GitHub Carte de Panne

Discussion communautaire

Conseils? Frustrations? Partagez-le ici. Les commentaires utiles comprennent une description du problème, la ville et le code postal.

Méfiez-vous des "numéros d'assistance" ou des comptes de "récupération" qui pourraient être affichés ci-dessous. Assurez-vous de signaler et de voter contre ces commentaires. Évitez de publier vos informations personnelles.

GitHub Rapports de Problèmes

Dernières pannes, problèmes et rapports de problèmes dans les médias sociaux:

• 
  Sylvain Mouilhaud (@sylmouilhaud) a signalé il y a 4 minutes

  150 000 lignes de code plus tard... L’euphorie des premiers jours est trompeuse. Avec l’#IA, on matérialise une idée à une vitesse assez folle. Puis arrivent les premiers vrais bugs : un changement de structure, un mauvais commit, une interaction qui casse entre l’outil de développement, GitHub, Vercel, la base de données… 90% des projets s'arretent là . Et c’est là que commence la deuxième phase. On alterne entre « ça marche », « j’ai tout cassé » et « pourquoi ai-je commencé ce projet ? ». C’est aussi là que j’ai compris la limite du terme « no-code ». On écrit peut-être moins de code soi-même, mais derrière l’interface, cela reste du code, avec une architecture, des dépendances et des erreurs qu’il faut apprendre à comprendre. À un moment, il faut savoir revenir au bon commit, isoler le problème, lire ce qui a changé et reconstruire proprement. L’IA permet de commencer beaucoup plus facilement. Mais dès que quelque chose casse, comprendre un minimum ce qu’il y a derrière devient vite indispensable.

• 
  Jp (@jipe_ia) a signalé il y a 4 minutes

  Un abonnement IA à 7 dollars au lieu de 20, c'est possible. Il suffit de changer le modèle qui tourne derrière, et ça ne se lit pas sur le prix affiché. Cursor vient d'ouvrir un palier réservé à l'Inde. "Cursor Start", 649 roupies par mois, environ 7 dollars, contre 20 dollars pour le Pro. À ce prix, tu as le modèle maison de Cursor (Composer) et Grok 4.5. Les modèles frontier d'OpenAI et d'Anthropic, eux, restent au palier du dessus. Le palier rogne aussi des fonctionnalités (Bugbot, Auto mode, Automations, le SDK), comme n'importe quelle offre d'entrée. Ce qui m'intéresse, c'est la ligne de découpe. Un abo IA moins cher, ça voulait dire moins de requêtes, moins de sièges, moins d'options. On te donnait moins de la même chose. Maintenant on te donne autre chose. Un modèle différent. Et Cursor est loin d'être seul. Sur GitHub Copilot, le Pro à 10 dollars te donne Haiku et Sonnet. Pour les Opus, il faut passer au Pro+ à 39 dollars. Ce qui a une logique, quand on y pense. Le coût variable d'un produit IA est presque entièrement dans l'inférence. Donc le levier le plus direct pour afficher un prix plus bas, c'est de faire tourner un modèle moins cher. Alors je nuance tout de suite. À 7 dollars, l'offre peut être très bien. Sur de l'édition de code au quotidien, un modèle maison bien intégré fait souvent le job. Et ouvrir un outil à un marché où 20 dollars par mois pèsent beaucoup plus lourd, ça se défend complètement. L'Inde est le 3e marché de Cursor, avec une base qui a triplé en un an, à plus de 3 millions de développeurs. Ce qui me gêne arrive après. 2 personnes qui paient le même montant, chez 2 éditeurs différents, peuvent avoir des modèles très différents en face. L'information qui compte vraiment, quel modèle tourne à quel palier, est rarement celle qu'on met en gros sur la page de tarifs.

• 
  Jp (@jipe_ia) a signalé il y a 6 minutes

  On répète partout que l'IA est vendue à perte, et que le jour où l'argent des levées se tarit, les prix vont exploser. Dans les faits, la requête facturée au token dégage de la marge. DeepSeek, le chinois, revendique plus de 80 % sur son modèle de raisonnement R1. La perte est ailleurs. J'ai fait une vidéo là-dessus fin juin. Je relayais la thèse d'Ed Zitron, un journaliste américain qui passe son temps à décortiquer l'économie de l'IA et qui annonce la fin d'OpenAI : les abos à 20 ou 200 balles sont vendus à perte. Je disais déjà que je restais prudent tant qu'aucune boîte n'avait publié ses coûts. Depuis, des chiffres sont sortis. Ils déplacent la ligne. Le calcul le plus parlant vient d'un ingénieur de chez GitHub, qui bosse sur Copilot. Il prend une des cartes graphiques qui font tourner ces modèles dans les datacenters. Il compte l'électricité qu'elle avale, le refroidissement qu'il faut derrière, et il étale son prix d'achat sur 5 ans. → environ 1 $ le million de tokens de sortie (ce que le modèle génère, la partie qui coûte). → facturé 4,50 $ sur GPT-5.4-mini, un des petits modèles d'OpenAI. Et 3 à 6 fois plus cher sur les gros. Il pose lui-même la limite : personne ne connaît la taille réelle des modèles d'OpenAI et d'Anthropic, donc la comparaison exacte est impossible. Mais les 70 à 80 % de marge que les fournisseurs annoncent sur nos requêtes lui paraissent "extrêmement plausibles". Et DeepSeek facture moins de la moitié des prix d'OpenAI et d'Anthropic. La requête facturée à l'usage n'a rien d'une œuvre de charité. Là où ça saigne, c'est le forfait illimité. SemiAnalysis, un cabinet d'analyse spécialisé dans les puces et l'IA, a acheté chaque offre grand public et l'a poussée jusqu'à sa limite hebdomadaire. Un abonnement ChatGPT Pro à 200 $ par mois, utilisé à fond, vaudrait jusqu'à 14 000 $ par mois aux tarifs publics de l'API. Environ 3 500 $ de calcul réel. Pour 200 $ encaissés. Le buffet dont je parlais, il est là. Et nulle part ailleurs. Ça se voit dans le calendrier. Anthropic a activé ses plafonds de crédits agent le 14 juin. Selon la même analyse, OpenAI est le plus exposé, et le plus susceptible de bouger ensuite. Pendant ce temps, les marges brutes d'OpenAI seraient passées de 28 % en 2024 à 43 % en 2025. Le détail que je trouve savoureux : ces chiffres viennent d'états financiers fuités, sortis par Zitron lui-même et vérifiés de façon indépendante par le Financial Times. Celui qui annonce la fin d'OpenAI a publié les documents qui montrent ses marges en train de remonter. Alors oui, les labos perdent de l'argent. Globalement, massivement. MAIS le trou se creuse sur l'entraînement des modèles et sur les milliards engloutis dans les datacenters. Le coût d'une requête, lui, est couvert. L'argent gagné sur nos requêtes paie même une partie de l'entraînement des prochains modèles. Je ne suis ni analyste ni spécialiste de ces modèles économiques, je lis et je recoupe comme tout le monde. Et je n'ai aucune idée de comment se remboursent des datacenters pareils. Et le pronostic change selon l'endroit où on place la perte. Je maintiens ce que je disais : quelqu'un paie ton assiette. Je précise juste où. La subvention est dans l'illimité. La requête facturée au token tient debout toute seule. Donc si tu utilises l'IA à fond tous les jours, l'échéance qui te concerne porte sur ton forfait. Le prix du token, lui, bougera plus tard.

• 
  Raffaële Azuelos 🕎 🇫🇷 🇮🇱 🇺🇸 🇪🇺 (@RaffAzou) a signalé il y a 9 minutes

  @SamuelDamoy @ValerieHayer @EmmanuelMacron Zéro fait réel! Cité mal traduit et hors contexte de la prise de parole… Autre fait réel L’algo de X, est public sur GitHub depuis janvier, republié toutes les 4 semaines, et depuis le 15 mai tu peux même faire tourner le ranker Phoenix sur ta propre machine, le mini modèle est fourni. Faudrait faire quoi pour être plus transparent ?!?! Publier un guide « pour le nuls » pour être sûrs que TOUS les gauchistes puissent le décortiquer ??

• 
  Jour Meilleur (@bubulevrai) a signalé il y a 10 minutes

  @tatiann69922625 @seblatombe L'application avait un dépôt Github. Peut-être a t-il été transféré ailleurs. Site en maintenance.

• 
  Ech0 (@ech0re) a signalé il y a 11 minutes

  Je viens de fermer 3 SaaS que j'avais lancé pour voir ce que ça donnait. Et je pense en fermer 2 de plus prochainement. La liste ci-dessous, avec le pourquoi / et ce qui n'a pas marché. En espérant que ce soit utile aux gens qui veulent se lancer dans la création de SaaS, surtout maintenant avec l'IA c'est très facile de se lancer mais je me suis pris plusieurs murs donc je partage. Hésitez pas si questions etc. Services déjà fermés Ces services sont morts, déjà définitivement fermés. 1. CleanChat AI, grosso modo un service de modération Discord, Telegram et Matrix basé sur un LLM qui review les messages, décide de la sanction, hautement paramétrable côté user. Et aussi un système de RAG avec la documentation de l'user pour que le bot puisse faire du support utilisateur avec le contexte et documentation du produit. Pas mal utilisé par les gens en mode free, mais personne n'a payé le plan payant. Ressenti personnel : je pense que l'idée était cool, ça marchait assez bien techniquement, ça coûtait pas cher en tokens, par contre je pense pas que je l'aurais moi même utilisé pour mon serveur, et c'était ma plus grosse erreur. 2. ShipCut, un service "prompt to launch video", en gros on met l'URL de son produit, un prompt avec ce qu'on veut voir, URL GitHub en option et ça génère une petite vidéo de lancement (motion design) sur le produit en question. Pas mal utilisé aussi en mode gratuit, mais personne n'a payé. Ressenti personnel : franchement le rendu était top, d'ailleurs je l'ai moi même utilisé pour tous mes produits etc. Par contre, très couteux et business modèle pas fou. D'ailleurs, aujourd'hui des alternatives plus intéressantes existent déjà. 3. AIgree, un service de comparaison, suivi de changements et recensement de pleins de ToS et privacy policy de plus de 100 services, avec suivi quotidien, résumé des diff, et alertes par e-mail quand changements critiques, etc. Les résumés et diffs étaient faits par le LLM. Alors celui là c'était ma plus grande surprise, car ça n'existait pas sous ce format même si des alternatives existaient, mais en fait ça n'intéressait personne, concrètement. Encore moins jusqu'à payer pour des alertes par e-mail ou un accès API. Ressenti personnel : j'aimais l'idée, c'était facile à faire, assez straightforward, mais ma plus grosse erreur était de ne pas suffisamment avoir interrogé mon entourage sur le produit, en bref ce n'est pas quelque chose qui intéressait. Faut croire que tout le monde se fout des ToS. Leçon que je tire de ces 3 échecs : toujours interroger son entourage avant de se lancer. Est-ce-que eux paierait pour ce produit que vous leur présentez ? Et s'ils disent oui, demandez leur de payer. Parfois ils disent oui pour vous faire plaisir, mais lorsqu'il s'agit de réellement souscrire au produit, finalement ça ne les intéresse pas trop. Et aussi : ne jamais se lancer dans le paiement d'ads avant d'être sûr que le produit puisse convertir des gens, avoir ne serait-ce que 2-3 conversions avant est un signal non négligeable. Services que je pense fermer prochainement Ces services sont live, fonctionnels, mais je réfléchis à les fermer. 4. WebDAV Manager sur iOS, c'est une app, en gros un client WebDAV natif iOS... rien d'incroyable, totalement gratuit, quelques milliers de personnes l'utilisent tous les jours donc je considère que "ça fonctionne". Par contre, c'est totalement gratuit, je ne compte plus le mettre à jour, c'est assez abandonné niveau développement, et ça rapporte 0 euro. Donc soit je le mettrai open source pour laisser les gens contribuer et que le projet continue, soit je le ferme. Ressenti personnel : un des premiers projets que j'ai développé suite à la demande d'un collègue qui avait besoin d'un client WebDAV, je l'ai surtout fait pour m'améliorer en dev iOS (c'était avant les IA), mais peu d'intérêt personnel car je n'utilise pas WebDAV. 5. DocFacile sur iOS, c'est aussi une app native iOS, qui contient plusieurs templates de documents administratifs français à générer en un clic. En gros d'abord l'user renseigne son profil : état civil, numéro de tel, e-mail, puis dessine une signature et un paraphe, et ensuite chaque template est automatiquement pré-rempli avec toutes les infos nécessaires, avec la signature et paraphes déjà apposés, typiquement pour : attestation sur l'honneur, attestation d'hébergement, demande de résiliation de contrat, lettre de démission, demandes d'accès aux données personnelles, suppression, etc. Il y a une version gratuite qui permet de quasi tout faire et une version "premium" pour des fonctionnalités avancées. Ressenti personnel : je m'en sers, je m'en suis servi y a 2 jours pour générer une attestation sur l'honneur signée depuis mon tel sans avoir à sortir le PC, bref je trouve ça bien utile. Par contre j'ai quasi aucun utilisateur dessus, que ce soit la version gratuite ou payante. Manque de pub ? manque d'intérêt ? Aucune idée, peut être à décommissionner mais je me garderai une version en privé.

• 
  Aurea (@AureaLibe) a signalé il y a 12 minutes

  🚨 Attention : Je reçois de nombreux messages de personnes qui veulent que je promeuve des cryptomonnaies 🚨 Je ne suis pas d'accord. N'investissez dans aucun projet crypto. Exit Chat Control est une initiative ouverte, et je ne demanderai jamais de trader des memecoins. Si vous voulez aider, contribuez sur GitHub ou envoyez des idées en message privé. C'est tout. Toute personne qui veut que vous achetiez une crypto pour financer le projet est mal intentionnée. Les seules cryptomonnaies listées sur le site Exit Chat Control sont Bitcoin et Monero. Rien d'autre. Faites attention aux arnaques.

• 
  mathieu (@mathieuhq) a signalé il y a 14 minutes

  je passe maintenant environ 80 % de mon taf de dev à discuter avec hermes hermes a accès aux repos sur lesquels je l’autorise, les miens comme ceux de mes clients quand j’ai une feature ou un bug, je ne demande pas directement à un agent de coder à partir de trois lignes écrites à l’arrache je discute d’abord avec hermes il inspecte le repo, retrouve la logique existante, me pose les questions qui manquent et m’aide à transformer l’idée en issue github complète comportement attendu, contraintes techniques, cas limites, fichiers potentiellement concernés, validations à lancer et critères d’acceptation on fait du spec-driven development avant de toucher au code pour cadrer cette partie, j’utilise les skills du repo mattpocock/skills /grill-with-docs me challenge sur les décisions et la terminologie, /to-spec transforme notre discussion en spec, puis /to-tickets découpe le travail en issues verticales avec leurs dépendances tant que l’issue nécessite encore une décision de ma part, elle reste en préparation quand elle est assez claire pour être exécutée sans revenir me demander ce que j’avais en tête, hermes lui ajoute le label agent-ready et c’est là que mon nouveau VPS entre dans la boucle j’ai un VPS dédié avec Codex dessus et un runner GitHub Actions self-hosted le runner reste connecté à GitHub et attend les jobs dès qu’une issue reçoit le label agent-ready, GitHub envoie le job au VPS Codex récupère l’issue et le repo, crée un worktree isolé avec sa propre branche, implémente la solution, lance les tests et les validations du projet, commit les changements, push la branche puis ouvre une pull request liée à l’issue Codex n’a aucun droit de merge sur main main reste protégée et la dernière étape reste humaine je récupère une PR avec le contexte de l’issue, les changements effectués et les validations exécutées je peux relire, tester, demander une correction ou merger en gros, hermes m’aide à transformer une idée floue en travail exécutable, puis Codex prend le relais comme développeur sur une machine séparée je ne code plus du tout je passe mon temps à expliquer précisément ce que je veux construire, à découper correctement le travail et à vérifier ce qui sort des PRs

• 
  Karog (@_karog) a signalé il y a 21 minutes

  @leploutos Perso je dockerise tout mes projets et je donne un accès ssh au LLM, je lui dis de déployer et ça fonctionne à merveille ( je révoque ensuite la clé ssh ). Quand je passe en environnement prod j’ai un github action qui fait les tests + déploie quand je créer une release. Jamais eu de problème avec ça

• 
  François Negroni (@IAviateur) a signalé il y a 21 minutes

  Mécanique d'une co-écriture dans le monde académique : ce que « écrit par l'IA » veut vraiment dire Tout le monde parle de « textes écrits par l'IA » comme si écrire avec un modèle de langage était un acte unique : on appuie sur un bouton, un texte sort, on le publie ou on le jette. C'est cette image qui structure aussi bien l'indignation institutionnelle que l'enthousiasme naïf. Les deux camps partagent la même prémisse, et cette prémisse est fausse. Or le document le plus éclairant produit par l'affaire Goldstein n'est ni l'article publié dans Philosophy & Public Affairs, ni la politique d'interdiction adoptée onze jours plus tard, ni les 346 commentaires de Daily Nous. C'est un rapport de dix pages que presque personne n'a lu. Radiographie d'un papier Goldstein a joint à sa soumission, puis à chaque révision, un rapport détaillant phase par phase la contribution du modèle et celle du chercheur. Ce document couvre quatre phases de production : le brouillon initial (sept drafts successifs), puis trois rounds de révision face aux rapporteurs et à l'éditeur. Il documente la division du travail avec une précision que la plupart des papiers écrits « seul » n'ont jamais exigée ni fournie. Le travail ne s'est pas réparti en deux blocs étanches. Il a fonctionné comme un aller-retour permanent entre un décideur et un exécutant. Goldstein a fourni : - la thèse initiale en une page, le cadre analytique, l'architecture générale, - les décisions qui ont donné au papier sa forme : réduire l'analyse de quatre régimes épistocratiques à un seul, couper neuf objections prévues pour n'en garder que deux, baisser le registre d'« objection décisive » à « considération à mettre dans la balance », - l'édition de chaque brouillon, avec des coupes allant jusqu'au tiers du texte, - la détection d'erreurs que Claude n'avait pas vues, des arguments substantiels absents des brouillons du modèle, - la stratégie face aux rapporteurs, et toutes les décisions de soumission. Claude a produit : - la synthèse de littérature à partir des sources fournies par l'auteur, - l'exécution formelle de la thèse et l'appendice mathématique, - toute la prose, sur sept brouillons successifs puis trois rounds de révision, - trois séries de rapports de referees simulés (neuf rapporteurs fictifs au total), - la vérification systématique des citations contre les sources. Le schéma n'est pas « l'un pense, l'autre écrit ». C'est une boucle : Claude rédige, Goldstein coupe, réoriente, corrige, Claude reprend sur la nouvelle trajectoire. Et la boucle tourne dans les deux sens. Trois faits frappent à la lecture. Le premier est que l'architecture du papier, celle qui détermine ce que l'article dit et ne dit pas, est entièrement humaine. Claude n'a pas décidé de se concentrer sur le veto. Claude n'a pas décidé que la thèse serait « une considération pour le bilan » plutôt qu'une « objection décisive ». Claude n'a pas décidé de couper sept objections sur neuf. Ces décisions, qui font la différence entre un papier et un autre, sont celles de Goldstein. Le deuxième est que les erreurs ont été corrigées dans les deux sens. L'humain a corrigé les erreurs du modèle. Mais le modèle a aussi corrigé une erreur que quatre rounds de contrôle humain n'avaient pas vue : le papier citait Unequal Democracy de Bartels pour soutenir une affirmation sur l'information et les préférences redistributives que les données du livre contredisent en fait. C'est exactement le type de vérification croisée que l'écriture « seule » ne produit pas et que le peer review standard n'a pas attrapée. Goldstein a signalé la correction à l'éditeur. La boucle d'erreur mutuelle n'est pas un défaut du processus. C'est le processus. Le troisième est que ce rapport est, à ma connaissance, le premier document public détaillant phase par phase la contribution intellectuelle à un article académique. Aucun papier écrit « seul » n'a jamais produit l'équivalent. L'ironie est que la co-écriture avec l'IA, précisément parce qu'elle est controversée, a engendré un niveau de documentation du travail intellectuel que le monde académique n'a jamais exigé de l'écriture humaine. Le moment Guerrero Le rapport n'est pas le seul document. L'échange public sur Daily Nous entre Goldstein et le philosophe Alexander Guerrero constitue un cas intéressant. Guerrero lit l'article et s'arrête sur la seule partie qui le concerne directement. Il découvre que sa position est grossièrement déformée : le papier regroupe cinq positions « notablement différentes » sous la même étiquette, effaçant les distinctions que des années de travail avaient construites. Il qualifie la scholarship de « bien en dessous de la norme de base des articles publiés dans de bonnes revues ». Goldstein admet l'erreur. Il reconnaît que le paragraphe déforme la position de Guerrero. Il lance un audit par Fable (un modèle de recherche de Claude) sur les six cents phrases du papier. L'audit repère un second problème d'attribution similaire, le reste étant jugé mineur. La leçon n'est pas celle qu'on pourrait en tirer trop vite. Ce type d'erreur, la caractérisation inexacte d'une position, n'est pas spécifique à la co-écriture. C'est l'un des problèmes les plus courants de la littérature académique, y compris dans les papiers écrits par des humains seuls. Ce qui est spécifique, c'est que l'erreur est plus probable quand le rédacteur (humain ou IA) n'a pas lu l'auteur cité avec la même profondeur qu'un spécialiste du domaine. Goldstein le reconnaît : il ne fait pas de philosophie politique, et il a délibérément choisi de ne pas réécrire le texte de Claude phrase par phrase pour tester les limites du processus. Le risque était identifiable. Et la réponse appropriée est exactement ce qui s'est passé : une correction publique, immédiate, vérifiable. Pas une interdiction préventive. Ce que le moment Guerrero montre, c'est que la co-écriture a des points de fragilité identifiables et corrigeables. Ce n'est pas la même chose qu'un processus défaillant. C'est un processus dont les modes de défaillance sont connus, et dont la correction passe par la relecture critique et la transparence, pas par le détecteur statistique. Du processus artisanal au processus industriel Le papier de PPA a été écrit dans Claude Code, de manière artisanale. Goldstein pilotait Claude en temps réel, corrigeait au fil de l'eau, relançait quand le texte dérivait. Après cette expérience, il a formalisé ce qu'il avait appris dans un outil public : Deep Drafter. Deep Drafter est un workspace Claude Code structuré autour d'un pipeline en douze étapes, avec quatre sous-agents spécialisés (relecteur adversarial, auditeur de citations, critique de prose, auditeur de conformité). Le document d'instructions de l'agent, public sur GitHub, révèle une architecture obsessionnellement construite autour de trois principes. Premier principe : l'IA ne rédige aucune prose avant que l'auteur ait validé trois niveaux d'outline successifs. Un squelette, puis un plan argumentatif, puis un outline paragraphe par paragraphe à environ un tiers de la longueur finale. La structure est verrouillée avant que le premier mot de prose ne soit écrit. Restructurer un outline est peu coûteux. Restructurer de la prose l'est dix fois plus. Deuxième principe : la « souveraineté de l'auteur ». Ce n'est pas un slogan. C'est une contrainte technique. Les modifications humaines ne sont jamais annulées. Chaque révision est un nouveau fichier numéroté. Les versions antérieures sont archivées, pas écrasées. L'agent vérifie, avant de toucher un passage modifié par l'auteur, que la modification n'a pas déjà été explicitement rejetée. La direction du texte est fixée par l'humain, et le système est construit pour que cette direction soit irréversible par l'IA. Troisième principe : ne jamais fabriquer. Pas de citations inventées (chaque référence est vérifiée contre les PDF sources, pas contre la mémoire d'entraînement du modèle). Pas de travail simulé (l'auditeur vérifie contre les fichiers, jamais contre les déclarations de l'agent). Pas de rapport de referee pré-orienté (les relecteurs simulés reçoivent le manuscrit et le nom de la revue, rien d'autre : pas de résumé des arguments, pas de questions directrices). Ce que Deep Drafter rend visible, c'est que le problème de la co-écriture n'est pas l'absence de contrôle. C'est l'absence de contrôle formalisé. Le papier PPA a été produit avec un contrôle humain réel mais informel. Deep Drafter encode ce contrôle dans le processus lui-même, de sorte que les garde-fous ne dépendent plus de la vigilance permanente de l'auteur. C'est la différence entre un pilote qui surveille tout en permanence et un cockpit dont les check-lists sont automatisées. Le spectre et la ligne Ma propre pratique est un troisième modèle. Je ne travaille pas avec un pipeline formalisé. La co-écriture est conversationnelle et itérative : je fournis la thèse, les sources, le cadre conceptuel, les jugements de fond, je pilote en temps réel, corrige au fil de l'eau, réoriente quand le texte dérive. Claude fait l'exécution sous supervision dense. Le résultat est un processus plus souple, adapté à l'écriture journalistique et éditoriale plutôt qu'à la production académique. Le principe directeur est le même : l'humain fournit la direction, et il en répond publiquement. Ce que la politique de PPA ne sait pas distinguer, le spectre réel le montre : il n'y a pas « la co-écriture IA » comme catégorie homogène qu'on pourrait autoriser ou interdire d'un bloc. Il y a des pratiques, certaines rigoureuses et d'autres non, et la variable qui compte n'est pas « combien de mots l'IA a-t-elle choisi » mais « qui en répond et comment ». Un détecteur ne mesure aucune de ces variables. Une déclaration de non-usage non plus. La seule chose qui les rend visibles, c'est la transparence : dire ce qu'on a fait, comment on l'a fait, et mettre sa réputation en jeu sur le résultat. Les mathématiciens de Leiden l'ont compris. Le MIT le recommande. Goldstein l'a pratiqué. Et la revue qui a goûté le plat, qui l'a trouvé bon, et qui a interdit la recette, n'a toujours pas expliqué comment son détecteur distinguera la rigueur de la négligence, la co-écriture supervisée de la réécriture, le travail de celui qui signe de celui qui n'en répond pas. Sources : - Goldstein, S., « How AI Was Used in Writing and Revising This Paper — Epistocracy and the Commitment Problem », rapport joint à la soumission, Philosophy & Public Affairs, 2026 - Goldstein, S., « Philosophy Journal Publishes Largely AI-Authored Article — On Purpose », guest post, Daily Nous, 13 août 2026 - Goldstein, S., Deep Drafter, github, 2026 - Lazar, S., annonce de la politique de PPA sur X, 21 août 2026 - Brennan, J., commentaire éditorial, Daily Nous, 13 août 2026 - Guerrero, A., échange public, commentaires Daily Nous, 13-14 août 2026 - Déclaration de Leiden, Union mathématique internationale, 2 juin 2026 - MIT Ad Hoc Committee, rapport sur l'IA dans l'enseignement et la recherche, 25 août 2026 PS : Ce texte a été co-écrit avec Claude (Anthropic). L'architecture argumentative, la sélection des sources et la validation éditoriale sont de moi. Ce qui ne vous apprendra rien que cette ligne ne vous ait déjà dit.

• 
  Quentin L · Système IA personnel (@QuentinLecocq_) a signalé il y a 22 minutes

  Mon agent IA connaît mon contexte. Mais je ne lui fais pas confiance simplement parce qu’il produit une bonne réponse. Je fais confiance au système parce que je sais : - où il cherche ses informations ; - ce qu’il a le droit de modifier ; - ce qu’il doit faire lorsqu’une source manque ou qu’un outil échoue ; - comment revenir en arrière. C’est ce qui sépare, selon moi, un chatbot pratique d’un véritable système de travail. J’utilise le mien chaque jour. Il repose sur quatre briques : - Hermes comme agent ; - Discord comme interface quotidienne ; - Obsidian comme mémoire lisible ; - GitHub pour l’historique, la sauvegarde et la reprise. Voici comment elles travaillent ensemble. 1. Discord sépare mes contextes Je parle à Hermes depuis Discord. Chaque espace correspond à une fonction : recherche, veille, capture, préparation de contenus ou revue du système. Une discussion technique ne vient donc pas modifier le contexte d’un travail éditorial. Mais Discord reste une interface. Ma mémoire ne dépend pas de l’historique des conversations. Si je changeais de messagerie demain, mes connaissances resteraient dans mes fichiers. 2. Obsidian conserve une mémoire que je peux inspecter Mon vault est composé de fichiers Markdown. J’y conserve mes projets, mon journal, mes ressources, mes décisions et les concepts que je développe dans le temps. Une ressource externe n’est pas encore une connaissance assimilée. Une capture rapide n’est pas une décision. Une hypothèse n’est pas un fait. Sans cette distinction, un agent peut retrouver une vieille intuition et la présenter avec l’assurance d’une décision actuelle. Chaque note importante indique donc ce qu’elle contient, son origine et son statut lorsque celui-ci change la manière de l’utiliser. 3. Une information suit un parcours borné Lorsque je trouve une ressource intéressante, je l’envoie dans le contexte Discord prévu. Hermes peut récupérer la source, préparer une capture dans l’Inbox, rechercher les notes déjà présentes et me signaler des liens ou des doublons potentiels. Mais il ne décide pas seul que cette ressource mérite d’entrer dans ma mémoire durable. Je relis, je corrige et je décide si elle doit rester une ressource, servir un projet ou devenir un concept réutilisable. Hermes prépare. Je tranche. L’Inbox permet de capturer sans choisir immédiatement le classement définitif. Elle doit toutefois être revue, sinon elle devient une nouvelle décharge numérique. 4. Je commence par une règle lorsque l’IA n’est pas nécessaire Un modèle n’a pas besoin de décider de chaque étape. Si un espace Discord correspond toujours à une fonction, une règle peut déjà déterminer une partie du parcours. Je réserve l’IA aux moments où il faut interpréter une demande, rechercher des relations, extraire une information ou préparer une synthèse. Le comportement devient plus prévisible et les erreurs plus faciles à comprendre. Ajouter de l’IA partout ajoute parfois seulement davantage d’endroits où le système peut se tromper. 5. Une consigne n’est pas une permission Écrire « ne modifie pas ce dossier » dans un prompt ne suffit pas à sécuriser un système. Je distingue trois niveaux : - automatique ; - soumis à validation ; - interdit. Hermes peut lire mes connaissances et écrire dans les espaces prévus pour la capture. Il ne modifie pas le reste du vault sans mon accord explicite. Il ne publie rien à ma place. Les actions externes ou difficiles à annuler restent sous contrôle humain. Pour chaque usage, je définis les sources autorisées, la sortie attendue, la validation nécessaire et le comportement à adopter si les données manquent ou si un outil échoue. Je ne teste donc pas uniquement l’action autorisée. Je vérifie aussi qu’une action interdite est réellement refusée et qu’un échec reste visible au lieu d’être masqué par une réponse plausible. 6. GitHub permet de revenir en arrière Mon vault Obsidian vit dans un dépôt GitHub privé. Je peux inspecter les modifications, retrouver une version antérieure et revenir en arrière si quelque chose a été mal modifié. Mes fichiers restent lisibles sans Hermes, sans Discord et même sans Obsidian. Si je veux déplacer le système, je récupère le dépôt et je repars avec mes données. Mais synchroniser des fichiers ne suffit pas. Une sauvegarde ne devient une capacité de reprise que lorsque la restauration a été vérifiée. 7. Le premier usage passe avant les extensions Je pourrais ajouter plusieurs agents et une longue liste d’automatisations. Je préfère commencer par un usage fréquent : capturer une ressource, préparer une recherche, retrouver une décision ou produire un brouillon depuis mes propres notes. Ce premier usage doit donner une raison de revenir demain. S’il entre réellement dans le quotidien, le système peut s’étendre. Sinon, je simplifie avant d’ajouter quoi que ce soit. Si vous utilisez déjà une IA dans votre activité, voici les huit tests que je ferais : 1. Retrouve-t-elle une information sans que vous la recopiiez dans chaque conversation ? 2. Pouvez-vous identifier la source utilisée et le statut de l’information ? 3. Savez-vous ce qu’elle peut faire automatiquement, avec votre validation ou jamais ? 4. Une action interdite a-t-elle été réellement testée ? 5. Son comportement lorsque les données manquent ou qu’un outil échoue est-il défini ? 6. Pouvez-vous inspecter et corriger sa mémoire vous-même ? 7. Les comptes, les données et l’infrastructure vous appartiennent-ils ? 8. Avez-vous déjà restauré le système à partir de sa sauvegarde ? Si plusieurs réponses sont négatives, vous avez peut-être un bon chatbot. Pas encore un système suffisamment fiable pour devenir un outil de travail quotidien. C’est ce système IA personnel que je mets en place chez des solopreneurs qui vendent leur expertise et manipulent beaucoup d’informations. Le socle reste Hermes, Discord, Obsidian et GitHub, sur des comptes appartenant au client. J’adapte les contextes, les connaissances initiales, les permissions, les modèles et le premier usage. La mise en place comprend les tests des actions autorisées, interdites et dégradées, la vérification de la restauration, la documentation, la prise en main et 30 jours de stabilisation du périmètre livré. Si le périmètre doit être réduit, je réduis le volume de connaissances ou le nombre de sources intégrées. Pas les permissions, les tests, la reprise ou la prise en main. Les abonnements techniques sont payés directement par le client et le suivi reste facultatif. Le système ne doit pas créer une dépendance envers moi. La mise en place est terminée lorsque le premier usage est réellement utilisable et que le client sait reconnaître un échec. Pas simplement lorsque le bot répond. Si votre IA repart encore de zéro alors que votre activité repose sur des connaissances accumulées au fil des années, vous pouvez m’écrire.

• 
  Aurea (@AureaLibe) a signalé il y a 24 minutes

  🚨 Attention : n’achetez aucun token pour financer Exit Chat Control. Je n’ai aucun partenariat avec des projets crypto. Si quelqu’un vous envoie une adresse pour financer l’initiative, c’est un scam. L’initiative est ouverte. Si vous voulez aider, contribuez sur GitHub pour lister d’autres applications. Donc faites attention : si vous voyez un post qui dit d’envoyer de l’argent, ce n’est pas moi et n’envoyez aucun argent.

• 
  OrkStr (@OrkStr) a signalé il y a 26 minutes

  Quelqu'un a réduit sa facture Claude de 60% en transformant son code en image et en laissant le modèle faire de l'OCR. La blague, c'est que ça marche. Voilà les chiffres, et pourquoi c'est plus malin qu'il n'y paraît. 👇 Une image 1080×1920 coûte environ 2 700 tokens à Claude pour le lire. Le texte qu'il contient en coûterait 27 000. Soit 10 fois plus cher pour la même information. Pourquoi ? Parce que le coût d'une image est fixé par ses dimensions, pas par ce qu'il y a dedans. Tu mets 500 lignes ou 5 000 lignes de code dans ce PNG : même prix. Le texte, lui, se facture à la ligne. Et le code, le JSON, les logs de terminal sont particulièrement chers : environ 1,9 caractère par token, là où un texte normal en fait 4. Si tu n'es pas développeur, retiens l'essentiel : une image de code coûte 10 fois moins à traiter qu'un texte équivalent. Ce proxy exploite ça automatiquement, sans que tu changes quoi que ce soit à ton workflow. **La technique : pxpipe (GitHub teamchong/pxpipe)** C'est un proxy local. Une ligne pour le lancer, une variable d'environnement pour pointer Claude Code dessus : npx pxpipe-proxy ANTHROPIC_BASE_URL= claude C'est tout. Côté workflow, rien ne change. Côté requête, le proxy intercepte chaque appel, identifie les gros blocs (system prompt, tool docs, historique ancien), les render en PNG haute densité, et les renvoie au modèle comme blocs image. Le modèle fait de l'OCR, répond normalement. Point sécurité important : ce proxy est purement local, il tourne sur 127.0.0.1 et traite tes requêtes sur ta machine avant qu'elles ne partent. Ta clé API Anthropic ne transite jamais par un serveur tiers. Ce n'est pas un proxy cloud intermédiaire. Point latence : le proxy est synchrone, il encode les PNG avant que la requête ne parte. Ça ajoute un délai côté client sur les gros contextes. En contrepartie, envoyer 2 700 tokens au lieu de 25 000 réduit d'autant le temps de traitement et le coût réseau vers Anthropic. Sur du contexte dense, la compression l'emporte. **Les vrais chiffres (mesurés, pas estimés)** 48 000 caractères de system prompt = 25 000 tokens texte. En PNG : 2 700 tokens. 89% de moins sur ce seul bloc. Un PNG 1928×1928 = 4 761 tokens image, contient l'équivalent de 92 000 caractères. En texte brut, ça aurait coûté ~48 000 tokens. End-to-end sur 13 709 requêtes réelles : -59%. Une facture de 100€ → 41€ sans toucher au workflow. **Pourquoi Fable 5 accepte ça (et Opus non)** Fable 5 est très bon pour lire du texte rendu visuellement : 100/100 sur des problèmes arithmétiques inédits, récupération de valeurs, suivi d'état, rappel de noms. Pas du pattern-matching hasardeux : de la vraie lecture. Les benchmarks SWE-bench sont aussi publiés : 14/19 avec vs 15/19 sans sur Pro, verdicts concordants à 18/19. La différence tient à la variance run-to-run, pas à la compression. **La limite réelle : contexte oui, rappel exact non** C'est le point le plus important à comprendre avant de tester. pxpipe est lossy : l'image est une approximation visuelle du texte, pas une copie. Pour du contexte (comprendre la logique d'un code, suivre un raisonnement, retenir une valeur numérique) ça fonctionne. Pour du rappel byte-exact depuis du contenu imagé en haute densité, c'est une autre histoire : 63% de précision max sur des identifiants denses, et les erreurs sont silencieuses. Pas une exception levée, pas un signal d'incertitude : le modèle répond avec confiance en donnant la mauvaise valeur. Un cas documenté par l'auteur : un nom de personne rappelé depuis l'historique imagé, rendu confidemment faux. Concrètement, ça exclut plusieurs usages : tout pipeline qui doit restituer des IDs, des hashes, des secrets, des adresses, des numéros précis depuis l'historique compressé. pxpipe le gère en partie en gardant les valeurs byte-exact des tours récents en texte, mais ça ne couvre pas tout. Si ton agent doit retrouver une valeur exacte dans du contexte ancien, ce n'est pas la bonne solution. Si ton agent doit comprendre ce qui s'est passé pour décider quoi faire ensuite, ça passe. **Ce que ça veut dire pour ceux qui font tourner des agents** Le coût d'API est souvent le premier frein à l'intensification de l'usage. Un contexte large de Claude Code, des sessions longues, des pipelines multi-agents : ça monte vite. Où pxpipe gagne vraiment : les sessions de code, les agents avec de gros system prompts, les pipelines qui produisent des logs et des sorties d'outils volumineuses. C'est là que le ratio token image vs token texte est le plus favorable. Où le gain sera moindre : si ton contenu est surtout de la prose légère (emails, conversations, rédaction), le rapport devient moins avantageux. pxpipe l'intègre dans son calcul et laisse ces blocs en texte automatiquement. Expérimental, oui. Mais sourcé sur 13 709 requêtes réelles, pas sur des estimations. Les benchmarks sont publiés, reproductibles, les limites sont documentées avec honnêteté. C'est plus qu'on n'en voit sur la plupart des outils en production. Vous l'avez testé vous ? Quel gain sur votre workload ? ✍

• 
  Kaostyl (@kaostyl) a signalé il y a 28 minutes

  Mon agent Hermes vient de me faire économiser 2000€ de frais de serveurs… J’ai un dédié pour un pool de 150 WordPress qui n’ont aucunement besoin d’être en WordPress (car trop lourd trop de maintenance et ça me casse les cou****) Donc maintenant tous ces sites sont full static full gratos en astro ! Github>cloudflare et tout est gratos…. J’aurais du faire ça bien avant mais j’avais la flemme…. Le reste tout ce qui est app etc c’est sur un dédié chez hetzner full géré par mon agent Hermes… même pas besoin de WHM, Cpanel ou encore plesk. Au final il me reste que quelques sites en WordPress je vais voir ce que je vais en faire

• 
  Philippe J. Bourcier (@irukanji_invest) a signalé il y a 31 minutes

  @iamsupersocks Mais là c'est pas trop mal le résultat... 👍 Faut que je pousse le code sur github dans les jours qui viennent.