On ne regarde pas naître une intelligence — fût-elle artificielle — avec la même désinvolture qu’on installe une mise à jour logicielle, et celui qui prétend le contraire n’a probablement jamais vu un modèle de langage résoudre en trois secondes un problème qu’il ruminait depuis des jours, ni ressenti ce vertige étrange, à mi-chemin entre l’admiration et l’inquiétude sourde, qui saisit quiconque réalise que la machine vient de penser plus vite que lui sans avoir jamais appris à douter. Cette catégorie est le journal d’un observateur qui refuse de choisir son camp entre les prophètes de l’utopie et les Cassandre de l’apocalypse — qui construit des pipelines le matin, déconstruit des narratifs l’après-midi, et le soir se demande encore si nous sommes en train de bâtir le plus bel outil jamais conçu ou de scier méthodiquement la branche cognitive sur laquelle notre espèce est assise. Vous y trouverez des analyses de modèles et d’architectures passés au crible de l’usage réel plutôt que du communiqué de presse, des réflexions sur ce que l’IA fait au travail, au droit d’auteur, à la souveraineté numérique et à cette chose fragile que l’on appelait autrefois penser par soi-même — le tout écrit avec la conviction qu’en matière d’intelligence artificielle, le seul luxe impardonnable serait l’indifférence.
Le 16 juin, à sa conférence Compile, Cursor a dévoilé Origin, une forge Git pensée non plus pour les humains mais pour les nuées d’agents qui poussent du code en continu. La presse y a vu un concurrent de GitHub ; le vrai sujet est la concentration qui se referme lorsqu’un même acteur réunit le compute, le modèle, l’IDE, la forge et vos données de travail, un risque structurel qui serait identique avec n’importe quel autre géant. Face à ce point de contrôle unique, l’auto-hébergement cesse d’être une coquetterie de power user pour devenir une position stratégique, à condition de l’admettre : il ne suffira plus de stocker ses dépôts, il faudra faire tourner ses propres orchestrateurs d’agents pour ne pas être souverain mais d’une lenteur rédhibitoire. La vraie brique de sortie n’est donc pas seulement Git pour le code, c’est MCP pour l’agent, ce couple qui permet à un éditeur ouvert de restituer la même puissance sans tout confier au propriétaire dominant. Mon pari pour les trois ans qui viennent : pas une bascule, mais une polarisation, où la standardisation reste notre meilleure porte de sortie.
Le 12 juin, SpaceX réalisait la plus grosse introduction en bourse de l’histoire; quatre jours plus tard, l’entreprise rachetait Cursor pour 60 milliards, puis dévoilait Origin, une forge Git pensée pour les agents. La presse a résumé tout ça à l’achat d’un éditeur d’IDE, et a manqué l’essentiel: un homme est en train d’acheter, couche par couche, le droit de décider ce qui compte comme vrai, d’abord dans le code, bientôt dans le savoir. Car le vrai goulot n’est plus de produire du code, c’est d’arbitrer ce qui mérite d’être mergé, et cette couche de validation vaut, pour entraîner des agents, plus que tout le corpus public de GitHub réuni. Reste une fissure dans le récit d’inéluctabilité: la pièce maîtresse, Anthropic, est précisément celle que Musk ne peut pas racheter, même s’il en fournit déjà une part de l’oxygène. La vraie question n’est plus de comprendre son plan, mais de décider combien de temps on accepte encore de lui louer l’avenir.
Les contrôles à l’export américains devaient étrangler l’IA chinoise ; ils lui ont appris la frugalité, et la frugalité est devenue son arme tarifaire. DeepSeek, Qwen et la nuée des modèles à poids ouverts livrent aujourd’hui un suffisamment bon à une fraction du prix occidental, ce qui suffit à faire basculer l’écrasante majorité des usages. Mais le marché n’a pas basculé là où on le croit : la pointe absolue reste américaine, et le vrai moat, la distribution, voit déjà les hyperscalers revendre la commodité chinoise sur leur propre compute. Pour l’Europe, adopter par défaut l’API de Hangzhou, c’est troquer un suzerain contre un autre, quand la seule sortie réelle, l’auto-hébergement des poids ouverts, n’a rien d’un repas gratuit. Reste à savoir si le continent saura bâtir les conditions, réglementaires et industrielles, qui font de ce réflexe autre chose qu’un geste de minorité éclairée.
Le 8 juin 2026, Apple a dévoilé la troisième génération de ses Foundation Models, avec une architecture embarquée parmi les plus astucieuses du marché : AFM 3 Core Advanced stocke vingt milliards de paramètres en mémoire flash et n’en active que quelques-uns, en routant ses experts par prompt plutôt que par token. Cette prouesse n’a pourtant rien de spontané, puisqu’elle prolonge industriellement le papier « LLM in a flash » de 2023 que la communication d’Apple préfère passer sous silence. Mais derrière le génie embarqué se loge un renoncement plus lourd : les cinq modèles sont co-conçus avec Google, pré-entraînés sur ses TPU, et le plus capable d’entre eux s’exécute sur des GPU NVIDIA dans Google Cloud. L’entreprise qui avait fait de l’intégration verticale et du « designed by Apple » son dogme loue désormais sa puissance de pointe chez un concurrent, là précisément où elle avait promis le plus d’indépendance. Et pendant ce temps, le Digital Markets Act prive les Européens de Siri AI sur iPhone et iPad sans calendrier, illustration d’un continent qui excelle à réguler un match auquel il ne joue plus.
Le 28 mai, Anthropic dévoilait les dynamic workflows dans Claude Code : des centaines de sous-agents en parallèle censés transformer des trimestres de travail en quelques jours. Mais la vraie nouveauté n’est pas la capacité, c’est la facture, car la fonctionnalité est conçue pour multiplier votre consommation de tokens. Le même jour, l’entreprise levait 65 milliards de dollars à 965 milliards de valorisation, dépassant OpenAI : le produit qui fait brûler le calcul et la levée qui le célèbre racontent la même histoire. Décryptage d’une fonctionnalité qui en dit moins sur l’avenir du code que sur le modèle économique de l’IA en 2026.
On me demande sans arrêt de coller un chatbot IA sur des sites clients, et ils tournent sur tout : Shopify, WordPress, Drupal, parfois du sur-mesure abandonné. Mais « quel plugin ? » n’est jamais la bonne question : un chatbot IA, ce sont deux couches qu’on confond presque toujours, la livraison du widget et le cerveau qui répond. Toute la décision tient sur une seule échelle, du clé-en-main verrouillé où vous ne contrôlez rien, jusqu’au pipeline que vous possédez entièrement. Pour un client unique, le clé-en-main suffit largement ; pour une agence qui veut capitaliser un savoir réutilisable sur toute une flotte, posséder le cerveau devient un actif. Voici la grille que j’utilise pour trancher, CMS par CMS, Shopify en tête.
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.
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.
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.
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.