Cursor dévoile un nouveau logiciel d'agentique de codage, une première mondiale

Vercel's Andrew Qu explique en quoi les agents sont un nouveau type de logiciel

Andrew Qu, responsable logiciel (Chief of Software) chez Vercel, a accordé un entretien à Latent Space sur le stand de l'AIEWF, expliquant pourquoi les agents constituent selon lui une nouvelle catégorie de logiciel. Il travaille directement avec le directeur technique de Vercel sur l'ingénierie interne, l'expérimentation produit et les technologies émergentes. Qu a créé une bibliothèque MCP qui a facilité la construction des premiers serveurs MCP, lancé skills.sh pour rendre les compétences d'agents plus faciles à découvrir et à utiliser, et dirigé le développement d'eve, le framework d'agents de Vercel. Il raconte que Vercel, à l'origine pensé pour simplifier la publication de sites et d'applications web, a constaté un basculement chez ses utilisateurs, qui ne construisent plus seulement des pages mais des agents. C'est en développant leur propre agent au sein de v0, leur produit de "vibe coding", que l'équipe s'est heurtée à des irritants que les outils existants ne résolvaient pas, comme le changement de modèle ou de fournisseur, l'ajout de solutions de repli ou la reprise des exécutions interrompues. Ces solutions, transformées en bibliothèques réutilisables, ont fini par former un socle de briques techniques rassemblées sous le nom d'eve. Il y a environ un an, Qu s'est fixé l'objectif de mettre "un agent sur chaque bureau" chez Vercel, ce qui l'a conduit à développer un agent de données interne et à dégager plusieurs bonnes pratiques devenues centrales chez Vercel: agents capables de manipuler des systèmes de fichiers, compétences modulaires, compaction du contexte et sous-agents. Faute de retrouver ces briques prêtes à l'emploi ailleurs, l'équipe a décidé de formaliser une approche prescriptive, donnant naissance à eve pour éviter à d'autres développeurs de refaire ce travail d'exploration. Concrètement, Vercel utilise déjà ses agents en interne pour des tâches répétitives mais qui exigent un minimum de raisonnement: une première passe sur la relecture de contrats juridiques, des rétrospectives marketing, l'identification de contacts à solliciter, ou encore l'écriture de requêtes contre leurs bases de données. Pour Qu, les agents ne sont pas de simples applications web déguisées mais une forme de logiciel réellement différente, moins prévisible dans ses interactions et ses résultats, ce qui impose de nouvelles briques pour gérer le contexte, les outils, la reprise d'exécution et les tâches longues. Sur la question de l'autonomie, il refuse de trancher entre boucles totalement autonomes et supervision humaine systématique: le bon choix dépend de la clarté de la tâche. Quand l'objectif final est bien défini, laisser tourner une boucle jusqu'à son terme est raisonnable; pour un travail d'ingénierie plus délicat, mieux vaut revenir régulièrement vérifier que le modèle reste sur la bonne voie.

💬 Le vrai signal, c'est que Vercel, né pour simplifier le déploiement de sites web, retape toute sa stack interne pour des agents. Ça confirme ce que je pense depuis un moment: un agent c'est pas un site avec un chatbot greffé dessus, c'est un logiciel imprévisible qui réclame ses propres briques, gestion du contexte, reprise d'exécution, sous-agents. Sur l'autonomie totale contre supervision permanente, il a raison de refuser de trancher, ça dépend juste si la tâche est claire ou pas, pas d'une règle générale à appliquer partout.

George Hotz : les agents de codage seront "l'une des erreurs les plus coûteuses" du développement logiciel

George Hotz, programmeur célèbre pour avoir cracké l'iPhone à 17 ans et fondateur de comma.ai, estime que les agents de codage IA seront "l'une des erreurs les plus coûteuses" de l'histoire du développement logiciel. Après six mois de tests intensifs avec différents outils basés sur des LLMs, son verdict est sévère : ces systèmes produisent des prototypes rapidement, mais s'effondrent dès qu'il s'agit de gérer les détails, introduisant des bugs de plus en plus difficiles à détecter et à corriger. Le danger pointé par Hotz est précis : les erreurs générées par les agents IA ne sont pas évidentes à repérer. Contrairement à un bug classique qui plante un programme, les défauts introduits par ces outils peuvent rester dormants, s'accumuler silencieusement et créer une dette technique invisible. Pour les équipes qui font confiance à ces agents sur des bases de code complexes, le coût de correction pourrait dépasser largement les gains de productivité initiaux. Cette mise en garde illustre une fracture profonde au sein de la communauté IA. D'un côté, des entreprises comme GitHub (Copilot), Cursor ou Cognition défendent l'automatisation agressive du code et affichent des métriques de productivité spectaculaires. De l'autre, des ingénieurs expérimentés comme Hotz alertent sur les limites fondamentales des LLMs face à la rigueur que requiert l'ingénierie logicielle à grande échelle. Le débat est loin d'être tranché, et les prochains mois diront si la réalité des projets en production confirme l'optimisme des uns ou les craintes des autres.

Nvidia dévoile NemoClaw, son logiciel pour agents IA

Nvidia a dévoilé NemoClaw, un nouveau logiciel open-source permettant aux entreprises de créer leurs propres agents IA. Le PDG Jensen Huang a annoncé ce lancement lundi, dans la lignée du succès d'OpenClaw, un outil similaire destiné aux agents personnels.

Composants d'un agent de codage

Les agents de codage comme Claude Code ou le Codex CLI d'OpenAI sont devenus des outils incontournables pour les développeurs, mais leur fonctionnement repose sur une architecture précise que peu d'articles détaillent. Un agent de codage n'est pas simplement un grand modèle de langage (LLM) auquel on pose des questions : c'est un LLM enveloppé dans une couche logicielle appelée "harness" (ou cadre agentique), qui orchestre les appels au modèle, gère les outils disponibles, maintient un état en mémoire et décide quand s'arrêter. Cette distinction est fondamentale : le modèle est le moteur, mais le harness est la transmission, le tableau de bord et les roues réunies. Un agent de codage comprend six composants principaux — la boucle de contrôle, la gestion du contexte, les outils (lecture/écriture de fichiers, exécution de code, recherche), la mémoire, la gestion des prompts et la continuité entre sessions longues. Ce cadre explique pourquoi Claude Code ou Codex semblent nettement plus capables que le même modèle sous-jacent utilisé dans une interface de chat ordinaire. La différence n'est pas dans les paramètres du modèle, mais dans le système qui l'entoure : la stabilité du cache de prompts, l'accès au contexte du dépôt Git, la boucle de feedback itérative après exécution du code, et la gestion de sessions qui peuvent durer des heures. Pour les développeurs et les équipes d'ingénierie, cela signifie que choisir un outil de codage assisté par IA revient autant à évaluer l'architecture du harness qu'à comparer les benchmarks des modèles. Un modèle plus puissant dans un harness médiocre produira des résultats inférieurs à un modèle modeste bien intégré. Il convient également de distinguer trois notions souvent confondues : le LLM classique génère des tokens ; le modèle de raisonnement est un LLM entraîné à produire des traces de réflexion intermédiaires et à s'auto-vérifier (à l'image de o1 ou de QwQ), ce qui le rend plus puissant mais plus coûteux à l'inférence ; l'agent, lui, est une boucle de contrôle qui appelle le modèle répétitivement dans un environnement, en mettant à jour son état à chaque itération. Le harness de codage est un cas spécialisé de harness agentique, orienté vers les tâches de génie logiciel — gestion du contexte de code, exécution, débogage itératif. Des systèmes comme Claude Code d'Anthropic ou Codex CLI d'OpenAI illustrent cette catégorie, et la tendance de fond est claire : les progrès les plus décisifs en IA appliquée ne viennent plus seulement des modèles eux-mêmes, mais de l'ingénierie des systèmes qui les entourent.