#ai

Avec Thomas Pierrain et Vanessa Gossent, je reviens sur les coûts de l’IA, le recrutement, les agents en parallèle et le travail à reprendre.

Avec Bruno Soulez, je parle de context engineering, de harnais et de code review : ce que je délègue aux agents et ce que je continue à vérifier.

Trois mois, 1 011 pull requests et 8 728 commentaires inline de review IA : 4,5 % ont reçu une réponse humaine visible. Ce que montrent les données et ce qu’elles ne peuvent pas dire.

L'IA peut raccourcir l'implémentation tandis que spécification, review, CI et reprises absorbent le temps gagné. Instrumenter le flux complet avant d'ajouter de la génération.

Opus 5.5 est la prochaine référence de reviewer à tester : définir l’effort explicitement, adapter le client API et ne garder un deuxième reviewer que s’il trouve des défauts vérifiés.

Quand la même correction acceptée revient, tester si elle relève d'un linter, d'un type, d'un test, d'un exemple, d'une règle de repository, d'une checklist ou d'une décision architecturale.

Comparer review indépendante, auto-review et contrôles déterministes. Mesurer les défauts supplémentaires détectés, les fausses acceptations, les régressions et le coût d'une passe supplémentaire.

Un signal de review n'est utile que si son fournisseur, son SHA de commit, sa couverture, son état d'exécution, sa publication et sa place dans la politique de branche sont explicites.

Construisez une boucle de review bornée avec entrées figées, champs d’exécution et de résultat séparés, limites de tentatives, transmission de preuves et escalade humaine.

Exécuter des reviewers locaux, CLI et distants avec frontières de confiance explicites, moindre privilège, constats structurés, budgets, états dégradés et contrôles d'arrêt.

L'IA peut accélérer une étape tandis que la demande attend ailleurs. Une méthode pratique pour cartographier le service entier, protéger la qualité et mesurer les résultats utilisateurs acceptés.

Une facture vérifiée de 214 $ pour une réécriture destinée à la production, contrôlée par comparaison avec la transcription source, côtoie un corpus d’environ 2 900 conférences tech sur les coûts des agents de code.

Quatre conférences et des sources extérieures documentent les initiatives IA de Doctolib ; deux portent le déploiement de 30 à 600 ingénieurs, sans le réduire à un chiffre unique.

Le FinOps cloud a commencé par une étude de coût, puis a désigné un responsable pour suivre ce coût. Trois cas de praticiens montrent cette séquence appliquée aux factures de tokens.

Un gigawatt de capacité de data center IA coûte environ 50 milliards de dollars. OpenAI a évoqué en ajouter jusqu’à 26, en arrière-plan des coûts de cette série.

Vingt jours de mon usage de Claude Code et Codex, mesurés de trois façons. Les outils divergent d'un facteur trois, et la contrainte n'est pas en dollars.

Opus 5.5 change l’économie des entrées, sorties et du cache. Chiffrez la tâche acceptée, nouvelles tentatives et review comprises, avant de choisir un modèle moins cher.

Une conférence de recherche de Stanford, des estimations de DX et deux études de terrain mesurent des formes différentes de production de code avec IA. Aucune ne fournit de prévision budgétaire universelle.

Les affirmations selon lesquelles personne ne peut mesurer le ROI de l’IA et 95 % des pilotes ne rapportent rien sont plus fragiles qu’on ne le raconte habituellement, une fois leurs sources vérifiées.

Une chute boursière de 589 milliards de dollars en une journée, une plateforme de modèles pour entreprises et un serveur de secours à 25 000 € montrent trois échelles de dépendance fournisseur.

Flow Lean a fusionné trois skills de réponse. Son évaluation historique a devancé chaque comparateur et détecté un candidat proposant une migration vers une cible déduite.

Partager instructions, skills et définitions MCP Claude Code et Codex via des releases versionnées, adaptateurs d’hôte et contrôles de l’installation et du comportement à l’exécution.

Anthropic a mesuré les PR fusionnées ; METR a mesuré la durée des tâches dans un autre cadre. Ce qu’établissent ces résultats et la recherche sur le contexte long, et ce qui reste une hypothèse.

6 auteurs humains de commits et Claude dans notre historique Git (instantané de mai 2026). Les patterns de commits après des mois de Claude Code, au-delà des affirmations marketing.

Choisissez entre Claude Code et Cowork, puis suivez le parcours Start, Build ou Scale adapté à votre rôle et à votre problème opérationnel actuel.

Neuf mois de configuration IA dans un projet de production : responsabilités changeantes, génération par profils et réduction mesurée des lignes toujours actives.

Tout le monde parle de livrer 10 fois plus vite avec l’IA. Personne ne parle d’accumuler de la dette 10 fois plus vite. 7 mois de données de production d’une véritable plateforme EdTech.

Un non-développeur a modifié 80 fichiers en production en 10 jours avec Cursor AI. Chronologie exacte, configuration IA et implications pour les équipes d’ingénierie en 2026.

Jeremy Twei l’a nommé. Addy Osmani l’a popularisé. Margaret-Anne Storey l’a étendu aux équipes. Voici ce que j’ai construit pour combattre ces trois dimensions.

Ce qu’environ 15 ans de logiciel, dont 8 à 10 ans de leadership, m’apportent pour construire avec l’IA, ce que j’ai dû réapprendre et pourquoi coder plus vite ne suffit pas.