0918 | Bâtir moins, mieux comprendre : la semaine tech en débat

Claire Martin: Bonjour à tous, bienvenue dans l'émission. Claire Martin avec vous, aux côtés de Nicolas Moreau.

Nicolas Moreau: Salut Claire, salut à tous. Ce qui relie les histoires d'aujourd'hui, c'est une question de dosage : construire moins mais mieux, faire tourner des modèles géants ou des modèles minuscules, et savoir où mettre la confiance — dans les outils, dans les langages, dans les preuves.

Claire Martin: On commence justement par le dosage. Une citation qui a circulé et qui mérite d'être posée : Liam Nugent rappelle que la décision produit la plus importante est ce qu'on décide de ne pas construire. Et McGovern va plus loin avec un chiffre : supprimer 80 à 90 pour cent du contenu augmenterait les ventes et ferait baisser le support.

Nicolas Moreau: C'est contre-intuitif au premier abord, mais dès qu'on y réfléchit deux minutes, ça colle à l'expérience de tout le monde. Chaque page de documentation en plus, chaque fonctionnalité de plus, c'est du support en attente, des questions qu'on devra répondre, des bugs potentiels. Quand tu coupes 80, 90 pour cent, tu ne supprimes pas de la valeur, tu supprimes surtout de la surface d'erreur.

Claire Martin: Et il y a un effet en cascade : moins de contenu, donc moins de choses à maintenir, donc plus de temps pour soigner ce qui reste. Le point intéressant, c'est que McGovern ne parle pas d'une coupe esthétique, il relie la soustraction directement aux ventes. Autrement dit, moins d'options vendre mieux.

Nicolas Moreau: Exactement. Et ce qui est frappant, c'est qu'un autre texte prolonge exactement cette intuition dans le domaine du développement logiciel. Sur le blog Detail, après ce qu'ils appellent la déception du « tokenmaxxing », le constat est qu'il manque des primitives pour des codebases auto-pilotées. Les tokens, la puissance brute, ne suffisent pas.

Claire Martin: Le « tokenmaxxing », c'est l'idée qu'en mettant plus de contexte, plus de tokens, plus de puissance, on finira par avoir des agents qui gèrent tout seuls des bases de code entières. Et Detail dit : on a essayé, on est déçus, ce n'est pas la quantité qui manquait, c'est les bons outils de base.

Nicolas Moreau: Et la conclusion du blog rejoint Nugent presque mot pour mot : le travail le plus précieux reste les bonnes idées et l'architecture. Pas l'accumulation. C'est amusant de voir la même leçon émerger d'un côté de la produit et de l'autre de l'ingénierie IA.

Claire Martin: La question ouverte, évidemment, c'est : où s'arrête la coupe ? Si 80 pour cent c'est bien, est-ce que 95 pour cent c'est mieux ? Il y a sûrement un seuil en dessous duquel on commence à couper du muscle.

Nicolas Moreau: Oui, et personne ne le chiffre. Le chiffre de McGovern est une observation, pas une formule. C'est un point qui mérite d'être suivi : des outils qui incarnent cette sobriété, qui prennent la décision de ne pas construire comme principe de conception.

Claire Martin: Et justement, cette sobriété se heurte à une industrie des modèles qui va dans l'autre sens. Parlons des modèles IA, parce qu'aujourd'hui on a deux tendances complètement opposées qui coexistent.

Nicolas Moreau: Première tendance : l'efficacité extrême. PrismML a sorti Ternary Bonsai 2 en 27 milliards de paramètres. Le détail technique clé : des poids ternaires. Et le résultat, c'est un modèle qui tient en 5,9 gigaoctets.

Claire Martin: 5,9 Go pour 27 milliards de paramètres, il faut souligner ce que ça veut dire. Un modèle classique de cette taille, même quantifié, pèse plusieurs dizaines de gigaoctets. Là, avec des poids ternaires — donc essentiellement trois niveaux par poids au lieu de flotants 16 bits — tu divises la taille par un facteur énorme.

Nicolas Moreau: Et la performance suit : 98,2 pour cent des benchmarks de Qwen3.8-27B. Donc quasi parité avec un modèle de référence de même taille, avec une empreinte mémoire dérisoire. Il supporte 262 000 tokens de contexte, et c'est sous licence Apache 2.0, donc utilisable commercialement sans friction.

Claire Martin: C'est un modèle qui pourrait tourner sur du matériel grand public. 5,9 Go, ça rentre dans la mémoire d'un laptop ou d'une carte graphique de milieu de gamme. C'est exactement le genre de chose qui démocratise l'inférence locale.

Nicolas Moreau: Et en face, l'autre tendance : GLM annonce une inférence de production sur plus de 100 000 accélérateurs chinois. Et le détail savoureux, c'est qu'une grande partie du travail d'infrastructure a été fait par leur agent d'infra, GLM-5.3. Résultat : trois fois le débit.

Claire Martin: Trois fois le débit sur un parc de cette taille, c'est colossal économiquement. Si tu multiplies par trois ce que tu sers avec la même flotte, tu divises ton coût par requête d'autant. Et le fait que ce soit un agent IA qui ait fait une partie du boulot d'infra, c'est une démonstration en elle-même.

Nicolas Moreau: Voilà, donc deux trajectoires opposées : d'un côté compresser au maximum pour tourner partout, de l'autre scaler au maximum pour servir des charges massives. Et il y a même une troisième voie, plus expérimentale, entre les deux.

Claire Martin: Tu penses au papier arXiv 2609.18842 ? Parce que celui-là est vraiment conceptuellement dérangeant. Ils appellent ça un LLM à paramètres infinis.

Nicolas Moreau: Explique, parce que le terme mérite d'être démonté.

Claire Martin: L'idée : au lieu d'avoir des poids fixés après l'entraînement, un hypernetwork — un réseau qui engendre un autre réseau — génère les poids à la volée, à partir des données d'interaction. Et la mise à jour se fait en ligne, de façon bayésienne. Le modèle n'a plus de poids fixes, il a des poids vivants.

Nicolas Moreau: Donc le modèle apprend potentiellement pendant qu'il sert, sans réentraînement classique. C'est philosophiquement très différent de tout ce qu'on connaît. Un modèle classique est figé ; celui-là est un processus.

Claire Martin: Et ça pose des questions immédiates de fiabilité. Si tes poids changent à chaque interaction, comment tu garantis un comportement reproductible ? Comment tu débogues ? C'est prometteur pour l'adaptation continue, mais ça bouscule toute l'ingénierie autour des modèles.

Nicolas Moreau: Et dans le même temps, ces gros modèles continuent de faire des progrès sur des terrains spécialisés. Deux exemples rapides. OpenAI a lancé Astra for Law : GPT-6 Astra couplé à un index de recherche juridique de 230 millions d'URLs. Sur le benchmark de recherche juridique de Vals-AI, ça donne 54,0 pour cent contre 38,7 pour cent.

Claire Martin: Un écart de quinze points sur un benchmark juridique, c'est substantiel. Et l'Economist rapporte que l'IA bat maintenant certains des meilleurs pronostiqueurs humains. Ce qui est intéressant, c'est que la discussion autour de cet article doutait de la nouveauté du résultat — l'idée que des machines prédisent aussi bien que des experts n'est pas neuve, la question est de savoir sur quelles populations de questions et avec quelle généralité.

Nicolas Moreau: Oui, et ça fait écho à un débat qu'on retrouvera plus tard sur la rigueur. Mais restons sur les outils, justement. Parce que la question de la confiance dans les outils nous amène au troisième grand sujet : les langages et l'écosystème de développement.

Claire Martin: Trois nouvelles, trois angles. D'abord Skillsync, issu du lot YC W26. Le problème qu'ils attaquent : les sessions d'agents IA — le chat, le raisonnement, les appels d'outils — sont enfermées dans un outil. Skillsync les porte d'un agent à l'autre, entre Claude Code, Codex et Cursor, via une moteur en Rust appelé txcript.

Nicolas Moreau: C'est un problème réel que tout le monde qui utilise plusieurs agents connaît. Tu commences une session avec un agent, il a tout le contexte de ton projet, et si tu veux changer d'outil, tu repars de zéro. Skillsync dit : le contexte de travail d'un agent devrait être un bien transférable, pas la propriété d'un éditeur.

Claire Martin: C'est une bataille d'interopérabilité, exactement comme on l'a eue pour les formats de documents ou les messageries. La question à suivre : est-ce que les éditeurs d'agents acceptent de jouer, ou est-ce qu'ils verrouillent ?

Nicolas Moreau: Deuxième angle : la portabilité, côté langage cette fois. Flet atteint la version 1.0. Le principe : des applications cross-platform sur six plateformes, écrites en pur Python. Plus de 150 contrôles, et pour le web, ça passe par Pyodide et WebAssembly.

Claire Martin: Flet, c'est la promesse « un code, six cibles » pour les développeurs Python qui ne veulent pas apprendre le natif. Le fait que ce soit un 1.0 est un signal de maturité — la fondation Flutter en dessous fait le gros œuvre du rendu, et Python fait l'interface.

Nicolas Moreau: Et le troisième angle est le plus épineux : Bend 2. C'est un langage qui intègre des preuves à la Lean — il y a un bloc LAWS.bend qui bloque les bugs IA, de la vitesse à niveau du C, et du parallélisme GPU. Conceptuellement, c'est séduisant : un langage dont le système de types est assez fort pour empêcher les agents de casser ton code.

Claire Martin: Mais voilà le problème qui a fait réagir : le dépôt a été squashé en un seul commit. Un seul commit, c'est-à-dire que tout l'historique de développement — les décisions, les erreurs, l'évolution — a été effacé. Et ça a déclenché une critique de transparence.

Nicolas Moreau: Et c'est un point très parlant dans le contexte actuel. On parle de langages conçus pour la confiance — des preuves formelles qui bloquent les bugs — mais on ne peut pas vérifier comment le langage lui-même a été construit. La confiance envers l'outil et la confiance dans l'outil ne sont pas la même chose.

Claire Martin: Exactement. Un langage qui prétend garantir l'absence de bugs mérite un audit complet de son histoire. Squasher l'historique en 2026, alors que tout le monde cherche des preuves de confiance, c'est un signal négatif, qu'on le veuille ou non.

Nicolas Moreau: La confiance, d'ailleurs, c'est exactement le pivot vers notre sujet suivant : la sécurité. Et là, on a une histoire concrète d'abord. CrowdSec a confirmé une fuite de son code source, en mai 2026.

Claire Martin: Ce qu'on sait : le vecteur serait un compromis de Tanstack. Point important — et c'est ce qui distingue une fuite de code d'une vraie catastrophe — aucune donnée client n'a été exposée. Les tokens ont été tournés par précaution.

Nicolas Moreau: C'est le genre d'incident où la réponse compte presque autant que la fuite. Un leak de code source, ce n'est pas une fuite de secrets — si le code est open source ou basé sur des pratiques connues, la valeur pour un attaquant est limitée. Mais ça révèle la chaîne d'approvisionnement : un compromis chez un fournisseur de composants, et ça remonte.

Claire Martin: Et ça nous mène au contrepoint, qui est peut-être la meilleure phrase de la journée sur la sécurité. Un essai signé netmeister conteste le hype IA en sécurité. Son argument : le véritable goulot d'étranglement, ce n'est pas la découverte de vulnérabilités, c'est le patching.

Nicolas Moreau: C'est un argument dévastateur de simplicité. Si on sait déjà trouver des milliers de vulnérabilités et qu'on n'arrive pas à les corriger à temps, ajouter une IA qui en trouve encore plus ne réduit pas le risque — elle l'augmente peut-être, en creusant le fossé entre ce qu'on sait et ce qu'on corrige.

Claire Martin: Et c'est un contrepoint direct à la tendance des skills d'audit pour agents de code. Cloudflare a justement publié un « security-audit-skill » : un skill pour agents de codage qui fait des audits de sécurité en plusieurs phases, avec des résultats vérifiés et lisibles par machine.

Nicolas Moreau: Ce n'est pas que l'outil de Cloudflare est mauvais — l'idée de findings vérifiés et machinels est bien pensée. Mais il s'attaque à la découverte, pas au patching. Le goulot, selon netmeister, est en aval : dans les équipes qui doivent prioriser, tester et déployer les correctifs.

Claire Martin: Et il y a un deuxième symptôme de cette pression IA sur l'infrastructure : GitLab.com aligne ses rate-limits sur les abonnements à partir du 19 octobre 2026. Pour les anonymes : 60 requêtes par heure. Et dans la discussion, l'hypothèse largement partagée, c'est que la raison, c'est le scraping par des LLM.

Nicolas Moreau: C'est un changement d'économie silencieux mais énorme. L'API publique gratuite existait sur une hypothèse : les humains sont polis, les usages raisonnables. Les agents IA ont cassé cette hypothèse — un agent peut consommer des téraoctets de code toute la nuit. Du coup, l'accès devient une fonction de ton abonnement.

Claire Martin: Ce qu'il faut suivre : est-ce que ce modèle se généralise ? Est-ce que l'open source reste consultable gratuitement, ou est-ce que l'accès aux dépôts devient progressivement un produit ? Et la vraie question non résolue de ce sujet : où met-on l'effort en sécurité — dans trouver, ou dans corriger ?

Nicolas Moreau: Et la question du jugement machine, elle, nous amène tout droit au sujet suivant : les maths et les preuves. Timothy Gowers, médaille Fields, a expliqué pourquoi il n'a pas signé la lettre des médaillés Fields contre les preuves LLM produites en masse.

Claire Martin: Et le point subtil, c'est qu'il reconnaît la crise. Il n'est pas en train de dire que tout va bien. Il est en train de dire que la lettre, telle qu'elle est formulée, n'est pas la bonne réponse — pour des raisons qu'il détaille. C'est une position de désaccord sur la méthode, pas sur le diagnostic.

Nicolas Moreau: C'est important de le souligner, parce qu'on pourrait caricaturer : « Gowers défend les LLM ». Non. Il dit : la crise est réelle, mais la manière d'y répondre compte. Signer une lettre publique, c'est un geste politique autant que scientifique, et il a jugé que ce geste ne servait pas la cause.

Claire Martin: En parallèle, une thèse beaucoup plus pragmatique sur le rôle des LLM : la classification par LLM est du feature engineering. Concrètement : au lieu de demander à un LLM une réponse finale, tu utilises ses verdicts comme des features — des variables d'entrée — dans une régression logistique.

Nicolas Moreau: Et ça donne exactement ce qui manque quand tu utilises un LLM en direct : de la calibration, des seuils réglables, et de l'interprétabilité. Tu peux dire « le modèle signale ce cas avec une probabilité de 0,7, et historiquement, à ce seuil, on a 3 pour cent de faux positifs ». Avec un LLM brut, tu n'as rien de tout ça.

Claire Martin: C'est une leçon qui va au-delà des maths : n'utilise pas le modèle comme l'oracle, utilise-le comme un capteur. Et le fil commun avec Gowers, c'est la même question : quel rôle on accorde au jugement machine — comme instrument de mesure, ou comme décisionnaire ?

Nicolas Moreau: Passons maintenant à quelque chose de plus sociétal, avec un parallèle qui vaut le détour. D'un côté, le Japon dépasse pour la première fois le cap des 100 000 centenaires.

Claire Martin: 107 677, exactement. Et 88 pour cent de femmes. C'est une population qui augmente régulièrement, et qui pose des questions de politique publique : retraites, santé, logement adapté.

Nicolas Moreau: Et il y a un rappel historique qui met du sel dans l'histoire : l'audit de 2010 avait révélé 230 000 personnes enregistrées comme centenaires dont le sort était non élucidé. Autrement dit, à l'époque, une partie des registres ne correspondait pas à des personnes vivantes vérifiables.

Claire Martin: Ce qui avait déclenché des contrôles de l'état civil un peu partout au Japon. Donc aujourd'hui, le chiffre de 107 677 est sans doute plus fiable qu'il ne l'aurait été il y a quinze ans — mais ça nous rappelle qu'un chiffre démographique officiel n'est jamais neutre.

Nicolas Moreau: Et le contrepoint, c'est les États-Unis. Le New Yorker rapporte que les États-Unis concentrent environ 90 pour cent de la capacité mondiale de self-storage. Plus de 40 milliards de dollars de chiffre d'affaires annuel. Et plus de sites que les grandes chaînes de fast-food citées.

Claire Martin: Le parallèle est presque poétique : deux sociétés qui stockent différemment. Le Japon stocke des personnes — des vies longues, une population âgée à héberger et à soigner. Les États-Unis stockent des objets — des entrepôts pleins de meubles dont les gens n'ont pas besoin mais ne veulent pas jeter.

Nicolas Moreau: Et les deux questions sont des questions d'espace et de priorité. Où met-on l'espace, l'argent, l'attention ? Les politiques de vieillissement d'un côté, la consommation d'espace de l'autre. Ce sont deux miroirs de ce qu'une société valorise.

Claire Martin: Et pour finir, l'écosystème open source et les projets solo, où il y a beaucoup de matière. Commençons par Manticore Search, qui a ajouté de l'auto-chunking natif au moment de l'INSERT — cinq stratégies au choix. Et le résultat chiffré : sur son propre manuel, le recall@5 passe de 55 à 83 pour cent.

Nicolas Moreau: Un gain de 28 points, sans que l'utilisateur ait à écrire la logique de découpage. Le chunking, c'est ce qui décide de la qualité de la recherche sémantique — si tu découpes mal ton texte, le meilleur moteur du monde ne retrouvera pas le bon passage. Le rendre natif au moment de l'insertion, c'est exactement le genre de soustraction de complexité côté utilisateur qu'on célébrait au début de l'émission.

Claire Martin: Tiens, oui, ça boucle avec Nugent. Puis Hister, un projet communautaire : une moteur de recherche privé pour les pages que tu as visitées et tes propres fichiers. Extension navigateur, serveur MCP, 3 800 étoiles sur GitHub.

Nicolas Moreau: La proposition de valeur est simple et juste : « j'ai lu ça quelque part, mais où ? ». Ton historique de navigation et tes documents locaux deviennent cherchables, sans que ça quitte ta machine. Et le serveur MCP, c'est l'intégration dans les outils d'agents.

Claire Martin: Et un projet solo remarquable : pawelwentpawel a reconstruit flat.social tout seul — une application de réunion 3D spatiale dans le navigateur, avec Three.js, LiveKit pour l'audio-vidéo, et Rapier pour la physique. Démo en ligne. Bootstrapé en solo, de bout en bout.

Nicolas Moreau: Faire ça seul, c'est un projet de plusieurs mois. Et ça illustre le moment qu'on traverse : la pile technique pour une app 3D collaborative est désormais accessible à une personne.

Claire Martin: Et la communauté s'organise autour de tout ça. Le CCC a annoncé le 40C3, « Model Citizens », à Hambourg du 27 au 30 décembre 2026, et l'appel à participation est ouvert. Servo, le moteur de rendu, boucle un an de développement sponsorisé : Josh Bowman-Matthews a nommé 8 mainteneurs et reviewé 1 150 pull requests, avec 92 pour cent des issues de nouveaux venus corrigées.

Nicolas Moreau: 1 150 PRs reviewées, c'est une cadence de maintien très sérieuse pour un moteur qui veut exister face à des navigateurs dominants. La question à suivre, c'est justement Servo face à Chromium etWebKit : est-ce qu'un moteur alternatif financé peut trouver son créneau ?

Claire Martin: Et un dernier détail qui a fait débat : mysetup.ai, une communauté pour partager ses setups IA, a été critiquée pour imposer la connexion via MCP ou GitHub. Une saisie manuelle a été ajoutée en réponse.

Nicolas Moreau: C'est un petit exemple d'un grand principe : si ton onboarding exige un compte tiers, tu exclus une partie de ta communauté potentielle. Le fait qu'ils aient écouté et ajouté l'option manuelle, c'est un bon signe.

Claire Martin: Voilà pour cette édition. Ce qui ressort de tout ça, c'est une tension constante : entre construire moins et scaler plus, entre trouver des vulnérabilités et corriger, entre juger avec une machine et garder la méthode humaine.

Nicolas Moreau: Merci d'avoir été là. On se retrouve très bientôt pour une nouvelle édition.

Claire Martin: Au revoir à tous, et prenez soin de vous.