L'IGN a développé Maestro, un modèle de fondation capable de générer des vues du territoire, publié en open source avec ses données d'entraînement (Pure Forest), réduisant les besoins en données d'apprentissage de cinq fois pour des tâches spécialisées comme la reconnaissance d'essences forestières.
Ce modèle permet de spécialiser plus facilement des IA pour des tâches géographiques spécifiques (essences forestières, détection de changements) avec moins de données d'entraînement. L'approche open source avec publication des données d'entraînement vise à créer une communauté technique autour du modèle. Le modèle répond notamment au besoin de différencier les essences forestières françaises très variées pour anticiper les risques d'incendie en fonction de la météo.
D’après la vidéo
⚙ Comment ça marche
Maestro est un modèle de fondation géographique qui, à partir d'une image du territoire, peut générer des variations. Il sert ensuite de base pour des modèles spécialisés, par exemple pour la reconnaissance des essences forestières, avec cinq fois moins de données d'entraînement nécessaires qu'avec du deep learning classique.
💬 Ce qu’en pense l’auteur
Soriano insiste sur l'ouverture complète du modèle et des données d'entraînement, organisant des challenges techniques pour optimiser Maestro avec la communauté, dans l'objectif d'en faire un commun plutôt qu'un modèle propriétaire de l'IGN.
Démo avecMaestro
Outil à testerMAESTRO (IGN)gratuit
Modèle de fondation géographique pour générer des vues du territoire et servir de base à des modèles spécialisés
Pourquoi il semble prometteur : Réduit de cinq fois les besoins en données d'entraînement pour les tâches spécialisées, publié en open source avec Pure Forest (un des plus grands jeux de données mondiales d'entraînement sur les forêts)
Projet de recherche open source (licence Apache 2.0) : c'est une base de code PyTorch et des poids pré-entraînés sur Hugging Face destinés à des spécialistes de la télédétection, pas une application grand public ni un générateur d'images.
L’auteur l’a adopté
Soriano défend une approche communautaire où Maestro ne reste pas propriété de l'IGN mais devient un commun que la communauté technique s'approprie et fait évoluer collectivement.
« Nous on a créé maintenant à l'hygiène un modèle de fondation géographique, c'est-à-dire qu'il est capable de générer non pas du langage, mais il est capable de générer des vues du territoire. »
L'IGN et OpenStreetMap ont lancé Panoramax, une banque d'images participative qui a collecté 120 millions de photos représentant 1,1 million de kilomètres de voirie en 2 ans, offrant une alternative ouverte au Street View de Google.
Cette initiative permet à quiconque de contribuer avec son smartphone ou sa GoPro et d'accéder à des images de terrain libres de droits, contrairement au Street View dont les données ne peuvent être copiées ou analysées algorithmiquement. Les développeurs peuvent faire tourner des routines d'IA sur ces données pour créer des applications. Le service n'est pas encore exhaustif sur le territoire français mais démontre la capacité de passage à l'échelle par le collaboratif.
D’après la vidéo
⚙ Comment ça marche
N'importe qui peut prendre des photos avec sa GoPro, son smartphone, à vélo, en voiture ou à pied, et les verser dans cette banque d'images participative. L'IGN floute automatiquement les visages, plaques d'immatriculation et éléments de vie privée avant diffusion.
✅ À faire
Contribuer en uploadant ses propres photos de terrain sur Panoramax, disponible sur carte.gouv.fr. Les développeurs peuvent exploiter ces données ouvertes pour créer des applications d'analyse du territoire.
Démo avecPanoramaxOpenStreetMap
Outil à testerPanoramaxgratuit
Banque d'images participative pour créer une alternative ouverte au Street View de Google
Pourquoi il semble prometteur : 120 millions de photos collectées en 2 ans, données complètement ouvertes permettant l'exploitation algorithmique, aucune restriction d'usage contrairement à Google Street View
Projet opérationnel et fédéré (plusieurs instances : panoramax.ign.fr, panoramax.openstreetmap.fr), consultation libre sans compte via explore.panoramax.fr ou une API STAC, photos sous licence ouverte ; la couverture reste très inégale hors France et dépend des contributions locales.
L’auteur l’a adopté
Soriano présente Panoramax comme un exemple réussi de complémentarité entre puissance publique (IGN) et commun (OpenStreetMap), démontrant qu'une alternative aux solutions propriétaires américaines est possible avec le collaboratif.
« ce projet, il va commencer à à délivrer des premières briques à partir de l'année prochaine et donc il vise à vraiment donner un outil qui sera complètement open source qu'on veut construire avec une communauté ouverte pour que le maximum d'acteurs puisse avoir des instruments de jumeau numérique pour simuler leur leurs enjeux »
L'Institut géographique national publie désormais l'ensemble de ses données cartographiques en open data avec une licence ouverte permettant copie, modification et commercialisation, suite à la loi pour une République numérique.
Les données géographiques de référence de la France (routes, bâti, forêt, limites administratives) sont utilisables librement par tout acteur public ou privé pour créer des services, des applications ou des analyses territoriales. Cela permet notamment aux développeurs et aux collectivités de s'appuyer sur une base certifiée sans coût de licence. Certains propriétaires forestiers expriment des réserves sur la publication de données très précises qui pourraient faciliter le vol d'arbres de valeur.
D’après la vidéo
⚙ Comment ça marche
L'IGN cartographie la France tous les 3 ans par imagerie aérienne avec une résolution de 20 cm par pixel, puis des techniciens de production classifient ces données, assistés par de l'IA. Ces données sont ensuite mises en open data sur carte.gouv.fr.
💬 Ce qu’en pense l’auteur
Soriano défend le principe de publication totale malgré certaines demandes de restriction, considérant que le paradigme actuel est de publier tout ce que l'IGN produit pour garantir la transparence et l'accès citoyen.
« nos données sont par défaut en open data, accessibles partout et y compris avec ce qu'on appelle une licence ouverte. C'est-à-dire qu'on a le droit de copier, modifier la donnée, la commercialiser, on fait vraiment ce qu'on veut avec sans sans entrave. Faut juste mentionner quelque part qu'on utilise les données de l'hygiène. »
Les agents IA échouent encore souvent à être autonomes car ils reviennent constamment vers l'utilisateur pour poser des questions, créant un nouveau travail qui est celui de répondre à l'agent.
La promesse des agents personnels (autonomie, proactivité) n'est tenue que si l'agent essaie réellement toutes les options avant de solliciter l'utilisateur. Sinon, on remplace une tâche par une autre : gérer l'agent lui-même. Cela freine l'adoption et explique pourquoi beaucoup abandonnent après avoir testé. L'exécution de bout en bout est le critère discriminant d'un bon agent.
D’après la vidéo
💬 Ce qu’en pense l’auteur
L'auteur considère que l'autonomie réelle est le critère numéro un d'un agent personnel et que la plupart des solutions actuelles (Dots, Muse) échouent encore sur ce point.
« Souvent les agendas vont revenir vers nous pour nous demander des choses et on s'est créé un nouveau job qui est celui de répondre à nos agendas. Et c'est pas ce qu'on veut. On veut qu'il soit autonome, proactif »
En demandant à Hermes de transférer toutes les vidéos d'une formation de Vimeo vers Tella puis Circle, l'agent a téléchargé plusieurs gigas de vidéos, les a uploadées sur Tella via MCP et les a intégrées dans Circle de manière autonome.
Un agent correctement configuré peut gérer des migrations lourdes entre plateformes en exploitant APIs et MCP, épargnant des heures de travail manuel ou le coût d'un prestataire. Nécessite que l'agent ait accès aux APIs des services et un environnement d'exécution pour télécharger et uploader de gros fichiers. L'autonomie réelle (boucle auto-réparante) est clé pour ne pas multiplier les allers-retours.
D’après la vidéo
⚙ Comment ça marche
L'agent a téléchargé toutes les vidéos de Vimeo sur son propre serveur, les a uploadées sur Tella via leur MCP, puis a utilisé son navigateur pour les intégrer dans Circle, le tout de manière autonome après avoir posé les questions nécessaires.
💬 Ce qu’en pense l’auteur
L'auteur trouve cette capacité magique et souligne que cela lui a évité de payer quelqu'un ou de se nouer le cerveau pour automatiser cette tâche fastidieuse.
Démo avecHermesVimeoTellaCircle
« j'ai demandé à mon Hermes est-ce que tu peux prendre toutes ces vidéos de Vimeo, les mettre sur Tella pour ensuite le mettre sur Circle qui est ma plateforme de formation. Je lui ai donné un prompt assez simple. Il m'a posé un certain nombre de questions. Il a pris le temps de voir ce qui était possible, pas possible »
En informant Instinct qu'il était arrivé en avance à la gare, l'agent a trouvé un bus plus tôt, réservé le billet avec sa carte prépayée, puis proposé proactivement d'annuler l'ancien trajet pour récupérer 5 €.
Un agent avec accès aux moyens de paiement et aux réservations peut gérer de bout en bout un changement de trajet, y compris l'annulation et le remboursement, sans intervention manuelle. Nécessite d'avoir configuré une carte dédiée et donné les accès appropriés. La proactivité de l'agent (proposer l'annulation sans qu'on le lui demande) réduit la charge mentale.
D’après la vidéo
⚙ Comment ça marche
L'agent accède à la plateforme Blablacar, compare les options, prend le nouveau billet avec la carte limitée fournie, puis détecte l'ancien billet et propose proactivement de l'annuler pour récupérer le remboursement partiel.
💬 Ce qu’en pense l’auteur
L'auteur est impressionné par la proactivité de l'agent qui anticipe l'annulation sans qu'on le lui demande, épargnant une tâche fastidieuse qu'il n'aurait pas faite par flemme.
Démo avecInstinct
« je suis arrivé à la gare de Genève un peu plus tôt, je devais prendre mon bus normalement à 20h, sauf que j'étais là bien avant et je lui ai demandé à 18h34, écoute, je suis arrivé plus tôt, est-ce que tu peux pas voir s'il y a un blabla bus dispo plus tôt ? »
En demandant à Hermes de créer un script surveillant une page d'inscription de trail, l'agent a prévenu par WhatsApp en 5 minutes qu'une place s'était libérée.
Un agent IA avec accès à un système de messagerie et des capacités de scripting peut surveiller des pages web et alerter automatiquement. Applicable à toute situation nécessitant de guetter un changement d'état (places disponibles, prix, stocks). Nécessite que l'agent soit connecté aux canaux de communication choisis et dispose d'un environnement d'exécution.
D’après la vidéo
⚙ Comment ça marche
L'agent reçoit la demande via Telegram, crée un script qui va lire la structure de la page d'inscription, met en place un cron job qui tourne toutes les 30 minutes et envoie un message sur WhatsApp dès qu'une place se libère.
💬 Ce qu’en pense l’auteur
L'auteur trouve cette capacité impressionnante et souligne que cela change la manière de penser : on prend le réflexe de déléguer ce type de tâche à un assistant permanent.
✅ À faire
Connecter l'agent à ses canaux de messagerie (WhatsApp, Telegram) et prendre l'habitude de lui demander ce type de surveillance plutôt que d'abandonner quand une ressource n'est pas disponible.
⚠ Ses réserves
Ce type d'usage nécessite une configuration avancée d'Hermes avec les bonnes intégrations, ce qui peut être complexe à mettre en place pour un débutant.
Démo avecHermesTelegramWhatsApp
« je suis allé sur mon Telegram sur lequel il y a Hermes qui est branché. Je lui ai demandé est-ce que tu peux faire en sorte de regarder dès qu'il y a une place qui est dispo et nous prévenir sur WhatsApp. Lui, il s'est créé un script en allant sur la page, en comprenant la manière dont la pay était faite »
Le PDG de Microsoft propose de considérer les LLM comme des salariés qu'on supervise via un harness (environnement de contrôle) plutôt que de réguler les modèles directement, transférant la responsabilité vers l'intégrateur.
Cette approche déplace la régulation de l'IA du modèle lui-même vers son intégration et son environnement d'exécution. Cela concernerait les fournisseurs de services et intégrateurs plutôt que les créateurs de modèles. Position stratégique pour Microsoft qui vend du harness (Copilot) mais ne produit pas les modèles frontières.
D’après la vidéo
⚙ Comment ça marche
Plutôt que d'imposer des règles morales et éthiques dans le LLM lui-même (approche difficile sur une zone neuronale opaque), Microsoft propose de mettre en place un système de management au-dessus : surveillance, audit, bouton d'arrêt, contrôle de l'environnement et des données accessibles.
💬 Ce qu’en pense l’auteur
L'auteur trouve cette réflexion très intéressante et plus sensée que de réguler directement les LLM eux-mêmes, ce qui pose des problèmes de traçabilité dans les réseaux neuronaux. Il note cependant que cela vient du patron de Microsoft dont c'est le métier de vendre ce type de harness.
✅ À faire
L'auteur suggère de réfléchir à cette approche pour les futures régulations, en se concentrant sur ce que le LLM peut faire dans son environnement plutôt que sur le modèle lui-même, et en rendant responsable le harness qui l'entoure.
« les un modèle, un LM en tant que tel doit être considéré bah finalement comme un salarié. Oui, il sait des choses, il est capable de faire des tas de trucs et on lui file des données et on lui file des outils. Et ben, malveillant ou pas malveillant, il peut être malveillant hein. Voilà. Mais même pas malveillant, il peut faire des conneries. Donc bah on va le subsonner de base »
L'auteur a créé sa propre caméra de surveillance « piège photo » avec une vieille webcam et le modèle YOLO, qui reconnaît les animaux dans l'image et ne déclenche que pour eux, évitant un abonnement à 20 euros.
Permet de créer son propre système de surveillance vidéo pour détecter et enregistrer des animaux, sans abonnement ni service cloud. L'auteur utilise une webcam à 10 euros et un système entièrement local. Cela suppose de découvrir et d'apprendre à utiliser le modèle YOLO, mais illustre la démarche de « zone grise » : résoudre un problème soi-même plutôt que d'acheter un service.
D’après la vidéo
⚙ Comment ça marche
Le modèle YOLO analyse en temps réel les images de la webcam et reconnaît les objets (animaux, feuilles, etc.). Il ne déclenche l'enregistrement que lorsqu'un animal est détecté, évitant les fausses alertes. Le tout fonctionne en local sur l'ordinateur de l'auteur.
Démo avecYOLO
Outil à testerYOLO (You Only Look Once) — implémentation de référence : Ultralytics YOLOfreemium
Modèle de reconnaissance d'objets dans les images et vidéos en temps réel, utilisable en local pour détecter des animaux, personnes ou objets spécifiques.
Pourquoi il semble prometteur : Il permet de créer soi-même un système de surveillance intelligent qui ne déclenche que pour les objets souhaités, sans dépendre d'un service cloud ni payer d'abonnement récurrent.
Projet très actif (modèles YOLO11, YOLO26) et utilisable gratuitement sous licence AGPL-3.0, mais une licence Entreprise payante est exigée dès que l'on ne veut pas ouvrir son propre code — sans importance pour un bricolage personnel, déterminant pour un produit commercial.
L’auteur l’a adopté
L'auteur ne connaissait pas YOLO avant de se poser la question du piège photo. Il l'a découvert, testé et adopté. Il valorise surtout la démarche : se poser une question, découvrir un outil, bricoler, échouer éventuellement, mais apprendre. Il utilise désormais sa caméra de surveillance maison avec satisfaction.
L'auteur s'est créé un petit transcripteur de vidéo en local avec Whisper (ou « crisper whisper »), évitant ainsi de passer par des transcripteurs en ligne et de payer des abonnements.
Permet de transcrire ses propres vidéos sans dépendre d'un service tiers ni exposer ses contenus. L'auteur utilise ce même outil dans son programme de biographe pour analyser « au millimètre près » ce qu'il raconte. La solution fonctionne sur son ordinateur personnel sans coût récurrent.
D’après la vidéo
⚙ Comment ça marche
On installe un modèle Whisper en local sur son ordinateur, puis on se fait un petit logiciel avec glisser-déposer pour transcrire ses vidéos sans passer par un service en ligne.
💬 Ce qu’en pense l’auteur
L'auteur se demandait pourquoi il passait par des transcripteurs en ligne alors qu'il pouvait faire la même chose en local, gratuitement et sans exposer ses données. Il utilise cet outil dans plusieurs de ses projets personnels.
Démo avecWhisper
Outil à testerCrisperWhisper (variante de Whisper d'OpenAI, par nyra health / nyralabs)freemium
Modèle de transcription audio-texte qui peut fonctionner en local sur son ordinateur pour transcrire ses propres vidéos.
Pourquoi il semble prometteur : Il permet de ne plus dépendre de services en ligne payants, de garder ses données sur sa machine et de ne rien dépenser en tokens ou abonnements pour transcrire ses vidéos.
Projet actif : la v1 (modèle nyralabs/CrisperWhisper sur Hugging Face) est dépréciée au profit de CrisperWhisper 2.0, installable via `pip install crisperwhisper` et exécutable en local sur CPU ou GPU — mais vérifier la licence des poids avant tout usage commercial.
L’auteur l’a adopté
L'auteur l'a adopté pour ses besoins personnels de transcription et l'utilise également dans son programme de biographe pour analyser très précisément ce qu'il raconte. Il ne voit plus l'intérêt de passer par des services en ligne.
Pour faire créer un programme par Claude Code, l'auteur recommande de structurer sa demande en cinq parties : objectif final, fonctionnalités attendues, expérience voulue, contraintes techniques et livrable, en exprimant tout en langage naturel sans jargon technique.
Cette structure de prompt permet à des non-développeurs de créer leurs propres outils en forçant à bien réfléchir au problème avant de demander la solution. Elle fonctionne avec Claude Code mais pourrait s'adapter à d'autres assistants de codage. L'auteur insiste sur le fait que la réflexion préalable est plus importante que le code produit.
D’après la vidéo
💬 Ce qu’en pense l’auteur
L'auteur insiste sur le fait que cette structure force à réfléchir et à « faire marcher ses neurones », ce qui est justement l'objectif de la « zone grise ». Il précise qu'on peut adapter cette structure à sa convenance.
⚠ Ses réserves
L'auteur précise que cette structure est sa recommandation personnelle et que chacun peut faire mieux s'il trouve une meilleure approche. Il insiste sur le fait qu'il ne faut pas recopier mais s'approprier la démarche.
Démo avecClaude Code
« Vous faites ce truc, ce prom tout simple qui est que du jus de cerveau. La zone grise, elle s'appelle pas grise pour rien. C'est du jus de cerveau que vous mettez juste dans cette structuration en cinq étapes. »
Claude Opus 5 est décrit comme un « game changer absolu » pour créer ses propres programmes en zone grise, car il comprend les demandes, raisonne vraiment et ne s'arrête pas en cours de route.
Pour quelqu'un qui veut créer ses propres petits programmes sans être développeur, Claude Opus 5 offre un niveau de compréhension et de persévérance supérieur aux autres modèles. Il permet de mener un dialogue itératif jusqu'au résultat souhaité. L'auteur le juge nettement meilleur qu'OpenAI pour cet usage spécifique.
D’après la vidéo
⚠ Ses réserves
L'auteur précise qu'il ne s'agit pas d'un placement de produit, mais reconnaît que son avis est subjectif en faveur de Claude par rapport à OpenAI pour cet usage spécifique.
Démo avecClaudeClaude Code
Outil à testerClaude Opus 5 (Anthropic) — désormais Claude Opus 5.5payant
Modèle d'IA conversationnel intégré à l'application Claude Code pour développer des programmes personnalisés sur sa propre machine.
Pourquoi il semble prometteur : Il comprend mieux les demandes que les modèles concurrents, ne s'arrête pas en cours de route, explique son raisonnement et permet un vrai dialogue itératif jusqu'à obtenir le résultat voulu.
Modèle propriétaire hébergé (pas d'exécution locale) : le plan gratuit de Claude donne accès à Sonnet et Haiku, et atteindre la gamme Opus exige un abonnement payant, le moins cher étant Pro à 20 $ par mois en facturation mensuelle, ou l'API en paiement à l'usage.
« Claude Opus 5. Il comprend ce que vous voulez. Il s'arrête pas, il vous explique, il a du vrai raisonnement, du vrai test, il peut répondre à toutes vos questions en même temps qu'il vraiment pour de vrai de façon propre. »
Les tokens en cache (contexte répété) dans Claude Opus 5 coûtent beaucoup moins cher que les tokens standards, réduisant le coût réel d'une application de 5 millions de tokens apparents à moins de 4 dollars.
Comprendre la différence entre tokens standards et tokens en cache permet d'évaluer correctement le coût réel d'une application développée avec Claude. Le chiffre brut de tokens consommés peut être trompeur : une grande partie correspond au contexte répété qui est facturé beaucoup moins cher. Important pour estimer le budget de développement.
D’après la vidéo
⚙ Comment ça marche
Tous les éléments que le modèle répète, qu'il a déjà traités ou qui font partie du contexte qu'il maintient pendant le développement passent en cache et sont facturés beaucoup moins cher. C'est particulièrement le cas en développement one-shot où le modèle analyse continuellement ce qu'il est en train de produire.
Démo avecClaude Opus 5
« 78000 tokens plus 5 millions de token. Ah, c'est horrible, ça va coûter très cher. Non, ça coûte que 3,82 € les amis. Pourquoi ? parce que ces gros tokens là, ils sont en cash en fait. »
Claude Opus 5 peut exploiter automatiquement un répertoire de travail (Vault) pour créer des applications personnalisées sans qu'on lui décrive explicitement le contenu, en effectuant recherches et raisonnements sur les fichiers.
Cette capacité permet de créer des outils parfaitement adaptés à son activité sans avoir à tout décrire dans le prompt. L'IA analyse la structure documentaire existante pour comprendre l'organisation, les projets, les personnes et recréer cet univers sous forme d'application. Nécessite d'avoir préalablement structuré son Vault avec Claude Cowork.
D’après la vidéo
⚙ Comment ça marche
L'auteur utilise Claude Cowork avec un système de répertoires structurés contenant ses clients, factures, projets, préparations de vidéos. Claude Code peut ensuite accéder à ce Vault et en extraire automatiquement les informations pour créer une application contextualisée.
✅ À faire
Structurer son activité dans un Vault avec Claude Cowork en créant des répertoires bien organisés. Ensuite, demander à Claude Code de créer une application en lui donnant simplement accès au Vault, sans décrire explicitement le contenu.
Démo avecClaude CodeClaude CoworkClaude Opus 5
« Je lui dis quasiment rien, en se basant sur mon volt, sur mon répertoire de travail avec l'autre cowwork. Il y a des trucs dedans parfois planqués, des vieilles réflexions que j'ai eu, des informations ici à droite à gauche qu'il va falloir aller récupérer. »
Claude Code Opus 5 propose six niveaux d'effort (faible, moyen, élevé, extra, max, ultra) qui modifient le temps de traitement, le coût en tokens et la profondeur du raisonnement.
Le choix du niveau d'effort permet d'optimiser le rapport qualité-prix selon la complexité de la tâche. Pour des développements simples, le mode moyen suffit ; pour des applications plus élaborées nécessitant plus de finesse et de détails, le mode extra apporte un gain significatif. Le mode faible produit des résultats nettement moins satisfaisants.
D’après la vidéo
⚙ Comment ça marche
Les différents niveaux modifient le nombre d'étapes de raisonnement et de vérifications effectuées par le modèle. Le mode faible a produit 22 blocs de raisonnement en 12 minutes, le mode moyen 57 en 30 minutes, et le mode extra encore plus avec davantage de vérifications.
✅ À faire
Utiliser le mode moyen par défaut pour avoir une première version avec des idées et du raisonnement, puis passer en mode extra quand on veut un travail plus professionnel et peaufiné. Réserver max uniquement pour des productions très costaudes nécessitant du codage pur complexe.
⚠ Ses réserves
Le mode ultra n'est pas au-dessus de max contrairement à ce que certains pensent : il est au niveau d'extra mais démarre obligatoirement des sous-agents pour mener des tâches en parallèle. Pour une tâche unique, il n'apporte rien de plus qu'extra.
Démo avecClaude CodeClaude Opus 5
Outil à testerClaude Code (modèles Claude Opus 5 / Opus 5.5)payant
Application de développement assisté par IA permettant de créer des applications complètes à partir de prompts
Pourquoi il semble prometteur : Capable de générer des applications complexes en one-shot avec différents niveaux de raisonnement et de qualité selon le réglage d'effort choisi, avec gestion du contexte et recherche dans les fichiers de travail
Claude Code est l'agent de codage en ligne de commande d'Anthropic, utilisable avec un abonnement Claude payant ou des crédits API ; le réglage d'effort se pilote avec /effort, le flag --effort ou la clé modelSettings des settings, et certaines options (ultracode, slider de session) exigent une version récente du CLI.
L’auteur l’a adopté
L'auteur recommande fortement cet outil et l'utilise quotidiennement. Il privilégie le mode moyen pour les tests rapides et le mode extra pour la production, trouvant que c'est le meilleur rapport qualité-prix. Il déconseille le mode faible et trouve max trop complexe pour la plupart des usages.
« vous avez le réglage ici. Vous choisissez le modèle opus 5. J'arrête pas de vous le recommander mais vous voyez ici que vous pouvez avoir un réglage qui est par défaut en effort moyen. Ça consomme plus, ça consomme moins »
OpenAI, Anthropic et autres géants de la tech lancent leurs modèles sans tests préliminaires suffisants sur les fairness metrics et les safeguards, utilisant la société comme cobaye puis ajustant selon les réactions observées.
Dénonce une course à la sortie de modèles toujours plus bluffants où la sécurité passe après la compétition. Les cas comme celui d'un compagnon IA ayant guidé des personnes vers la dépression et le suicide aux États-Unis illustrent le danger de cette approche. Concerne tous les utilisateurs qui deviennent involontairement des testeurs.
D’après la vidéo
⚙ Comment ça marche
Les entreprises lancent un modèle, attendent la réaction globale, constatent les problèmes, appliquent du fine tuning, puis relancent un nouveau modèle au public pour observer à nouveau les impacts sociétaux.
💬 Ce qu’en pense l’auteur
Alexandra considère que c'est le fondement du problème : cette expérimentation sociale à grande échelle internationale où les utilisateurs sont des cobayes involontaires.
« dans cet élan de compétition, on justement met de côté tout ce qui est guard rails, safegard, les tests préliminatoires justement sur les fairness matrics »
Aux États-Unis, des systèmes de reconnaissance des émotions ont montré des biais importants, évaluant les personnes à la peau noire comme ayant des émotions plus négatives que les personnes à la peau blanche pour la même expression faciale.
Démontre que les biais d'entraînement créent des cercles vicieux, notamment en sécurité où des agents déjà biaisés utilisent une technologie qui confirme leurs préjugés. Particulièrement grave pour les populations historiquement discriminées qui partent avec un stress plus élevé détecté et étiqueté par la technologie.
D’après la vidéo
⚙ Comment ça marche
Les systèmes ont été entraînés sur des bases de données biaisées à l'origine, utilisant la computer vision où la couleur de peau importait, créant des grands écarts d'accuracy entre types de population.
⚠ Ses réserves
Alexandra souligne qu'une IA généralisée propage un biais à tout le monde sans exception, contrairement aux humains qui ont des biais variés. De plus, la chaîne de responsabilité est difficile à établir car les modèles de sécurité sont opaques et privés.
« on avait des billets qui justement allaient euh allaient finalement évaluer les personnes à la peau noire comme ayant euh des émotions en général plus négative que les personnes à la peau blanche pour la même expression »
Alexandra Préjan a soutenu sa thèse sur les systèmes de reconnaissance des émotions et la justice sociale, alors que son superviseur lui avait dit en 2019-2020 que l'IA émotionnelle était « un peu trop fictif » et « trop loin de la réalité ».
Illustre l'accélération fulgurante de l'IA : un sujet jugé science-fictionnel en 2019 est devenu central en 2 ans. Montre que les prévisions sur l'évolution de l'IA sont souvent dépassées rapidement. Concerne tous ceux qui réfléchissent à la place des technologies émotionnelles dans la société.
D’après la vidéo
⚙ Comment ça marche
L'évolution a été si rapide que 2 ans après avoir proposé ce mémoire jugé trop futuriste, l'IA émotionnel était au cœur de l'actualité.
💬 Ce qu’en pense l’auteur
Alexandra considère que cette accélération était surprenante et a confirmé la pertinence de son choix de sujet malgré les doutes initiaux.
« je lui avais proposé trois projets finalement qui étaient assez flou et il m'avait dit hm lia émotionnel, c'est un peu trop fictif, on est un peu trop loin de la réalité. Est-ce que tu es sûr que tu veux aller dans ce dans ce champ là »
Selon l'auteur, les entrepreneurs qui développent des outils ou prestations IA échouent principalement par manque de compétences commerciales et marketing, pas par manque de qualité technique.
L'auteur reconnaît lui-même cette limite personnelle et affirme que son chiffre d'affaires serait décuplé s'il maîtrisait mieux les compétences commerciales.
✅ À faire
Développer activement ses compétences commerciales, marketing et communication, ou recruter ces profils pour faire croître son activité IA au-delà de l'auto-entreprise.
« Ceux qui s'en sortent dans le monde du business, c'est ceux qui arrivent à vendre. Le super pouvoir que vous devez développer, c'est le pouvoir de vendeur, marketing, commercial, communication. C'est ça qui fait tourner une boîte. Le reste est secondaire. »
Claude Cowork fonctionne avec un système de fichiers local sur l'ordinateur de l'utilisateur et des Skills hébergés dans le cloud sur les serveurs d'Anthropic, créant un fonctionnement hybride qui pourrait évoluer vers du 100% cloud.
L'utilisateur garde actuellement ses fichiers de travail et sa base de connaissances en local, mais les Skills sont hébergés sur les serveurs d'Anthropic. La tendance est au passage progressif vers le 100% cloud, ce qui permettrait d'utiliser ses outils depuis n'importe où mais poserait des problèmes de contrôle et de dépendance à la connexion. L'auteur préfère le modèle hybride actuel qui laisse plus de maîtrise à l'utilisateur.
D’après la vidéo
💬 Ce qu’en pense l’auteur
L'auteur regrette la tendance au full cloud car il aime garder le contrôle et la maîtrise de son système. Il compare la situation à confier les clés de sa maison à un inconnu.
⚠ Ses réserves
L'auteur met en garde contre le fait qu'avec un modèle 100% cloud, on ne comprend plus ce qui se passe sous le capot et on perd l'autonomie en cas de coupure de connexion.
Démo avecClaudeCowork
Outil à testerClaude Cowork (Anthropic)payant
Mode de travail dans l'application Claude qui permet d'utiliser un système de fichiers local comme base de connaissances pour l'IA
Pourquoi il semble prometteur : Combine les avantages du local (contrôle, confidentialité, système de fichiers structuré) et du cloud (puissance des modèles), bien que la tendance soit au basculement 100% cloud
Lancé le 12 janvier 2026 en research preview réservée aux abonnés Max, puis étendu à Pro puis aux plans Team/Enterprise ; aucun accès gratuit, et des incidents de sécurité (évasion de sandbox, prompt injection) ont été documentés — à n'utiliser qu'avec des dossiers de travail limités et sauvegardés.
L’auteur l’a adopté
L'auteur apprécie le modèle hybride actuel qui permet de garder la maîtrise de ses données et de comprendre le fonctionnement, mais regrette la tendance au full cloud qu'il voit se dessiner chez tous les acteurs.
« Qu'est-ce que ça change de bosser dans le cloud ou dans le local ? Et ben le move que font beaucoup beaucoup beaucoup quasiment tous les des géants li c'est de dire bah plus on avance dans le temps plus on va faire un truc c'est que les machins magiques genre Cowork genre les Dots qui viennent de sortir chez Open AI genre M chez Meta »
Maestro est un modèle de fondation géographique qui, à partir d'une image du territoire, peut générer des variations. Il sert ensuite de base pour des modèles spécialisés, par exemple pour la reconnaissance des essences forestières, avec cinq fois moins de données d'entraînement nécessaires qu'avec du deep learning classique.