[{"title":"Amazon Nova — la stratégie modèles d'AWS face à OpenAI et Google","description":"Lancée en décembre 2024, la famille Nova est la première gamme de modèles propriétaires véritablement compétitifs d'Amazon. Prix agressifs, intégration Bedrock native, Nova 2 avec raisonnement étendu : bilan équilibré d'un acteur qui joue sa propre carte dans un paysage dominé par OpenAI, Anthropic et Google.","territoire":"acteurs","content_type":"profil","href":"/acteurs/amazon-nova"},{"title":"Anthropic — de la recherche au produit","description":"Fondée par d'anciens cadres d'OpenAI, Anthropic mise sur la sécurité de l'IA pour construire Claude, l'un des modèles les plus avancés du marché.","territoire":"acteurs","content_type":"profil","href":"/acteurs/anthropic"},{"title":"La famille Claude — Haiku, Sonnet, Opus, et maintenant Fable","description":"La gamme Claude d'Anthropic tenait en trois tiers depuis 2024. Elle en compte quatre depuis l'été 2026, et le plus capable ne s'appelle plus Opus.","territoire":"acteurs","content_type":"profil","href":"/acteurs/claude-famille"},{"title":"Cohere — l'IA enterprise-first depuis Toronto","description":"Fondée par un co-auteur du papier Transformer, Cohere construit des LLM exclusivement pour les entreprises : déploiements privés, RAG natif, multilinguisme étendu. Portrait d'un acteur B2B qui refuse de concurrencer ses clients.","territoire":"acteurs","content_type":"profil","href":"/acteurs/cohere"},{"title":"Constitutional AI — quand le modèle s'auto-aligne selon des principes écrits","description":"Constitutional AI est une méthode d'alignement où un modèle critique et révise ses propres réponses selon une liste de principes, sans annotation humaine des sorties nuisibles.","territoire":"acteurs","content_type":"concept","href":"/acteurs/constitutional-ai-rlaif"},{"title":"DeepSeek — quand un fonds quantitatif construit un laboratoire frontier","description":"DeepSeek AI est un laboratoire chinois fondé en 2023 par un fonds spéculatif quantitatif, qui publie ses modèles en open weights et a produit des avancées architecturales documentées, notamment avec V3 et R1.","territoire":"acteurs","content_type":"profil","href":"/acteurs/deepseek-ai"},{"title":"L'écosystème LLM — cartographie des forces en présence","description":"Qui construit les grands modèles de langage, qui contrôle l'infrastructure, et comment la compétition géopolitique redistribue les cartes. Une lecture structurelle de l'écosystème en 2025-2026.","territoire":"acteurs","content_type":"concept","href":"/acteurs/ecosysteme-acteurs"},{"title":"Gemini — la réponse de Google","description":"Multimodal dès sa conception, Gemini est la famille de modèles avec laquelle Google DeepMind rattrape et défie la concurrence.","territoire":"acteurs","content_type":"profil","href":"/acteurs/gemini"},{"title":"Google DeepMind — l'infrastructure au service de l'IA","description":"Née de la fusion entre DeepMind et Google Brain, Google DeepMind combine recherche fondamentale de pointe et infrastructure de calcul inégalée.","territoire":"acteurs","content_type":"profil","href":"/acteurs/google-deepmind"},{"title":"Les GPT d'OpenAI — de GPT-4o à Astra","description":"La famille GPT a défini le marché des LLM. De GPT-4o aux modèles de raisonnement, puis au routeur de GPT-5 — et au retour du choix explicite avec la gamme 5.6.","territoire":"acteurs","content_type":"profil","href":"/acteurs/gpt"},{"title":"Hugging Face — la plateforme qui distribue l'IA open source au monde","description":"Hugging Face n'est pas un lab de recherche frontier : c'est l'infrastructure de distribution qui rend les modèles accessibles. Hub, librairies, Enterprise, Open-R1 — anatomie d'un écosystème devenu indispensable.","territoire":"acteurs","content_type":"profil","href":"/acteurs/huggingface-plateforme"},{"title":"Llama — l'open source selon Meta","description":"Avec Llama, Meta a publié une famille de modèles en open weights qui a transformé l'écosystème des LLM open source.","territoire":"acteurs","content_type":"profil","href":"/acteurs/llama"},{"title":"Meta AI — le pari open source","description":"Meta a choisi de publier ses modèles Llama en open weights, un choix stratégique qui a redistribué les cartes de l'écosystème IA.","territoire":"acteurs","content_type":"profil","href":"/acteurs/meta-ai"},{"title":"Mistral AI — l'alternative européenne","description":"Fondée en 2023 par des chercheurs français issus de Meta et Google, Mistral AI est devenue la licorne européenne de l'IA en un temps record.","territoire":"acteurs","content_type":"profil","href":"/acteurs/mistral-ai"},{"title":"Les modèles Mistral — de Mixtral à Medium 3.5","description":"Du Mistral 7B open source au Mistral Large propriétaire, une gamme européenne qui mise sur l'efficacité et le Mixture of Experts.","territoire":"acteurs","content_type":"profil","href":"/acteurs/mistral-modeles"},{"title":"Open source vs propriétaire — ce que ça signifie vraiment pour les LLM","description":"Un modèle dit 'open source' n'est pas toujours ce qu'il prétend être. Exploration des distinctions qui comptent : licences, données, performances et régulation.","territoire":"acteurs","content_type":"comparatif","href":"/acteurs/open-source-vs-proprietaire"},{"title":"OpenAI — du non-profit au leader commercial","description":"Fondée comme organisation à but non lucratif, OpenAI est devenue la société d'IA la plus valorisée au monde avec ChatGPT et la série GPT.","territoire":"acteurs","content_type":"profil","href":"/acteurs/openai"},{"title":"Qwen — la famille de modèles ouverts d'Alibaba Cloud","description":"Tongyi Qianwen (Qwen) est la famille de grands modèles de langage développée par Alibaba Cloud depuis 2023. Devenue en 2026 le premier contributeur de modèles dérivés sur HuggingFace, elle combine gamme exceptionnelle (0,6B à 235B), architecture hybride dense/MoE et raisonnement intégré.","territoire":"acteurs","content_type":"profil","href":"/acteurs/qwen-alibaba"},{"title":"TPU Google — La seule alternative crédible aux GPU Nvidia","description":"Depuis 2016, Google déploie ses propres puces IA en production. Une architecture radicalement différente des GPU, taillée pour le scale — mais difficile à utiliser hors de son écosystème.","territoire":"acteurs","content_type":"concept","href":"/acteurs/tpu-google"},{"title":"xAI et Grok — l'IA des données en temps réel","description":"xAI est le laboratoire d'Elon Musk, fondé en 2023 pour développer Grok, un assistant IA intégré à X. Profil factuel : histoire, modèles, infrastructure Colossus, controverses de sécurité.","territoire":"acteurs","content_type":"profil","href":"/acteurs/xai-grok"},{"title":"À la base je voulais juste faire un jeu vidéo","description":"Récit d'un ingénieur télécom qui ouvre un LLM pour faire un jeu vidéo et finit par construire un laboratoire de recherche sur l'orchestration multi-agents.","territoire":"carnets","content_type":"concept","href":"/carnets/a-la-base-je-voulais-juste-faire-un-jeu-video"},{"title":"En orchestration multi-agents, l'architecture bat le modèle","description":"Dans un système multi-agents LLM, la façon dont vous organisez vos agents compte plus que le modèle que vous choisissez.","territoire":"carnets","content_type":"concept","href":"/carnets/architecture-bat-le-modele"},{"title":"Le vrai budget d'un sous-agent : environ 100K tokens","description":"Un sous-agent Claude Code Sonnet dispose d'environ 100 000 tokens de contexte effectif — bien moins que les 200K théoriques du modèle.","territoire":"carnets","content_type":"decouverte","href":"/carnets/budget-sous-agent-100k-tokens"},{"title":"Compaction contextuelle — pourquoi les agents jettent 80% du contexte","description":"Les systèmes agentiques industriels compressent 75 à 95% du contexte conversationnel. Les benchmarks académiques s'arrêtent à 50-60%. Cette distribution bimodale s'explique par un mécanisme simple : la décomposition en tâches.","territoire":"carnets","content_type":"decouverte","href":"/carnets/compaction-contextuelle-agents"},{"title":"Cinq knowledge bases, un même pattern","description":"Cinq équipes indépendantes convergent vers la même architecture de knowledge base maintenue par LLM. Tableau comparatif et implications.","territoire":"carnets","content_type":"analyse","href":"/carnets/convergence-knowledge-bases-llm"},{"title":"LLM = outils : décontamination conceptuelle","description":"Pourquoi l'anthropomorphisme appliqué aux LLM est un danger épistémique, et pourquoi la décontamination du langage public est un enjeu de société.","territoire":"carnets","content_type":"concept","href":"/carnets/decontamination-conceptuelle"},{"title":"Deny rules Claude Code — anatomie d'un faux sentiment de sécurité","description":"Les deny rules de Claude Code protègent contre les erreurs accidentelles, pas contre les attaques. Analyse technique du gap entre sécurité perçue et sécurité réelle, avec le spectre défensif complet.","territoire":"carnets","content_type":"guide","href":"/carnets/deny-rules-securite"},{"title":"Manifeste : les LLM sont des outils","description":"Pourquoi il est vital de nommer les grands modèles de langage pour ce qu'ils sont — des instruments statistiques, pas des esprits — et ce que cette lucidité change concrètement.","territoire":"carnets","content_type":"concept","href":"/carnets/manifeste-llm-outils"},{"title":"Les modes d'échec des sous-agents : classification et mitigations","description":"Quand un agent délègue une tâche à un sous-agent, que se passe-t-il en cas d'échec ? Cinq modes d'échec documentés, comment les détecter, comment s'en prémunir.","territoire":"carnets","content_type":"decouverte","href":"/carnets/modes-echec-sous-agents"},{"title":"État de l'art : orchestration multi-agents avec Claude Code (2026)","description":"Cartographie des mécanismes d'orchestration disponibles dans Claude Code en 2026 : Agent Tool, Agent Teams, Session Agents, hooks MCP — capacités, contraintes et ce que la recherche dit sur la fiabilité.","territoire":"carnets","content_type":"concept","href":"/carnets/orchestration-multi-agents-etat-art"},{"title":"Le poste de travail de l'opérateur d'agents","description":"Synthèse d'étude sur le poste de travail de l'opérateur d'agents autonomes. Revue de littérature condensée, thèse personnelle, et cartographie d'un métier émergent.","territoire":"carnets","content_type":"analyse","href":"/carnets/poste-travail-operateur"},{"title":"Pourquoi votre agent ne sait pas s'il a réussi","description":"Entre 27 % et 78 % des succès rapportés par les benchmarks d'agents dissimulent des violations procédurales. Le critère binaire succès/échec est structurellement insuffisant — et les alternatives restent des problèmes ouverts.","territoire":"enjeux","content_type":"concept","href":"/enjeux/agent-verification-succes"},{"title":"Pourquoi les LLMs se trompent en auto-évaluation","description":"Les grands modèles de langage sont utilisés pour s'évaluer eux-mêmes et évaluer d'autres LLMs. Quatre biais systémiques expliquent pourquoi ce paradigme déraille — et pourquoi les corriger est plus difficile qu'il n'y paraît.","territoire":"enjeux","content_type":"concept","href":"/enjeux/auto-evaluation-llm"},{"title":"Ce que les laboratoires publient sur leurs modèles — et ce qu'ils taisent","description":"Relevé du même jour sur les pages modèles d'Anthropic, OpenAI et Google : quatre informations décident d'une architecture, et aucun des trois ne les publie toutes.","territoire":"enjeux","content_type":"comparatif","href":"/enjeux/ce-que-les-labos-publient"},{"title":"Le coût réel d'un système multi-agents — un ordre de grandeur au-dessus","description":"Un agent solo coûte 9 dollars par session. Un système multi-agents avec orchestrateur coûte 200 dollars. D'où vient ce facteur 22× et quand est-il justifié ? Anatomie des coûts cachés : tokens de coordination, recréation de contexte, boucles de vérification.","territoire":"enjeux","content_type":"analyse","href":"/enjeux/cout-reel-systeme-multi-agents"},{"title":"Réguler l'IA — pourquoi l'Europe, les États-Unis et la Chine ne parlent pas le même langage","description":"Trois puissances, trois philosophies de régulation. L'Europe classe les risques, la Chine contrôle les contenus, les États-Unis oscillent selon les administrations.","territoire":"enjeux","content_type":"concept","href":"/enjeux/gouvernance-regulation-ia"},{"title":"Guardrails LLM — la sécurité comme architecture","description":"Les guardrails sont des mécanismes de contrôle multicouches qui encadrent le comportement des agents autonomes. Ils ne limitent pas les capacités de l'agent : ils les rendent déployables en conditions réelles.","territoire":"enjeux","content_type":"concept","href":"/enjeux/guardrails-llm"},{"title":"Human-in-the-Loop — l'humain et l'agent, un duo nécessaire","description":"Le pattern Human-in-the-Loop structure la supervision humaine des systèmes agentiques : quand intervenir, comment déléguer, et comment l'humain reste indispensable sans bloquer l'automatisation.","territoire":"enjeux","content_type":"concept","href":"/enjeux/human-in-the-loop"},{"title":"IA agentique — catalyseur d'une prochaine explosion d'intelligence ?","description":"Evans, Bratton et Agüera y Arcas (Google/UChicago, 2026) soutiennent que la prochaine explosion d'intelligence ne sera pas un esprit monolithique mais une société distribuée d'agents humains et artificiels. Analyse de leur thèse et de ses limites.","territoire":"enjeux","content_type":"analyse","href":"/enjeux/ia-agentique-prochaine-explosion"},{"title":"Le LLM-juge est trois fois plus permissif que l'humain","description":"Les données quantitatives du problème LLM-as-judge : taux de faux positifs supérieur à 75 %, précision équilibrée de 69 %, et une calibration par régression qui réduit l'erreur de 72 %. Radiographie chiffrée d'une crise méthodologique.","territoire":"enjeux","content_type":"analyse","href":"/enjeux/llm-juge-trois-fois-plus-permissif"},{"title":"Made by AI — et alors ?","description":"Tout le contenu de ce site est produit avec assistance IA. Voici pourquoi c'est assumé, ce que ça change concrètement et pourquoi la transparence est le seul positionnement honnête.","territoire":"enjeux","content_type":"analyse","href":"/enjeux/made-by-ai-so-what"},{"title":"Mirage — quand les LLM « voient » sans regarder","description":"Les modèles multimodaux de pointe produisent des descriptions confiantes d'images qu'ils n'analysent pas. 74% des benchmarks multimodaux sont contaminés. L'évaluation multimodale est structurellement cassée.","territoire":"enjeux","content_type":"analyse","href":"/enjeux/mirage-illusion-visuelle"},{"title":"Les 14 modes de défaillance des agents IA","description":"La taxonomie MAST identifie 14 modes de défaillance des systèmes multi-agents LLM, classés en trois catégories. Un guide praticien pour anticiper et diagnostiquer les pannes de vos agents.","territoire":"enjeux","content_type":"guide","href":"/enjeux/modes-defaillance-agents-ia"},{"title":"Alignement et RLHF — comment corriger un LLM","description":"RLHF est la méthode dominante pour rendre les LLM conformes aux valeurs humaines : pipeline en trois phases, alternatives récentes (DPO, KTO), limites théoriques et problème du jailbreaking par construction.","territoire":"fondamentaux","content_type":"concept","href":"/fondamentaux/alignement-et-rlhf"},{"title":"Architecture Transformer — le mécanisme qui a tout changé","description":"Comment fonctionne l'attention, pourquoi tous les grands modèles de langage reposent sur la même architecture, et ce que les chercheurs débattent encore aujourd'hui.","territoire":"fondamentaux","content_type":"concept","href":"/fondamentaux/architecture-transformer"},{"title":"Alignement des LLM — pourquoi corriger l'IA ne suffit pas","description":"RLHF est la méthode dominante pour rendre les LLM conformes aux valeurs humaines. Mais les recherches récentes montrent qu'elle amplifie certains défauts, marginalise des préférences minoritaires, et ne peut pas éliminer le jailbreaking par construction.","territoire":"fondamentaux","content_type":"concept","href":"/fondamentaux/conformite-jailbreak"},{"title":"La dégradation contextuelle est mesurable — et elle suit une loi","description":"La perte de cohérence des LLM en conversation longue n'est pas un bug vague : elle suit une courbe mathématique mesurable. Deux modèles concurrents éclairent le phénomène et ses solutions.","territoire":"fondamentaux","content_type":"concept","href":"/fondamentaux/degradation-contextuelle-mesurable"},{"title":"Données synthétiques — comment les LLM apprennent de leurs propres sorties","description":"Les LLM génèrent de plus en plus leurs propres données d'entraînement. Cette technique décuple les capacités des petits modèles — mais elle pose un risque structurel : l'effondrement progressif de la diversité.","territoire":"fondamentaux","content_type":"concept","href":"/fondamentaux/donnees-synthetiques"},{"title":"Embeddings et recherche sémantique — comment les LLM comprennent le sens","description":"Un embedding transforme un texte en coordonnées dans un espace mathématique où la proximité exprime la parenté de sens. Comprendre ce mécanisme, c'est comprendre pourquoi RAG fonctionne — et pourquoi il échoue.","territoire":"fondamentaux","content_type":"concept","href":"/fondamentaux/embeddings-recherche-semantique"},{"title":"Benchmarks LLM — pourquoi les scores ne disent pas tout","description":"MMLU, GSM8K, Chatbot Arena : comment mesure-t-on réellement la performance d'un modèle de langage ? État des lieux des méthodes, de leurs limites et des débats qui agitent la recherche.","territoire":"fondamentaux","content_type":"concept","href":"/fondamentaux/evaluation-benchmarks"},{"title":"La fenêtre de contexte — ce que c'est, pourquoi ça compte","description":"La fenêtre de contexte détermine combien d'information un LLM peut traiter en une seule fois. Voici comment elle fonctionne et pourquoi elle est cruciale.","territoire":"fondamentaux","content_type":"concept","href":"/fondamentaux/fenetre-de-contexte"},{"title":"Génération d'images par IA — du bruit à l'image","description":"Comment les modèles de diffusion construisent des images à partir de bruit aléatoire, quels acteurs dominent le secteur, et pourquoi les questions de copyright restent ouvertes.","territoire":"fondamentaux","content_type":"concept","href":"/fondamentaux/generation-images"},{"title":"GradMem — comprimer le contexte en mémoire par descente de gradient","description":"GradMem propose d'écrire le contexte dans des tokens mémoire via quelques étapes de gradient descent à l'inférence. Une approche de compression qui surpasse les méthodes forward-only.","territoire":"fondamentaux","content_type":"decouverte","href":"/fondamentaux/gradmem-memoire-contextuelle"},{"title":"Histoire des LLM — cinq ruptures qui ont tout changé","description":"Les grands modèles de langage ne sont pas apparus du jour au lendemain. Retour sur les cinq tournants scientifiques, de 2013 à aujourd'hui, qui ont rendu possible ChatGPT et ses successeurs.","territoire":"fondamentaux","content_type":"concept","href":"/fondamentaux/histoire-llm"},{"title":"HyperAgents — des agents IA qui modifient leur propre méthode d'amélioration","description":"HyperAgents étend le concept de Darwin Gödel Machine en rendant modifiable le méta-niveau d'amélioration des agents. Un pas vers l'auto-amélioration récursive au-delà du code.","territoire":"fondamentaux","content_type":"decouverte","href":"/fondamentaux/hyperagents-auto-amelioration"},{"title":"Interprétabilité mécanistique — comprendre ce qui se passe dans un LLM","description":"Comment les chercheurs dissèquent les modèles de langage pour comprendre leurs mécanismes internes, et ce que cela révèle sur la sécurité de l'IA.","territoire":"fondamentaux","content_type":"concept","href":"/fondamentaux/interpretabilite-mecanistique"},{"title":"Fenêtre de contexte — ce que les LLM voient vraiment","description":"Les modèles affichent des fenêtres de 128 000 ou un million de tokens. Ce que ces chiffres cachent, comment les ingénieurs ont contourné les limites physiques, et pourquoi l'information au milieu d'un long document est souvent perdue.","territoire":"fondamentaux","content_type":"concept","href":"/fondamentaux/long-context"},{"title":"Mémoire graphe pour agents — au-delà du vecteur","description":"Un survey de 2026 montre que les graphes surpassent les vecteurs pour la mémoire agent sur quatre dimensions. Taxonomie, outils et état de l'art.","territoire":"fondamentaux","content_type":"concept","href":"/fondamentaux/memoire-graphe-agents"},{"title":"Les 3 mémoires d'un agent IA : sémantique, épisodique, procédurale","description":"Un agent IA gère trois types de mémoire distincts importés de la psychologie cognitive. Le framework CoALA les formalise pour les LLM en y ajoutant la mémoire de travail. Comparaison avec MemGPT et les approches récentes.","territoire":"fondamentaux","content_type":"concept","href":"/fondamentaux/memoires-agent-ia"},{"title":"Mixture of Experts — comment les grands modèles activent moins de paramètres qu'ils n'en ont","description":"Les modèles MoE dissocient la taille totale d'un réseau de son coût de calcul réel : seule une fraction des paramètres est activée pour chaque token traité. Comprendre ce mécanisme, ses avantages et ses limites réelles.","territoire":"fondamentaux","content_type":"concept","href":"/fondamentaux/mixture-of-experts"},{"title":"Multimodalité — comment les LLM ont appris à voir et à entendre","description":"De CLIP à GPT-4o, retour sur les mécanismes qui permettent aux grands modèles de traiter images, sons et texte au sein d'une même architecture — et sur leurs limites réelles.","territoire":"fondamentaux","content_type":"concept","href":"/fondamentaux/multimodalite"},{"title":"Les 4 niveaux d'un agent IA (L0–L3)","description":"La taxonomie L0–L3 organise la progression des agents IA selon leur interaction avec l'environnement : du LLM nu aux systèmes multi-agents collaboratifs. Comparaison avec les taxonomies alternatives de Yu Huang, HuggingFace et Google DeepMind.","territoire":"fondamentaux","content_type":"concept","href":"/fondamentaux/niveaux-agent-ia"},{"title":"Le plafond de raisonnement sous contraintes — 55-60% et pas au-delà","description":"Sur les tâches d'optimisation sous contraintes physiques, les LLM plafonnent à 55-60% de réussite, quel que soit le modèle. Seul l'apprentissage par renforcement brise cette limite.","territoire":"fondamentaux","content_type":"concept","href":"/fondamentaux/plafond-raisonnement-contraintes"},{"title":"Chain-of-Thought — comment faire réfléchir un LLM à voix haute","description":"Depuis 2022, une technique de prompting simple — demander au modèle de détailler ses étapes — transforme les performances des LLM sur les tâches complexes. Tour d'horizon des mécanismes, des extensions, et des limites documentées.","territoire":"fondamentaux","content_type":"concept","href":"/fondamentaux/raisonnement-cot"},{"title":"Techniques de raisonnement LLM — CoT, ToT, ReAct décryptées","description":"Panorama des quatre techniques majeures qui permettent aux LLM de raisonner plutôt que de simplement générer : Chain-of-Thought, Tree-of-Thought, ReAct et Scaling Inference Law. Quand utiliser laquelle.","territoire":"fondamentaux","content_type":"concept","href":"/fondamentaux/reasoning-techniques-decryptees"},{"title":"Lois d'échelle — pourquoi plus grand veut dire meilleur","description":"Les lois d'échelle décrivent comment la performance des LLM progresse avec la taille, les données et le compute. De Kaplan à Chinchilla, puis au raisonnement à l'inférence : une idée simple avec des limites réelles.","territoire":"fondamentaux","content_type":"concept","href":"/fondamentaux/scaling-laws"},{"title":"Society of Thought — quand le raisonnement collectif émerge sans instruction","description":"Des modèles de raisonnement comme DeepSeek-R1 développent spontanément des structures de débat interne sous entraînement RL. Ces patterns conversationnels — questionnement, contradiction, réconciliation — sont causalement liés aux gains de performance.","territoire":"fondamentaux","content_type":"concept","href":"/fondamentaux/societe-pensee-agents-debat-emergent"},{"title":"Taxonomie des agents LLM — du chatbot à l'équipe autonome","description":"Comment classer les systèmes LLM selon leur degré d'autonomie réelle : de L0, le modèle sans outils, à L3, l'équipe d'agents spécialisés. Critères de distinction, boucle perception-planification-action, et limites de la classification.","territoire":"fondamentaux","content_type":"concept","href":"/fondamentaux/taxonomie-agents-llm"},{"title":"Temperature et sampling — contrôler la créativité d'un LLM","description":"La temperature et les méthodes de sampling déterminent si un LLM produit des réponses prévisibles ou surprenantes. Voici comment ça marche.","territoire":"fondamentaux","content_type":"concept","href":"/fondamentaux/temperature-et-sampling"},{"title":"Test de régression pour systèmes IA — mesurer les dérives d'un agent","description":"Un système IA n'est pas déterministe et évolue dans le temps. Sans corpus de référence, pas de détection de dérive. Méthode, illustration chiffrée, limites.","territoire":"fondamentaux","content_type":"concept","href":"/fondamentaux/test-regression-systemes-ia"},{"title":"Tokenisation avancée — au-delà du BPE","description":"BPE n'est pas le seul algorithme de tokenisation. WordPiece, Unigram LM et SentencePiece ont des logiques différentes — et le choix du tokenizer a des conséquences concrètes sur l'équité entre langues.","territoire":"fondamentaux","content_type":"concept","href":"/fondamentaux/tokenisation-avancee"},{"title":"Tokens et tokenisation — comment les LLM lisent le texte","description":"Un LLM ne lit pas des mots mais des tokens. Comprendre la tokenisation, c'est comprendre comment ces modèles traitent le langage.","territoire":"fondamentaux","content_type":"concept","href":"/fondamentaux/tokens-et-tokenisation"},{"title":"Pipeline d'entraînement des LLM — du texte brut au modèle utile","description":"Entraîner un grand modèle de langage se déroule en trois étapes distinctes : préentraînement, ajustement supervisé et alignement par préférence. Chacune a un coût, une logique et des limites propres.","territoire":"fondamentaux","content_type":"concept","href":"/fondamentaux/training-pipeline"},{"title":"Alternatives ASIC inference 2026 — cinq startups qui repensent la puce pour les LLM","description":"Cerebras, Groq (absorbé par Nvidia), SambaNova, Etched, Tenstorrent : architectures radicalement différentes, benchmarks contrastés, et une leçon commune — la puce ne suffit pas, c'est l'écosystème qui gagne.","territoire":"infrastructure","content_type":"comparatif","href":"/infrastructure/alternative-ai-accelerators-2026"},{"title":"Refroidissement liquide — comment les datacenters IA dissipent 120 kW par rack","description":"L'eau transporte 3 500 fois plus d'énergie que l'air à volume égal. Quand un rack GPU dépasse 40 kW, les lois de la physique imposent le basculement vers le liquide. Tour d'horizon des techniques DLC, immersion et rear-door, des métriques PUE/WUE et des enjeux opérationnels réels.","territoire":"infrastructure","content_type":"concept","href":"/infrastructure/cooling-liquide-datacenters"},{"title":"CXL et memory pooling — partager la mémoire entre serveurs","description":"CXL (Compute Express Link) permet à plusieurs serveurs de partager un même pool de mémoire via PCIe — une technologie distincte de la HBM GPU et du networking compute, qui change l'équation du KV cache pour l'inférence LLM sur contexte long.","territoire":"infrastructure","content_type":"concept","href":"/infrastructure/cxl-memory-pooling"},{"title":"Datacenters et énergie — ce que l'IA consomme vraiment","description":"L'IA générative a décuplé la densité de calcul dans les datacenters. Énergie, eau, carbone : ordres de grandeur réels, controverses ouvertes et stratégies des hyperscalers.","territoire":"infrastructure","content_type":"concept","href":"/infrastructure/datacenters-energie"},{"title":"Votre téléphone a une puce IA — voici ce qu'elle sait faire","description":"Faire tourner un LLM sur un smartphone, c'est possible. Mais le hardware, les frameworks et les modèles compacts imposent des compromis qui changent tout à ce qu'un modèle peut faire.","territoire":"infrastructure","content_type":"concept","href":"/infrastructure/edge-ai-inference"},{"title":"IA et environnement — énergie, eau, carbone","description":"Entraîner un grand modèle de langage peut émettre autant de CO₂ que plusieurs voitures sur leur durée de vie. Mais le vrai débat porte sur l'inference, la transparence et l'effet rebond.","territoire":"infrastructure","content_type":"concept","href":"/infrastructure/empreinte-environnementale"},{"title":"GPU Nvidia et CUDA — pourquoi ils dominent le calcul IA","description":"Les GPU Nvidia sont devenus l'infrastructure de base des grands modèles de langage. Comprendre pourquoi suppose d'expliquer CUDA autant que le matériel lui-même.","territoire":"infrastructure","content_type":"concept","href":"/infrastructure/gpu-nvidia-cuda"},{"title":"High Bandwidth Memory — quand la mémoire bride les GPU IA","description":"Les GPU les plus puissants sont souvent en attente, pas en train de calculer. La HBM, mémoire ultra-rapide collée sur les accélérateurs, est devenue le vrai facteur limitant de l'IA.","territoire":"infrastructure","content_type":"concept","href":"/infrastructure/hbm-memoire"},{"title":"Économie de l'IA — pourquoi l'inférence coûte désormais plus cher que l'entraînement","description":"De GPT-3 à o3, la facture réelle de l'IA générative s'est renversée : l'entraînement coûte des dizaines à des centaines de millions de dollars, mais c'est l'inférence — milliards de requêtes cumulées — qui dévore les budgets. Analyse chiffrée du basculement CAPEX → OPEX, des marges négatives et de la guerre des prix.","territoire":"infrastructure","content_type":"analyse","href":"/infrastructure/inference-vs-training-costs"},{"title":"CPO et interconnects optiques — quand la lumière remplace le cuivre dans les datacenters IA","description":"Les clusters d'IA franchissent un mur physique : le cuivre ne suffit plus à transporter la bande passante requise entre les GPU. Le Co-Packaged Optics (CPO) intègre des composants photoniques directement dans le boîtier des puces pour diviser par dix la consommation des interconnexions.","territoire":"infrastructure","content_type":"concept","href":"/infrastructure/interconnects-optiques-co-packaged"},{"title":"Networking haute performance — le pilier invisible de l'IA","description":"Les GPU font les gros titres, mais c'est le réseau entre eux qui détermine si un cluster de 10 000 puces tourne à 50 % ou à 5 % de sa capacité.","territoire":"infrastructure","content_type":"concept","href":"/infrastructure/networking-haute-performance"},{"title":"Roadmap Nvidia 2025-2028 — de Blackwell Ultra à Feynman, quatre générations en cadence annuelle","description":"Nvidia a adopté en 2024 une cadence de sortie annuelle pour ses GPU datacenter. Cet article détaille les quatre générations à venir — Blackwell Ultra (B300), Vera Rubin (R100), Rubin Ultra (R300) et Feynman — avec les specs techniques, les contraintes supply HBM4, et les implications pour les datacenters.","territoire":"infrastructure","content_type":"analyse","href":"/infrastructure/nvidia-roadmap-vera-rubin"},{"title":"Alternatives à Nvidia — qui attaque vraiment le marché des puces IA ?","description":"AMD, AWS, Cerebras, Tenstorrent : tour d'horizon des challengers qui cherchent à réduire la dépendance à Nvidia dans les infrastructures d'entraînement et d'inférence des grands modèles.","territoire":"infrastructure","content_type":"concept","href":"/infrastructure/puces-alternatives"},{"title":"Cloud souverain européen — quand l'hébergement devient affaire de droit","description":"En Europe, héberger ses données en IA ne suffit plus : encore faut-il choisir un opérateur qui n'est pas soumis aux lois américaines. Panorama des acteurs, des règles et des compromis réels du cloud souverain en 2026.","territoire":"infrastructure","content_type":"analyse","href":"/infrastructure/sovereign-cloud-europe"},{"title":"Supply chain des semiconducteurs — pourquoi votre GPU vient de partout sauf de chez vous","description":"Chaque puce IA traverse plusieurs pays et monopoles techniques avant d'atterrir dans un datacenter. Un regard sur les dépendances géographiques et technologiques qui conditionnent l'accès aux GPU.","territoire":"infrastructure","content_type":"concept","href":"/infrastructure/supply-chain-semiconducteurs"},{"title":"TPU vs GPU en 2026 — le vrai face-à-face Ironwood contre Blackwell","description":"Pour la première fois depuis le H100, Google et Nvidia lancent leurs puces flagship dans la même fenêtre temporelle. Comparatif technique approfondi : architectures, benchmarks MLPerf v4.1/v5.0, écosystèmes logiciels, cas d'usage et coûts 2026.","territoire":"infrastructure","content_type":"comparatif","href":"/infrastructure/tpu-vs-gpu-2026"},{"title":"C'est quoi ChatGPT — et les IA comme lui","description":"ChatGPT, Claude, Gemini : ce sont des programmes qui génèrent du texte mot après mot. Cet article explique ce qu'ils font, sans jargon technique.","territoire":"fondamentaux","content_type":"decouverte","href":"/fondamentaux/cest-quoi-chatgpt"},{"title":"Comment bien s'en servir — guide pratique pour parler à une IA","description":"Quelques principes simples suffisent à obtenir des réponses bien meilleures d'une IA. Ce guide présente 4 techniques concrètes, immédiatement applicables.","territoire":"outils","content_type":"decouverte","href":"/outils/comment-bien-sen-servir"},{"title":"Comment on en est arrivé là — petite histoire des IA qui parlent","description":"De projets de recherche confidentiels à ChatGPT utilisé par des millions de personnes : les étapes clés qui ont mené aux IA conversationnelles d'aujourd'hui.","territoire":"fondamentaux","content_type":"decouverte","href":"/fondamentaux/comment-on-en-est-arrive-la"},{"title":"Pourquoi ça invente des trucs — les limites des IA conversationnelles","description":"Les IA conversationnelles produisent parfois des réponses fausses avec une assurance totale. On explique pourquoi, et comment s'en protéger.","territoire":"fondamentaux","content_type":"decouverte","href":"/fondamentaux/pourquoi-ca-invente"},{"title":"Qui fabrique ces IA — les entreprises derrière ChatGPT, Claude et les autres","description":"Les noms, les pays et les stratégies des entreprises qui construisent les IA génératives. Un tour d'horizon concret pour savoir qui fait quoi.","territoire":"acteurs","content_type":"decouverte","href":"/acteurs/qui-fabrique-ces-ia"},{"title":"A2A de Google — le protocole manquant","description":"Le protocole Agent2Agent (A2A) standardise la communication directe entre agents IA indépendants. Complémentaire de MCP, il couvre la relation agent-à-agent via HTTP/JSON-RPC 2.0, Agent Cards et cycles de vie de tâches stateful.","territoire":"outils","content_type":"decouverte","href":"/outils/a2a-google-protocole"},{"title":"Anatomie d'un skill Claude Code — structure et bonnes pratiques","description":"Un skill Claude Code est un fichier d'instructions auto-contenu que l'IA lit avant d'exécuter une tâche. Analyse de 116 skills communautaires pour en dégager la structure canonique et les patterns efficaces.","territoire":"outils","content_type":"guide","href":"/outils/anatomie-skill-cc"},{"title":"Claude Code — assistant de code en ligne de commande","description":"Claude Code est un agent de développement qui s'exécute dans le terminal. Présentation de son architecture, de ses fonctionnalités et de son positionnement face aux alternatives.","territoire":"outils","content_type":"profil","href":"/outils/claude-code"},{"title":"Mémoire agent en 2026 — SurrealDB, Cognee et les autres","description":"Le marché de la mémoire agent décolle en 2026. Tour d'horizon des outils, des levées de fonds et des tendances techniques.","territoire":"outils","content_type":"decouverte","href":"/outils/ecosysteme-memoire-agents-2026"},{"title":"Fine-tuning vs RAG — quand choisir quoi","description":"Deux stratégies pour spécialiser un LLM, deux philosophies opposées. L'une grave les connaissances dans les poids, l'autre les consulte à la demande. Le vrai débat n'est pas lequel est meilleur, mais lequel convient à votre cas.","territoire":"outils","content_type":"comparatif","href":"/outils/fine-tuning-vs-rag"},{"title":"Model Context Protocol — comment MCP connecte les LLM au monde","description":"MCP standardise l'accès des modèles de langage aux outils et données externes. Un protocole ouvert, une architecture client-serveur, un écosystème en expansion rapide — et des problèmes de sécurité non résolus.","territoire":"outils","content_type":"concept","href":"/outils/mcp-servers"},{"title":"MCP vs Tool Calling — quand utiliser quoi","description":"Le tool calling et MCP connectent un LLM à des outils externes, mais à deux niveaux d'abstraction différents. Le premier est une primitive API stateless, le second un protocole réseau stateful avec découverte dynamique et primitives exclusives.","territoire":"outils","content_type":"comparatif","href":"/outils/mcp-vs-tool-calling"},{"title":"Observabilité des agents LLM — outils, standards, limites","description":"Surveiller un agent LLM ne se réduit pas à du monitoring d'infrastructure. Tour d'horizon des outils spécialisés, du standard émergent OpenTelemetry, et des zones encore non résolues.","territoire":"outils","content_type":"comparatif","href":"/outils/observabilite-agents"},{"title":"Optimiser sa consommation Claude Code — guide praticien","description":"Retour d'expérience chiffré sur l'optimisation des tokens et du coût de Claude Code. Settings, cache, dispatch modèle et anti-patterns coûteux.","territoire":"outils","content_type":"guide","href":"/outils/optimiser-consommation-claude-code"},{"title":"Le prompting — principes fondamentaux","description":"Le prompting est l'art de formuler des instructions pour un LLM. Quelques principes simples font toute la différence entre une réponse médiocre et une réponse utile.","territoire":"outils","content_type":"concept","href":"/outils/prompting"},{"title":"RAG — augmenter un LLM avec des données externes","description":"Le Retrieval-Augmented Generation (RAG) permet à un LLM d'accéder à des données qu'il n'a jamais vues pendant son entraînement. Voici comment ça fonctionne.","territoire":"outils","content_type":"concept","href":"/outils/rag"},{"title":"IA agentique — les LLM qui passent à l'action","description":"Définition, principes et état de l'art de l'IA agentique : quand les modèles de langage deviennent autonomes grâce au tool use, à l'orchestration et à la planification.","territoire":"techniques","content_type":"concept","href":"/techniques/agentic-ai"},{"title":"Agent0 — apprendre à s'améliorer sans aucune donnée humaine","description":"Agent0 est un framework qui fait co-évoluer deux agents depuis un LLM de base, sans données annotées : l'un génère des tâches de plus en plus difficiles, l'autre apprend à les résoudre. Le tout via reinforcement learning et un interpréteur de code.","territoire":"techniques","content_type":"concept","href":"/techniques/agents-auto-evolutifs-zero-data"},{"title":"Agents LLM — comment un modèle de langage passe à l'action","description":"Un agent LLM ne se contente pas de répondre : il planifie, utilise des outils et s'autocorrige. Explication des architectures qui rendent cela possible, et des limites que les benchmarks révèlent.","territoire":"techniques","content_type":"concept","href":"/techniques/agents-llm"},{"title":"Audit automatisé multi-agents — quand les agents vérifient leur propre système","description":"Confier l'audit d'un système d'agents à des agents spécialisés réduit les biais d'auto-évaluation et permet une vérification continue à grande échelle. Ce pattern repose sur la séparation entre agents producteurs et agents auditeurs.","territoire":"techniques","content_type":"concept","href":"/techniques/audit-automatise-multi-agents"},{"title":"Automatisation de la recherche en IA — jusqu'où ça marche ?","description":"The AI Scientist (Nature, 2026) est un pipeline qui automatise de bout en bout le cycle de recherche en machine learning : idéation, code, expériences, rédaction, évaluation. Un papier généré a passé le premier tour de revue par les pairs à ICLR 2025.","territoire":"techniques","content_type":"analyse","href":"/techniques/automatisation-recherche-ia"},{"title":"Chain-of-Debate — quand les agents argumentent pour mieux décider","description":"Chain-of-Debate et Graph-of-Debate sont des cadres multi-agents où plusieurs LLM débattent, se critiquent mutuellement et convergent vers une réponse collective plus fiable que chaque modèle pris individuellement.","territoire":"techniques","content_type":"concept","href":"/techniques/chain-of-debate"},{"title":"Context engineering — au-delà du prompt engineering","description":"Le context engineering désigne la discipline de gestion de ce que le modèle voit à l'inférence. Comprendre pourquoi la position et la qualité de l'information dans la fenêtre changent les résultats.","territoire":"techniques","content_type":"concept","href":"/techniques/context-engineering"},{"title":"Context graphs — la nouvelle infrastructure pour agents IA ?","description":"Foundation Capital voit dans les context graphs une opportunité à un trillion de dollars. Mais le Logic Gap et les critiques montrent que la route est longue.","territoire":"techniques","content_type":"concept","href":"/techniques/context-graphs-decision-traces"},{"title":"Context prompting — guide pratique par niveau d'usage","description":"Comment structurer ce que reçoit un LLM pour maximiser la qualité des réponses. Techniques actionnables pour l'opérateur solo, l'agent unique et le multi-agent, avec les nuances de la littérature.","territoire":"techniques","content_type":"guide","href":"/techniques/context-prompting-guide"},{"title":"35 agents LLM en parallèle — anatomie et positionnement","description":"Retour d'expérience documenté sur l'orchestration de 35 agents LLM outillés en parallèle. Architecture, positionnement vs littérature académique, comportement émergent et mécanismes de contrôle.","territoire":"techniques","content_type":"guide","href":"/techniques/deploiement-35-agents-paralleles"},{"title":"Agents en production : ce que disent 1 200 cas réels","description":"Que révèle l'analyse de 1 200 déploiements d'agents LLM en entreprise ? Chiffres divergents, patterns de succès, échecs documentés et la prédiction Gartner sur les annulations à venir.","territoire":"techniques","content_type":"decouverte","href":"/techniques/deploiement-agents-production"},{"title":"Dispatch cognitif — assigner le bon modèle à la bonne tâche","description":"Dans un système multi-agents, choisir le même modèle pour toutes les tâches coûte cher et dégrade la qualité. Le dispatch cognitif consiste à aligner le niveau du modèle avec la nature de la tâche.","territoire":"techniques","content_type":"guide","href":"/techniques/dispatch-cognitif"},{"title":"Distillation de modèles — transférer le savoir du grand au petit","description":"Comment un petit modèle peut apprendre d'un grand sans en copier les paramètres. Principes, méthodes et différence avec la quantization et le pruning.","territoire":"techniques","content_type":"concept","href":"/techniques/distillation-modeles"},{"title":"Escalade humaine vs auto-recovery — qui corrige l'agent ?","description":"Quand un agent LLM échoue, deux options s'affrontent : récupération automatique ou intervention humaine. Taxonomie des erreurs, patterns HITL et limites documentées.","territoire":"techniques","content_type":"concept","href":"/techniques/escalade-humaine-vs-recovery"},{"title":"Évaluer un agent LLM — méthodes et pièges","description":"Tester un agent LLM ne ressemble pas au test logiciel classique. Métriques de trajectoire, LLM-as-a-Judge, monitoring continu : tour d'horizon des approches et de leurs limites.","territoire":"techniques","content_type":"concept","href":"/techniques/evaluer-agent-llm"},{"title":"Exception handling multi-agents — quand les agents gèrent l'imprévu","description":"Comment les systèmes multi-agents détectent, traitent et se remettent des erreurs en production. Trois strates : détection, traitement tactique, stabilisation.","territoire":"techniques","content_type":"concept","href":"/techniques/exception-handling-multi-agent"},{"title":"174 agents, 0 échec : fiabilité réelle ou biais de mesure ?","description":"Des tests d'orchestration multi-agents affichent 99,4 % de succès sur 174 exécutions. Ce chiffre mérite d'être interrogé avant d'être cité.","territoire":"techniques","content_type":"decouverte","href":"/techniques/fiabilite-orchestration-174-agents"},{"title":"Fire-and-consolidate — un pattern d'orchestration multi-agents","description":"Le fire-and-consolidate est un pattern d'orchestration qui lance N agents en parallèle puis consolide leurs résultats en une seule passe. Analyse de la mécanique, des forces et des limites.","territoire":"techniques","content_type":"concept","href":"/techniques/fire-and-consolidate"},{"title":"HACRL — quand des LLM de tailles différentes s'entraînent ensemble","description":"HACRL propose un apprentissage collaboratif entre modèles de capacités différentes via le partage de rollouts vérifiés. Résultat : +3,3 % sur GSPO avec deux fois moins de coût.","territoire":"techniques","content_type":"decouverte","href":"/techniques/hacrl-apprentissage-collaboratif"},{"title":"Harnesses d'agents — l'architecture qui enveloppe le LLM","description":"Un harness est la couche de contrôle qui transforme un LLM en agent exécutable : boucle de raisonnement, gestion d'état, outils, rôles et portes de validation. Tour d'horizon des composants et des patterns architecturaux.","territoire":"techniques","content_type":"concept","href":"/techniques/harnesses-agents-langage-naturel"},{"title":"λ-RLM — du λ-calcul pour fiabiliser le raisonnement des LLM","description":"λ-RLM remplace la génération de code libre par un runtime fonctionnel typé. Résultat : +21,9 points de précision et jusqu'à 4,1× de réduction de latence sur 9 modèles.","territoire":"techniques","content_type":"decouverte","href":"/techniques/lambda-rlm-raisonnement-contexte"},{"title":"LLM et génération de code — ce que les benchmarks ne disent pas","description":"Les modèles de langage atteignent 90 % sur les tests de référence et pourtant génèrent du code vulnérable. Tour d'horizon de ce que la recherche sait vraiment sur les assistants de code.","territoire":"techniques","content_type":"concept","href":"/techniques/llm-code"},{"title":"MemEvolve — quand la mémoire agent s'auto-optimise","description":"Un système qui co-évolue l'architecture mémoire et les connaissances de l'agent. +17% de performance par optimisation bi-niveau.","territoire":"techniques","content_type":"concept","href":"/techniques/memevolve-meta-apprentissage"},{"title":"Meta-Harness — optimiser automatiquement le code autour du LLM","description":"Un système qui découvre les meilleurs harnesses pour les LLM en explorant l'historique complet des tentatives passées. +7.7 points avec 4× moins de tokens.","territoire":"techniques","content_type":"concept","href":"/techniques/meta-harness-optimisation"},{"title":"Modèles vocaux — l'IA qui parle et qui écoute","description":"De la transcription automatique à la conversation vocale temps-réel, tour d'horizon des technologies STT, TTS et speech-to-speech — avec leurs limites et leurs enjeux éthiques.","territoire":"techniques","content_type":"concept","href":"/techniques/modeles-vocaux-speech"},{"title":"Systèmes multi-agents — quand la collaboration amplifie (ou pas)","description":"Six modèles d'interrelation définissent comment les agents IA interagissent. La valeur d'un système multi-agents dépend moins du nombre d'agents que de la qualité des protocoles de coordination et d'une ontologie partagée.","territoire":"techniques","content_type":"concept","href":"/techniques/multi-agent-collaboration"},{"title":"Optimisation de l'inférence LLM — comment l'industrie coupe la facture","description":"Servir un grand modèle de langage coûte cher et contraint le matériel. Quantization, FlashAttention, vLLM, speculative decoding, distillation : cinq techniques qui attaquent chacune un goulot différent.","territoire":"techniques","content_type":"concept","href":"/techniques/optimisation-inference"},{"title":"Panorama RAG avril 2026 — vectoriel, vectorless et approches émergentes","description":"État de l'art du Retrieval-Augmented Generation en avril 2026 : familles vectorielle dense, vectorless/sparse/hybrid, approches émergentes (GraphRAG, Self-RAG, Agentic) et débat avec le long contexte. Version pédagogique.","territoire":"techniques","content_type":"analyse","href":"/techniques/panorama-rag-2026"},{"title":"Le paradoxe LLM/langage — pourquoi les machines préfèrent le langage machine","description":"Les LLM ont été entraînés sur du texte humain, mais les systèmes les plus performants les pilotent avec du langage structuré. Ce paradoxe apparent révèle quelque chose de fondamental sur leur fonctionnement.","territoire":"techniques","content_type":"decouverte","href":"/techniques/paradoxe-llm-langage"},{"title":"Le pattern Wave — orchestrer en deux vagues","description":"Le pattern Wave découpe une orchestration multi-agents en vagues séquentielles. La vague 1 collecte, la vague 2 produit. Entre les deux, un ajustement décide quoi garder, compléter ou abandonner.","territoire":"techniques","content_type":"concept","href":"/techniques/pattern-wave"},{"title":"Planning en IA agentique — formuler, exécuter, adapter","description":"Le planning agentique permet à un système IA de décomposer un objectif complexe en actions structurées, puis d'adapter son plan en cours d'exécution selon les obstacles rencontrés. Distinct du workflow fixe, il s'applique quand le chemin vers l'objectif doit être découvert.","territoire":"techniques","content_type":"concept","href":"/techniques/planning-ia-agentique"},{"title":"Plus d'agents ≠ meilleurs résultats — le paradoxe du scaling multi-agents","description":"Ajouter des agents à un système d'IA ne garantit pas de meilleures performances. Plusieurs études empiriques documentent les conditions exactes où cette stratégie échoue — et les rares cas où elle réussit.","territoire":"techniques","content_type":"decouverte","href":"/techniques/plus-agents-pas-mieux"},{"title":"Prompt chaining vs agent autonome — lequel choisir ?","description":"Le prompt chaining et l'agent autonome occupent deux positions sur un même spectre d'agentivité. Le premier décompose une tâche en appels LLM séquentiels prédéfinis, le second maintient une boucle autonome. Le choix est un arbitrage entre contrôle et flexibilité.","territoire":"techniques","content_type":"comparatif","href":"/techniques/prompt-chaining-vs-agent"},{"title":"Quantization — réduire un LLM sans le casser","description":"Un modèle 70B pèse 140 Go en FP16. La quantization réduit ce poids par 4 en tronquant la précision des nombres. Comment ça marche, quelles méthodes existent, et où ça coince.","territoire":"techniques","content_type":"concept","href":"/techniques/quantization"},{"title":"Red teaming agentique — quand le LLM n'est plus la cible principale","description":"Pourquoi auditer un système agentique demande d'élargir le périmètre au-delà du LLM, taxonomie Dreadnode des 5 fronts, référentiel OWASP ASI, méthodologie d'audit en Pieuvre + mitigations actionnables.","territoire":"techniques","content_type":"analyse","href":"/techniques/red-teaming-agentic"},{"title":"Réflexion et auto-critique — quand les agents se corrigent eux-mêmes","description":"Le pattern Producer-Critic permet à un agent IA de séparer génération et évaluation pour affiner ses résultats de manière itérative. Fonctionnement, critères d'arrêt, biais d'auto-révision et limites en production.","territoire":"techniques","content_type":"concept","href":"/techniques/reflection-auto-critique"},{"title":"RLVR multi-réponses — entraîner un modèle à explorer","description":"La récompense binaire correct/incorrect provoque un effondrement de la diversité dans les LLM. L'entraînement multi-réponses (RLVR multi-answer) obtient +69% de précision sur MBPP et une calibration quasi-parfaite. Pourquoi demander plusieurs réponses est supérieur.","territoire":"techniques","content_type":"concept","href":"/techniques/rlvr-multi-reponses-entrainer-douter"},{"title":"Routing en IA agentique — comment les agents choisissent leur chemin","description":"Le routage est le mécanisme par lequel un système agentique décide dynamiquement quelle action, quel outil ou quel sous-agent activer selon le contexte. Quatre mécanismes coexistent, chacun avec des compromis de performance et de flexibilité distincts.","territoire":"techniques","content_type":"pattern","href":"/techniques/routing-ia-agentique"},{"title":"Sécurité adversariale des LLM — attaques et défenses","description":"Comment les grands modèles de langage peuvent être détournés par des entrées malveillantes, et quelles défenses la recherche a développées pour y répondre.","territoire":"techniques","content_type":"concept","href":"/techniques/securite-adversariale"},{"title":"Self-Consistency — lancer 3 fois le même prompt","description":"La self-consistency génère N raisonnements indépendants via temperature sampling puis sélectionne la réponse majoritaire. Gains documentés de +6 à +18 points sur les benchmarks de raisonnement, mais le coût computationnel reste le frein principal.","territoire":"techniques","content_type":"concept","href":"/techniques/self-consistency-prompting"},{"title":"Step 0bis — challenger sa propre architecture avant d'agir","description":"Avant tout dispatch vers des agents parallèles, une étape de vérification auto-critique détecte les conflits structurels qui provoqueraient des erreurs en cascade. Analyse du mécanisme et de ses quatre points de contrôle.","territoire":"techniques","content_type":"concept","href":"/techniques/step-0bis-challenger"},{"title":"Agents codeurs asynchrones — stratégies de coordination efficaces","description":"Comment plusieurs agents IA peuvent collaborer en parallèle sur un même dépôt sans se bloquer mutuellement. Analyse du système CAID et des patterns branch-and-merge.","territoire":"techniques","content_type":"analyse","href":"/techniques/strategies-agents-asynchrones"},{"title":"Le triangle de décision : gouverner un système IA agentique","description":"Répartir les rôles entre un humain, un copilote IA et un exécutant technique permet de gouverner un système agentique sans perdre la capacité de validation indépendante.","territoire":"techniques","content_type":"concept","href":"/techniques/triangle-decision-agentique"},{"title":"Le web qui se prépare aux agents IA — où la transition a vraiment lieu","description":"Panorama empirique 2026 du web face aux agents IA — disintermediation du clic sortant, bimodalité headless enterprise vs grand public, agents prêts pour use cases bornés, standards fragmentés et bidirectionnels (MCP, NLWeb, Cloudflare Pay Per Crawl, llms.txt).","territoire":"techniques","content_type":"analyse","href":"/techniques/web-agents-ia-transition"}]