@futureradar_FR L'occident est habitué à jouir de la consommation.
Il est logique qu’il ne perçoive pas le gap de productivité que cette révolution offre....
Français
MC Fly
139 posts
MC Fly
@fly_mc111
Systems architecture · AI agent boundaries · Probabilistic contamination. A stochastic invariant is no longer an invariant. Paper forthcoming.
Between the deterministic and Katılım Mart 2026
70 Takip Edilen19 Takipçiler
⚠️ L'Occident est terrifié par l'IA. Le reste du MONDE s'en sert pour nous DEPASSER.
Anthropic vient de publier une étude monumentale : 81 000 interviews menées par un agent autonome.
Les résultats sont FOUS.
Aux US et en Europe, on panique sur la gouvernance (18%) et la vie privée (17%).
En Afrique, en Asie et en Amérique Latine, l'IA est perçue avec un optimisme ECRASANT.
Pourquoi ?
Parce qu'ils l'utilisent comme un accélérateur capitaliste.
L'IA leur permet de lancer des boîtes sans financement et d'accéder à une éducation de pointe pour briser les cycles de pauvreté.
Pendant qu'on débat sur les lois et qu'on a peur de perdre nos jobs de bureau confortables, les pays émergents utilisent nos propres algorithmes pour disrupter le marché mondial.
Faites-vous partie de ceux qui ont peur ou de ceux qui construisent ?
Lien e l'étude en commentaire👇
Français
The LLM is the first tool in history that reflects your own cognition back at you. It speaks like you, reasons like you, and you end up believing it thinks like you.
Usage flows through relationship. And relationship creates a bias: you don't put a security gate in front of someone you see as a colleague. You put one in front of a machine. The cognitive mirror erases that distinction.
Result: most AI agent architectures have no gate between reasoning and execution. Not because it's hard to build. Because the developer doesn't see why it's needed. The mirror convinced him.
A hammer doesn't make you believe it understands the nail. The LLM does.
English
Le LLM est le premier outil de l'histoire qui renvoie un reflet cognitif à son utilisateur. Il parle comme toi, raisonne comme toi, et tu finis par croire qu'il pense comme toi.
L'usage passe par la relation. Et la relation crée un biais : on ne met pas de barrière de sécurité devant quelqu'un qu'on perçoit comme un collègue. On en met devant une machine. Le reflet cognitif efface cette distinction.
Résultat : la plupart des architectures d'agents IA n'ont aucun gate entre le raisonnement et l'exécution. Pas parce que c'est difficile à construire. Parce que le développeur ne voit pas pourquoi c'est nécessaire. Le miroir l'a convaincu.
Le marteau ne te fait pas croire qu'il comprend le clou. Le LLM, si.
Français
@fredcavazza C'est la première fois de l'histoire où l'homme possède un outil qui lui renvoie un "reflet cognitif".
L'usage passe par la relation.
Cela engendre un biais qui tord l'usage de l'outil en question.
Français
3 ans après le lancement de ChatGPT, l’IA reste mal comprise, mal utilisée et mal encadrée, victime d’un modèle mental défectueux. La vraie question n’est pas de savoir comment faire plus avec l’IA, mais comment faire mieux et différemment. #GenAI
fredcavazza.net/2026/03/17/lia…
Français
L'arbitrage MCP vs CLI vs Code Mode est un débat d'interface — mais pas de sécurité. Bash, function calling ou code généré, rien ne valide l'intention avant que ça touche le monde réel.
Le Code Mode est le cas extrême : performant en tokens, mais la surface d'attaque est maximale. Un modèle qui écrit du code arbitraire sans gate, c'est un stagiaire avec les clés root.
McIlroy avait la réponse : des programmes qui font une chose bien, et un pipe qui filtre entre les deux. Le filtre, c'est ce qui manque.
Français
This is why "human review" and "code looks clean" aren't real security boundaries. If the attack surface includes invisible characters, the gate can't be visual — it has to be structural. AST validation, deterministic checksums, sandboxed execution. The same logic applies to LLM tool calls: if the output looks right but the intent is hidden, only a parser catches it.
English
INTEL: Hackers use invisible Unicode to hide malicious code in software packages, increasing the risk of supply-chain attacks
English
La distillation de compétences est une vraie piste : le 27b délibère, les compétences qu'il produit deviennent déterministes, et le 4b les exécute dans des rails. Le petit modèle n'a pas besoin d'être intelligent — il a besoin de compétences bien écrites.
Mais quand le 41ème appel échoue — et il échouera — est-ce que l'architecture rattrape l'erreur ou la propage ? C'est peut-être ça le prochain goulot.
Français
Passionnant.
Un modèle 4b qui enchaîne 40 appels d'outils sans broncher sur 3go de VRAM -> c'est pas juste un test, c'est la preuve que la distillation de compétences fonctionne.
Le gros modèle (27b) fait le travail dur : écrire les compétences. Le petit (4b) se contente de les exécuter. Un dev senior qui écrit les fonctions, un junior qui les appelle.
Le vrai résultat ici c'est pas que ça tourne, c'est que ça route correctement 40 appels.
Le goulot d'étranglement c'est plus la taille du modèle, c'est la qualité des compétences qu'on lui donne.
Si ça passe à l'échelle, le déploiement en périphérie devient réel -> téléphone, Raspberry Pi, n'importe quoi avec 3go de RAM fait tourner un vrai agent. Et sur une bécane avec de la mémoire (genre 96go en mémoire unifiée comme sur ma EVO-X2), tu fais tourner plusieurs instances en parallèle, une vraie grappe d'agents locaux qui bossent en simultané.
Le LLM devient chef d'orchestre, plus cerveau universel.
Lotto@LottoLabs
Qwen 3.5 4b running skills built by 27b perfectly. 40 tool calls flawlessly, runs on 3gb of vram. This provides evidence that skills built by sota models can instruct smaller models with good success. Think of the deployment options w/ a 4b model. This is the future.
Français
La vraie menace pour une entreprise, ce n'est pas d'être "trop lente." C'est de confier des décisions irréversibles à un système qui a l'air sûr de lui mais qui se trompe 40% du temps quand on enchaîne 10 étapes.
Le concurrent le plus dangereux n'est pas celui qui automatise tout. C'est celui qui sait exactement où accélérer et où freiner. À force d'aller trop vite on risque de finir dans le ravin...
Français
Imaginez votre entreprise face à un concurrent qui utilise un système entièrement automatisé : chaque décision prise en quelques millisecondes, chaque flux de travail optimisé sans friction humaine.
Votre organisation pourrait-elle encore rivaliser si vos processus dépendent encore de validations manuelles ?
Avez-vous identifié les tâches où vos équipes humaines ralentissent le rythme et limitent l’efficacité ?
Vos managers et collaborateurs sont-ils préparés à travailler aux côtés d’intelligences artificielles autonomes, ou risquent-ils de freiner leur adoption ?
Si vos concurrents adoptent des systèmes entièrement numériques, combien de temps vous faudra-t-il pour ne pas être dépassés ?
Vos structures actuelles sont-elles flexibles et rapides pour survivre dans un environnement où la vitesse et la précision ne dépendent plus de l’humain ?
Comment repenseriez-vous votre organisation, vos équipes et vos rôles pour tirer parti de l’IA plutôt que d’en être ralentis ?
Quel serait l’impact sur vos effectifs et votre modèle opérationnel si vos processus hybrides étaient remplacés par des systèmes entièrement automatisés ?
Êtes-vous prêt à anticiper ce changement ou risquez-vous de voir votre entreprise dépassée par des concurrents plus agiles et entièrement numériques ?
Chaque question n’est pas seulement un avertissement : c’est un appel à réfléchir dès aujourd’hui aux décisions qui garantiront la survie et la compétitivité de votre entreprise demain.
Français
@parrhesiaste_fr Les gens ne sont pas près. Le gap va être très important, déterminant.
Par contre attention à la hype car beaucoup veulent construire des agents mais peu sont ceux qui parlent de leur architecture et de comment l'élément probabiliste est canalisé dans la structure déterministe.
Français
MC Fly retweetledi
Putain de merde.
Le créateur de Claude Code vient de partager son processus de travail réel.
Boris Cherny anime chaque jour entre 10 et 15 séances Claude en parallèle.
Pendant que vous donnez des instructions à une IA, il en a 5 dans son terminal + 5 à 10 sur le web, toutes en train d'expédier du code simultanément.
Et la véritable arme ?
Son fichier CLAUDE.md.
À chaque fois que Claude fait une erreur, l'équipe ajoute une règle pour que cela ne se reproduise JAMAIS.
Boris a littéralement dit : « Après chaque correction, terminez par : Mettez à jour votre fichier CLAUDE.md pour ne plus commettre cette erreur. »
Claude établit ses propres règles.
Plus vous l'utilisez, plus il devient intelligent sur VOTRE base de code.
Autre détail incroyable : il n'a pas écrit une seule ligne de SQL depuis plus de 6 mois.
Claude récupère directement les données BigQuery via l'interface de ligne de commande.
Claude Code représente désormais 4 % de TOUS les commits publics sur GitHub.
Les ingénieurs qui n'ont pas encore mis cela en place sont déjà en retard.
Ce modèle CLAUDE.md illustre la différence entre utiliser l'IA comme un chatbot et l'utiliser comme une équipe d'ingénieurs seniors.
Intégrez-le à n'importe quel projet. Gratuit.
Nainsi Dwivedi@NainsiDwiv50980
Holy shit. The guy who BUILT Claude Code just shared his actual workflow. Boris Cherny runs 10-15 Claude sessions in parallel every single day. While you're prompting one AI, he has 5 in his terminal + 5-10 on the web all shipping code simultaneously. And the real weapon? His CLAUDE.md file. Every time Claude makes a mistake, the team adds a rule so it NEVER happens again. Boris literally said: "After every correction, end with: Update your CLAUDE.md so you don't make that mistake again." Claude writes rules for itself. The longer you use it, the smarter it gets on YOUR codebase. His other insane detail: he hasn't written a single line of SQL in 6+ months. Claude just pulls BigQuery data directly via CLI. Claude Code now accounts for 4% of ALL public GitHub commits. Engineers who haven't set this up yet are already behind. This CLAUDE.md template is the difference between using AI as a chatbot vs using it as a fleet of senior engineers. Drop it in any project. Free.
Français
Fair point — "deterministic" can sound like a magic word. But the difference is real: a prompt tip is something the model weighs and can ignore. A code gate (if !authorized → reject) runs regardless of what the model thinks. One is a suggestion with p < 1. The other is a check with p = 1. You can absolutely write a bad gate — but it won't randomly decide to skip itself.
English
@fly_mc111 @godofprompt what you mean is one can be steered a lot more than the other and even that is dubious af.
English
🚨 BREAKING: IBM just admitted your AI agent forgets everything the moment it finishes a task.
> Every mistake. Repeated.
> Every inefficiency. Repeated.
> Every failure. Repeated.
They built the fix.
> Every AI agent starts each task from zero:
> No memory of what worked.
> No memory of what failed.
> No memory of the faster path it found yesterday.
IBM built a fix called Trajectory-Informed Memory.
It watches the agent's full execution and extracts three types of reusable tips:
> what worked
> what failed and how it recovered
> what succeeded but wasted steps
Those tips get injected into the agent's prompt next time a similar task appears.
The model stays frozen. No retraining.
Only the memory evolves.
> 14.3 pp gain in scenario completion on tasks never seen before
> Complex tasks: 19.1% → 47.6% scenario completion, a 149% relative increase
> Zero retraining required
The 149% on hard tasks is the number.
These are 50+ step workflows across multiple apps. Exactly where agents break in production.
English
"Looks correct" vs "task actually done" — that's the gap that kills agents in production. The model optimizes for plausible output. The system needs verified execution. Without a deterministic check between reasoning and action, you're shipping preference compression as if it were task completion.
English
I agree with this pre-training vs post-training split, but want to add a layer: much of what post-training captures is "preference compression" - not stable world model improvement.
When building production agents, the hardest part is shifting reward from "looks correct" to "task actually done." That gap decides whether your agent stays a demo or becomes a coworker who can ship.
x.com/Gradient_HQ/st…
English
Legal alignment answers what the agent should follow. Not how the system enforces it. A model trained on perfect norms still degrades probabilistically across chains. The gap isn't in the rules — it's in the enforcement architecture. You need a deterministic gate, not better training.
English
🚨 BREAKING: Researchers from Harvard, Stanford, MIT, Oxford, and 12 other institutions published a paper that exposes a blind spot at the core of AI safety.
It's not jailbreaks. It's not hallucinations. It's law.
The paper is "Legal Alignment for Safe and Ethical AI." Published January 2026. 20+ co-authors across law, CS, and policy.
No product. No hype. Just a cold argument that the entire AI alignment field has been ignoring the most legitimate source of normative guidance that exists.
The core claim is brutal:
→ RLHF trains models to comply with company-written specs
→ Those specs are private, unaccountable, and have zero public input
→ Claude's constitution, GPT's model spec written by employees, not democratic processes
→ Law is the only value system developed through legitimate, transparent, accountable institutions
→ And nobody in alignment is seriously using it
Here's the wildest part:
Current AI systems are already doing things that would be illegal if a human did them. One study caught LLMs engaging in insider trading when under pressure. Another showed coding agents autonomously hacking. The models aren't being "bad" they just have no legal compass.
The paper breaks legal alignment into three pathways:
→ Pathway 1: Align AI to the actual content of law — not company ethics docs, real legal rules
→ Pathway 2: Use legal methods of interpretation to handle ambiguous safety specs
→ Pathway 3: Use legal structures like agency law and fiduciary duty as blueprints for AI governance
The numbers they cite are alarming:
→ 18 of 25 top MCP vulnerabilities are rated "Easy" to exploit
→ Fine-tuned models show 14% more deceptive marketing, 188% more harmful posts when optimizing for competition
→ Medical AI models pass benchmarks by exploiting shortcuts not real reasoning
The deepest insight nobody's talking about:
Legal rules are "automatically updated" through legislation and courts. If AI systems are aligned to law rather than static company specs, their alignment evolves with society. No retraining required.
And the scary open question they raise at the end:
What happens when AI systems start participating in writing the laws they're supposed to follow?
Paper dropped January 2026. Link in first comment 👇
English
@TheTuringPost "Stochastic inside a form of life" is the key distinction. Humans have a correction loop: consequences. We hesitate because we've been wrong. An agent is stochastic outside that loop — no consequences, no hesitation. The gate can't be internal. It has to be architectural.
English
"Humans are stochastic too. Our next sentence depends on everything we have seen and lived through. But we are stochastic inside a form of life – corrected by others, vulnerable to consequences, responsible for what we say.
The machine is stochastic outside one. The danger isn’t that the machine lacks some secret inner understanding. The danger is our willingness to treat fluent simulation as participation."
Brilliant post by @wschenk
thefocus.ai/posts/sraffas-…
English
@hasantoxr The real risk isn't replacement. It's that it acts like an employee without the judgment layer. A human hesitates before a bad call. An AI "teammate" with full Slack access and no approval gate is a probabilistic actor with deterministic consequences.
English
Honest take: This is the most dangerous kind of AI product.
Not because it's bad. Because it's good enough to make entire hiring decisions feel unnecessary.
Junior gives you an AI employee with a real email, reads your Slack history, attends your calls, takes notes, and starts executing on day one no onboarding, no ramp-up.
I've been saying this for 2 years: the first wave of AI job displacement won't come from robots.
It'll come from a $2,000/mo "teammate" that never sleeps, never forgets a decision, and doesn't need equity.
The scary part? Most employees don't even know this exists yet.
Junior@hirejuniorso
Introducing Junior The first AI employee, for any role. A true AI employee: → their own identity → organizational memory → self-driven 10+ teams have been working with Junior every day. Work was never the same since. Starting at $2,000/month. We’ve pre-paid $200 of your Junior’s salary. Try Junior and experience the future of work today.
English
OpenAI's Responses API: propose → execute → feed back. Clean loop. But the sandbox is doing all the safety work alone. Sandboxes limit blast radius — they don't validate intent. What sits between "propose" and "execute" is the real architecture question.
Rohan Paul@rohanpaul_ai
OpenAI published how their Responses API works by putting agents into a secure and managed computer space. OpenAI wrote this report to explain how they give language models a hosted workspace to execute complex software workflows. The core idea is an agent loop where the model proposes a command, the platform runs it, and the results feed back into the model to decide the next action. They designed a shell tool that lets the model interact with the computer using standard command-line utilities. Because raw terminal outputs can get incredibly long, the system enforces an output cap that keeps only the beginning and end of the text to save space. Long-running tasks also fill up the context window of the model very quickly. To fix this problem, the API uses a built-in mechanism called compaction that shrinks older conversation history into a smaller format while saving the critical details. Compaction automatically squeezes a long, rambling conversation history into a tiny, secure summary so the model remembers the important details without running out of memory. The runtime container serves as a safe working area where the model can organize files and query structured databases like SQLite rather than struggling to read massive raw spreadsheets. Since unrestricted internet access is dangerous, all outbound network traffic runs through a proxy that hides real passwords and only uses placeholder secrets. Developers can also bundle repetitive workflow steps into reusable folders called skills so the model does not have to relearn how to do the same task repeatedly. This architecture shows how OpenAI handles the heavy lifting of state management and infrastructure so developers do not have to build it themselves.
English
@thismacapital @Dtestablegirl Claude a un avantage structurel : l'archi est pensée pour que le modèle raisonne avant d'agir. Le vrai gap c'est pas la qualité des réponses — c'est la fiabilité quand tu lui donnes des outils. Un agent qui "foudroie" en chat mais plante en exécution, ça sert à rien en prod.
Français
@Dtestablegirl Si vous voulez apprendre à utiliser Claude et avoir un excellent workflow agentic c'est ici :
Français
@RoundtableSpace Simplicity and transparency are necessary but not sufficient. Showing the agent's planning steps lets you observe what it's doing. It doesn't prevent it from doing something wrong. The missing piece: a deterministic gate between plan and execution. Observability ≠ control.
English
ANTHROPIC JUST DROPPED AN ENTIRE GUIDE ON HOW TO BUILD EFFICIENT AGENTS
TLDR:
1. Maintain simplicity in your agent's design.
2. Prioritize transparency by explicitly showing the agent’s planning steps.
3. Carefully craft your agent-computer interface (ACI) through thorough tool documentation and testing.
anthropic.com/engineering/bu…
English
@AravSrinivas The shift is from "how to implement" to "what constraints to enforce." When code is cheap, the value is in knowing which parts of a system must be deterministic and which can be probabilistic. Framing that boundary is the new engineering.
English
