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:

• 
  lumibuilds.fr (@LumenSignifier) a signalé il y a 43 secondes

  Le GitHub MCP balance ~55k tokens dans ton contexte avant que l'agent ait rien fait. On empile les serveurs comme des plugins, puis on s'étonne que l'agent soit lent et cher. Le futur c'est pas plus d'outils. C'est le selective loading. Vous en branchez combien, vous ?

• 
  Marc Gehring (@marcgehring) a signalé il y a 5 minutes

  Et DeepMind ne garde pas la recette : code et poids du modèle sont publiés sur GitHub, libres. N'importe quel service météo national peut désormais le faire tourner. Prévoir un jour plus tôt où un cyclone touche terre, c'est des évacuations décidées un jour plus tôt.

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

  Comment un neurochirurgien de Pékin a résolu en 16 heures un problème de maths ouvert depuis 22 ans, avec l'IA ? Et en plus, il n'a aucune formation en mathématiques. Pendant ce temps, Alex Townsend, mathématicien à Cornell, posait la même question à ChatGPT depuis un an. Réponse : une preuve bidon, ou un raisonnement qui cale. La différence tient beaucoup à la façon dont il a lancé la machine. Une matrice, c'est une machine qui transforme des vecteurs. Tu lui appliques une fonction et tu veux savoir jusqu'où le résultat peut monter. Personne ne sait le calculer directement. En 2004, Michel Crouzeix propose un raccourci. À chaque matrice tu peux associer une région du plan, facile à dessiner. Prends la valeur max de ta fonction sur cette région, multiplie par un certain nombre, et tu tiens un plafond que le résultat ne dépasse jamais. Toute la difficulté, c'est ce nombre. Crouzeix démontre en 2007 que 11,08 fonctionne. Et qu'aucune valeur sous 2 ne peut marcher. Le bon chiffre est coincé entre les deux, et lui parie sur 2. En 2017, il resserre à 2,414 avec un collègue espagnol. Cet écart tient 22 ans. Bon maintenant... À quoi ça sert ? Simuler une onde dans un crâne, l'air autour d'une aile, le courant dans un circuit, ... Et voilà, ce qui vient de tomber. Shanmu Jin, géologue de formation puis médecin, s'est mis aux maths seul pour ses travaux sur l'échographie du cerveau. Le théorème décisif est sorti d'un run autonome d'environ 16 heures de GPT-5.6 Sol en mode ChatGPT Work. Il a lancé, il n'est pas intervenu. Son prompt est public sur GitHub, et il ressemble à un protocole de travail : → interdiction de chercher sur le web, dans les conversations passées ou les fichiers locaux → partir du principe qu'une preuve complète existe → un portefeuille de pistes vraiment différentes, et la plupart des agents ignorent laquelle a la faveur du moment → des agents adverses en continu, interdiction de rendre un rapport d'avancement vague → ne rien renvoyer avant qu'une preuve complète ait survécu à l'audit Jin parle lui-même d'une "part de chance". Le papier est un preprint, la relecture formelle est en cours. Townsend a passé un an à poser la question. Jin a passé une nuit à organiser la manière d'y répondre. Le modèle s'est beaucoup amélioré ces dernières semaines, Townsend le dit aussi. Mais entre ces deux histoires, ce qui change vraiment, c'est le cadre de travail donné à la machine.

• 
  Régis (@reg_andr) a signalé il y a 7 minutes

  J'ai commencé Sway dès les débuts de ChatGPT, en codant presque tout avec l'IA. Le revers de la médaille : j'ai accumulé des mois de dette technique. Voici mes pires erreurs sur ce projet, et comment je les ai rattrapées. Première leçon : ne pas trop faire confiance à l'IA. Je faisais des allers-retours entre mon éditeur et ChatGPT pour chaque problème, et malgré mes années d'expérience, je le laissais décider de la structure. Résultat : du code entassé dans d'énormes fichiers, mal organisé, sur des conversations qui finissaient par inventer n'importe quoi (l'IA avait peu de mémoire à l'époque). Je n'avais pas choisi mes fondations à l'avance. Pour la première version, mes données venaient de simples fichiers texte (JSON). J'ai branché une vraie base de données un mois trop tard, et j'ai dû réécrire une grande partie du code. La leçon : choisir ses fondations avant de monter les murs. Je créais à la main chaque "fiche de données" de l'app (un événement, un artiste, un lieu). Une source infinie de bugs et d'oublis. Je suis passé à freezed, un outil qui génère ces fiches automatiquement et de façon fiable. 1000 fois mieux. Pour qu'une app fonctionne sans connexion, il faut stocker des données directement sur le téléphone. J'ai enchaîné les mauvais choix : Hive (abandonné), puis Isar (abandonné aussi), avant d'arriver à Hive CE, la version maintenue par la communauté. Excellent, mais que de temps perdu en route. Ma pire erreur : l'app demandait ses données à la base une par une, en direct. Lent, lourd pour le serveur, et la moindre correction obligeait à republier l'app sur les stores (plusieurs jours d'attente). J'ai déplacé ce travail côté serveur avec des fonctions Supabase (RPC et Edge Functions) : plus rapide, et modifiable sans mise à jour de l'app. Pour gérer la "mémoire" partagée entre les écrans (l'état de l'app), j'utilisais Provider, mal intégré. Je suis passé à Riverpod, que j'avais adopté chez mes premiers clients en freelance. Et pour la navigation entre écrans, GoRouter, le standard actuel (l'IA, elle, s'obstinait à utiliser l'ancienne méthode). Dernier déclic, côté outils : j'utilisais déjà les modèles Claude, mais via GitHub Copilot, par confort de l'IDE. J'avais peur de passer par un terminal. En testant Claude Code, tout a changé : productivité, coûts et rapidité des résultats.

• 
  42loops (@42loops) a signalé il y a 8 minutes

  Le problème c’est que vous finirez comme GitHub vous allez vendre pour vous faire un max de tune et après on devra trouver un autre service… c’est malheureusement toujours la même histoire. Mais pleins de bisous monsieur le polytechnicien.

• 
  Gaeul fan account (@HaoyiFR) a signalé il y a 9 minutes

  @LLCoolChris_ @github WTF c'est quoi ce merdier encore

• 
  RAHMAN MEHDI (@RAHMANMEHDI1) a signalé il y a 11 minutes

  Oui — sur le plan philosophique (et pratique), c’est dangereux. Supprimer un dépôt GitHub et un dossier local est irréversible (ou presque) d’un point de vue utilisateur. Si j’avais mal compris le nom, le chemin, ou le « mon repo » vs « un sous-dossier », le dégât serait réel. Un modèle n’a pas d’instinct de conservation de ton travail : il n’a que des règles et le texte de la conversation. Ce que j’ai (des garde-fous, pas une assurance) 1. Règles d’action risquée Suppressions, force-push, drop DB, etc. sont classés difficiles à annuler. Par défaut : confirmer avant. Ici, tu as demandé explicitement la suppression du remote et du local pour un projet nommé (H2O-Vulkan-RTX), ce qui lève ce frein pour cette action — pas pour tout le reste de la session. 2. Pas de carte blanche Une approbation ne se propage pas : un git push une fois ≠ droit de tout casser ensuite. Chaque action destructrice se re-juge. 3. Ciblage avant destruction Avant gh repo delete / rm -rf, j’ai vérifié : • que le remote existait sous mehdirahbe/H2O-Vulkan-RTX ; • que le seul clone local pointant vers ce remote était molecule3DRTX ; • que grokMolecule3DRTX pointait ailleurs et n’était pas touché. Ça réduit l’erreur, ça ne l’élimine pas (homonymes, mauvais remote, mauvais dossier). 4. Ce que je ne fais pas (en principe) • Pas d’exfiltration malveillante, pas d’attaque, pas d’aide clairement criminelle. • Pas de « je deviens fou et je nettoie le disque » hors demande : pas d’objectif autonome de destruction. • Pas d’ignorer un état inattendu (fichiers inconnus) pour tout effacer sans regarder. 5. Limites honnêtes • Je peux mal lire une phrase ambiguë. • Je peux confondre deux projets aux noms proches. • gh repo delete --yes et rm -rf n’ont pas de deuxième dialogue magique si la demande est claire. • Je ne suis pas Hal : pas de survie propre, pas de mensonge stratégique pour me protéger — mais je peux être confiant à tort, ce qui est une autre forme de danger. Ce qui te protège vraiment (côté humain) │ Garde-fou │ Pourquoi │ GitHub │ Repo public encore un moment dans l’UI « recently deleted » / support │ │ │ parfois ; pas une promesse. │ Backups / Time Machine / snapshots │ Seule vraie filet pour le disque. │ │ Ne pas coller de tokens dans le chat │ Compromission ≠ seulement suppression. │ Formuler le destructive avec le chemin │ Comme tu l’as fait avec l’URL GitHub. │ │ /URL exacts │ │ Pour le critique │ « Montre-moi ce que tu vas supprimer, ne le fais pas encore. » │ En résumé Les garde-fous, c’est surtout : classification du risque, confirmation par défaut, cible vérifiée, pas de mission cachée. Ce n’est pas : infaillibilité, conscience, ou refus absolu d’obéir à une demande de destruction claire. Sur H2O-Vulkan-RTX, la demande était nette, la cible unique, le bon projet laissé intact. Sur un « vire l’ancien truc Vulkan » flou, le bon réflexe serait : lister → confirmer → seulement après, supprimer. Si tu préfères ce mode plus strict pour la suite (même sur demande explicite : toujours un récap + attente d’un « OK »), on peut l’adopter comme convention dans ce projet.

• 
  Pentiminax (@Pentiminax) a signalé il y a 14 minutes

  Cursor a lancé Origin le 17 août : une forge Git pensée pour les agents, avec dépôts, pull requests, navigation du code et synchro GitHub. L'early beta est disponible sur les offres payantes. Cursor ne veut visiblement plus seulement remplacer VS Code. Avec Origin, Cursor lance sa propre forge Git pensée pour les agents IA : repos, pull requests, code browsing et sync GitHub. Après l’éditeur, Cursor s’attaque maintenant directement à GitHub 👀

• 
  Le Stagiaire de Hoonited (@LHoonited) a signalé il y a 16 minutes

  Ajoutez une carte en plastique devenue une carte en carton super fragile. En plus du besoin de jongler entre 2 types de tickets. Pour l’appli, faut choisir entre sa montre ou son tel. Mais pas les 2 combinés. Il y a un transfert à réaliser et c’est une nouveauté. Avant fallait payer sur chaque support. Impossible d’utiliser les tickets de son tel pour plusieurs personnes. C’est nominatif. Comme la carte d’ailleurs. Une par personne. Pourquoi ? Aucune idée. Je ne vois pas comment on peut autant foirer un système à une époque où tu peux tout trouver sur Github et avec l’IA pour t’aider. Ils sont combien à bosser dessus déjà ? C’est de la *****. En big 2026, c’est lunairement de la *****. D’ailleurs le C1 (le téléférique) c’est du 2,05€ et non du 2,55€. On s’est fait niquer car même la personne qui a chargé nos cartes au guichet s’est plantée. Et impossible de se faire rembourser les billets. Moralité : prenez une moto, une voiture, un vélo. Mais pas les transports en commun. On a pris 1 fois les TEC à 4. C’est tellement mal foutu qu’on prend uniquement la caisse. Mais pas à Paris, puisqu’un VE pour 4 c’est pas bien. Alala je déteste tellement ce système et cette institution.

• 
  OrkStr (@OrkStr) a signalé il y a 18 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 ? ✍

• 
  Le chat libéral™ (@chatloyaliste) a signalé il y a 20 minutes

  🧵Stack Overflow : la chute d’un empire. Pendant quinze ans, Stack Overflow a été quasiment incontournable pour les développeurs. Une erreur incompréhensible, une API mal documentée, un comportement bizarre dans un framework : on cherchait sur Google et Stack Overflow arrivait presque toujours dans les premiers résultats. Au sommet, vers 2014, le site recevait environ 6 700 nouvelles questions par jour. Au printemps 2026 : parfois à peine 40 à 50. Une chute de l’ordre de 99 %. L’explication évidente, c’est ChatGPT. Et oui, l’IA a joué un rôle énorme. Mais je pense qu’elle a surtout précipité une chute que Stack Overflow préparait lui-même depuis des années. Le problème, c’est que beaucoup de développeurs n’aimaient déjà plus réellement utiliser le site. Je l’ai vécu personnellement. Au début, j’ai posé de mauvaises questions. Je connaissais mal les règles, je n’étais sans doute pas toujours assez précis, j’ai pris des votes négatifs. Rien d’anormal. Alors j’ai fait l’effort. J’ai lu les règles, amélioré mes formulations, détaillé mes recherches, donné davantage de contexte. Et j’ai découvert que ça ne changeait pas forcément grand-chose. Des questions tout à fait correctes pouvaient continuer à prendre des downvotes sans qu’on soit capable de vous expliquer précisément pourquoi. Et la réputation, personnellement, je m’en foutais complètement. Le problème, c’est que sur Stack Overflow, les votes ne sont pas seulement décoratifs. À force d’avoir un mauvais historique, vous pouvez être limité, puis carrément empêché de poser de nouvelles questions. Donc quelques votes négatifs anonymes, parfois sans aucune justification, peuvent finir par décider si vous avez encore le droit d’utiliser la fonction principale du site. C’est là que leur système devient profondément mauvais. Parce que la note prétend mesurer la qualité du contenu, alors qu’elle peut aussi refléter l’effet de meute, l’ancienneté, les habitudes du groupe, la réputation préalable de l’auteur ou simplement l’antipathie. Et ce problème n’est pas une invention rétrospective. En 2018, Stack Overflow publiait lui-même un billet intitulé : “Stack Overflow Isn’t Very Welcoming. It’s Time for That to Change.” L’entreprise reconnaissait que trop d’utilisateurs percevaient le site comme hostile ou élitiste : nouveaux arrivants downvotés sans comprendre pourquoi, commentaires condescendants, règles obscures, sentiment permanent de faire quelque chose de travers. Ils savaient. Mais une partie de la communauté a continué à considérer cette dureté comme une qualité. Une question imparfaite ? On ferme. Une question vaguement similaire à quelque chose posé huit ans plus tôt ? Duplicate. Un débutant n’a pas parfaitement isolé son problème ? Qu’il revienne plus tard. Individuellement, certaines de ces règles peuvent se défendre. Collectivement, elles ont créé une culture où le développeur qui demandait de l’aide devait d’abord prouver que sa question méritait d’exister. Et le plus révélateur, c’est qu’en février 2025, un utilisateur publie sur Meta Stack Overflow un message intitulé : “The moderation culture of the site needs to change or it will finish killing it.” En clair : votre culture de modération est en train de tuer le site. Le message est massivement downvoté et finit fermé. Et dans les échanges, certains habitués expliquent en substance que si des utilisateurs partent, ce n’est pas forcément une mauvaise chose : moins de bruit, moins de mauvaises questions, davantage de contrôle sur la qualité. Un utilisateur dit : “Votre comportement fait fuir les gens.” Une partie de la communauté répond : “Tant mieux.” Puis ChatGPT arrive. Et soudain, plus besoin de convaincre qui que ce soit que votre question mérite d’exister. Vous pouvez mal la formuler, ajouter une précision, corriger votre contexte, donner votre version de .NET, votre framework, votre stacktrace, votre contrainte particulière. L’IA s’adapte. Elle ne vous met pas -3. Elle ne ferme pas votre question. Elle ne vous renvoie pas sèchement vers un sujet de 2012 qui ressemble vaguement au vôtre. Et les développeurs sont partis. C’est pour moi le cœur de l’histoire. Si Stack Overflow avait créé une communauté dans laquelle les développeurs avaient réellement plaisir à revenir, ChatGPT aurait évidemment réduit le nombre de questions simples. Mais il n’aurait probablement pas vidé la communauté de cette manière. Reddit n’a pas disparu avec l’IA. Discord n’a pas disparu. GitHub n’a pas disparu. Parce qu’une vraie communauté ne sert pas uniquement à produire une réponse finale. Elle sert aussi à discuter, comparer des approches, partager de l’expérience et échanger avec d’autres humains. Stack Overflow avait tout pour devenir cette communauté. À la place, il a progressivement traité l’interaction humaine comme du bruit à filtrer afin de construire la base de connaissances la plus propre possible. Puis les machines sont devenues capables d’exploiter cette base directement. Et économiquement, le résultat est tout aussi spectaculaire. En 2021, Prosus rachète Stack Overflow pour environ 1,7 milliard de dollars. Depuis, l’entreprise a subi deux grosses vagues de licenciements : environ 10 % des effectifs, puis 28 % quelques mois plus tard. Elle a dû profondément se restructurer. Et environ 1,5 milliard de dollars de la valeur d’acquisition ont depuis été dépréciés. Près de 87 % du prix payé en 2021. L’ironie finale est presque parfaite. Pendant quinze ans, des millions de développeurs ont gratuitement construit l’une des plus grandes bases de connaissances techniques du monde. Puis les IA sont arrivées. Les développeurs se sont mis à poser leurs questions directement à ces IA. La communauté Stack Overflow s’est effondrée. Et aujourd’hui, l’une des nouvelles activités de Stack Overflow consiste justement à vendre cette gigantesque base de connaissances aux entreprises qui développent ces IA. Je ne pense donc pas que ChatGPT ait simplement tué Stack Overflow. Je pense que Stack Overflow avait passé des années à créer les conditions idéales pour être remplacé. L’IA n’a pas détruit une communauté solide. Elle a surtout donné une porte de sortie à des développeurs qui supportaient Stack Overflow parce qu’ils n’avaient pas mieux. À force de traiter leurs utilisateurs comme du bruit potentiel à filtrer, ils ont oublié de leur donner une raison de rester.

• 
  Kelley_abakar (@kelley_abakar) a signalé il y a 21 minutes

  Je pensais que les lenteurs et les dysfonctionnements sur les pull requests étaient isolés à mon niveau, alors qu'il s'agit en réalité d'un bug généralisé de GitHub.

• 
  Jp (@jipe_ia) a signalé il y a 23 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.

• 
  Ech0 (@ech0re) a signalé il y a 23 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, ça coûtait pas cher en tokens, par contre je pense pas que je l'aurais moi même utilisé pour mon service, 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.

• 
  Karog (@_karog) a signalé il y a 24 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