Posts

J’ai un agent de code —Claude Code— qui interagit avec Linear, mon gestionnaire de tickets, environ 800 fois par mois : il liste des tâches, crée des tickets, change des statuts, ajoute des commentaires. J’ai analysé 165 de ses sessions et compté plus de 500 erreurs et plus de 370 tentatives réitérées. Aucun de ces échecs n’était dû à une erreur de l’API de Linear. Toutes ces erreurs étaient liées à l’interface : l’agent communiquait avec la ligne de commande, mais cette dernière ne comprenait pas sa demande. ...

La semaine dernière, lors de l’audit des tokens API de mon compte Cloudflare, j’ai découvert un token que je n’avais jamais créé : “Cloudflare Agent Token - 2026-04-28”, généré par l’assistant IA du tableau de bord Cloudflare (“Ask AI”). Le tooltip fourni par Cloudflare explique que ce token existe pour permettre à l’IA de “comprendre votre environnement et agir en votre nom”. En réalité, voici les accès qu’il octroie, selon la page de résumé du token : accès en lecture sur tous les comptes, toutes les zones et tous les utilisateurs — soit plus de 160 permissions. Tous se terminent par :Read : il ne peut rien modifier. Mais “lecture seule” paraît réducteur. La liste inclut Secrets Store:Read, Access: Keys:Read, Access: Service Tokens:Read, Zero Trust: PII:Read, Logs:Read, Account Audit Logs:Read, Billing:Read, API Tokens:Read, ainsi que l’ensemble de la configuration DNS, Access, et les fournisseurs d’identité que vous utilisez. ...

Un utilisateur fait un test psychométrique de KeepCoding depuis Brave et signale une erreur qui n’arrive jamais sur Sentry. L’équipe de support regarde le tableau de contrôle, ne trouve rien et lui demande de répéter le test. Pendant ce temps, les tests de fumée Playwright en production passent au vert : le SDK se charge, les événements sont traités, et les Sentry.flush() retournent true. Tout semblait correct. Les décisions produits basées sur des données partielles sont pires que celles basées sur l’intuition, car elles créent un faux sentiment de sécurité. ...

L’utilisateur le plus fréquent de mon CLI, ce n’est pas moi lql est un CLI en Rust pour gérer les issues Linear. Je l’ai écrit parce qu’aucune des alternatives existantes ne fonctionnait pour mon cas d’usage réel : un agent IA qui gère les issues de façon autonome. Pourquoi j’ai dû écrire mon propre CLI Le MCP de Linear fut la première tentative. L’idée est élégante : un serveur MCP qui expose l’API Linear directement à l’agent. En pratique, c’était lent, instable, et l’agent devait construire les requêtes GraphQL depuis zéro à chaque appel. Chaque appel était une opportunité d’inventer un champ qui n’existe pas. Je l’ai désinstallé au bout de deux semaines. ...

Dans les deux articles précédents (sur les empreintes perceptuelles dans le cadre de Chat Control et sur leurs collisions adversariales), nous avons vu comment 40 lignes de Python permettent de résoudre un problème que l’industrie déploie ensuite à une échelle mondiale. Les empreintes perceptuelles sont l’exemple classique d’une couche déterministe peu coûteuse : sans modèle, sans GPU, sans dépendances lourdes. Les empreintes permettent de détecter les duplications et similitudes. Mais dans un pipeline de traitement d’images réaliste, certaines tâches ne peuvent pas être accomplies avec des algorithmes classiques: détecter les bounding boxes d’un filigrane arbitraire, combler les zones manquantes avec de l’inpainting respectant le contexte visuel, classifier si un visage est adulte, ou extraire des attributs sémantiques. Ces tâches nécessitent des réseaux neuronaux de grande envergure. ...

Ce billet est la suite technique de “64 bits déterminent ce que vous pouvez téléverser sur Internet”. Si vous ne l’avez pas encore lu, commencez par là. Ici, nous supposons que vous comprenez ce qu’est un hachage perceptuel et pourquoi PhotoDNA, PDQ et NeuralHash sont des proches cousins. Le 5 août 2021, Apple a annoncé NeuralHash. Le 18 août — treize jours plus tard — un chercheur sous pseudonyme Asuhariet Ygvar a publié sur GitHub une ingénierie inverse complète du modèle extrait des binaires iOS. Quelques jours après, deux chercheurs indépendants — Brad Dwyer et d’autres — ont publié des collisions : deux images visuellement distinctes produisant un même hachage. Le système qu’Apple promettait avec un taux de faux positifs de “un sur un milliard de comptes par an” s’est avéré attaquable avec du matériel grand public. ...

En août 2021, Apple a annoncé son intention d’analyser chaque photo de votre iPhone avant de la télécharger sur iCloud. En septembre de la même année, après deux semaines de controverse, l’entreprise a retiré cette proposition. En décembre 2022, elle a déclaré officiellement l’idée comme abandonnée. En 2022, la Commission européenne a proposé un règlement qui obligerait WhatsApp, Signal et Telegram à faire exactement ce qu’Apple avait décidé de ne pas mettre en œuvre. Ce règlement, connu sous le nom de Chat Control, reste actif au Conseil européen à ce jour. ...

Vous demandez à votre copilote IA de capturer une fenêtre. Le copilote écrit peek app "Xcode". L’outil cherche une fenêtre dont le propriétaire s’appelle exactement Xcode. Il ne la trouve pas, car le processus s’appelle Xcode-16.3. L’outil affiche Erreur : application introuvable. Le copilote, qui est un LLM doté de la mémoire émotionnelle d’un poisson rouge, essaie peek app "Xcode-16.3". Ça fonctionne. Mais cela lui a coûté un cycle de conversation, des tokens d’entrée, des tokens de sortie et la patience de celui qui paie la facture. ...

Je teste intensivement depuis plusieurs semaines le modèle on-device d’Apple — celui de ~3B paramètres qui tourne sur le Neural Engine de n’importe quel Mac avec Apple Silicon. Pour l’évaluer en profondeur, j’ai construit Think Local, une app macOS qui exerce chaque capacité du modèle : chat, génération d’images, structured output, tool calling et comparaison de paramètres. Ma conclusion : comme chatbot, le modèle est décevant. Mais comme moteur de structured output et tool calling, il est étonnamment efficace. ...

Le framework Foundation Models d’Apple (macOS 26) expose un LLM d’environ 3 milliards de paramètres qui fonctionne directement sur l’appareil, gratuitement, sans clé API. Voici le problème : il ne parle que Swift. Et pas n’importe quel Swift — Swift async. Votre outil tourne avec Python ? Aucun binding. Avec Rust ? Rien non plus. Avec un script shell ? Pas possible. Le LLM le moins cher du marché (gratos, littéralement) est enfermé derrière deux barrières : le langage et le modèle de concurrence. ...