technologies existantes aujourd’hui. En moins d’une heure, je veux connaître les outils pertinents pour moi et dans quel ordre les tester. Voici mes tâches quotidiennes : [ta liste]. »

Ce prompt fait trois choses simultanément :

• 1️⃣ Il donne un rôle précis à ton LLM: conseiller, pas encyclopédie

• 2️⃣ Il ancre la réponse dans ta réalité, pas dans des cas génériques

• 3️⃣ Il fixe une contrainte de temps qui force la priorisation

Le résultat ? Une liste courte, ordonnée, actionnée sur ta semaine réelle.

Pas 47 outils. Trois à tester en priorité.

Ce que tu ne dois pas faire

❌ Chercher des outils no-code, des scripts ou des agents en ligne de commande à ce stade c’est aller trop vite, trop loin, trop tôt

❌ Réinventer la roue si ton LLM suggère un point de départ comme Claude Cowork ou Perplexity Computer, commence par là avant de chercher plus compliqué

❌ Tout faire dans une seule et même conversation, la fenêtre de contexte se sature, les réponses se dégradent

Une astuce d’organisation que peu de gens utilisent

Crée un espace ou projet dédié dans ton LLM.

Claude l’appelle “Projects”. Perplexity a les “Espaces”. L’idée est la même : regrouper toutes tes discussions sur ce sujet au même endroit.

Quand une conversation devient trop longue, ouvres-en une nouvelle que tu rattaches au même espace.

Tu bénéficies ainsi des souvenirs persistants du projet sans saturer le contexte d’une seule discussion.

C’est gratuit. C’est natif. Et ça change radicalement la qualité des réponses sur la durée.

La dernière étape que presque tout le monde zappe

Tester.

Bloque un deuxième créneau dans ton agenda pas pour apprendre, pour faire.

Le cerveau déteste sortir de ses habitudes. C’est neurologique, pas une question de motivation. Sans ce créneau planifié, les outils resteront dans ta liste Notion pour l’éternité.

Et après ce test, reviens vers ton LLM avec un retour honnête :

« Voilà ce que j’ai obtenu. Voilà ce que j’en pense. »

C’est cette boucle → tâches réelles → LLM → test → retour → affinage — qui transforme un curieux de l’IA en quelqu’un qui peut dire, pour de vrai :

« J’utilise l’IA dans mon travail. Et je sais exactement à quoi elle me sert. »

Et toi ?

Tu as déjà fait cet exercice : lister tes tâches réelles avant de chercher un outil ?

Dis-moi ce que ça t’a révélé dans les commentaires. Les prises de conscience terrain sont souvent bien plus intéressantes que les outils eux-mêmes. 👇

Par curiosité, parce que c’est comme ça que j’apprends : en cassant des trucs jusqu’à ce qu’ils marchent. Puis que j’en tire des infos palpables.

Fenêtre de contexte d’un million de tokens. Raisonnement hybride. Prix dérisoire comparé à Claude ou GPT.

Et puis j’envoie une image.

Silence.

J’envoie un fichier audio.

Silence.

Voilà le seul vrai talon d’Achille de ce modèle pas d’yeux, pas d’oreilles. Nativement, DeepSeek V4 ne voit pas, n’entend pas. Et sur ce point précis, Claude, GPT-4o et Gemini avaient une longueur d’avance indéniable.

Sauf que...

Je n’allais pas abandonner un modèle aussi puissant pour ça.

Ce que j’ai découvert : Hermes comme couche d’orchestration

La solution n’est pas de changer de modèle.

C’est de lui donner les bons outils.

Hermes est un agent open-source développé par Nous Research. Ce n’est pas un chatbot. C’est une couche d’orchestration qui tourne sur ton infrastructure, mémorise tes projets entre les sessions, crée ses propres skills à la volée et surtout, accepte n’importe quel modèle comme cerveau.

L’idée est simple en fait : tu donnes DeepSeek V4 comme cerveau à Hermes, puis tu lui demandes d’installer les bibliothèques qui compensent ses angles morts natifs. OpenCV pour la vision. ffmpeg pour l’audio et la vidéo.

➜ En deux commandes, un modèle borgne devient multimodal.

Voici exactement comment j’ai fait.

Ce dont tu as besoin avant de commencer

Avant de te lancer, vérifie que tu as :

• ✅ Un VPS (Ubuntu 22.04 minimum recommandé) ou une machine locale avec au moins 8 Go de RAM

• ✅ Docker installé sur cette machine

• ✅ Un compte Telegram et accès à BotFather

• ✅ Un compte Ollama : le plan à 20$/mois donne 480 millions de tokens mensuels sur tous les modèles open-source disponibles

Étape 1 — Installer Ollama sur ton VPS

Connecte-toi à ton VPS en SSH, puis exécute une seule commande :

curl -fsSL https://ollama.com/install.sh | sh

Ollama est maintenant actif sur le port 11434 de ta machine.

Ensuite, pull le modèle DeepSeek V4 Flash cloud. On choisit la version Flash parce
qu’on ne veut pas le faire tourner en local — on passe par le cloud
Ollama pour les inférences, ce qui évite de saturer les ressources du
VPS.

ollama pull deepseek-v4-flash::cloud

Vérifie que le modèle est bien disponible :

ollama list

Tu dois voir deepseek-v4-flash::cloud dans la liste. C’est bon.

Étape 2 — Déployer Hermes dans un container isolé

L’isolation est importante ici. Hermes a besoin d’un environnement propre pour
installer ses outils sans interférer avec le reste de ton système.

Crée un fichier docker-compose.yml :

version: '3.8'
services:
  hermes:
    image: nousresearch/hermes-agent:latest
    container_name: hermes
    environment:
      - OLLAMA_BASE_URL=http://host.docker.internal:11434
      - OLLAMA_MODEL=deepseek-v4-flash::cloud
    extra_hosts:
      - "host.docker.internal:host-gateway"
    restart: unless-stopped

Lance le container :

docker compose up -d

Hermes détecte automatiquement le modèle disponible via l’adresse interne.

➜ DeepSeek V4 est maintenant le cerveau d’Hermes.

Étape 3 — Connecter ton bot Telegram

Ouvre Telegram et cherche @BotFather.

Envoie la commande /newbot, choisis un nom et un identifiant pour ton bot. BotFather te donne un token API — copie-le.

Dans ton docker-compose.yml, ajoute les variables suivantes :

environment:
  - TELEGRAM_BOT_TOKEN=ton_token_ici
  - TELEGRAM_ALLOWED_IDS=ton_id_telegram_ici

Pour trouver ton ID Telegram, envoie un message à @userinfobot — il te renvoie ton ID numérique en quelques secondes.

Relance le container :

docker compose down && docker compose up -d

Ouvre ton bot Telegram et envoie un premier message. Si Hermes répond, la connexion est établie.

Étape 4 — Donner des yeux et des oreilles à DeepSeek

C’est ici que la magie opère.

ffmpeg est normalement installé par Hermes dès le démarrage. Vérifie en lui posant directement la question dans le chat Telegram :

« Tu as accès à ffmpeg ? Confirme la version installée. »

Il doit te répondre avec le numéro de version. Si ce n’est pas le cas, demande-lui simplement :

« Installe ffmpeg et confirme quand c’est prêt. »

Ensuite, pour la vision :

« Installe OpenCV pour Python et confirme quand c’est fait. »

Hermes exécute la commande dans son environnement, confirme l’installation, et est immédiatement opérationnel.

Étape 5 — Envoyer tes fichiers à analyser

Une fois les bibliothèques installées, le workflow est fluide :

• 📸 Images → envoie directement dans le chat Telegram, puis pose ta question

• 🎵 Audio → envoie directement dans le chat Telegram

• 🎬 Vidéos → upload sur tmpfiles.org (ou tout service similaire), envoie l’URL à Hermes dans le chat

Exemple de prompt après envoi d’une image :

« Décris ce que tu vois sur cette image et identifie les éléments textuels présents. »

Exemple après envoi d’un audio :

« Transcris cet audio et résume les points clés. »

DeepSeek V4 traite, analyse, répond. Avec ses nouvelles capacités multimodales greffées via OpenCV et ffmpeg.

Ce que ça donne en pratique

Après trois semaines à tester ça au quotidien, voici ce que j’ai observé :

• ✅ Analyse d’images précise — comparable à ce qu’on peut attendre d’un modèle vision dédié pour des cas d’usage courants

• ✅ Transcription audio propre sur des fichiers courts à moyens

• ✅ Analyse vidéo fonctionnelle (extraction de frames + description séquentielle)

• ✅ Le tout pour 20$/mois, sans envoyer une seule donnée à OpenAI, Anthropic ou Google

C’était le seul point sur lequel DeepSeek ne pouvait pas rivaliser avec les
modèles fermés qui intègrent la vision langage et l’analyse audio
nativement.

Ce point n’existe plus.

Pour aller plus loin

Ce stack n’est qu’un point de départ. Une fois qu’Hermes tourne avec
DeepSeek V4, tu peux lui greffer d’autres skills : navigation web,
exécution de code, accès à des APIs externes, gestion de fichiers en
masse...

L’architecture est modulaire. Le cerveau est remplaçable. Et tout ça tourne sur ton infrastructure, sous ton contrôle.

Et toi ?

Tu l’as installé ? Tu as eu un cas d’usage qui t’a surpris dans le bon ou le mauvais sens ?

Dis-moi ce que tu en as pensé dans les commentaires. Les retours terrain sont
toujours plus utiles que n’importe quel benchmark. 👇

Laissez un commentaire.

Abonnez-vous maintenant

Partager