Environnement de dev et infra

Vous supposez probablement qu'un LLM doit forcément tourner dans le cloud, mais en 2026 faire fonctionner l'IA entièrement à l'intérieur de votre propre PC — un « LLM local » — est une option réaliste. Un LLM local consiste à faire tourner un modèle comme ChatGPT ou Claude directement sur votre machine au lieu du cloud. Les trois grands atouts sont la confidentialité (les saisies ne quittent jamais votre appareil), le coût nul (aucuns frais d'API) et l'usage hors ligne (fonctionne sans Internet). Les inconvénients : il est moins intelligent que l'IA cloud haut de gamme, exige un PC raisonnablement capable, demande un peu de configuration et n'a pas de connaissances à jour. Ce guide pour débutants couvre ce qu'est un LLM local (avec l'analogie streaming/téléchargement), ses avantages et inconvénients, les specs nécessaires et la quantification (le format GGUF, avec Q4_K_M comme référence qui conserve la qualité tout en réduisant la mémoire à environ un quart ; environ 0,5 GB de mémoire par milliard de paramètres en 4 bits), comment démarrer (l'interface GUI de LM Studio pour les débutants, la CLI d'Ollama pour les développeurs — 52 millions de téléchargements mensuels au T1 2026), les modèles recommandés de 2026 (Llama 3.2 7B, Google Gemma 4, Alibaba Qwen3.5, ainsi que DeepSeek et Mistral — tous ouverts), et quand utiliser le local plutôt que le cloud (le local pour le travail confidentiel, à fort volume et hors ligne ; le cloud pour les problèmes difficiles). Le premier pas le plus rapide : faire tourner un petit modèle 3B–7B dans LM Studio.

La configuration d'environnement est l'endroit où chaque programmeur débutant se retrouve coincé. En 2026, l'IA générative (Claude Code, Codex, Cursor) est réellement utilisable pour le travail d'infrastructure routinier — configuration d'environnement local, génération de Dockerfile, ébauches Terraform, pipelines CI/CD. HashiCorp a livré son Terraform MCP Server officiel en 2026, et Anthropic a publié les Agent Skills pour que l'expertise en infrastructure puisse être chargée à la demande. Mais « tout déléguer » est une autre question : un groupe de sécurité ouvert en 0.0.0.0/0, une clé SSH commitée sur GitHub, une facture AWS de 3 000 $ en fin de mois — tous des incidents réels de 2026. Cet article sépare cinq domaines sûrs à déléguer, trois zones à risque « vérifier puis faire confiance », quatre domaines humain uniquement, un workflow en quatre étapes sûr pour débutants, et le dernier outillage 2026 (Claude Code, MCP, Agent Skills) — concentré sur l'évaluation des capacités, pas l'impact carrière.

Demandez à Claude Code ou ChatGPT comment construire une application web et vous entendrez presque certainement « utilise Next.js ». Mais cette suggestion vient de la fréquence dans les données d'entraînement, pas d'un jugement sur votre projet. Cet article décortique les trois raisons légitimes de l'IA (domination des données d'entraînement / batteries incluses / facilité de déploiement Vercel), explique la relation JavaScript / React / Next.js, parcourt un arbre de décision de 5 minutes (quoi construire, SEO, BDD, budget temps, hôte cible), associe quatre alternatives réalistes (Astro, Vite + React, SvelteKit, HTML + Vanilla) à des cas d'usage, expose les cinq bases incontournables pour utiliser Next.js (App Router, Server vs Client Components, routage par fichiers, variables d'environnement, cibles de déploiement) et les trois pièges qui guettent les débutants (use-client partout, verrouillage Vercel, l'IA qui renvoie du code Pages Router obsolète) — le tout calibré à mai 2026. Deuxième entrée de la série « L'IA recommande... » après l'article sur Docker.

En février 2026, Anysphere — l'entreprise derrière Cursor — a franchi les 2 Md$ d'ARR, traçant une courbe de revenus SaaS dans la cour d'OpenAI et Anthropic en seulement trois ans. Cet article couvre la manière dont Cursor diffère de VS Code en intégrant l'IA directement dans la couche de rendu (complétion Tab sous 100 ms, index de base de code de 272K tokens, les six fonctionnalités centrales : Tab / Édition en ligne / Composer / Agent / Background Agents / Bugbot), les cinq différences concrètes face à VS Code, la comparaison côte à côte avec quatre rivaux (Windsurf / Zed / Claude Code / GitHub Copilot), la structure des plans Hobby gratuit / Pro 20 $ / Business 40 $, et un guide de décision pour « qui devrait réellement franchir le pas » — sur la base des faits de mai 2026.

À l'été 2025, un développeur solo a lancé un serveur MCP nommé 21st.dev avec un budget marketing nul et a atteint 10 000 $ de MRR en 6 semaines. Un autre développeur sur Apify Store gagne 2 000 $/mois. Mais sur les plus de 12 000 serveurs MCP publiés en mars 2026, moins de 5 % ont monétisé avec succès — les 95 % restants reposent dans le cimetière de « utile mais gratuit ». Cet article expose, à partir d'études sectorielles et de chiffres réels, ce qui sépare les gagnants des perdants, les 4 modèles de revenu (paliers d'abonnement / à l'usage / clé API / freemium), un comparatif des grandes marketplaces (MCPize 85 % de partage / Apify / Glama / Smithery), des chiffres de terrain, les 6 schémas d'échec dans lesquels 95 % tombent, le playbook du développeur solo, la stratégie entreprise et les prévisions à 1-3 ans.

MCP (Model Context Protocol) a démarré comme une petite spécification qu'Anthropic a déposée discrètement sur GitHub. Seize mois plus tard, il atteignait 97 millions de téléchargements mensuels du SDK (+4 750 %), plus de 10 000 serveurs publics, l'adoption complète par OpenAI/Google/Microsoft/AWS, et en décembre 2025 Anthropic en a cédé la propriété à la Linux Foundation — en faisant une infrastructure partagée par l'industrie, l'« USB-C de l'ère de l'IA ». Cet article couvre l'histoire de ces 16 mois, l'architecture à trois éléments Client/Serveur/Transport, cinq serveurs MCP utilisables aujourd'hui (filesystem/github/postgres/slack/fetch), l'implémentation minimale maison en 30 lignes de Python, les raisons de la victoire de MCP, les pièges de sécurité et d'injection de prompt, et ce qui vient ensuite — fondé sur des sources officielles et l'expérience de terrain.

En passant de ChatGPT Plus à Claude Code, certains ingénieurs ont vu leur facture mensuelle multipliée par 10. La bonne nouvelle : en combinant trois leviers (mise en cache des prompts, routage des modèles, budget de sortie), vous pouvez accomplir le même travail pour 20-30 % du coût non optimisé. Cet article s'appuie sur les recommandations officielles d'Anthropic, la recherche industrielle et des données opérationnelles réelles pour expliquer le détail des coûts (entrée/sortie/cache/outils), comment choisir la bonne formule, le piège du multi-agent (15× de tokens), la surveillance et les alertes de facturation, ainsi que sept gaspillages courants à éviter.

L'intuition disait que l'IA remplacerait d'abord les vétérans qui font du travail routinier. Les données 2025-2026 montrent l'inverse : les développeurs de 22 à 25 ans sont à −20 % par rapport au pic, alors que l'emploi IT des 35-49 ans progresse de +9 %. Les chercheurs nomment cela « changement technologique biaisé par l'ancienneté » : l'IA se substitue à la connaissance codifiée et amplifie le jugement adossé à l'expérience. Cet article parcourt la conclusion des données, pourquoi les seniors survivent, l'impact par secteur, le risque structurel d'« évaporation du pipeline de formation », la contre-thèse de la Réserve fédérale et les stratégies concrètes pour juniors, seniors et entreprises.

En février 2025, Andrej Karpathy a inventé le terme « vibe coding » : un style de programmation où l'on décrit en langage naturel ce que le code doit faire et où l'on accepte ce que l'IA renvoie sans lire le code généré. Un an plus tard, Karpathy lui-même propose de le renommer « ingénierie agentique » et les chiffres de sécurité sont sans appel : 40 à 62 % du code IA contient des vulnérabilités, les CVE liées au vibe coding ont été multipliées par six en trois mois et 100 % des cinq principaux agents introduisent la même faille SSRF. Cet article parcourt la définition, le workflow réel, les principaux outils (Claude Code, Cursor, Codex CLI, Lovable, v0, Bolt.new, Devin), la face sombre côté sécurité, la distinction entre vibe et ingénierie agentique, les règles « Vibe & Verify » qui se standardisent en 2026 et qui devrait viber sur quoi.

En 2026, la conversation autour des agents IA est passée de « un super-agent qui fait tout » à « une équipe d'agents aux rôles différents ». Cet article part de la définition de ce qu'est réellement un système multi-agent, puis parcourt les cinq patterns d'architecture (orchestrateur-worker, handoff, hiérarchique, peer-to-peer, pipeline), un comparatif des frameworks de production (Claude Agent SDK, OpenAI Agents SDK, LangGraph, Strands), des exemples concrets (Anthropic Research, Claude Code, Devin, Cursor), la structure des coûts (x2 à x15 en tokens) et finalement quand vous devriez en utiliser un et quand vous ne devriez pas.

Le centre de gravité s'est déplacé du prompt engineering vers le harness engineering — le nouveau terrain de bataille de l'ère des agents IA. Cet article expose ce qu'est réellement le harness engineering, en quoi il diffère du prompt engineering, les six composants (définition des outils, gestion du contexte, mémoire, boucle, garde-fous, UX de sortie), un comparatif côte à côte de Claude Code, Cursor, Codex CLI et Devin, et une checklist de conception pratique — les fondations dont vous avez besoin pour utiliser ou construire des agents IA sérieusement.

Si les agents IA (Claude Code, Cursor, Copilot, Codex) ignorent vos fichiers de règles .md, cela tient à 5 causes profondes : limites de la fenêtre de contexte, auto-compact qui dilue les premières instructions, priorité floue, formulations vagues et fichiers surchargés et éparpillés. Cet article passe en revue le diagnostic, les gains rapides (compresser à moins de 150 lignes, marqueurs de priorité) et la systématisation à plus long terme avec les Hooks de Claude Code, les sub-agents et les slash commands personnalisées — plus les bonnes pratiques propres à chaque outil.