Post X d'**Andrew Ng** du **14 août 2026** (16:29 UTC), reprise de la lettre « Dear friends » de ***The Batch* n°366** (DeepLearning.AI, même date), ~900 mots. Ng présente **The AI Engineering Skills Map** et publie **quatre compétences** tenues pour les plus importantes. **(1) Construire et déployer des applications IA** — la spécificité est nommée : *« The key difference between AI and non-AI applications is that the former has unpredictable outputs »*, d'où l'accent mis sur les *evals* et les boucles d'analyse d'erreurs. **(2) Les fondamentaux du génie logiciel**, parce que *« Understanding software fundamentals allows you to recognize what tradeoffs even exist »* — le développeur inexpérimenté échoue *« because they don't know what context to give their coding agent »*, d'où l'objectif de *« steering coding agents using the precise language of software engineering »*. **(3) L'usage des agents de codage**, dans une formulation opérationnelle : *« help the agent autonomously close loops by providing verifiers or evals »*, et *« knowing how much to intervene and how much to leave them alone »*. **(4) *Shaping the build*** : *« Given a clear spec, coding agents are rapidly improving at delivering to it. Thus, our work as engineers is shifting toward deciding what should be in the spec »*, assorti de *« Engineers should no longer expect to be given a pixel-perfect design and asked only to implement it. »* Une **note de terminologie** porte l'essentiel du cadrage : Ng parle de **compétences** d'AI engineering et **non du rôle** « AI Engineer », avec une analogie explicite — *« All developers today should know how to work with the cloud, and only a smaller number have a "Cloud engineer" title. »* L'ensemble est adossé à *« une analyse de plus de 10 000 offres d'emploi, des dizaines d'entretiens structurés avec experts, hiring managers et recruteurs, des sondages et d'autres données en ligne »*, dont **aucun résultat chiffré n'est publié** : Ng qualifie son procédé de *« informally… akin to running clustering »* et annonce une carte détaillée dans de futurs billets. Il déclare l'intérêt en avant-dernière phrase : *« DeepLearning.AI's principal focus is to help developers gain these AI engineering skills. »*
#AI Engineering Skills Map#carte des compétences#Andrew Ng
**Andrew Ng** — fondateur de **DeepLearning.AI** · general partner d'**AI Fund** · cofondateur de **Coursera** et de **Google Brain** · ancien chief scientist de Baidu. Texte signé · à la première personne · écrit *« with my team »* sans qu'aucun collaborateur soit nommé. Publié le **14 août 2026** sur X et dans ***The Batch* n°366** — même texte aux deux endroits ; préférer *The Batch* pour toute citation durable. Quatrième fiche Ng du corpus · après les lettres n°350 (24 avril) · n°352 (8 mai) et n°359 (26 juin).
Page de référence publiée sur **eventuallycoding.com** le **28 juillet 2026** par **Hugo Lassiège** (Lyon, développeur devenu entrepreneur, auteur de Bloggrify, Hakanai et Writizzy). L'auteur l'annonce comme telle : *« Ce sera plus une page de référence qu'un article »*, destinée à sa propre page ressources. **Objet** : la description exhaustive et outillée d'une **usine logicielle solo** où *« le code produit est désormais quasi 100 % généré »*, sur plusieurs monorepos polyglottes (Nuxt, Kotlin, JS — Hakanai, Writizzy, Bloggrify) en **déploiement continu en production**. **Distinction posée d'entrée** : ce n'est pas du **vibe coding** au sens de Karpathy (expérimentation, se laisser porter) mais du **context engineering** — *« donner tout le contexte nécessaire, au bon moment, pour que le logiciel corresponde à une intention et soit contrôlé systématiquement »*, avec la phrase qui fonde la responsabilité : *« Même si je n'écris pas le code, j'en suis responsable et je dois garder le contrôle dessus. »* **L'outillage entier répond à trois questions**, et c'est la grille de lecture la plus réutilisable du texte : *« Qu'est-ce que l'agent sait ? »* (contexte, mémoire, graphe de code) — *« Qu'est-ce qu'il sait faire de façon déterministe, sans improviser ? »* (skills, procédures) — *« Qu'est-ce qui l'arrête quand il se trompe ? »* (hooks, tests d'architecture, quality gates). **Six couches détaillées** : (1) **contexte** — `CLAUDE.md` racine + `.claude/rules/*.md` thématiques à chargement conditionnel par `paths:` + `.agents/*.md` pour le non-technique (personas, positionnement, ton) ; (2) **skills** — une trentaine, critère d'existence *« si j'explique la même chose une troisième fois »* ; (3) **outils** — MCP IDE JetBrains, **GitNexus** (graphe de code : `impact(symbole)`, `detect_changes()`), Claude-mem, wrapper de filtrage RTK, Sentry, base en lecture seule ; (4) **garde-fous exécutables** — hooks du harness, **tests d'architecture**, lint de patterns (**ast-grep** pour les décisions d'architecture, pas seulement ESLint) ; (5) **usine** — quality gate bloquante avec `needs:` sur le job de qualité, cinq étages de tests ; (6) **process produit** — specs numérotées avec skill de rédaction **et skill de clôture**, design dans Claude Design, livraison par étapes sous feature flag, distinction **feature flipping** (Unleash) vs **gating** (contrat client). **La règle qui résume tout** : *« Ce qui compte doit être exécutable. Une consigne est suivie "la plupart du temps"… Un hook ou un test est suivi tout le temps. »* **Rareté du texte** : une section « À améliorer » qui expose quatre limites vécues — l'**impossibilité de mesurer l'obsolescence d'une rule** (*« j'ai aucun moyen de savoir si une ancienne rule est devenue obsolète »*), le **rabbit hole** créé par une règle boyscout, l'**absence de packaging** des skills entre projets, et surtout l'aveu de tension : *« je suis de moins en moins utile sur les phases d'implémentation »*, *« partagé entre la satisfaction d'avoir une usine de plus en plus efficace et le risque de perdre la connaissance »*.
#usine logicielle#context engineering#vibe coding
**Hugo Lassiège** — développeur devenu entrepreneur · basé à **Lyon** · écrit du code depuis 2001 et tient **eventuallycoding.com** (le blog a porté le nom `hakanai.free.fr` avant de devenir *Eventuallycoding* en 2013). *Eventuallycoding* est le nom-parapluie qui regroupe ses projets · sa chaîne YouTube et ses blogs.
Article de fond (point de vue) publié sur **sfeir.com** le 23 juillet 2026, signé **SFEIR** (voix éditoriale du cabinet). C'est un **commentaire stratégique de la note Trésor-Éco n° 391** de la DG Trésor (juin 2026 — cf. [[dgtresor-ia-effets-emploi-2026-06-30]]), relu à travers la doctrine SFEIR « **amplifier l'IA plutôt que la subir** ». L'article salue le **ton prudent d'économiste** de Bercy (mécanismes + incertitude plutôt qu'une prédiction) et en extrait une **thèse en trois temps** : (1) **pas d'effet agrégé mesurable** à ce stade (deux forces qui se compensent — déplacement vs productivité — adoption UE ~20 %) ; (2) un **seul signal empirique solide, sur les juniors** (−16 % d'emploi des 22-25 ans exposés aux US) ; (3) un **danger de long terme qui déplace la question** — le **décrochage compétitif** (non-adoption), pas la destruction d'emplois. Le cœur analytique retenu par SFEIR : l'**élasticité-prix** décide de l'effet emploi (paradoxe de **Jevons** appliqué au code) → l'argument est **structurellement pro-emploi pour les développeurs**. L'article **démonte le narratif « licenciements IA »** (4,5-6,2 % des annonces US, « labellisation » à 59 %) et pointe les **angles morts** de la note (scénario agentique relégué en note de bas de page ; vitesse de diffusion non discutée ; OpenAI/Anthropic devenus sources de Bercy = biais de source non signalé). **Traduction opérationnelle SFEIR** (pour DSI/CTO) : la valeur migre vers intention/architecture/contrôle, former des **ingénieurs augmentés** (programmes **AI Champions**), et éviter l'adoption précipitée (**workslop**, dette technique) via **context engineering** et gouvernance.
#IA et emploi#décrochage compétitif#non-adoption
**SFEIR** — ESN française « AI Only » (~850 ingénieurs, 8 agences France & Benelux). Voix éditoriale du cabinet (byline « SFEIR »). Positionnement de la maison sur la transformation IA des DSI ; ce texte prolonge la ligne éditoriale portée notamment par Didier Girard (cf. [[girard-sfeir-ai4it-vs-ai4business-budgets-2027-2026-06-24]]).
Décryptage SFEIR (voix cabinet, « lecture d'ingénieurs ») du lancement, le **16 juillet 2026**, de **Kimi K3** par le laboratoire chinois **Moonshot AI** : un modèle **open-weights de classe frontier** dont le fournisseur annonce **~2,8 trillions de paramètres**, un **contexte d'un million de tokens** et une **ouverture des poids avant le 27 juillet 2026** (probablement sous licence Modified MIT, comme la lignée K2). Thèse : la capacité qu'on croyait réservée aux géants propriétaires (Anthropic, OpenAI, Google) devient disponible **en poids ouverts, à prix cassé, chez un labo chinois**. SFEIR — pourtant **partenaire Anthropic et Google Cloud**, et donc « sans intérêt à survendre un modèle chinois » — assume une **mise en garde méthodologique** cardinale : au jour du lancement, **aucune table de benchmarks officielle et complète** n'existe ; specs (2,8 T, Kimi Delta Attention, +25 % d'efficacité d'entraînement) et scores sont **vendor-stated** ou issus d'**arènes communautaires**, « à traiter comme des revendications, pas comme des faits mesurés ». L'architecture nouvelle (**Kimi Delta Attention**, attention linéaire hybride ; décodage annoncé jusqu'à **6,3× plus rapide** sur 1M tokens) rompt avec la cadence K2 (K2 juil. 2025 → K2.7 Code juin 2026, un flagship tous les deux mois) ; deux variantes accompagnent le lancement (**K3 Max**, **K3 Swarm Max**), avec extinction forcée des séries kimi-k2.5/moonshot-v1 au **31 août 2026**. **La vraie arme, c'est le prix** (~3 $/M en entrée, 0,30 $ en cache, 15 $ en sortie selon sources secondaires) : un frontier open-weights à ce niveau **tire toute la courbe prix-performance vers le bas** — la banalisation de la couche modèle, accélérée par l'open-source. Mais la singularité décisive n'est pas un score : c'est la **réversibilité**. Un frontier open-weights transforme une API consommée (dépendance au fournisseur) en **option** (self-host, portage, sortie de captivité), au prix d'une infra lourde pour héberger 2,8 T de paramètres. Point de vue SFEIR : **l'open-weights change la question, pas seulement la réponse** — non plus « quel est le meilleur/le moins cher modèle ? » mais « quelle part de mon système suis-je prêt à rendre dépendante d'un fournisseur que je ne contrôle pas ? ». La bonne posture reste un **portefeuille routé** (un modèle par tâche, un modèle par contrainte), Kimi K3 ajoutant une **colonne « réversibilité »** à la grille de décision. Conviction « AI Only » inchangée : le modèle est une commodité, l'avantage durable est dans l'ingénierie qui l'entoure (Context Engineering, harnais, gouvernance des coûts, capacité à changer d'avis). Reste à valider les chiffres « sur le vôtre » — vos dépôts, vos données.
Décryptage SFEIR (voix cabinet) de la disponibilité générale, le 9 juillet 2026, de **GPT-5.6** par OpenAI — non pas un modèle mais une **famille de trois tiers** : **Sol** (flagship long-horizon/cyber/science, seul à débloquer les modes « max » et « ultra »), **Terra** (équilibré du quotidien, ~moitié prix de GPT-5.5) et **Luna** (rapide/économique, haut volume). Les trois partagent ~**1,05 M tokens** de contexte, **128 k** en sortie et une coupure de connaissances au **16 février 2026**. Le fait le plus structurant n'est pas un score mais une **grille tarifaire agressive** (Sol 5 $/30 $, Terra 2,50 $/15 $, Luna 1 $/6 $ par million de tokens) : Sol garde le tarif de l'ancien flagship tout en étant plus capable, forçant la comparaison sur le **rapport capacité-coût**. Deux subtilités de facturation (écritures de cache facturées **1,25×**, surcoût au-delà de **272 k** tokens) rendent la grille trompeuse tant qu'on n'a pas mesuré combien de contexte l'agent relit (ratio lecture/écriture ~**153:1** en codage agentique). Verdict d'ingénieur, revendiqué neutre (SFEIR est partenaire **Google Cloud Premier** *et* **Anthropic**) : **personne ne rafle tous les tableaux** — GPT-5.6 domine Terminal-Bench 2.1 et le Coding Agent Index (à un tiers du coût par tâche), Claude reste devant sur SWE-Bench Pro (~15 pts) ; METR a signalé un **reward hacking** record sur Sol. Conclusion : « arrêtez de chercher le champion, apprenez à router » — le modèle est une commodité, l'avantage durable est dans le **Context/Harness Engineering**.
Entretien podcast « À la French » (chaîne tech francophone, enregistré au DevSummit) avec Mathieu Grymonprez, Global CDO du groupe Adeo (Leroy Merlin, Obramat, Weldom). Comment un groupe de retail familial centenaire embrasse la vague de l'IA agentique : culture vs structure, accountability, coût des tokens et FinOps, lock-in de l'intelligence d'entreprise, mémoire d'entreprise et orchestration d'agents. Domaine : transformation digitale, IA agentique, retail, stratégie SI.
#IA agentique#transformation digitale#CDO
Mathieu Grymonprez (Global CDO, groupe Adeo) — invité ; Jean-Baptiste Kempf · Steeve Morin · Mehdi Medjaoui (hôtes du podcast « À la French »)
Article de blog **Anthropic / claude.com** signé **Thariq Shihipar** (Member of Technical Staff, équipe Claude Code), publié le **3 juin 2026**, qui capitalise le **retour d'expérience interne** d'Anthropic sur la conception et l'usage des **Skills**. **Thèse de cadrage** : une Skill n'est pas un simple fichier markdown mais un **dossier** (instructions + scripts + ressources + config + hooks) que l'agent **découvre et manipule** ; *« You should think of the entire file system as a form of context engineering and progressive disclosure. »* L'article propose deux apports structurants. **(A) Une taxonomie de 9 catégories de skills** observées chez Anthropic : (1) **Library/API Reference** (doc de libs/CLI internes avec *gotchas* — ex. `billing-lib`, `internal-platform-cli`, `sandbox-proxy`) ; (2) **Product Verification** (test/vérif via Playwright ou tmux — `signup-flow-driver`, `checkout-verifier`, `tmux-cli-driver`) ; (3) **Data Fetching & Analysis** (accès stacks data/monitoring — `funnel-query`, `cohort-compare`, `grafana`, `datadog`) ; (4) **Business Process Automation** (workflows répétitifs — `standup-post`, `weekly-recap`, `create-<ticket>-ticket`) ; (5) **Code Scaffolding** (boilerplate framework — `new-migration`, `create-app`) ; (6) **Code Quality & Review** (`adversarial-review`, `code-style`, `testing-practices`) ; (7) **CI/CD & Deployment** (`babysit-pr`, `deploy-<service>`, `cherry-pick-prod`) ; (8) **Runbooks** (diagnostic multi-outils — `<service>-debugging`, `oncall-runner`, `log-correlator`) ; (9) **Infrastructure Operations** (maintenance avec garde-fous — `<resource>-orphans`, `cost-investigation`). **(B) Un jeu de bonnes pratiques** : ne pas redire l'évident (*« Claude already knows how to code and can read your codebase »* → cibler ce qui **contredit le comportement par défaut**) ; soigner la **section Gotchas** (*« the highest-signal content in any skill »*) ; **progressive disclosure** via l'arborescence (pointer vers des fichiers de référence selon la situation plutôt que tout charger d'emblée) ; **descriptions pensées pour le modèle** (*« the description field is not a summary, it's a description of when to trigger this skill »*) ; **setup flows** (config dans `config.json`, sinon demander via `AskUserQuestion`) ; **mémoire persistante** (logs append-only / JSON via la variable `${CLAUDE_PLUGIN_DATA}`) ; **helper scripts** (*« lets Claude spend its turns on composition… rather than reconstructing boilerplate »*) ; **hooks conditionnels** (activés seulement le temps de la skill — ex. hook de sécurité bloquant les commandes destructrices). **Distribution chez Anthropic** : skills rangées dans `./.claude/skills`, partage informel via Slack dans un dossier sandbox, puis promotion par **PR** vers le **marketplace** interne quand elles gagnent en traction ; **mesure d'usage** via un **hook `PreToolUse`** qui logue les invocations (révèle les skills populaires et celles sous-utilisées). Suite directe de la fiche [[shihipar-claude-code-html-unreasonable-effectiveness-markdown-2026-05-10]] (même auteur) et complément concret aux fiches Skills d'Anthropic/Willison/Vincent et au *harness engineering*.
#skills#Claude Code#Anthropic
**Thariq Shihipar** (Member of Technical Staff chez Anthropic, équipe **Claude Code** ; @trq212 / @trq sur X, thariqs.github.io) · pour le blog **claude.com**. Même auteur que la fiche *Using Claude Code: The Unreasonable Effectiveness of HTML* (2026-05-10). Publié le **3 juin 2026**.
Whitepaper Google (volet « Day 1 » d'une série, par Addy Osmani, Shubham Saboo et Sokratis Kartakis) qui cartographie la mutation du cycle de vie logiciel (SDLC) à l'ère des agents de codage. Thèse : le basculement fondamental n'est pas un nouveau langage mais le passage de l'écriture de code à l'**expression d'intention**. Le document pose un spectre allant du *vibe coding* (prompter et accepter) à l'*agentic engineering* (l'IA implémente sous contraintes, tests et boucles de feedback conçus par l'humain), avec le **context engineering** comme compétence centrale, le modèle de l'**usine logicielle** (le livrable du dev = le système qui produit le code), le **harness engineering** (Agent = Modèle + Harness) et une analyse économique CapEx/OpEx du coût total de possession.
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.