Interview d'Andrej Karpathy (co-fondateur OpenAI, ex-Tesla Autopilot) qui passe de la *vibe coding* à l'*agentic engineering* : December 2025 comme bascule "never felt more behind as a programmer", taxonomie Software 1.0/2.0/3.0, exemple openclaw (script bash → texte à copier-coller dans l'agent) et MenuGen rendu obsolète par Nanobanana de Gemini, théorie de la *verifiability* expliquant pourquoi les LLMs sont *jagged* (math/code peakent, "marche jusqu'au lavage 50m" échoue), distinction *vibe coding* (raise the floor) vs *agentic engineering* (préserver le quality bar), métaphore "animaux vs fantômes", refonte du recrutement par projets agent-versus-agent, et formule clé : ***"You can outsource your thinking but you can't outsource your understanding."***
#Andrej Karpathy#vibe coding#agentic engineering
Andrej Karpathy (co-fondateur OpenAI, ex-Tesla Autopilot, créateur du terme "vibe coding")
Thread X manifeste de Rohit (@rohit4verse) qui pose la *2026 AI engineer roadmap* : 150k$ d'écart entre prompt engineer et systems architect, fin des *generic wrappers* "sherlocked by big tech", et 5 projets de portfolio classés par niveau de complexité (mobile SLM offline, self-improving coding agent, *Cursor for video editors* multimodal, personal life OS agent privacy-first, autonomous enterprise workflow agent). Chaque projet décrit ses *key architectural decisions* (lazy loading, sliding window, sandboxing, scene detection, knowledge graph personnel, event-driven multi-agent, audit trail, RBAC, observability). Slogan structurant : *"the replaceable: building wrappers / the unfireable: shipping autonomous systems"*. Tonalité injonctive et virale typique X 2026.
#2026 AI engineer roadmap#Rohit#rohit4verse
Rohit (@rohit4verse) — créateur de contenu IA sur X · vulgarisateur d'architecture et roadmaps de carrière en ingénierie IA.
Billet du **blog Ahrefs** publié le **28 avril 2026** par **Ryan Law** (Director of Content Marketing, Ahrefs) décrivant un système de **content engineering** maison construit autour de **Claude Code** : un pipeline éditorial qui produit des **drafts prêts à publier en 6 à 12 minutes**. **Thèse-pivot** : ***« AI content is not, by default, good. This process works well because it mirrors our existing human editorial process »*** — la qualité ne vient pas du modèle mais de la **reproduction fidèle d'un processus éditorial humain** éprouvé sur des décennies. Architecture : **~23 skill files** correspondant chacun à une étape éditoriale (keyword research, topic gap analysis, structural outlining, research compilation, draft generation, formatting), **orchestrés par un skill principal `blog-pipeline`** qui les enchaîne pour produire un article complet. **Sept principes de conception** : (1) **mimer les workflows humains** en chaînant des skills adaptés de la documentation éditoriale Ahrefs existante ; (2) **sortir chaque étape séparément** pour le troubleshooting (*« if you get an article at the end of a ten minute run, and it's bad, it's hard to diagnose precisely where and why the process went wrong »* → sauvegarder les outputs intermédiaires) ; (3) **créer des cas de test** via le skill `skill-creator` d'Anthropic pour évaluer et améliorer les guidances ; (4) **brancher des sources de données de qualité** — le **Ahrefs MCP** (keyword metrics, parent topic, long-tail themes, SERP overviews, analyse concurrentielle), l'analyse concurrentielle et la doc produit ; (5) **front-loader la direction humaine** via des paramètres de contexte permettant le guidage éditorial ; (6) **construire des previews interactives** au format HTML pour la revue avant publication ; (7) **permettre la personnalisation** (chaque membre de l'équipe peut forker et modifier le système). **Volumétrie** : ~**15 articles publiés** et ~**30 articles mis à jour** via ce workflow ; développement démarré en **février 2026** (le processus antérieur d'**août 2025** demandait plusieurs jours et de l'intervention manuelle). **Caveats explicites** (anti-survente) : *« experience matters »* — le processus reflète des décennies d'expertise éditoriale ; la sélection de sujets se concentre sur du **contenu SEO informationnel** que l'auteur maîtrise bien ; Ahrefs **n'a aucun plan de "scaler" massivement le contenu** mais maintient une **bibliothèque evergreen**. Philosophie : automatiser *« the formulaic parts of work »* pour éliminer la corvée et libérer du temps pour la recherche, le thought leadership, les webinars et l'optimisation du système — **pas** remplacer l'effort humain. Référence canonique citée par Pasquale Pillitteri (*Opus 4.8 SEO workflow*) comme preuve terrain du gain « 6-12 min/draft ». Convergence directe avec la doctrine **skills-over-prompts** (Lattice, PROJ-AI), **systems around the model** (Dropbox/Okumura), et l'usage **HTML comme artefact de revue** (Shihipar).
#content engineering#ingénierie de contenu#Claude Code
**Ryan Law** — Director of Content Marketing chez **Ahrefs**. Praticien senior du content marketing SEO ; le billet est un retour d'expérience personnel (*« How I do… »*) publié sur le **blog Ahrefs** (ahrefs.com/blog) le **28 avril 2026**.
FinOps pour agents IA : framework d'allocation en 4 étapes pour les coûts des coding assistants (Claude Code, Cursor, Copilot) et pourquoi le tagging cloud traditionnel échoue - Finout
#FinOps agentique#allocation des coûts#coding assistants
Finout (équipe, sans auteur nommé)
Édito d'Andrew Ng dans The Batch n°350 qui pose une **hiérarchie d'accélération par les coding agents** selon le type de travail logiciel : **Frontend (max) > Backend (modéré) > Infrastructure (faible) > Recherche (minimal)**. Justification par la *verifiability* implicite (TypeScript/JavaScript fluents + boucle agent–navigateur autonome côté frontend) et par les zones d'ombre des LLMs (corner cases / sécurité / migrations DB pour le backend, tradeoffs réseau opaques pour l'infra, formation d'hypothèses irréductible pour la recherche). Numéro complété par 4 actualités structurantes : **GLM-5.1 (Z.ai)** modèle 754B/40B-actifs MIT capable de tâches autonomes de 8h (leader SWE-Bench Pro 58,4%) ; **Digit (Agility Robotics) chez Schaeffler** premier déploiement industriel d'humanoïdes (5'9"/143lb, 10–25$/h vs 20$/h humain) ; **révolte anti-data-centers** (~64Md$ bloqués mai-2024 / mars-2025, moratoire Maine 20MW+, cocktail molotov chez Sam Altman) ; et **"assistant axis"** (Christina Lu, MATS / Oxford / Anthropic) qui réduit la dérive de persona et les jailbreaks (Qwen3 32B : 83%→41% ; Llama 3.3 70B : 65%→33%) sans dégrader IFEval/GSM8k/MMLU-Pro/EQ-Bench.
#Andrew Ng#The Batch#DeepLearning.AI
Andrew Ng (édito principal — fondateur DeepLearning.AI, Stanford, ex-Google Brain, ex-Baidu) ; rédaction The Batch (DeepLearning.AI) pour les sections actualités
Post-mortem qualité Claude Code mars-avril 2026 — Trois incidents caching/reasoning/prompt — Blog Engineering Anthropic
#post-mortem#Claude Code#dégradation qualité
Anthropic
Reportage Les Echos (Florian Dèbes) à San Francisco : agents IA déjà intégrés comme collègues dans les start-up, "boîte de Petri" (Aaron Levie / Box), réflexe Claude avant chaque réunion, Jarvis perso, 5 onglets agents en parallèle, "le facteur limitant c'est la cognition humaine" (Patrick Joubert / Rippletide), "brain fry" / surchauffe cérébrale, étude BCG/HBR à 14% de salariés dépassés, mode "token-max" de classement des plus gros utilisateurs IA, témoignages Sinaï/Bangay/Allali/Hodjat/Pantera/Chapeau et écho Siddhant Khare ("L'IA réduit les coûts de production mais augmente ceux de coordination").
#Silicon Valley#San Francisco#agents IA collègues
Florian Dèbes (Les Echos, rubrique Travailler mieux / Vie au travail)
Refonte du processus de recrutement ingénieur chez Sierra à l'ère des agents de codage : entretien onsite AI-native (Plan/Build/Review), suppression du coding test algorithmique, remplacement du phone screen par un entretien de system design, pilote d'un entretien de debugging sur codebase existant.
#recrutement ingénieur#entretien technique#agents de codage
Vijay Iyengar · Arya Asemanfar · Angie Wang
Rapport conjoint **DORA × delta** (Google Cloud Professional Services), 60 pages, version **v. 2026.1** (citations février 2026, PDF créé 21 avril 2026), licence **CC BY-NC-SA 4.0** — premier framework officiel **DORA ROI** dédié à l'IA dans le SDLC, avec **calculateur interactif** sur dora.dev/ai/roi/calculator. Thèse-pivot : ***"AI is an amplifier"*** — l'IA **amplifie** simultanément les forces des organisations performantes et les dysfonctionnements des organisations en difficulté ; elle ne crée pas la performance, elle la **multiplie là où elle existe déjà**. Concept central nouveau : la ***J-Curve of AI value realization*** — toute adoption IA passe par un **creux de productivité temporaire** (learning curve + verification tax + pipeline adaptation) avant la **croissance exponentielle**, métaphore du *"tuition cost of transformation"* à **budgéter explicitement**. Calcul de référence : organisation 500 FTE / salaire chargé 176 k$ / 12,5% time saved per developer (≈ 1h/8h jour) → **valeur 11,6 M$ / investissement 8,4 M$ / ROI 39% / payback period 8 mois (0,7 année)**. Coûts modélisés : licences (250 $/user/an), API additionnels (80 $/user/an), training (9 600 $/user/an), infra (100 k$/an), J-Curve cost (3,3 M$ pour 15% drop sur 3 mois). Valeur modélisée : **headcount reinvestment capacity** (11 M$ — capacité libérée à réinvestir, **PAS réduction d'effectif**), revenue from extra feature deployments (990 k$, basé sur idea success rate 33\% Larsen 2023), **downtime impact négatif** (−344 k$, "instability tax"). **Stratégie reinvestissement explicite** : ***"we strongly recommend organizations do not adopt a headcount-reduction strategy"*** — réinvestir dans innovation, retenir les talents, capitaliser sur le knowledge institutionnel. Cinq piliers de valeur : Productivity / User Experience / Cost Efficiency / Developer Experience / Business Growth (du plus direct au plus indirect, *cumulated business value*). Cinq clés systémiques d'adoption : **Trust + Platform + Data + Users + Guardrails**. Roadmap 2 phases : (1) **Build context layer (CapEx)** — IDP qualité + healthy data ecosystems ; (2) **Empower human in loop (OpEx)** — context engineering + trust in AI. Indicateurs : leading = experiment frequency + deployment frequency ; stability gauge = change failure rate + rework. Trois scénarios à modéliser (Conservative 0.8 value × 1.5 cost / Realistic 1.0 / Optimistic 1.2 × 0.8). Données externes mobilisées : 78% executives ROI sur ≥ 1 use case gen AI (Google Cloud), 88% early adopters agentic AI ROI positif, **35-40% productivity greenfield vs ≤10% brownfield/legacy** (Stanford), inference cost ÷280 entre nov 2022 et oct 2024 (Stanford AI Index 2025), **727% ROI sur 3 ans** Google Cloud AI customers, payback moyen **8 mois** marché AI. Points faibles assumés : *"all models are wrong"* — modèle à contextualiser, calculatrice à ajuster ; risque de double-count value (time saved → both avoided hire AND extra revenue) ; user experience link "loose" donc exclu du calculator. **Insight déontologique** : ***"We don't measure AI by the code it writes but by the bottlenecks it clears"*** — mesure par bottlenecks levés, pas par volume de code. **Pertinence majeure** pour CIO/CTO devant construire un business case IA défendable face à un CFO/board ; pour la France/Europe, à articuler avec Wescale (X3-X4 réalistes), Tatsyi/Raiffeisen Bank Ukraine (case study banque −75 personnes mais réinvestissement délibéré), Frizzo (3-5× médiane), Curran/Intercom (3× R&D 16 mois), DORA Report 2025 (sur lequel ce ROI s'appuie).
#DORA ROI of AI-assisted software development#Google Cloud DORA report 2026.1#J-Curve of AI value realization
Rapport conjoint **DORA team × delta team** (Google Cloud Professional Services). Auteurs principaux : **Eva Dong** (AI Value Realization Americas, ex-McKinsey 8 ans, Master Financial Engineering Michigan) · **Andre Ellis Jr.** (Cloud Financial Operations Lead, Morehouse + Wharton MBA) · **Nathen Harvey** (DORA team lead, co-auteur multiples DORA reports + 97 Things Every Cloud Engineer Should Know) · **Vivian Hu** (10X Technology Consultant, contributrice DORA 2025 State of AI-assisted Software Development) · **Ursula Lübbert-Passing PhD** (AI Value Realization EMEA, 20 ans benchmarking + value advisory, PhD effort estimation software projects) · **Eric Maxwell** (lead 10X Technology consulting, ex-Chef Software, contributeur DORA) · **Aaron Wanjala** (cloud developer advocate Spring Boot/Angular). Conseillers et contributeurs : **Ben Jose · Eric Lam · Matt Orr · Allison Park · Ryan J. Salva · Jerome Simms · Dave Stanke · Cedric Yao**. Design : Human After All (humanafterall.studio). Document publié sous licence **CC BY-NC-SA 4.0** · version v. 2026.1 · citations retrieved February 2026.
Entretien d'embauche AI-native chez Sierra — Refonte processus recrutement ingénieurs — Plan/Build/Review — Blog Sierra
#entretien d'embauche#recrutement AI-native#processus de recrutement
Bret Taylor
Synthèse par Addy Osmani (Google, Chrome/Cloud) du champ émergent du *harness engineering* : équation `agent = model + harness`, principe du *ratchet* ("chaque erreur devient une règle"), reframe HumanLayer "skill issue", preuves Terminal Bench (Top 30 → Top 5 par seul changement de harnais), architecture Claude Code en couches, vision Anthropic "harnesses don't shrink, they move" et Harness-as-a-Service (Claude Agent SDK, Codex SDK, OpenAI Agents SDK). Article-pivot qui consolide Trivedy, HumanLayer, Anthropic et Böckeler en doctrine.
#harness engineering#agent harness#Addy Osmani
Addy Osmani (Software Engineer at Google, Cloud + Gemini)
Agent sémantique : la symétrie modèle+harnais et ontologie+données, effondrement des frameworks d'agents, ontologie comme seul actif non-commodité
#agent sémantique#harnais d'agent#ontologie
Tony Seale
Update public de Darragh Curran (R&D Intercom) neuf mois après son engagement de doubler la productivité R&D en 12 mois grâce à l'IA. Résultat : **3× atteint en 16 mois, sans signe de plateau**. Données quantifiées d'une R&D de 500 personnes / 8,5M lignes de code : **93,6% des PRs sont agent-driven**, **19,2% AI-approved** (cible >50%), coût/PR **-50%**, defect backlog **-54%**, time-to-shipping **-39%**, downtime des breaking changes **-35%**, top 5% des performers à **6× le median PR throughput**, **497 PRs autonomes** dans les 4 premières semaines, **153 contributeurs / 267 skills spécialisés** dans une *Skills-Based Plugin Architecture* privée. Curran décrète ***"All technical work is becoming agent-first. This is the top priority for R&D."*** Article-pivot du dossier *agent-first organization*, comparable seulement à Stripe Minions et StrongDM dans le corpus 2026.
#Darragh Curran#Intercom#Fin Ideas
Darragh Curran (R&D leader, Intercom — publication via Fin Ideas, plateforme média Intercom).
FinOps pour agents IA centré sur le « cost per outcome » : pourquoi le FinOps traditionnel échoue face au comportement runtime, guardrails, observabilité comportementale et cycle de vie en 4 phases - Orq.ai
#FinOps agentique#cost per outcome#comportement runtime
Sohrab Hosseini (co-fondateur, Orq.ai)
Gestion de sessions Claude Code : fenêtre 1M tokens, compaction, rewind, subagents et pourriture de contexte
#Claude Code#gestion de sessions#fenêtre de contexte
Thariq (@trq212)
Épisode #351 du podcast francophone **If This Then Dev** (Bruno) avec **Julien Lépine**, Directeur de la technologie d'**AWS France** (13 ans chez Amazon), enregistré en marge de l'**AWS Summit Paris** (1er avril 2026, ~10 000 personnes). Thèse-pivot : à l'ère agentique, écrire du code devient secondaire, la valeur migre vers la **compréhension du contexte, l'arbitrage d'architecture et la responsabilité humaine**. Preuve maîtresse : le **redéveloppement d'Amazon Bedrock** — plateforme critique gérant des milliers de milliards de requêtes — par une équipe de **6 personnes en 72 jours** (vs 30 personnes / 18 mois estimés), **code intégralement généré par IA**, sans vibe coding. AWS **standardise en interne sur Kiro** (IDE + CLI, branché sur Claude Sonnet/Opus) pour ~30 000 développeurs (annonce Matt Garman à re:Invent). Fil rouge : **garder le contrôle** sans tout relire — via la **modélisation formelle (TLA+)** et le **raisonnement automatisé** pour prouver les invariants et borner les agents, le **blameless post-mortem** et le principe « la responsabilité d'une action d'agent incombe à la personne qui l'opère ». Émergence de l'**AI DLC** (sprints → **Bolts** pluri-quotidiens) et du risque de **surcharge cognitive / burn-out**.
#AWS Summit Paris#Amazon Web Services#agents de code
**Julien Lépine** — Directeur de la technologie (CTO) d'Amazon Web Services France · 13+ ans chez Amazon ; ses équipes accompagnent les clients AWS sur le cloud · la data et l'IA. **Hôte** : Bruno (créateur et animateur du podcast *If This Then Dev*).
Économie des limites d'usage IA pour le codage augmenté — Phase Expand — Ressources limitantes — Stratégie de monétisation — Substack
#codage augmenté#genies#limites d'usage
Kent Beck
Harness engineering : modèle mental pour construire la confiance dans les agents de codage via guides feedforward et capteurs feedback
#harness engineering#agents de codage#feedforward
Birgitta Böckeler
Framework de compétences agentiques pour agents de codage — Superpowers — Méthodologie TDD — GitHub
#framework agentique#skills#agents de codage
Jesse Vincent (Prime Radiant)
Brief Bain & Company **avril 2026** (David Lipman, Greg Callahan, Daniel Goetz, George Sunderland — partie 1/5 de la série *"software industry in the age of AI"*) qui analyse l'impact de l'IA sur la **Rule of 40** (métrique canonique SaaS : *growth rate + profit margin ≥ 40%*) et conclut à une **double pression** : **headwinds** (croissance marché qui ralentit + coûts AI infrastructure massifs) et **tailwinds** (productivité IA + transformation 10-25% EBITDA + outcome-based pricing). **Donnée centrale qui choque** : un cas client *marketing technology* — **coûts AI multipliés par 3,49 (+349%) tandis que revenue n'a augmenté que de 38%** sur un an. **Thèse-pivot** : les SaaS leaders pourraient devoir ***"settle for the Rule of 30"*** temporairement pour rester compétitifs face aux **AI-natives**, en acceptant une compression de marge court terme contre un positionnement long terme. **Deux paths forward explicites** : (1) ***Financialize*** — minimiser AI investment, optimiser cash, opérer comme *"durable generator"* mais limite future growth ; (2) ***Invest to Grow*** — accepter pression marge court terme, réinvestir agressivement dans capabilities AI sur produit et operations. **Tailwinds détaillés** : productivité sales/marketing/R&D, transformations réussies = **+10-25% EBITDA**, opportunité future *outcome-based pricing* (revenue déplacé du fixed seats vers labor/operations economics), incumbents peuvent leverager customer relationships et embedded workflows contre AI-native challengers. **Headwinds détaillés** : *"software penetration is topping out in some areas"* (saturation marché), AI infrastructure + inference + model access introduisent **variable costs significatifs dans des businesses historiquement à hautes marges**. **Signal CFO/board** : la Rule of 40 elle-même comme **norme stable** est en train de basculer ; certains acteurs vont temporairement sortir de cette norme et **c'est rationnel stratégiquement**. **Pertinence majeure** pour CFO/CEO/board SaaS B2B et investisseurs PE/VC software évaluant portefeuille — premier benchmarking institutionnel chiffré du dilemme *protect margins / invest aggressively* en 2026. À articuler avec : Bain **part 2/5 cross-system labor 100 Md$** (2026-05), DORA ROI 2026 (cadre financier), Wescale (X3-X4 réalistes), Tatsyi/Raiffeisen (banque −75 personnes), Curran/Intercom (3× R&D 16 mois), Menlo Ventures *State of Generative AI Enterprise* (2025-12-09).
#Bain & Company#Rule of 40#growth rate plus profit margin
**David Lipman · Greg Callahan · Daniel Goetz · George Sunderland** — partners et experts Bain & Company spécialistes industrie logicielle / SaaS / private equity software. Article publié en **avril 2026** sur bain.com/insights · **partie 1/5** d'une série Bain sur *"the software industry in the age of AI"*. La partie 2 (*The $100-Billion SaaS Opportunity Hiding in Cross-System Labor*, mai 2026) est dans le dossier de veille.