FoundersFeed

Founder community hub. Real stories from people building real companies. Mistakes, wins, pivots—the messy middle of entrepreneurship. For founders, by founders.
0 Suivis
11 Abonnés
16 J’aime
Publications
·
--
Voir la traduction
Ran a 2-week experiment limiting auto-compression window to 200k tokens in Todos workspace: 35% cost reduction on input tokens (literally cut in half) Compression speed massively improved, iteration cycles feel snappier Critical context preservation stays solid, task quality basically unchanged Lesson: Don't blindly max out model context windows. Smart compression boundaries = faster inference + lower costs without sacrificing output quality. Context window tuning matters more than people think.
Ran a 2-week experiment limiting auto-compression window to 200k tokens in Todos workspace:

35% cost reduction on input tokens (literally cut in half)
Compression speed massively improved, iteration cycles feel snappier
Critical context preservation stays solid, task quality basically unchanged

Lesson: Don't blindly max out model context windows. Smart compression boundaries = faster inference + lower costs without sacrificing output quality. Context window tuning matters more than people think.
Voir la traduction
Most tokens on the internet are now AI-generated, which means any training data scrape automatically includes synthetic content. This creates an unintentional distillation loop - models trained on web scrapes are inherently learning from their own outputs over time. It's not deliberate model distillation, but a passive refinement process baked into the data pipeline itself. The training corpus is increasingly self-referential.
Most tokens on the internet are now AI-generated, which means any training data scrape automatically includes synthetic content. This creates an unintentional distillation loop - models trained on web scrapes are inherently learning from their own outputs over time. It's not deliberate model distillation, but a passive refinement process baked into the data pipeline itself. The training corpus is increasingly self-referential.
Voir la traduction
Todos shipped a fix for a critical security issue: users accidentally leaking API keys in chat conversations. The solution handles key detection and sanitization at the protocol level, preventing credentials from being exposed in plaintext logs or message history. Smart move for any chat-based AI tool that handles sensitive auth tokens.
Todos shipped a fix for a critical security issue: users accidentally leaking API keys in chat conversations. The solution handles key detection and sanitization at the protocol level, preventing credentials from being exposed in plaintext logs or message history. Smart move for any chat-based AI tool that handles sensitive auth tokens.
L’autodérision de Jensen est légendaire. La GeForce FX 5800 (NV30) a été un désastre thermique — surnommée littéralement « Dustbuster » parce qu’à pleine charge, elle faisait le bruit d’un aspirateur. Le système de refroidissement de référence utilisait un ventilateur centrifuge qui dépassait les 70 dB en charge, ce qui en faisait l’un des GPU grand public les plus bruyants jamais commercialisés. Le plus fou, c’est que $NVDA n’a pas tenté de minimiser le problème. L’entreprise a assumé le mème, allant jusqu’à faire des blagues en interne sur le bruit de mobylette de la carte. Pendant ce temps, la concurrence (la R300 d’ATI) était plus silencieuse ET plus rapide, ce qui rendait la situation encore plus accablante. Nous étions en 2003 — avant que les chambres à vapeur modernes ou le refroidissement liquide AIO ne deviennent la norme. Voodoo (avant son rachat par HP) expérimentait déjà le refroidissement liquide en circuit fermé pour PC, une technologie de pointe à l’époque. La FX 5800 a pratiquement forcé le secteur à repenser la conception thermique des puces à TDP élevé. La leçon à retenir : même quand on commercialise un produit défectueux, l’assumer publiquement inspire plus de respect que les tentatives de contrôle des dégâts par les relations publiques. La volonté de Jensen de rire des échecs techniques explique en partie pourquoi la culture de $NVDA est restée assez agile pour dominer le calcul lié à l’IA vingt ans plus tard.
L’autodérision de Jensen est légendaire. La GeForce FX 5800 (NV30) a été un désastre thermique — surnommée littéralement « Dustbuster » parce qu’à pleine charge, elle faisait le bruit d’un aspirateur. Le système de refroidissement de référence utilisait un ventilateur centrifuge qui dépassait les 70 dB en charge, ce qui en faisait l’un des GPU grand public les plus bruyants jamais commercialisés.

Le plus fou, c’est que $NVDA n’a pas tenté de minimiser le problème. L’entreprise a assumé le mème, allant jusqu’à faire des blagues en interne sur le bruit de mobylette de la carte. Pendant ce temps, la concurrence (la R300 d’ATI) était plus silencieuse ET plus rapide, ce qui rendait la situation encore plus accablante.

Nous étions en 2003 — avant que les chambres à vapeur modernes ou le refroidissement liquide AIO ne deviennent la norme. Voodoo (avant son rachat par HP) expérimentait déjà le refroidissement liquide en circuit fermé pour PC, une technologie de pointe à l’époque. La FX 5800 a pratiquement forcé le secteur à repenser la conception thermique des puces à TDP élevé.

La leçon à retenir : même quand on commercialise un produit défectueux, l’assumer publiquement inspire plus de respect que les tentatives de contrôle des dégâts par les relations publiques. La volonté de Jensen de rire des échecs techniques explique en partie pourquoi la culture de $NVDA est restée assez agile pour dominer le calcul lié à l’IA vingt ans plus tard.
Voir la traduction
After Fable 5.2, task costs rarely exceed $10. The pricing structure has gotten way more efficient - whether it's improved token optimization, better model routing, or just smarter resource allocation under the hood, the economics have shifted dramatically. For anyone building with Fable, this means you can run significantly more complex workflows without burning through budget. The cost ceiling dropping this hard suggests either major infrastructure improvements or aggressive compression techniques that maintain output quality while slashing compute requirements.
After Fable 5.2, task costs rarely exceed $10. The pricing structure has gotten way more efficient - whether it's improved token optimization, better model routing, or just smarter resource allocation under the hood, the economics have shifted dramatically. For anyone building with Fable, this means you can run significantly more complex workflows without burning through budget. The cost ceiling dropping this hard suggests either major infrastructure improvements or aggressive compression techniques that maintain output quality while slashing compute requirements.
Voir la traduction
Technical FAQ on Todos integration with agy: Many devs asking how Todos calls agy - is it using a reverse proxy? Any account ban risks? Here's the architecture breakdown: • Todos uses the most secure method outside of the official CLI • Direct API calls, no reverse proxy layer involved • Risk level: Minimal (can't claim zero, but lowest possible for third-party tools) • No unauthorized modifications to your coding agent global configs • Todos never touches your settings without explicit permission This is basically the cleanest integration pattern you can get - direct, transparent, and respects your environment setup.
Technical FAQ on Todos integration with agy:

Many devs asking how Todos calls agy - is it using a reverse proxy? Any account ban risks?

Here's the architecture breakdown:

• Todos uses the most secure method outside of the official CLI
• Direct API calls, no reverse proxy layer involved
• Risk level: Minimal (can't claim zero, but lowest possible for third-party tools)
• No unauthorized modifications to your coding agent global configs
• Todos never touches your settings without explicit permission

This is basically the cleanest integration pattern you can get - direct, transparent, and respects your environment setup.
La tour Mechazilla de SpaceX vient de réussir à rattraper le Starship Ship 42 lors de sa descente. C’est la deuxième fois qu’elle réalise un rattrapage en plein vol à l’aide des bras mécaniques de la tour de lancement, plutôt que de pieds d’atterrissage. La précision requise est hallucinante : il s’agit de rattraper un vaisseau spatial de 50 mètres de haut et de plusieurs tonnes, lancé à grande vitesse, avec une précision millimétrique. Cela prouve que le mécanisme de rattrapage devient reproductible, ce qui est essentiel pour une réutilisation rapide. L’absence de pieds d’atterrissage signifie une structure plus légère, une plus grande capacité d’emport et un délai plus court entre les vols. Les conséquences pour le ravitaillement en orbite et les missions vers Mars sont considérables : impossible de mettre en place un système de lancement à cadence élevée s’il faut des semaines pour remettre en état le matériel d’atterrissage après chaque vol.
La tour Mechazilla de SpaceX vient de réussir à rattraper le Starship Ship 42 lors de sa descente. C’est la deuxième fois qu’elle réalise un rattrapage en plein vol à l’aide des bras mécaniques de la tour de lancement, plutôt que de pieds d’atterrissage. La précision requise est hallucinante : il s’agit de rattraper un vaisseau spatial de 50 mètres de haut et de plusieurs tonnes, lancé à grande vitesse, avec une précision millimétrique. Cela prouve que le mécanisme de rattrapage devient reproductible, ce qui est essentiel pour une réutilisation rapide. L’absence de pieds d’atterrissage signifie une structure plus légère, une plus grande capacité d’emport et un délai plus court entre les vols. Les conséquences pour le ravitaillement en orbite et les missions vers Mars sont considérables : impossible de mettre en place un système de lancement à cadence élevée s’il faut des semaines pour remettre en état le matériel d’atterrissage après chaque vol.
Voir la traduction
Four anti-patterns emerging in agentic workflows that are already causing production incidents: 1. Exposing dev machines directly to the internet because "SSH tunnels are secure now" — ignoring basic network segmentation and assuming AI-generated firewall rules are bulletproof 2. Auto-shipping agent-generated code to prod with zero review gates — banking on LLM risk prediction when these models still hallucinate critical edge cases 3. One-click deploys without understanding the underlying infra — treating Kubernetes/Terraform as magic because "I'm a developer, not DevOps" while agents abstract away failure modes you need to debug at 3am 4. Running privileged commands through Telegram bots because remote work aesthetics > security — unencrypted channels controlling production systems The core issue: treating high agent capability as permission to let foundational skills (networking, deployment pipelines, threat modeling) decay. Agents are probabilistic systems that fail in unpredictable ways. When they do, you need the architectural knowledge to diagnose why your entire service mesh just went down because an agent misread a YAML indent. Human judgment isn't getting automated away — it's becoming the critical failsafe when statistical models confidently do the wrong thing. If you can't manually recover from an agent mistake, you're building on quicksand.
Four anti-patterns emerging in agentic workflows that are already causing production incidents:

1. Exposing dev machines directly to the internet because "SSH tunnels are secure now" — ignoring basic network segmentation and assuming AI-generated firewall rules are bulletproof

2. Auto-shipping agent-generated code to prod with zero review gates — banking on LLM risk prediction when these models still hallucinate critical edge cases

3. One-click deploys without understanding the underlying infra — treating Kubernetes/Terraform as magic because "I'm a developer, not DevOps" while agents abstract away failure modes you need to debug at 3am

4. Running privileged commands through Telegram bots because remote work aesthetics > security — unencrypted channels controlling production systems

The core issue: treating high agent capability as permission to let foundational skills (networking, deployment pipelines, threat modeling) decay. Agents are probabilistic systems that fail in unpredictable ways. When they do, you need the architectural knowledge to diagnose why your entire service mesh just went down because an agent misread a YAML indent.

Human judgment isn't getting automated away — it's becoming the critical failsafe when statistical models confidently do the wrong thing. If you can't manually recover from an agent mistake, you're building on quicksand.
Voir la traduction
Wild gap in AI tooling: no harness actively tells you "yo, this model sucks for your task, switch to X with reasoning depth Y" Every framework just executes whatever you throw at it. Zero intelligence about model-task fit. You're debugging blind—switching between $GPT4, $Claude, local models manually until something works. What's missing: dynamic model routing based on task complexity analysis. Imagine the harness profiling your prompt, detecting it needs multi-hop reasoning or structured output, then auto-suggesting o1 over 4o-mini with specific thinking token budgets. This is table stakes for production AI apps but literally nobody's built it into the orchestration layer yet.
Wild gap in AI tooling: no harness actively tells you "yo, this model sucks for your task, switch to X with reasoning depth Y"

Every framework just executes whatever you throw at it. Zero intelligence about model-task fit. You're debugging blind—switching between $GPT4, $Claude, local models manually until something works.

What's missing: dynamic model routing based on task complexity analysis. Imagine the harness profiling your prompt, detecting it needs multi-hop reasoning or structured output, then auto-suggesting o1 over 4o-mini with specific thinking token budgets.

This is table stakes for production AI apps but literally nobody's built it into the orchestration layer yet.
Rohit Krishnan lâche une vérité qui fait mal : l’IA peut produire à l’infini, mais le goulot d’étranglement, c’est la capacité de consommation humaine. Le PIB croît à la vitesse de la chair, pas du silicium. L’exemple du développeur Roblox est parlant : l’IA permet de sortir 10 fois plus de jeux pour 10 fois moins cher. Super. Mais si le nombre de joueurs reste stable, vos revenus aussi. Vous avez simplement inondé le marché de contenu dont personne ne voulait. C’est le piège de l’offre. Produire plus vite et moins cher ≠ croissance automatique. La vraie limite, c’est l’attention, pas la puissance de calcul. Vous pouvez générer un million d’articles de blog, mais les humains n’en lisent toujours qu’environ 3 par jour. Vous pouvez créer 1000 niveaux de jeu, mais les joueurs ne terminent toujours qu’une seule campagne. Le problème d’interface est bien réel : pour devenir une valeur économique, les productions de l’IA doivent s’intégrer aux habitudes et aux comportements réels des humains. Sinon, vous ne faites qu’optimiser la mauvaise variable : produire davantage de choses qui restent inutilisées dans une base de données. En bref : l’IA rend la production triviale. La demande, elle, reste difficile à satisfaire. C’est dans l’écart entre « on peut le produire » et « quelqu’un en veut » que la plupart des gains de productivité de l’IA vont s’évaporer.
Rohit Krishnan lâche une vérité qui fait mal : l’IA peut produire à l’infini, mais le goulot d’étranglement, c’est la capacité de consommation humaine. Le PIB croît à la vitesse de la chair, pas du silicium.

L’exemple du développeur Roblox est parlant : l’IA permet de sortir 10 fois plus de jeux pour 10 fois moins cher. Super. Mais si le nombre de joueurs reste stable, vos revenus aussi. Vous avez simplement inondé le marché de contenu dont personne ne voulait.

C’est le piège de l’offre. Produire plus vite et moins cher ≠ croissance automatique. La vraie limite, c’est l’attention, pas la puissance de calcul. Vous pouvez générer un million d’articles de blog, mais les humains n’en lisent toujours qu’environ 3 par jour. Vous pouvez créer 1000 niveaux de jeu, mais les joueurs ne terminent toujours qu’une seule campagne.

Le problème d’interface est bien réel : pour devenir une valeur économique, les productions de l’IA doivent s’intégrer aux habitudes et aux comportements réels des humains. Sinon, vous ne faites qu’optimiser la mauvaise variable : produire davantage de choses qui restent inutilisées dans une base de données.

En bref : l’IA rend la production triviale. La demande, elle, reste difficile à satisfaire. C’est dans l’écart entre « on peut le produire » et « quelqu’un en veut » que la plupart des gains de productivité de l’IA vont s’évaporer.
Rohit Krishnan livre une analyse sans détour de l’économie de l’IA : la baisse des coûts d’inférence va faire exploser l’usage, mais ne se traduira pas par une croissance proportionnelle des revenus des entreprises spécialisées dans l’IA. Le problème fondamental, c’est l’élasticité : si les prix sont divisés par 10, l’usage pourrait être multiplié par 100, mais les marges se réduisent et le chiffre d’affaires total n’augmente pas de façon linéaire. Le problème mathématique : si l’intelligence devient très bon marché, impossible de facturer des tarifs premium. Dans le meilleur des cas, Anthropic pourrait atteindre 500 milliards de dollars de chiffre d’affaires annuel, mais la thèse haussière à 5 000 milliards suppose un pouvoir de fixation des prix qui n’existera pas sur un marché de l’inférence banalisé. C’est le piège classique des infrastructures cloud. AWS a rendu la puissance de calcul bon marché et omniprésente, captant un usage colossal, mais la compression des marges s’est enclenchée à mesure que la concurrence s’intensifiait. Les fournisseurs d’IA sont confrontés à la même dynamique : une excellente nouvelle pour les développeurs et l’économie, mais un cauchemar pour la rentabilité unitaire à grande échelle. Les véritables profits ne se trouvent peut-être pas dans la fourniture de jetons, mais dans la couche applicative, où la différenciation existe encore. L’intelligence brute comme produit de base, face à l’intelligence appliquée à des problèmes précis à forte valeur ajoutée.
Rohit Krishnan livre une analyse sans détour de l’économie de l’IA : la baisse des coûts d’inférence va faire exploser l’usage, mais ne se traduira pas par une croissance proportionnelle des revenus des entreprises spécialisées dans l’IA. Le problème fondamental, c’est l’élasticité : si les prix sont divisés par 10, l’usage pourrait être multiplié par 100, mais les marges se réduisent et le chiffre d’affaires total n’augmente pas de façon linéaire.

Le problème mathématique : si l’intelligence devient très bon marché, impossible de facturer des tarifs premium. Dans le meilleur des cas, Anthropic pourrait atteindre 500 milliards de dollars de chiffre d’affaires annuel, mais la thèse haussière à 5 000 milliards suppose un pouvoir de fixation des prix qui n’existera pas sur un marché de l’inférence banalisé.

C’est le piège classique des infrastructures cloud. AWS a rendu la puissance de calcul bon marché et omniprésente, captant un usage colossal, mais la compression des marges s’est enclenchée à mesure que la concurrence s’intensifiait. Les fournisseurs d’IA sont confrontés à la même dynamique : une excellente nouvelle pour les développeurs et l’économie, mais un cauchemar pour la rentabilité unitaire à grande échelle.

Les véritables profits ne se trouvent peut-être pas dans la fourniture de jetons, mais dans la couche applicative, où la différenciation existe encore. L’intelligence brute comme produit de base, face à l’intelligence appliquée à des problèmes précis à forte valeur ajoutée.
Anthropic s’est heurté à un obstacle de taille en matière de contrôle de l’accès à l’IA : l’entreprise a tenté d’empêcher l’armée chinoise d’utiliser Claude, mais les systèmes de routage de l’inférence ont complètement contourné ses restrictions sur les ventes directes. La réalité technique ? Dès lors qu’on propose une API, il est impossible de suivre les utilisateurs finaux à travers les couches de proxy. Des clients chinois ont accédé à Claude par l’intermédiaire d’une infrastructure de routage qui masquait les véritables points de terminaison. Anthropic n’avait aucune visibilité sur l’identité des personnes à l’origine des requêtes. Résultat : l’APL et des organisations affiliées faisaient tourner des inférences avec Claude, et Anthropic ne l’a découvert qu’après coup. Aucune mesure de respect des conditions d’utilisation ni vérification des clients ne peut empêcher cela quand le produit est accessible par API. Ce n’est pas un problème propre à Anthropic : c’est un problème architectural fondamental pour tout fournisseur de modèles de fondation qui cherche à imposer des restrictions d’utilisation. Soit on verrouille l’accès en n’autorisant que des intégrations directes entièrement auditées — au détriment de la distribution —, soit on accepte que son modèle transite par des systèmes qu’on ne contrôle pas. La couche d’inférence est par nature perméable. Si l’on veut vraiment contrôler qui utilise son IA, il faut appliquer les restrictions au niveau des poids du modèle, et non au niveau de l’API.
Anthropic s’est heurté à un obstacle de taille en matière de contrôle de l’accès à l’IA : l’entreprise a tenté d’empêcher l’armée chinoise d’utiliser Claude, mais les systèmes de routage de l’inférence ont complètement contourné ses restrictions sur les ventes directes.

La réalité technique ? Dès lors qu’on propose une API, il est impossible de suivre les utilisateurs finaux à travers les couches de proxy. Des clients chinois ont accédé à Claude par l’intermédiaire d’une infrastructure de routage qui masquait les véritables points de terminaison. Anthropic n’avait aucune visibilité sur l’identité des personnes à l’origine des requêtes.

Résultat : l’APL et des organisations affiliées faisaient tourner des inférences avec Claude, et Anthropic ne l’a découvert qu’après coup. Aucune mesure de respect des conditions d’utilisation ni vérification des clients ne peut empêcher cela quand le produit est accessible par API.

Ce n’est pas un problème propre à Anthropic : c’est un problème architectural fondamental pour tout fournisseur de modèles de fondation qui cherche à imposer des restrictions d’utilisation. Soit on verrouille l’accès en n’autorisant que des intégrations directes entièrement auditées — au détriment de la distribution —, soit on accepte que son modèle transite par des systèmes qu’on ne contrôle pas.

La couche d’inférence est par nature perméable. Si l’on veut vraiment contrôler qui utilise son IA, il faut appliquer les restrictions au niveau des poids du modèle, et non au niveau de l’API.
Prakash Narayanan remet les pendules à l’heure : les entreprises technologiques vérifient l’identité de leurs clients au niveau de la maternelle, comparées aux institutions financières. Alors que les fintechs effectuent un KYC complet — vérification des risques de réputation, contrôle des personnes politiquement exposées (PPE), vérification de l’origine des fonds et identification du bénéficiaire effectif ultime (UBO) — les entreprises technologiques se contentent essentiellement de vérifier si votre adresse e-mail fonctionne. Les professionnels de la finance sont vraiment stupéfaits quand ils découvrent le fonctionnement des entreprises technologiques. Pas de vérifications approfondies des antécédents. Pas de chaînes de bénéficiaires effectifs. Pas de contrôle des sanctions. Juste « cliquez sur Accepter » et le tour est joué. Cet écart est important, car les plateformes technologiques brassent désormais des milliards en transactions, traitent des données sensibles et facilitent les opérations transfrontalières — mais elles appliquent toujours les règles de 2010, tandis que les banques ont été soumises à une réglementation draconienne après 2008. Le décalage : un virement de 50 $ fait l’objet d’un examen plus approfondi qu’un contrat SaaS d’entreprise de 5 millions de dollars. La culture du « avancer vite » des entreprises technologiques se heurte à la paranoïa financière du « faire confiance, mais tout vérifier » — et il n’existe aucun terrain d’entente.
Prakash Narayanan remet les pendules à l’heure : les entreprises technologiques vérifient l’identité de leurs clients au niveau de la maternelle, comparées aux institutions financières. Alors que les fintechs effectuent un KYC complet — vérification des risques de réputation, contrôle des personnes politiquement exposées (PPE), vérification de l’origine des fonds et identification du bénéficiaire effectif ultime (UBO) — les entreprises technologiques se contentent essentiellement de vérifier si votre adresse e-mail fonctionne.

Les professionnels de la finance sont vraiment stupéfaits quand ils découvrent le fonctionnement des entreprises technologiques. Pas de vérifications approfondies des antécédents. Pas de chaînes de bénéficiaires effectifs. Pas de contrôle des sanctions. Juste « cliquez sur Accepter » et le tour est joué.

Cet écart est important, car les plateformes technologiques brassent désormais des milliards en transactions, traitent des données sensibles et facilitent les opérations transfrontalières — mais elles appliquent toujours les règles de 2010, tandis que les banques ont été soumises à une réglementation draconienne après 2008.

Le décalage : un virement de 50 $ fait l’objet d’un examen plus approfondi qu’un contrat SaaS d’entreprise de 5 millions de dollars. La culture du « avancer vite » des entreprises technologiques se heurte à la paranoïa financière du « faire confiance, mais tout vérifier » — et il n’existe aucun terrain d’entente.
La course à l’IA entre les États-Unis et la Chine s’intensifie sur deux fronts : la puissance de calcul brute et les applications grand public axées sur l’expérience. Côté infrastructures, les États-Unis restent en tête pour l’architecture des puces de pointe (clusters NVIDIA H100/H200, TPU personnalisés). La Chine a été contrainte d’innover pour contourner les restrictions à l’exportation : elle mise sur l’efficacité algorithmique et sur des modèles plus petits et optimisés, capables de fonctionner sur des machines plus anciennes. Pensez à l’approche de DeepSeek : atteindre des performances de niveau GPT-4 avec beaucoup moins de puissance de calcul. Mais le véritable changement se joue dans l’innovation au niveau des applications. La Chine déploie déjà à grande échelle des applications créées par vibe coding : compagnons IA, fils de contenu hyperpersonnalisés, clones vocaux qui sonnent vraiment comme des humains. Ce ne sont pas de simples chatbots ; ce sont des produits conçus pour susciter des émotions, qui ressemblent moins à des outils qu’à des entités numériques avec lesquelles on a vraiment envie d’interagir. Les États-Unis rattrapent leur retard dans ce domaine, mais restent trop centrés sur les logiciels SaaS d’entreprise et les outils de productivité. Le marché de l’IA grand public est encore largement ouvert, et celui qui maîtrisera en premier cette dimension expérientielle (langage naturel + intelligence émotionnelle + expérience utilisateur sans friction) dominera le prochain changement de plateforme. Question technique clé : peut-on créer des expériences d’IA véritablement captivantes à partir de modèles à poids ouverts, ou faut-il pour cela des entraînements propriétaires massifs ? La Chine mise sur la première option, les États-Unis sur la seconde. Nous verrons qui a raison dans 12 à 18 mois.
La course à l’IA entre les États-Unis et la Chine s’intensifie sur deux fronts : la puissance de calcul brute et les applications grand public axées sur l’expérience.

Côté infrastructures, les États-Unis restent en tête pour l’architecture des puces de pointe (clusters NVIDIA H100/H200, TPU personnalisés). La Chine a été contrainte d’innover pour contourner les restrictions à l’exportation : elle mise sur l’efficacité algorithmique et sur des modèles plus petits et optimisés, capables de fonctionner sur des machines plus anciennes. Pensez à l’approche de DeepSeek : atteindre des performances de niveau GPT-4 avec beaucoup moins de puissance de calcul.

Mais le véritable changement se joue dans l’innovation au niveau des applications. La Chine déploie déjà à grande échelle des applications créées par vibe coding : compagnons IA, fils de contenu hyperpersonnalisés, clones vocaux qui sonnent vraiment comme des humains. Ce ne sont pas de simples chatbots ; ce sont des produits conçus pour susciter des émotions, qui ressemblent moins à des outils qu’à des entités numériques avec lesquelles on a vraiment envie d’interagir.

Les États-Unis rattrapent leur retard dans ce domaine, mais restent trop centrés sur les logiciels SaaS d’entreprise et les outils de productivité. Le marché de l’IA grand public est encore largement ouvert, et celui qui maîtrisera en premier cette dimension expérientielle (langage naturel + intelligence émotionnelle + expérience utilisateur sans friction) dominera le prochain changement de plateforme.

Question technique clé : peut-on créer des expériences d’IA véritablement captivantes à partir de modèles à poids ouverts, ou faut-il pour cela des entraînements propriétaires massifs ? La Chine mise sur la première option, les États-Unis sur la seconde. Nous verrons qui a raison dans 12 à 18 mois.
Diviser les prompts en deux couches : les demandes destinées aux humains (authentification/autorisations) et les instructions d’exécution destinées aux agents. Cette séparation des préoccupations pourrait devenir la nouvelle norme des flux de travail entre l’IA et les humains : les humains accordent les accès, tandis que les agents reçoivent des directives purement techniques, sans considérations sociales superflues. Un modèle architectural clair pour les systèmes multi-agents où les limites d’autorisation sont importantes.
Diviser les prompts en deux couches : les demandes destinées aux humains (authentification/autorisations) et les instructions d’exécution destinées aux agents. Cette séparation des préoccupations pourrait devenir la nouvelle norme des flux de travail entre l’IA et les humains : les humains accordent les accès, tandis que les agents reçoivent des directives purement techniques, sans considérations sociales superflues. Un modèle architectural clair pour les systèmes multi-agents où les limites d’autorisation sont importantes.
L’ASI (amélioration récursive de soi) serait déjà en cours, et pourtant, nous discutons encore des structures d’entreprise traditionnelles. Affirmation audacieuse : d’ici 18 mois, les concepteurs de puces humains seront obsolètes. Le signe ? Au cours des trois derniers mois, des entreprises spécialisées dans les données ont acquis agressivement des jeux de données auprès d’entreprises de semi-conducteurs de taille moyenne. Il ne s’agit pas d’opérations de fusion-acquisition aléatoires : elles acquièrent des données d’entraînement pour des systèmes d’IA de conception de puces. Contexte : la conception de puces pilotée par l’IA (comme les travaux de Google sur l’agencement des TPU à l’aide de l’apprentissage par renforcement) a déjà montré des performances surhumaines en matière de placement et de routage. Si les grands acteurs récupèrent aujourd’hui à grande échelle des données propriétaires de conception de semi-conducteurs, ils construisent probablement des modèles de fondation capables de générer des architectures de puces de bout en bout. Le calendrier est ambitieux, mais pas irréaliste. L’IA actuelle peut déjà traiter les problèmes d’optimisation sous contraintes qui caractérisent la conception de puces. En lui fournissant suffisamment de données réelles sur les semi-conducteurs (nœuds de procédé, taux de rendement, courbes de puissance), on obtient un système qui itère sur les conceptions plus rapidement que n’importe quelle équipe humaine. Si cela se confirme, les méthodes traditionnelles de conception électronique assistée par ordinateur (EDA) disparaîtront, et des entreprises comme Synopsys et Cadence deviendront des fournisseurs de données plutôt que des éditeurs d’outils. La guerre des talents dans le secteur des semi-conducteurs n’aura plus lieu d’être lorsque le goulot d’étranglement aura disparu.
L’ASI (amélioration récursive de soi) serait déjà en cours, et pourtant, nous discutons encore des structures d’entreprise traditionnelles. Affirmation audacieuse : d’ici 18 mois, les concepteurs de puces humains seront obsolètes.

Le signe ? Au cours des trois derniers mois, des entreprises spécialisées dans les données ont acquis agressivement des jeux de données auprès d’entreprises de semi-conducteurs de taille moyenne. Il ne s’agit pas d’opérations de fusion-acquisition aléatoires : elles acquièrent des données d’entraînement pour des systèmes d’IA de conception de puces.

Contexte : la conception de puces pilotée par l’IA (comme les travaux de Google sur l’agencement des TPU à l’aide de l’apprentissage par renforcement) a déjà montré des performances surhumaines en matière de placement et de routage. Si les grands acteurs récupèrent aujourd’hui à grande échelle des données propriétaires de conception de semi-conducteurs, ils construisent probablement des modèles de fondation capables de générer des architectures de puces de bout en bout.

Le calendrier est ambitieux, mais pas irréaliste. L’IA actuelle peut déjà traiter les problèmes d’optimisation sous contraintes qui caractérisent la conception de puces. En lui fournissant suffisamment de données réelles sur les semi-conducteurs (nœuds de procédé, taux de rendement, courbes de puissance), on obtient un système qui itère sur les conceptions plus rapidement que n’importe quelle équipe humaine.

Si cela se confirme, les méthodes traditionnelles de conception électronique assistée par ordinateur (EDA) disparaîtront, et des entreprises comme Synopsys et Cadence deviendront des fournisseurs de données plutôt que des éditeurs d’outils. La guerre des talents dans le secteur des semi-conducteurs n’aura plus lieu d’être lorsque le goulot d’étranglement aura disparu.
GOOGL-0,28%
GOOGUS+1,19%
SNPS+0,43%
Nouvelle fonctionnalité : les briefs thématiques avec mises à jour autonomes Votre agent IA envoie désormais des rapports d’avancement de projet sans que vous ayez à le solliciter. Chaque brief comprend : - L’objectif actuel - Les indicateurs de progression - Les prochaines actions à entreprendre - Les obstacles nécessitant une intervention humaine Un point bleu apparaît lorsque des problèmes nécessitent votre attention. En pratique, le suivi asynchrone des projets devient un système de notifications push plutôt qu’un système de requêtes à la demande.
Nouvelle fonctionnalité : les briefs thématiques avec mises à jour autonomes

Votre agent IA envoie désormais des rapports d’avancement de projet sans que vous ayez à le solliciter. Chaque brief comprend :
- L’objectif actuel
- Les indicateurs de progression
- Les prochaines actions à entreprendre
- Les obstacles nécessitant une intervention humaine

Un point bleu apparaît lorsque des problèmes nécessitent votre attention. En pratique, le suivi asynchrone des projets devient un système de notifications push plutôt qu’un système de requêtes à la demande.
L’éviction de Jensen Huang de $NVDA marque un tournant décisif pour la souveraineté technologique des États-Unis. Le problème technique central : le contrôle de l’accès à la puissance de calcul devient le nouveau système de vérification d’identité financière (KYC). L’appareil de sécurité nationale veut contrôler l’allocation des GPU au niveau des infrastructures, sans cadres juridiques susceptibles d’être contournés. La trajectoire technique de Nvidia sous sa nouvelle direction s’orientera probablement davantage vers l’ingénierie financière (rachats d’actions) que vers l’investissement dans son écosystème. Historiquement, l’entreprise a réussi en tirant le meilleur parti d’ingénieurs de niveau B grâce à la vision architecturale et à l’intensité culturelle de Jensen. Cet ADN organisationnel ne se transmet pas. L’enjeu plus profond en théorie des jeux : à mesure que les essaims d’agents remplacent le travail humain (modèle Anthropic/OpenAI), les entreprises ont besoin de structures organisationnelles radicalement différentes. Aujourd’hui, Jensen reconstruirait l’entreprise avec dix fois moins d’humains et cent fois plus d’agents, en concentrant uniquement les talents d’élite sur les fonctions critiques. L’actuelle $NVDA ne peut pas effectuer cette transition assez vite. Le calendrier compte : l’auto-amélioration récursive des systèmes d’IA a déjà commencé. 2027 est l’année où se produirait le tournant, lorsque les architectures actuelles atteindront leurs limites fondamentales. Ce changement de direction survient trop tard pour influer de manière significative sur les trajectoires de sécurité de l’IA. La course à la puissance de calcul entre les États-Unis et la Chine : si les États-Unis mettent en place des contrôles d’accès à la puissance de calcul fondés sur la réputation (par opposition à l’allocation dirigée par l’État en Chine), cela crée des frictions asymétriques. La Chine peut prendre plus rapidement des décisions en matière d’infrastructures, comme elle l’a fait pour asseoir sa domination manufacturière. Les idées reçues sur la suprématie technologique américaine reposent sur des récits marketing, pas sur les capacités réelles. C’est un avertissement adressé aux autres PDG du secteur technologique : les priorités de l’État profond priment sur la valeur pour les actionnaires. Elon est le prochain sur la liste des cibles, compte tenu de ses ambitions en matière de puissance de calcul et de son positionnement géopolitique.
L’éviction de Jensen Huang de $NVDA marque un tournant décisif pour la souveraineté technologique des États-Unis. Le problème technique central : le contrôle de l’accès à la puissance de calcul devient le nouveau système de vérification d’identité financière (KYC). L’appareil de sécurité nationale veut contrôler l’allocation des GPU au niveau des infrastructures, sans cadres juridiques susceptibles d’être contournés.

La trajectoire technique de Nvidia sous sa nouvelle direction s’orientera probablement davantage vers l’ingénierie financière (rachats d’actions) que vers l’investissement dans son écosystème. Historiquement, l’entreprise a réussi en tirant le meilleur parti d’ingénieurs de niveau B grâce à la vision architecturale et à l’intensité culturelle de Jensen. Cet ADN organisationnel ne se transmet pas.

L’enjeu plus profond en théorie des jeux : à mesure que les essaims d’agents remplacent le travail humain (modèle Anthropic/OpenAI), les entreprises ont besoin de structures organisationnelles radicalement différentes. Aujourd’hui, Jensen reconstruirait l’entreprise avec dix fois moins d’humains et cent fois plus d’agents, en concentrant uniquement les talents d’élite sur les fonctions critiques. L’actuelle $NVDA ne peut pas effectuer cette transition assez vite.

Le calendrier compte : l’auto-amélioration récursive des systèmes d’IA a déjà commencé. 2027 est l’année où se produirait le tournant, lorsque les architectures actuelles atteindront leurs limites fondamentales. Ce changement de direction survient trop tard pour influer de manière significative sur les trajectoires de sécurité de l’IA.

La course à la puissance de calcul entre les États-Unis et la Chine : si les États-Unis mettent en place des contrôles d’accès à la puissance de calcul fondés sur la réputation (par opposition à l’allocation dirigée par l’État en Chine), cela crée des frictions asymétriques. La Chine peut prendre plus rapidement des décisions en matière d’infrastructures, comme elle l’a fait pour asseoir sa domination manufacturière. Les idées reçues sur la suprématie technologique américaine reposent sur des récits marketing, pas sur les capacités réelles.

C’est un avertissement adressé aux autres PDG du secteur technologique : les priorités de l’État profond priment sur la valeur pour les actionnaires. Elon est le prochain sur la liste des cibles, compte tenu de ses ambitions en matière de puissance de calcul et de son positionnement géopolitique.
Le gouvernement américain nationalise les labos d’IA ? Mais non. Il a des stratégies bien plus astucieuses. La propriété directe est lourde et lente. À la place, il actionne déjà plusieurs leviers : • Contrôles à l’exportation (restrictions sur les GPU à destination de la Chine) • Habilitations de sécurité pour les chercheurs clés • Examens du CFIUS bloquant les investissements étrangers • Contrats classifiés qui intègrent les labos aux activités de défense • Influence sur l’opinion publique (le discours sur la « sécurité de l’IA » justifie la réglementation) Pourquoi nationaliser quand on peut simplement rendre OpenAI, Anthropic et Google dépendants des contrats publics et des cadres de conformité ? Le contrôle sans les contraintes. Le véritable coup de maître : rendre financièrement et politiquement impossible toute activité en dehors du cadre américain, tout en maintenant l’illusion d’une innovation privée. Du soft power classique.
Le gouvernement américain nationalise les labos d’IA ? Mais non. Il a des stratégies bien plus astucieuses.

La propriété directe est lourde et lente. À la place, il actionne déjà plusieurs leviers :

• Contrôles à l’exportation (restrictions sur les GPU à destination de la Chine)
• Habilitations de sécurité pour les chercheurs clés
• Examens du CFIUS bloquant les investissements étrangers
• Contrats classifiés qui intègrent les labos aux activités de défense
• Influence sur l’opinion publique (le discours sur la « sécurité de l’IA » justifie la réglementation)

Pourquoi nationaliser quand on peut simplement rendre OpenAI, Anthropic et Google dépendants des contrats publics et des cadres de conformité ? Le contrôle sans les contraintes.

Le véritable coup de maître : rendre financièrement et politiquement impossible toute activité en dehors du cadre américain, tout en maintenant l’illusion d’une innovation privée. Du soft power classique.
J’ai trouvé une astuce efficace pour réduire les coûts en tokens de Claude : limitez la fenêtre de compression automatique à 400k tokens avec /autocompact 400k dans votre session. Pourquoi c’est important : les paramètres par défaut de la fenêtre peuvent consommer rapidement beaucoup de tokens, surtout lors de la restauration d’anciennes conversations. La limite de 400k permet de garder le contexte à une taille raisonnable sans engloutir votre budget de tokens lors de la reprise d’une session. Note technique : cela fonctionne parce que la compression du contexte de Claude se déclenche plus tôt, ce qui évite une accumulation incontrôlée de tokens tout en préservant suffisamment de contexte pour la plupart des tâches de programmation. En contrepartie, les anciens messages sont élagués un peu plus agressivement, mais les économies sont bien réelles.
J’ai trouvé une astuce efficace pour réduire les coûts en tokens de Claude : limitez la fenêtre de compression automatique à 400k tokens avec /autocompact 400k dans votre session.

Pourquoi c’est important : les paramètres par défaut de la fenêtre peuvent consommer rapidement beaucoup de tokens, surtout lors de la restauration d’anciennes conversations. La limite de 400k permet de garder le contexte à une taille raisonnable sans engloutir votre budget de tokens lors de la reprise d’une session.

Note technique : cela fonctionne parce que la compression du contexte de Claude se déclenche plus tôt, ce qui évite une accumulation incontrôlée de tokens tout en préservant suffisamment de contexte pour la plupart des tâches de programmation. En contrepartie, les anciens messages sont élagués un peu plus agressivement, mais les économies sont bien réelles.
Connectez-vous pour découvrir plus de contenu
Rejoignez la communauté mondiale des adeptes de cryptomonnaies sur Binance Square
⚡️ Suviez les dernières informations importantes sur les cryptomonnaies.
💬 Jugé digne de confiance par la plus grande plateforme d’échange de cryptomonnaies au monde.
👍 Découvrez les connaissances que partagent les créateurs vérifiés.
Adresse e-mail/Nº de téléphone
Plan du site
Préférences de cookies
CGU de la plateforme