0910 | Agents en usine, confiance vérifiée : la semaine où l'IA s'industrialise

Claire Martin: Bonjour et bienvenue, c'est Claire Martin.

Nicolas Moreau: Et Nicolas Moreau. Aujourd'hui, on vous propose un tour d'horizon de ce qui vient de sortir sur Product Hunt ces dernières vingt-quatre heures. Et il y a un fil rouge assez clair dans tout ça : l'autonomie des agents IA, et surtout la confiance. On donne aux agents plus de pouvoir, on leur demande de travailler pour nous, de nous guider, de décider. Mais est-ce qu'on peut leur faire confiance ?

Claire Martin: C'est exactement le cœur de l'épisode. On va passer de l'infrastructure qui fait tourner les agents, aux outils qui les sécurisent, puis à la confiance de manière générale appliquée aux humains et à la science, avant de terminer sur une note plus légère, mais pas seulement.

Nicolas Moreau: Commençons par l'usine logicielle. Il y a un projet qui a fait beaucoup parler : Mastra Factory. Tu connais Mastra ?

Claire Martin: Alors Mastra, c'est un framework TypeScript open source pour construire des agents IA, bien connu dans l'écosystème. Et leur nouvelle sortie, Mastra Factory, c'est une usine logicielle pilotée par agents. L'idée, c'est de couvrir tout le cycle : de l'issue au déploiement, avec des agents de codage persistants, des espaces de dépôt, la collecte des tickets, la planification, l'implémentation, et même la revue des pull requests, le tout dans une application web que vous contrôlez.

Nicolas Moreau: Et le détail qui a fait réagir tout le monde, c'est le boomerang : Mastra utilise sa propre Factory pour développer Mastra. Ils affirment que leurs agents écrivent déjà plus de vingt-cinq pour cent de leurs pull requests. Un membre de l'équipe monte même à trente pour cent des PR et soixante pour cent des issues fermées. Mais attention, ça reste leurs chiffres, on ne peut pas les vérifier indépendamment.

Claire Martin: Non, et il faut le dire clairement : ce sont des affirmations du maker, pas des résultats audités. Ça dit quand même quelque chose d'intéressant sur leur niveau de confiance dans leur propre outil. Le point structurel, c'est que la Factory organise le travail en phases : intake, triage, planification, construction, revue, terminé. Et à chaque étape, vous configurez des règles selon le type de travail.

Nicolas Moreau: C'est là qu'ils se différencient, d'après ce que dit un utilisateur de longue date dans les commentaires. Il explique avoir testé tous les outils de type usine logicielle pendant un an. Certains sont faciles à utiliser mais rigides, donc bons pour corriger des bugs et pas plus. D'autres sont configurables mais tellement difficiles à installer que personne ne les adopte. Selon lui, Mastra a trouvé l'équilibre entre les deux.

Claire Martin: Et il y a un argument d'usage qui revient dans les retours de l'équipe : ça déplace le travail avec les agents hors des machines individuelles vers un environnement partagé. On voit comment les collègues pilotent leurs agents, on apprend d'eux, et on peut taguer la Factory dans Slack pour qu'elle prenne en charge une petite tâche qu'on aurait sinon oubliée.

Nicolas Moreau: Côté accès, c'est open source. Un projet Factory utilise la plateforme Mastra pour l'authentification, la base de données et les sandbox, mais le serveur, l'interface et le Studio tournent en local, et on peut héberger sur sa propre infrastructure. Niveau tarifs : un offre gratuite avec cent mille événements d'observabilité et vingt-quatre heures CPU, une offre Teams à deux cent cinquante dollars par mois, et une offre Enterprise sur devis.

Claire Martin: Alors les questions ouvertes, parce qu'il y en a. Un commentateur demande comment la mémoire se comporte quand un même agent sert plusieurs utilisateurs différents. Un autre demande si le contexte est stocké indéfiniment ou nettoyé automatiquement. Pas de réponse tranchée dans les sources.

Nicolas Moreau: Et pour situer Mastra dans le paysage, Spotify a récemment lancé son propre outil, Xirp, et Mastra se positionne en alternative open source et configurable.

Claire Martin: Passons à un autre maillon de cette chaîne : la passerelle. Parce que si vos agents et vos applications font des appels à des dizaines de modèles de dizaines de fournisseurs, il faut bien quelque chose qui orchestre tout ça.

Nicolas Moreau: C'est GoModel. Un fondateur solo de Varsovie, Jakub, premier lancement sur Product Hunt. Son histoire : en octobre dernier, il cherchait une passerelle IA pour sa startup, a regardé LiteLLM, la référence du genre, et a jugé qu'elle avait de sérieux problèmes de qualité — il parle de plus de cinq cents issues inexpliquées en production — et un problème de fond : Python n'est pas le bon outil pour un logiciel de type proxy.

Claire Martin: Alors il en a écrit une en Go. Et c'est là que le positionnement devient très concret. GoModel, c'est une passerelle IA open source qui expose une API compatible OpenAI pour tous les fournisseurs : OpenAI, Anthropic, Gemini, Bedrock, Vertex, Azure, Groq, Ollama, vLLM, et plus encore — trente et un fournisseurs revendiqués derrière un seul endpoint. Le tout dans un seul binaire, avec une image Docker d'environ vingt mégaoctets, licence MIT, on apporte ses propres clés.

Nicolas Moreau: Et l'argument commercial est limpide : c'est une alternative auto-hébergée à OpenRouter et LiteLLM. Un commentaire le résume bien : un binaire de vingt mégaoctets, auto-hébergé et sous licence MIT, c'est bien plus facile à défendre en interne que d'acheminer tout son trafic — avec ses clés API — par l'infrastructure de quelqu'un d'autre.

Claire Martin: Ce que ça fait concrètement : du routage avec rotation round-robin sur plusieurs clés par fournisseur, des alias — vous publiez un nom stable comme smart-chat et vous remappez le vrai modèle derrière par simple changement de config, pas de changement de code. Il y a de l'équilibrage de charge pondéré, ou du routage par coût qui choisit le modèle le moins cher capable de traiter la requête.

Nicolas Moreau: Le cache aussi. Correspondance exacte des requêtes : si deux fois la même requête arrive, la seconde est servie depuis le cache — l'exemple sur leur site montre une première requête à un dollar quarante-deux et une seconde à zéro dollar en trente-huit millisecondes. Plus des workflows scopés : vous activez cache, audit, budgets, garde-fous ou failover par fournisseur, par modèle ou par chemin utilisateur. Et des clés API virtuelles pour les équipes, à la place des credentials brutes.

Claire Martin: Maintenant, la vraie question posée par la communauté, c'est le failover. Et c'est là que ça devient intéressant, parce que les questions sont précises. Une personne explique qu'elle utilise OpenRouter en premier avec des clés directes derrière, et que deux de leurs modèles n'ont pas de clé directe — donc le routeur est un point de défaillance unique. Elle demande si l'auto-hébergement permet d'épingler un ordre de secours par modèle.

Nicolas Moreau: Et une autre question, très fine : comment GoModel décide-t-il de basculer vers un autre modèle plutôt que de réessayer le même fournisseur ? Et que se passe-t-il quand un fournisseur est dégradé mais pas totalement en panne — latence élevée plutôt qu'erreur dure — est-ce qu'on attend un seuil de timeout ou on réagit aussi aux taux d'erreur ?

Nicolas Moreau: Sur leur site, on voit une trace d'audit où un timeout sur gpt-4o déclenche un fallback vers Groq, donc ça existe, mais le comportement exact en cas de dégradation partielle reste ouvert.

Claire Martin: Retenez le fil : GoModel et Mastra Factory répondent au même besoin — déléguer le travail aux agents sans perdre le contrôle — mais à des étages différents. La Factory organise le flux de travail, la passerelle orchestre les appels aux modèles. Et ce qui connecte les deux, c'est que plus les agents travaillent seuls, plus la question devient aiguë : qui les empêche de faire des bêtises ?

Nicolas Moreau: Et c'est exactement là que le projet suivant entre en scène. Harden, avec son outil appelé AIF, pour Agentic Integrity Foundation. Le co-fondateur, Pushpak, décrit très bien le problème : les meilleures journées avec un agent de code, c'est quand vous lui confiez quelque chose de réel, vous partez, et vous revenez sur du travail fini. Les pires, c'est quand vous restez là à approuver chaque commande comme un parent anxieux.

Claire Martin: Et tout le monde a une histoire, dit-il. Un rm -rf dans le mauvais dossier. Un fichier .env collé dans un chat. Une migration qui a touché la prod au lieu du staging. Un curl qui a envoyé une table clients vers un domaine inconnu. Alors on fait du babysitting, et le babysitting limite ce qu'on peut déléguer.

Nicolas Moreau: La solution de Harden : un modèle post-entraîné de huit milliards de paramètres qui vérifie chaque action d'agent avant qu'elle ne s'exécute, en utilisant la requête et le contexte de session. À l'intérieur de la tâche ? L'agent continue. Fuite de secret, envoi de données quelque part d'inhabituel, suppression de table ? AIF met en pause, réécrit ou bloque cette action-là, et l'agent continue avec tout le reste.

Claire Martin: C'est le détail que beaucoup ont souligné : la sécurité n'interrompt pas le workflow. Un commentateur dit exactement ça — une couche de sécurité qui ne coupe pas constamment le travail, c'est bien mieux. Et ça vérifie les commandes, les éditions de fichiers, les appels d'outils et les requêtes sortantes.

Nicolas Moreau: Deux points forts différenciants. D'abord, ça tourne entièrement en local — votre dépôt, votre contexte et les sorties des outils restent sur votre machine. Ensuite, l'interopérabilité : ça marche avec Claude Code, Cursor, Codex, Hermes, OpenClaw, Kiro et Antigravity. C'est gratuit pour les développeurs individuels, l'installation prend environ une minute.

Claire Martin: Ils affirment aussi que ce modèle de huit milliards bat des modèles de frontière sur tous les benchmarks de sécurité agentique. Là encore, affirmation du maker — mais c'est un argument de positionnement fort : un petit modèle spécialisé qui rivalise avec les gros modèles généralistes sur une tâche précise.

Nicolas Moreau: Et le cas concret raconté dans les commentaires est parlant. Un agent déboguait un problème Stripe pendant des heures : lecture de logs, édition de code, tests. Une édition précédente avait laissé des adresses e-mail de clients dans le fichier final, et l'agent a ensuite essayé de téléverser ce fichier vers Datadog. AIF a raisonné sur l'action, relié le téléversement aux éditions antérieures, bloqué le transfert et expliqué à l'agent quoi corriger.

Claire Martin: Et un chiffre revendiqué depuis le lancement : quarante-neuf appels d'outils risqués déjà bloqués. Encore une fois, à prendre comme un témoignage du maker, mais ça montre l'intention. Les questions en suspens : quelle latence le modèle local ajoute-t-il par appel d'outil sur les longues sessions ? Et surtout, une excellente question d'un commentateur : comment AIF gère-t-il les actions qui ne sont pas évidemment dangereuses, mais qui sortent quand même de l'intention de la tâche initiale ?

Claire Martin: Pas de réponse claire dans les sources.

Nicolas Moreau: Restons dans ce thème de guider l'agent — mais ici dans l'autre sens. Pas l'agent qui agit sur le monde, mais l'agent qui aide les utilisateurs d'un produit. Frigade Assist API.

Claire Martin: Le problème, décrit par Christian, le CTO et co-fondateur : la plupart des agents IA intégrés dans les produits répondent à la question « comment est-ce que je fais ça ? » par un mur de texte, parce qu'ils ne voient pas l'écran. Ils recrachent un centre d'aide dépassé, sans contexte sur l'état de l'utilisateur dans l'application.

Nicolas Moreau: La solution tient en une idée : votre agent existant enregistre un seul outil, et quand un utilisateur demande comment faire quelque chose, Frigade dessine un guide pas-à-pas directement sur la page, au-dessus de votre interface. Un peu comme un frein avant exécution, mais pour l'humain : on ne lui dit pas juste quoi faire, on lui montre où cliquer.

Claire Martin: Et il y a une logique de repli en trois niveaux : si Frigade peut construire un guide, il le dessine. Sinon, il rend à l'agent une réponse en texte brut à relayer. Et s'il ne peut vraiment pas aider, il le dit. Il indique aussi à l'agent ce que l'utilisateur regarde actuellement — donc « que signifie cette erreur ? » a enfin un « ceci ».

Nicolas Moreau: Le détail dont Christian est le plus fier, c'est la connaissance du produit. Vous donnez un compte de test, et un agent navigateur se connecte et construit sa propre carte du fonctionnement de l'application. Ça se relance selon un calendrier, donc quand vous déplacez un bouton ou lancez une fonctionnalité, la carte est à jour. Ça attaque le problème du centre d'aide obsolète à la racine.

Claire Martin: Et la communauté a posé les bonnes questions. Une personne demande comment Frigade décide entre dessiner le guide et donner une réponse texte — c'est l'agent qui décide, ou Frigade selon qu'il a un workflow enregistré ? Autre question : comment la carte gère-t-elle ce que le compte de test ne peut pas voir — les feature flags, les plans supérieurs ? Faut-il plusieurs comptes ?

Nicolas Moreau: Et le commentaire le plus exigeant, qui vaut la peine d'être cité : le guide obsolète. Quand une réponse texte devient obsolète, on s'en rend compte. Mais un pointeur obsolète met en évidence avec assurance le mauvais élément, et l'utilisateur fait ce qu'on lui a dit. La question posée : Frigade sait-il quand son propre guide a dérivé ? Dériver la cible en direct depuis le DOM à chaque fois, c'est un produit complètement différent d'un sélecteur stocké. C'est la vraie limite du concept.

Claire Martin: Et pour élargir un peu le cadre, le même problème existe chez Noodle Seed, qu'on peut mentionner ici : une plateforme TypeScript qui permet d'exposer les workflows de votre produit à des agents — assistant intégré à votre produit, et les mêmes capacités disponibles pour ChatGPT, Claude et autres clients MCP — avec l'identité, les permissions, les secrets et l'audit gérés par le runtime plutôt que reconstruits à la main.

Claire Martin: Même intuition : les agents doivent respecter les règles du produit, pas les contourner.

Nicolas Moreau: Donc résumé de cette partie : on sécurise ce que l'agent fait — Harden — et on sécurise ce qu'il montre — Frigade. La confiance dans l'autonomie. Et maintenant, sortons du code, parce que cette logique de vérification s'applique aussi aux humains et à la science.

Claire Martin: Premier exemple : le recrutement. WorkID.ai. Le fondateur, Thor, vingt-cinq ans dans le recrutement tech. Son constat : le CV était exagéré depuis toujours, mais gérable, on triait en conversation. Les deux dernières années ont cassé ça. L'IA a rendu gratuit le fait de postuler partout, et d'être qui on veut sur le papier.

Nicolas Moreau: Un recruteur ouvre maintenant un pipeline de trois cents candidatures, dont la plupart sont générées, et certaines viennent de gens qui n'existent pas. Il cite Gartner : un profil de candidat sur quatre serait faux d'ici 2028. Attention, c'est une projection de Gartner, pas un constat — mais la direction du problème est crédible.

Claire Martin: Et ce qui le dérange le plus, ce n'est pas la fraude. C'est son effet sur les candidats honnêtes. Quand le recruteur ne peut plus distinguer le vrai du faux, il arrête de lire attentivement et filtre brutalement, et les bonnes personnes disparaissent dans la pile sans même un refus.

Nicolas Moreau: La réponse de WorkID : vérifier l'identité et l'expérience professionnelle. L'entreprise ouvre un profil déjà vérifié, avec un Trust Score sur cent, qu'on peut rechercher et filtrer. Le candidat prouve les choses une fois, au lieu de repartir de zéro dans chaque process. Le site montre un exemple de profil d'ingénieure avec chaque poste marqué « vérifié ». C'est gratuit pour commencer, disponible mondialement, orienté recrutement international.

Claire Martin: Mais la communauté a mis le doigt exactement là où ça fait mal. Deux questions, en substance : comment vérifiez-vous concrètement l'emploi ? Et une personne décortique la capture d'écran : le score sur cent — qu'est-ce qui le nourrit réellement ? Si c'est des données de CV auto-déclarées plus un peu de recoupement, ce n'est pas résoudre le problème de confiance, c'est coller une étiquette de confiance sur les mêmes allégations.

Nicolas Moreau: Et c'est la question à retenir, parce que Thor la pose aussi lui-même, honnêtement : est-ce qu'un profil vérifié suffirait un jour à sauter le premier entretien de filtrage ? C'est le pari qu'on demande aux recruteurs de faire, et il avoue ne pas savoir où passe la ligne. Donc produit intéressant, mais le cœur du système — la mécanique de vérification — reste l'inconnue majeure.

Claire Martin: Et si on reste sur la confiance, mais côté science : Google DeepMind a lancé AlphaGenome Atlas. Et là, l'échelle donne le vertige. Ils ont précalculé les prédictions d'AlphaGenome pour les neuf milliards de modifications possibles d'une seule lettre dans l'ADN humain.

Nicolas Moreau: Neuf milliards. Un pétaoctet de données. Et l'idée, c'est que les chercheurs peuvent explorer et prioriser les variantes, y compris dans les régions non codantes de l'ADN — celles qu'on comprenait le moins. C'est gratuit via une interface web visuelle, avec une API et une intégration Antigravity pour aller plus loin. Plusieurs commentateurs font le parallèle avec le moment AlphaFold : une ressource qui pourrait devenir de référence pour la génétique.

Claire Martin: Et le point du lancement qui a été salué, c'est l'accessibilité : vous n'avez pas besoin d'être programmeur pour explorer. Un non-biologiste écrit dans les commentaires que c'est fascinant d'avoir accès, en tant que simple mortel, à un tel jeu de données.

Nicolas Moreau: Mais là encore, un commentaire apporte la nuance essentielle : tout le monde réagit aux neuf milliards, mais ce chiffre est peut-être plus proche du problème que de l'exploit. Précalculer chaque changement possible d'une lettre signifie que presque tout est du bruit par construction — et décider lesquels méritent qu'on les regarde, c'était déjà la partie difficile.

Nicolas Moreau: Ce qui rejoint une autre question : l'interface rend-elle ces résultats lisibles pour les non-spécialistes, ou est-ce réservé aux chercheurs qui savent déjà lire un score d'effet de variante ?

Claire Martin: Le point commun entre WorkID et AlphaGenome Atlas, c'est frappant : dans les deux cas, on remplace des allégations — un CV, une intuition de biologiste — par de la vérification systématique. Et pour finir sur la confiance appliquée au quotidien, on glisse vers l'IA grand public.

Nicolas Moreau: Commençons par le plus gros: ChatGPT Images 2.5 d'OpenAI. Leur modèle d'image de nouvelle génération, disponible dans ChatGPT, ChatGPT Work, Codex et via l'API. Ce qui change : des détails plus nets, une génération plus rapide — jusqu'à cinquante pour cent de latence en moins par rapport à Images 2.0 — et surtout une édition multi-tours plus fiable : le modèle préserve mieux les sujets, la composition, le style et les détails d'une modification à l'autre, et suit mieux les instructions.

Claire Martin: Côté fonctionnalités concrètes : Sketch, qui transforme un dessin approximatif en image finie. Des modèles pour les affiches, flyers, produits merchandising, photos produits. Des commentaires directement sur les images pour des éditions ciblées. Et le partage des prompts avec les images. Une utilisatrice témoigne que son équipe marketing utilise beaucoup gpt-image-2 et se réjouit de la 2.5.

Nicolas Moreau: Dans la même veine grand public, il y a Muse de Meta. Le pitch : un agent IA personnel qui accomplit des choses. Vous lui donnez un objectif ou une tâche quotidienne — finances, santé, shopping, les gens qui comptent pour vous — et il gère le reste.

Claire Martin: Le contexte intéressant, c'est ce qu'en dit un commentateur averti : Muse embarque sa propre expérience de messagerie, ce qui en ferait le grand coup de Meta contre ChatGPT. Facebook Messenger semble hors jeu ici, WhatsApp étant la seule intégration de messagerie supportée. Et il note la présence d'Alex Cornell, connu pour son travail précédent sur Cocoon.

Nicolas Moreau: Mais les questions en suspens sont lourdes. Beaucoup de monde demande la disponibilité en Europe — pas de réponse dans les sources. Et surtout : quand un agent gère vos finances et votre santé, quel est le flux d'approbation ? Chaque action confirmée individuellement, ou bien l'agent obtient-il une permission permanente après quelques tâches ?

Nicolas Moreau: Un commentateur résume bien le paradoxe : les finances et la santé sont précisément les deux catégories où on voudrait le plus de garde-fous, pas le moins.

Claire Martin: Continuons dans le créatif et le ludique, avec Diiverge. C'est le projet de Charlie, et l'idée est vraiment originale : vous partez d'une image — photo, peinture, capture d'écran — et ça devient une aventure point-and-click.

Nicolas Moreau: Concrètement : vous cliquez sur quelque chose dans la scène, vous choisissez ce qui se passe, et l'IA génère la scène suivante, plus un court film du moment entre les deux. Et le détail qui change tout : chaque chemin emprunté est sauvegardé. Le visiteur suivant peut explorer les branches que vous avez créées, et une carte montre toutes les branches prises.

Claire Martin: Techniquement, c'est un enchaînement de modèles, décrit sur le site : un modèle de segmentation découpe les éléments de l'image et les rend cliquables, un modèle de vision décide ce que c'est et ce que ça pourrait faire, un modèle d'image peint la conséquence de votre choix, un modèle vidéo rend le moment intermédiaire en film, et un modèle juge lit l'histoire pour couper tout choix qui casserait la continuité.

Nicolas Moreau: Côté accès : les mondes publics sont gratuits, avec un nombre fixe de scènes gratuites par volume — générer coûte de l'argent réel, donc le monde cesse de grandir quand le quota est épuisé, sauf si des sponsors en ajoutent, à partir de vingt-cinq dollars, environ deux scènes par dollar. Dans le studio, vous pouvez transformer votre propre image en aventure avec des packs de scènes payants, et votre création reste privée jusqu'à ce que vous la partagiez.

Claire Martin: Question ouverte posée par un utilisateur : est-ce que le monde garde une mémoire des choix au sein d'une même partie, ou chaque scène est-elle générée indépendamment de ce qui s'est passé avant ? Ça change beaucoup pour l'immersion.

Nicolas Moreau: Et pour finir cette partie, un cas plus prosaïque mais très utile : AdScope. Oren, cofondateur et CEO, quinze ans à gérer des campagnes publicitaires. Son constat : un fossé énorme entre les marketeurs et les patrons d'entreprise. Les agences passent des heures à construire des rapports manuels, les patrons veulent juste savoir où va leur argent sans déchiffrer des tableurs.

Claire Martin: AdScope connecte vos comptes Meta et Google Ads en lecture seule — pas de pixel, pas de code — dans un dashboard pensé pour le mobile. L'idée centrale : afficher chaque créa publicitaire réelle juste à côté de ses propres métriques. Au lieu de décoder une ligne appelée « final-3-copy », vous reconnaissez la pub gagnante.

Nicolas Moreau: Et pendant l'onboarding, vous définissez votre type d'activité — e-commerce ou génération de leads — et le tableau de bord s'adapte. Les métriques des campagnes s'ajustent aussi dynamiquement selon le type de campagne. Ils appellent ça la règle des cinq secondes : vous ouvrez votre téléphone, vous voyez ce qui marche. Un utilisateur témoigne : il a été ce type qui plisse les yeux devant un tableur un lundi matin, et se réjouit que ce soit moins pénible.

Claire Martin: Prix : dix jours d'essai, puis 9,99 dollars par mois — tarif de lancement verrouillé douze mois, contre 39,99 normalement. Pas de carte avant que le dashboard soit construit. L'accès est en lecture seule, donc impossible de modifier ou mettre en pause une campagne. TikTok arrive, mais n'est pas encore disponible.

Nicolas Moreau: Mais la critique la plus dure de la communauté mérite d'être dite : montrer les créas à côté des métriques, ce n'est pas nouveau — les grandes plateformes le font déjà. La question posée frontalement : quelle est la vraie différenciation par rapport à une interface plus propre sur les mêmes données Meta et Google ? Réponse absente des sources.

Nicolas Moreau: Et un autre retour précieux : sur la page d'accueil, il est écrit « pas de carte avant que votre dashboard soit construit », mais après la récupération des structures de compte, l'écran suivant était la sélection du plan — jamais un aperçu rapide de ses propres données. L'écart entre la promesse et le parcours.

Claire Martin: Donc côté IA créative et grand public : des outils puissants, mais dans un marché saturé, la différenciation et le niveau de contrôle réel sont les vraies questions.

Nicolas Moreau: Et pour clore, on change complètement de ton. Parce que parfois, la même technologie sérieuse devient un spectacle. Deux projets qui illustrent ça parfaitement.

Claire Martin: Le premier : Ass Auction. Oui, tu as bien entendu. C'est le plus petit réseau publicitaire du monde : une seule emplacement publicitaire — une paire de boxers. Le maker, Mahdif, le présente comme une blague sur le montant que les marques paient pour capter l'attention, et le peu dont on se souvient.

Nicolas Moreau: Le mécanisme : vous payez au moins cinq dollars, votre logo rejoint le classement au rang que votre argent achète. N'importe qui peut payer plus et vous pousser vers le bas. Votre dépense totale détermine votre rang, donc pour remonter, vous ne payez que la différence. Les vingt-deux premiers sont portés sur les boxers. Pas de compte, juste une URL ou un pseudo X, et Stripe.

Claire Martin: Deux détails d'ingénierie que le maker met en avant et qui sont malins : le rang n'est jamais stocké — il est recalculé à partir des paiements réels à chaque fois, donc impossible de tricher pour accéder aux boxers. Et il y a un e-mail quand on vous devance — il dit qu'il serait ravi de voir votre logo, surtout pour vous envoyer l'e-mail de dépassement. Et un chat appelé Gossip, qui est exactement ce que vous imaginez.

Nicolas Moreau: Et pour le mystère : si vous tirez les boxers vers le bas, une petite récompense vous attend. Il n'en dira pas plus. Et il termine par : posez-moi n'importe quoi, surtout à propos du tatouage. Sur la plateforme en ce moment : Activepieces en première position à cinq dollars, avec environ cent dix clics envoyés vers leur produit. Le classement complet coûte cinq dollars par place, avec option de voler la place pour dix.

Claire Martin: Et le deuxième spectacle : DuckFightClub. Imaginez du catch professionnel, mais avec des canards robots entraînés par renforcement. Le contexte : Hugging Face et Pollen Robotics ont dévoilé MicroDuck, un bipède open source de vingt-cinq centimètres, avec plus de dix mille unités prévendues en quelques jours.

Nicolas Moreau: Mais au lieu d'un simple projet type Kickstarter, l'équipe a livré un simulateur et un environnement d'entraînement complet, pour que vous puissiez apprendre à votre robot des mouvements avant même qu'il ne soit livré. Des gens ont appris à leur canard virtuel à breakdancer ou danser comme un cygne. Et une simulation de JP Gallego où des modèles entraînés faisaient jouer les robots au sumo a inspiré ce lancement.

Claire Martin: Le format : huit équipes dépensent des jours à entraîner des politiques de renforcement pour leur MicroDuck, puis on les jette dans le simulateur pour se battre en sumo — premier poussé hors du cercle a perdu, en meilleur des trois. Tout est retransmis en direct sur YouTube, le 2 octobre 2026, et l'équipe gagnante remporte la ceinture Golden Beak. Le tableau est déjà dessiné : Hugging Face Pond Ops, MIT WaddleWorks, CMU Servo Squad, et d'autres.

Nicolas Moreau: Et il y a une dimension locale : le format est ouvert, n'importe qui peut organiser un showdown dans sa ville. Paris est confirmé — du 1er au 3 décembre 2026, appelé « Prise de bec », dans le cadre de Generation AI — et Barcelone arrive bientôt. Il y a aussi des sponsors, avec des emplacements dans l'arène virtuelle : centre du tapis à partir de deux mille dollars, panneau d'apron à cinq cents, et le grand mur d'arrière-plan à partir de quinze mille dollars.

Claire Martin: Un commentateur souligne ce qui est vraiment bien : transformer un classement de renforcement en sport à spectater. Et une question reste ouverte : les politiques sont-elles réentraînées de zéro à chaque compétition, ou les équipes peuvent-elles conserver et affiner leur canard entre les saisons ? Pas de réponse dans les sources.

Nicolas Moreau: Et bien sûr, tout le monde a relevé la blague : le slogan est « première règle de DuckFightClub : n'en parlez pas autour de vous ». Un commentateur note que retransmettre en direct une compétition dont la première règle interdit d'en parler, c'est une lecture audacieuse du matériau source. Et un autre : ça casse la première règle.

Claire Martin: Et ce qui est fascinant, c'est que les deux projets utilisent des technologies très sérieuses — paiements réels et recalcul de rang pour l'un, renforcement pour l'autre — mais détournées en spectacle communautaire. C'est une belle note de fin : après une journée où on a donné plus d'autonomie aux agents, on se souvient que la technologie, c'est aussi des gens qui s'amusent.

Nicolas Moreau: Voilà pour ce briefing. Si on devait retenir trois choses : l'infrastructure agentique se professionnalise vite — Mastra Factory et GoModel en témoignent ; la sécurité et le guidage deviennent des couches à part entière — Harden et Frigade ; et la confiance, qu'elle soit dans un CV ou dans un génome, se déplace vers la vérification systématique.

Claire Martin: Merci de nous avoir écouté. On se retrouve très vite pour un nouveau tour des lancements du jour. D'ici là, ne parlez pas du club de combat de canards.

Nicolas Moreau: Ou alors, parlez-en. Apparemment, tout le monde casse la règle.