Intelligence artificielle Après quelques semaines d’usage intensif, Claude Code laisse derrière lui un cimetière de sessions oubliées et de /resume lancés à l’aveugle. Switchboard promet de reprendre la main : une application de bureau qui cartographie, fouille et ravive toutes vos sessions depuis une seule fenêtre. Mais réparer le désordre d’un CLI minimaliste par une lourde coque Electron relève d’une contradiction que je n’arrive pas à ignorer. Dans une catégorie déjà saturée de concurrents, ce nouvel entrant à trois étoiles intrigue moins par ce qu’il fait que par ce qu’il révèle. Car au fond, Switchboard n’est pas une révolution : c’est un symptôme, et les symptômes méritent toujours qu’on les ausculte.
Infrastructure & Données MxChat est un bon plugin de chatbot RAG pour WordPress, mais ses deux options de stockage vectoriel sont des impasses : MySQL qui se vautre en mémoire, ou Pinecone qui facture la donnée à l’américaine. J’ai écrit un plugin compagnon qui se fait passer pour Pinecone côté MxChat, et traduit chaque appel en SQL DuckDB. Au choix : un fichier local, ou MotherDuck si on préfère le cloud sans le vendor lock. Recherche hybride BM25 + vecteur, migration depuis Pinecone sans repayer le ré-embedding, GPL v2. Encore une rente mensuelle évitée.
Infrastructure & Données Un PoC RAG indexant 84 000 chunks, soit environ 500 Mo de vecteurs, tient sans broncher dans la RAM d’un MacBook M1 ; pourtant on continue à vendre aux PME françaises une stack à quatre services (Pinecone + Elasticsearch + Postgres + LangChain) qui coûte entre 150 et 400 € par mois en infrastructure cloud et mobilise trois compétences techniques distinctes. DuckDB, bibliothèque analytique embarquée maintenue depuis 2019 par le CWI d’Amsterdam, règle l’équation en une seule dépendance : recherche vectorielle native (extension vss), recherche full text BM25 (extension fts), filtres structurés SQL standard et re-ranking hybride en une unique requête de huit lignes, le tout dans un fichier .duckdb local. Au bilan : facteur 10 sur le coût d’infrastructure, facteur 10 sur la latence, facteur 5 sur le temps de mise en prod, et zéro embedding qui sort de votre infrastructure pour finir dans un datacenter américain. La stack à quatre services qu’on enseigne aujourd’hui dans 90 % des tutoriels RAG n’existe pas pour résoudre un problème technique : elle existe pour vendre du SaaS récurrent, justifier des prestations DevOps et gonfler des budgets projets sur des cas d’usage qui ne le méritent pas. La vraie valeur d’un ingénieur senior en 2026 se mesure au nombre de lignes d’infrastructure qu’il sait supprimer pour résoudre exactement le même problème, pas au nombre de microservices Kubernetes qu’il sait empiler.
Intelligence artificielle J’ai changé mon chunking de 800 à 1200 tokens, mon hit@1 a fait +12 %, et j’ai cru pendant trente secondes que j’avais trouvé l’optimum. En réalité, mes questions sur le MSS60 étaient désormais évaluées contre l’index du MSS54 : le routing entre corpus était cassé depuis le départ, sans que rien dans les métriques ne le signale. Une métrique en hausse produite par un pipeline d’éval cassé ressemble exactement à une métrique en hausse produite par une vraie amélioration. Trois pièges silencieux (routing multi-corpus, absence d’historique versionné, hit@k et MRR sans juge LLM) font que la plupart des équipes RAG prennent leurs décisions sur des chiffres qui ne mesurent rien.
Intelligence artificielle La majorité des générateurs SVG par IA trichent : ils livrent un PNG encodé en base64, habillé d’une extension .svg. Le test prend dix secondes, ouvrez le fichier dans un éditeur texte. En 2026, Recraft V4 est le seul outil grand public qui produit du vrai SVG natif fiable depuis un prompt, avec Adobe Firefly Text-to-Vector en alternative juridiquement plus protégée. Trois métiers s’effondrent au passage : designer d’icônes UI junior, logotype freelance bas de gamme, vectoriseur. Ce qui prend de la valeur, c’est l’amont (brand design, architecture de design system) et l’aval, l’intégration technique.
Intelligence artificielle Le 8 mai 2026, Thariq Shihipar, ingénieur sur l’équipe Claude Code chez Anthropic, a publié un manifeste qui circule depuis : abandonnez le markdown, passez au HTML pour vos specs, plans d’implémentation et rapports. Le texte est intelligent, bien écrit, et structurellement un acte de marketing stratégique qui se présente comme un retour d’expérience personnel. Sur un sous-périmètre étroit (éditeurs jetables, playgrounds interactifs, prototypes avec sliders), l’auteur a raison ; sur tout le reste, son enthousiasme uniforme dissimule six angles morts. Coût en tokens balayé d’un revers de main, retournement du HTML sémantique en HTML présentationnel, perte de reviewabilité, paradoxe de la maintenance qui capture l’utilisateur dans la boucle de production, lecture survolée plutôt qu’éprouvée, surface d’attaque par indirect prompt injection. Analyse d’un signal stratégique mal déguisé, et matrice de décision pragmatique pour distinguer où le HTML mérite d’être adopté et où le markdown reste, par construction, le bon format pivot.
Intelligence artificielle À chaque session, Claude Code rouvre votre codebase comme un visiteur qui n’y aurait jamais mis les pieds. Il déplie le README, lance ses grep, ouvre des fichiers entiers pour reconstruire une architecture qu’il avait reconstituée la veille. Understand-Anything, projet open source publié en mars 2026, propose une autre voie : indexer la codebase en knowledge graph local, versionné comme un lock-file, interrogé à la demande par l’agent au lieu d’être relu à chaque tour. Ce n’est pas une optimisation de tokens, c’est un déplacement architectural qui prolonge la thèse « le RAG est mort, vive l’Agent » jusque dans le code lui-même. Pipeline multi-agents, économie comparée, limites du projet à six mois d’existence : ce que cette rupture change pour Claude Code et pour votre workflow.
Infrastructure & Données Convertir un PDF technique en markdown RAG-ready ne se résume pas à passer LlamaParse dessus. Sur un chapitre de 51 pages du Funktionsrahmen MSS60, la documentation Siemens du calculateur moteur des BMW M3 E92 et M5 E60, j’ai découvert que le travail intéressant commence après le parsing automatique. Les décisions sémantiques qui conditionnent vraiment la qualité du retrieval, préserver la langue source plutôt que traduire, éclater les tableaux denses en sous-sections individuelles, doubler les diagrammes en prose française et pseudo-code, aucun parser ne les prendra à votre place. Ce travail LLM-assisté ne se fait qu’une fois par document, son coût marginal par requête est zéro, et son investissement initial s’amortit en heures-utilisateur dès la première semaine d’utilisation. Retour d’expérience sur deux soirées de conversion qui ont retourné ma compréhension de ce qui rentabilise vraiment un pipeline RAG.
Infrastructure & Données Pendant qu’on débat de GPT-5 contre Claude 4.5 et de fenêtres à un million de tokens, 90% des pipelines RAG en production avalent une bouillie de pixels mal extraits par PyPDF2, puis s’étonnent que le LLM hallucine. Le problème n’est pas dans le cerveau du modèle : il est dans l’œsophage. Le parsing visuel, LlamaParse, Reducto pour la finance, Docling open-source d’IBM pour la souveraineté, transforme les PDF en Markdown structuré où chaque tableau, titre et paragraphe conserve son sens. Couplé à voyage-context-3, jusqu’à +23% de précision de retrieval sur contrats longs, et à des namespaces Pinecone bien partitionnés, ce pipeline déplace la bataille de l’IA d’entreprise du modèle vers la raffinerie de la donnée. Le LLM est interchangeable. La donnée propre, non.
Intelligence artificielle En 2026, générer une image photoréaliste coûte un centime, indiscernable d’une vraie photographie. Quatre marchés professionnels s’effondrent en silence : photographie de stock, packshot e-commerce, illustration éditoriale, retouche courante. Au-delà des marchés, c’est l’institution sociale de la preuve photographique, vieille de cent quatre-vingts ans, qui se fissure : tribunaux, assurances, journalisme, élections, vie privée. Cartographie froide des modèles qui comptent, du blanchiment du droit d’auteur acte II, et de ce qui reprend de la valeur quand chaque image devient suspecte par défaut.