Environnement de développement et infrastructure IA

Vous avez construit sur OpenAI, puis voulu essayer Claude et comparer Gemini — et perdu des heures à cause des SDK, formats et gestions d'erreurs différents par fournisseur. Une passerelle LLM (passerelle IA / proxy LLM) est un relais que vous glissez entre votre application et les fournisseurs : elle expose une seule API compatible OpenAI pour atteindre tous les modèles et prend en charge les tâches transversales — bascule, suivi des coûts, clés virtuelles, mise en cache, limitation de débit et observabilité. Ce guide couvre pourquoi vous en avez besoin, ce qu'une passerelle est vraiment, les trois types (proxy auto-hébergé = LiteLLM / hébergé = OpenRouter / SDK = Vercel AI SDK), comment choisir parmi LiteLLM, OpenRouter et le Vercel AI SDK, le code de configuration minimal qui ne remplace que le point de terminaison, et les limites — un saut de latence, la passerelle comme nouveau point de défaillance, les frais (OpenRouter facture 5,5 % sur les achats), la perte de fonctionnalités et la confidentialité.

Utilisez Claude Code assez longtemps et vous tombez sur un dilemme : une demande à chaque commande fait caler votre rythme, mais toutes les désactiver avec le contournement est dangereux. Le bac à sable casse ce binaire en délimitant au niveau de l'OS ce qui peut être touché, si bien que les commandes s'exécutent librement à l'intérieur sans demandes tandis que rien n'atteint l'extérieur. Ce guide couvre les deux isolements (système de fichiers et réseau), la prise en main avec /sandbox (macOS fonctionne d'emblée, Linux/WSL2 nécessite bubblewrap+socat, Windows natif n'est pas pris en charge), le mode auto-autorisation contre le mode normal, la configuration de settings.json (allowWrite/denyRead, credentials, allowedDomains), comment il complète les modes et règles de permission comme troisième couche imposée par l'OS, ses limites (TLS non inspecté, sockets Unix), et quand recourir aux dev containers ou aux VM. Anthropic rapporte qu'il a réduit les demandes de permission de 84 % en usage interne.

Peut-on confier l'exploitation d'AWS à l'IA ? En 2026, on peut déléguer beaucoup. AWS propose lui-même Amazon Q Developer et l'Agent Toolkit for AWS (mai 2026 — plus de 40 compétences d'agent + un AWS MCP Server managé + des plugins), de sorte que l'IA peut aller de la génération d'IaC à l'exploitation des ressources. Ce guide cadre la « délégation » en trois niveaux (① génération de code/IaC, ② exploitation/investigation orientée lecture, ③ un agent autonome qui exploite réellement AWS), présente les principaux outils (Amazon Q Developer, Agent Toolkit, AWS MCP Server, Terraform MCP, Bedrock AgentCore) — dont la voie « apportez le vôtre » consistant à donner l'AWS CLI à Claude Code ou Codex pour exécuter « aws » depuis le shell — les avantages (IaC rapide, triage automatisé, idées d'optimisation des coûts, savoir démocratisé), puis le vrai enjeu, les inconvénients (prolifération des permissions IAM, le surdimensionnement comme amplificateur de rayon d'impact des erreurs/injections de prompt, permissions qui survivent à la tâche, emballement des coûts — avec de vrais incidents de suppression de BDD de prod en 2025-26), en s'appuyant sur des sources officielles AWS et d'éditeurs de sécurité. La clé : la question n'est pas « est-ce possible ? » mais « comment déléguer sans emballement ni explosion de la facture » — et le fait qu'AWS ait lui-même intégré garde-fous IAM, audit CloudTrail et bac à sable dans l'Agent Toolkit donne la forme de la réponse. Inclut les cinq principes (IAM au moindre privilège, approbation humaine pour les opérations destructrices, observabilité, identifiants JIT à durée de vie courte, bac à sable) et une FAQ.

Le premier obstacle pour intégrer un agent IA à un travail réel est « sur quel framework le construire ». Du point de vue d'un développeur et d'un décideur technique, cet article compare six frameworks majeurs — LangGraph, CrewAI, AutoGen (fondu dans le Microsoft Agent Framework, GA avril 2026), OpenAI Agents SDK, Google ADK et Claude Agent SDK — selon l'approche d'orchestration (graphe orienté / équipe par rôles / GroupChat conversationnel / passations / arborescence hiérarchique / boucle d'outils autonome), le langage, la courbe d'apprentissage, le contrôle, la maturité en production, le coût en tokens et le cas d'usage le mieux adapté. La mise en garde clé : le framework le plus « rapide à prototyper » (CrewAI) peut être le plus coûteux en production — environ 3× les tokens (41k contre 18,5k pour LangGraph dans un benchmark) et non déterministe, ce qui le rend peu adapté à la finance et à la santé. Il explique aussi comment 2026 a apporté l'interopérabilité via MCP (outils) et A2A (agent à agent), permettant aux agents de frameworks différents de coopérer et faisant disparaître le verrouillage. Inclut un guide de sélection par cas d'usage et une FAQ.

Les règles de permission de Claude Code définissent, via allow/ask/deny dans settings.json, quels outils, commandes, fichiers et domaines s'exécutent sans demander, demandent une confirmation ou sont interdits. Ce guide explique la différence avec les modes, l'ordre de priorité deny → ask → allow, la syntaxe des règles et des recettes pratiques.

Le sélecteur « Mode d'autorisation » de Claude Code détermine la fréquence à laquelle Claude demande une autorisation avant de modifier un fichier ou d'exécuter une commande. Ce guide compare les 5 modes (Demander les autorisations, Accepter les modifications, Mode planification, Mode automatique, Ignorer les permissions), explique comment basculer avec Shift+Tab et comment choisir le bon mode en toute sécurité.

Le curseur « Effort » de Claude Code, de « Plus rapide » à « Plus intelligent », règle la quantité de travail consacrée à chaque réponse. L'API compte 5 niveaux (low–max) et le curseur ajoute le mode Ultracode, soit 6 éléments. Ce guide explique chaque palier, la compatibilité des modèles et comment le configurer.

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.