Et si votre IA posait vos jours de congé à votre place ?

Dans cet épisode, vous découvrirez comment une IA qui ne sait qu'écrire finit par agir pour de vrai, ce qu'est la boucle agentique qui lui sert de système nerveux, à quoi servent MCP et A2A, pourquoi on met un harnais à un agent comme à un cheval sauvage, et comment des agents se lancent tout seuls dans une usine et se parlent entre eux comme des collègues.

Sources :

• Anthropic, « Building effective agents », décembre 2024 : https://www.anthropic.com/engineering/building-effective-agents
• Anthropic, « How we built our multi-agent research system », juin 2025 : https://www.anthropic.com/engineering/multi-agent-research-system
• Anthropic, tarifs des modèles Claude : https://docs.anthropic.com/en/docs/about-claude/pricing
• Anthropic, « Introducing the Model Context Protocol », novembre 2024 : https://www.anthropic.com/research/model-context-protocol
• Spécification MCP, « Tools » : https://modelcontextprotocol.io/specification/2025-06-18/server/tools
• MCP rejoint l'Agentic AI Foundation (Linux Foundation), décembre 2025 : https://blog.modelcontextprotocol.io/posts/2025-12-09-mcp-joins-agentic-ai-foundation/
• Google, « Announcing the Agent2Agent Protocol (A2A) », avril 2025 : https://developers.googleblog.com/en/a2a-a-new-era-of-agent-interoperability/
• NVIDIA Technical Blog, « Building an Analysis AI Agent for Industrial Alarm Management with NVIDIA Nemotron », juillet 2026
• OpenAI, « Understanding prompt injections »
• Étude sur le harness (même modèle, harness différent) : https://arxiv.org/abs/2604.07236

Quel rapport entre le cheval blanc d'Henri IV et l'intelligence artificielle ?

Dans cet épisode, vous découvrirez le RAG, la technique dont tout le monde parle et qui fait lire vos documents à une IA avant qu'elle vous réponde, comment elle retrouve la bonne page parmi des milliers, et comment elle relie trois documents pour vous dire en une seconde combien de jours de congé vous avez pour votre mariage.

Sources :

• Lewis et al. (Facebook AI Research, UCL, NYU), « Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks », 2020 : https://arxiv.org/abs/2005.11401
• UER et BBC, « News Integrity in AI Assistants », octobre 2025 : https://www.ebu.ch/news/2025/10/ai-s-systemic-distortion-of-news-is-consistent-across-languages-and-territories-international-study-by-public-service-broadcaste
• Edge et al. (Microsoft Research), « From Local to Global: A Graph RAG Approach », 2024 : https://arxiv.org/abs/2404.16130
• Anthropic, « Reduce hallucinations » : https://docs.anthropic.com/en/docs/test-and-evaluate/strengthen-guardrails/reduce-hallucinations
  

Comment une IA sait-elle que « chat » et « chaton », c'est presque pareil ?

Dans cet épisode, vous découvrirez comment une IA transforme les mots en nombres, pourquoi elle range chaque mot sur une carte à des centaines de dimensions, comment elle apprend toute seule que « roi » et « reine » vont ensemble, ce qu'est une base vectorielle, et pourquoi « proche » ne veut pas toujours dire « juste ».

Sources :

• Mikolov et al. (Google), « Efficient Estimation of Word Representations in Vector Space », 2013, Word2vec : https://arxiv.org/abs/1301.3781
• J. R. Firth, « A synopsis of linguistic theory », 1957 : « You shall know a word by the company it keeps. »
• OpenAI, guide « Embeddings » : https://platform.openai.com/docs/guides/embeddings
• Weaviate, « Hybrid Search Explained » : https://weaviate.io/blog/hybrid-search-explained
• Cémantix, le jeu qui tourne avec Word2vec : https://fr.wikipedia.org/wiki/Cémantix