Vos agents travaillent seuls. Alors pourquoi êtes-vous encore devant l’écran ?

Valeur des informations & solidité de l’argumentation

La valeur des informations est élevée : la vidéo apporte un cadre conceptuel utile (l’échelle de Cherny) et des données chiffrées récentes issues de sources variées. L’argumentation est solide, structurée et progressive. L’auteur prend soin de nuancer certains points (limites des études, loi de Goodhart) et de répondre aux objections potentielles. La démonstration est convaincante, même si elle repose en partie sur des sources promotionnelles (blogs d’entreprises) et des témoignages individuels.

Rigueur scientifique, qualité des sources, adéquation du titre

La rigueur scientifique est bonne : les sources sont citées et datées, avec des liens vers les documents primaires. L’auteur distingue clairement les faits des interprétations. La qualité des sources est globalement élevée (études, rapports, déclarations d’experts). L’adéquation titre/contenu est bonne, le titre reflétant bien le problème central. Aucun commentaire n’a été fourni pour analyse.

Le titre est accrocheur et reflète bien le problème central abordé : la supervision des agents IA. Il est en adéquation avec le contenu qui explique pourquoi les utilisateurs restent bloqués à l'étape de supervision manuelle et comment en sortir.

8/10

La vidéo s'appuie sur des sources primaires identifiées et datées (études METR, Faros AI, index Ramp, déclarations de Boris Cherny, Karpathy, Sutskever). Les données chiffrées sont présentées avec leur contexte et leurs limites. L'analyse est structurée et cohérente, avec une distinction claire entre faits et interprétations. Quelques approximations ou généralisations demeurent, mais l'ensemble est fiable.

Repères établis par PSI à partir de la transcription : le créateur n'a pas défini de chapitres.

• 00:00Introduction : le problème du moniteur d'auto-école, blocage attribué à la discipline.
• 02:00Présentation de l'échelle de Boris Cherny en cinq étapes, du verrouillage à l'orchestration.
• 04:00Analyse des goulots d'étranglement à chaque étape : attention, débit de revue, confiance.
• 06:00Révision de l'étude METR : passage de -19% à +18% de gains de productivité.
• 08:00Données Faros AI : temps de revue +441,5%, merges sans review +31,3%.
• 10:00Index Ramp : 11$ par employé et par mois pour l'entreprise médiane.
• 12:00Témoignages de Karpathy et Sutskever : le débat sur la capacité est clos, place à la supervision.
• 14:00La jauge de tokens : comment se situer de 1 million à 1 milliard de tokens par mois.
• 16:00Plan de passage de l'étape 1 à l'étape 2 : les quatre chantiers (contrat, examen, bacs à sable, relecture).
• 18:00Trois questions pour évaluer le niveau d'une organisation et conclusion.

• Fil X de Boris Cherny sur l'échelle des agents — Source de l'échelle en cinq étapes de maturité des agents.
• Blog Microsoft : comment les entreprises de pointe reconstruisent le modèle opérationnel pour l'ère de l'IA — Confirmation de l'échelle par Microsoft avec sa propre télémétrie.
• Étude METR : étude sur les développeurs OS expérimentés début 2025 — Étude initiale montrant -19% de productivité avec l'IA.
• Mise à jour METR : révision de l'étude — Révision de l'étude montrant +18% de gains.
• Blog Faros AI : le coup de fouet de l'accélération de l'IA — Télémétrie sur 22 000 développeurs : temps de revue +441,5%, merges sans review +31,3%.
• Index AI de Ramp (juin 2026) — Dépense médiane en IA par employé : 11$ par mois.
• Tweets de Karpathy sur les agents de code — Karpathy déclare ne plus écrire de code depuis décembre.
• Tweet de Karpathy sur la maîtrise technique — Karpathy souligne que l'expertise technique est un multiplicateur.
• Article Fortune sur Karpathy et les agents de codage — Interview de Karpathy sur l'état des agents de codage.
• Linux Foundation : création de l'Agentic AI Foundation — Annonce de la fondation dédiée aux agents IA.
• Site AGENTS.md — Standard AGENTS.md adopté par plus de 60 000 projets open source.
• Podcast Dwarkesh avec Ilya Sutskever — Sutskever parle de la fiabilité et du jugement comme manques.
• Tarifs de l'API Claude — Prix des tokens pour les modèles Claude.
• Tarifs de Claude — Tarifs des abonnements Claude.
• Article d'aide sur le plan Max de Claude — Détails sur le plan Max et ses limites.
• OpenAI : comment les agents transforment le travail — Données sur les utilisateurs du centile supérieur générant plus de 60 heures de travail d'agent par jour.
• Loi de Goodhart (Wikipédia) — Explication de la loi de Goodhart appliquée au token maxing.
• Documentation Git worktree — Outil pour créer des environnements de travail isolés pour les agents.
• Vidéo sur l'économie de l'attention — Vidéo mentionnée sur le goulot de supervision.

• Blog Microsoft sur le modèle opérationnel pour l'ère de l'IA — Confirme l'échelle de maturité des agents avec des données internes.
• Mise à jour METR sur l'impact de l'IA — Révision des résultats de productivité, concordant avec l'idée de gains après apprentissage.
• Tweets de Karpathy — Témoignage direct d'un expert sur l'efficacité des agents.

• Étude METR initiale (2025) — L'étude initiale montrait une baisse de productivité de 19% avec l'IA, contredisant l'idée d'un gain immédiat. La vidéo mentionne cette contradiction et sa révision ultérieure.