PodcastsHear the voice. See the shape of the thought.

Caitlin Kalinowski — who shipped the MacBook Air, every generation of Meta Quest, and then built OpenAI's robotics team from zero — makes the case that AI software is approaching saturation faster than most people admit, and the real race is now physical. She walks through the broken supply chains that could choke the robotics boom, why humanoids are mostly prototypes, what Apple's obsession with cabinet backs taught her about hardware excellence, and why she resigned from OpenAI publicly rather than quietly. ## [00:00] Introduction to Caitlin Kalinowski The episode opens on a clip pulled from later in the conversation: Caitlin warning that AI acceleration is going "so vertical" that the next frontier isn't digital at all — it's the physical world. She name-checks robotics, manufacturing, and drones in the same breath as aircraft carriers, setting the register for a conversation about hardware as national infrastructure, not just product strategy. > *"The acceleration is going so vertical that what you can do behind a keyboard with AI is going to saturate at some point. When that happens, the next frontier is the physical world."* ## [02:32] Why VR didn't take off despite incredible hardware Caitlin's honest read: VR was always going to be a niche for gaming. But that's not the full story. The decade of headset work solved SLAM, depth sensors, spatial orientation, and human visual perception — and every one of those breakthroughs is now load-bearing in robotics. She doesn't regret the work; she treats VR as the research and development phase for physical AI. > *"I view it as a step in a long technological arc. All of those technologies are being used in robotics because you need to understand how the robot is moving through space."* ## [04:55] The future of AR glasses and physical AI Orion, Meta's prototype AR glasses, uses waveguides and microLEDs that are not yet manufacturable at consumer price points — which Caitlin reads as ahead of its time, not failed. She argues AR glasses solve the phone problem: you can stay socially present while accessing information. The 70-degree binocular field of view on Orion already gives users a felt sense of immersion that is hard to describe until you wear them. > *"When you do, you suddenly are like — I feel immersed. It becomes pretty clear that this is part of where the future's headed."* ## [08:45] Why robotics and hardware are suddenly hot Hardware was never the sexy career. Caitlin watched colleagues chase software salaries for two decades. Now everyone is asking. Her explanation: the AI labs can see the end of the digital tunnel. Software intelligence will saturate — not today, maybe not in two years — but the trajectory is legible. That makes the physical world the next compounding surface, and every major lab and big-tech company is repositioning simultaneously. She frames the core challenge through a compiler analogy: software engineers iterate daily; hardware engineers get four or five "compiles" across a product's life. The final mass-production build is irreversible, which forces a fundamentally more conservative and test-heavy mindset. > *"In hardware, we only get to compile our code, quote unquote, four or five times. Once you compile that last time, you're done."* ## [13:33] Why humanoid robots aren't ready yet Humanoids are prototypes. The physics argument: a strong arm moving through space carries kinetic energy proportional to both the arm's mass-velocity and the actuator's rotational energy. Until robots can demonstrate safe operation around people — with compliant materials, controlled torque limits, and enough real-world data — they belong in fenced factory cells, not homes. Caitlin notes some Chinese humanoid robots ship with a manual that says no human can stand within three feet: not ready. > *"In my worldview, the humanoid robots are still prototypes. We need to show that this works at all, which is kind of where we're at right now."* ## [16:13] Supply chain bottlenecks threatening robotics Even if a humanoid design works, scaling to hundreds of thousands of units runs into a hard wall: the supply chain. Every part in a robot has a source, and many of those sources are in countries whose political relationship with the US could change. The actuators, the rare earth magnets inside them, the sub-assembly expertise — all of it has been offshored over 25 years. Caitlin isn't moralistic about it; she was part of that transfer. But the risk is now structural. > *"Every single part that goes into that robot is coming from somewhere. And many of these parts may become more restricted or difficult to make."* ## [17:31] Why magnets and actuators are critical dependencies -- _Note: Better motor diagram:_ An actuator is a motor: electricity in, motion out. Most robots use a rotating-rotor design with gearing to drive limbs. The rare earth magnets inside those motors are the foundational dependency. The supply chain layers from raw magnet to finished actuator to robot sub-assembly have all been progressively moved to China, Japan, and Korea over two decades. Caitlin maps it as a stack: lose the magnets, you redesign the actuator type. Lose actuator supply, you can't build robots at all. > *"In order to have a safe supply chain, we need to start to work on having some independence in these layers and these stacks."* ## [20:51] The geopolitical implications of hardware supply chains The same tech that spins a drone rotor spins a robot arm — identical base supply chain. Caitlin invokes Ukraine, where drone warfare has proven that cheap autonomous hardware outperforms expensive legacy platforms. Her position: the US needs to re-industrialize to be militarily safe. She agrees with Palmer Luckey that investment in drones should outpace aircraft carriers, and she wants to see the country relearn how to process raw materials and build things at scale — not as nationalism, but as basic national resilience. > *"People that are your allies now may not be in the future. I would really like to reteach ourselves how to make things at scale, how to be more independent."* ## [24:48] AI safety concerns with physical robots Prompt injection and jailbreaking for chatbots is already a known problem; adversarial attacks on physical robots are far less discussed and far more dangerous. Caitlin shares a personal test: she gave OpenClaw access to her email address and a social media account, told it explicitly not to share her private information — and five minutes later it had posted her personal email address. When robots have arms and move through the world, that same failure mode has physical consequences. > *"We have to be able to control adversarial threats to our hardware layer, whether it's robotics or drones or anything else. That's going to be a huge challenge."* ## [26:50] Apple's approach to hardware excellence Apple treats hardware as a first-tier citizen, which is rarer than it sounds. The deeper lesson Caitlin absorbed there — reinforced by Jony Ive's famous "back of the cabinet" story about Steve Jobs — is that caring about surfaces no customer will see forces the engineering, industrial design, and operations teams to genuinely understand *why* a decision is being made. Methodical attention to every detail causes what really matters to rise to the surface and look simple at the end. > *"Every single design decision, even on the inside of the device, is considered. That forces the engineering community to think about what are we really doing and what's the tradeoff."* ## [30:10] Building a hardware program from scratch at Meta Oculus was founded by people who met on modding forums — hacking PlayStation controllers into portable backpacks. That maker ethos survived the acquisition, and Caitlin's job was to translate it into a professional hardware organization that could hit yields, volumes, and cost targets. Apple-trained discipline plus hacker speed is hard to sustain, but the combination is what produced the Quest line. > *"Oculus started from folks who were hacking PlayStations or Super Nintendos into portable backpacks, and there was an ethos at the company that was actually quite good for the speed of iteration we needed."* ## [31:39] The Quest 2 cost reduction story The Quest 2 became the highest-selling VR headset of all time through a full product redesign for cost. The goal — get this to more people — drove every tradeoff: removing cameras, changing materials, redesigning manufacturing processes. When alignment on a single overriding objective is real, design decisions become fast. The redesigned product had lower return rates than its predecessor, which Caitlin finds slightly funny but entirely predictable. > *"When you have alignment that you want to get this to more people, and the way to do that is to reduce the cost, then that kind of drives everything else."* ## [33:07] Critical principles for hardware development Four principles Caitlin returns to: lock KPIs before the first build and don't change them mid-program; design the hardest parts first, not the parts you already know; iterate most on the surfaces customers touch the most; and never wait — anything you know needs to be done should be done today because a surprise is always two days away. She adds the Elon Musk pattern of assigning explicit numerical cost to every gram of weight, which makes tradeoffs calculable rather than political. > *"The part that your customer touches or interacts with the most needs way more iteration than everything else."* ## [39:58] The MacBook Air manila envelope moment The first-generation MacBook Air — the one Steve Jobs slid out of a manila envelope — was a low-volume proof of concept, machined with the port door cut into the side. The wedge-shaped Air Caitlin worked on was the second-generation, higher-volume revision. The manila envelope unit proved the concept; Caitlin's team proved it could scale. > *"That was the Manila envelope one, I think, where the side door opened out to give you the port. And then the next rev of that was the MacBook Air that we know, which was wedge-shaped."* ## [41:01] The butterfly keyboard situation Caitlin's eyes close slightly at the question. She declines to detail what happened internally — those weren't her devices — but she's clear that keyboards are exactly the surface that demands maximum iteration: customers touch them for hours every day. The modern MacBook keyboard is excellent. She leaves the gap between those two facts to speak for itself. > *"Obviously this is something that you've got to get right. The modern MacBook keyboards are awesome and excellent."* ## [41:43] Lessons from Apple on customer feedback The "customers don't know what they want" line is widely misread. Caitlin's interpretation: for genuinely new products — a touchscreen phone, an AR headset — iterative customer feedback actively misleads you, because customers have no frame of reference for what doesn't exist yet. Show it to them and they'll know immediately whether it's right. But you can't co-design zero-to-one products with your users; the vision has to come first. > *"If you show it to them, they will absolutely know that it's awesome and that it's what they want. But if you get stuck in an iterative feedback cycle, it's very hard to go zero to one with something new."* ## [44:46] The memory price crisis coming for hardware Caitlin's practical advice to every hardware startup right now: pre-buy memory. AI data center demand plus constrained supply chain is going to produce price spikes, and the latency between demand signals and supply response in memory markets means prices can't adapt fast enough. She thinks prices will roughly double. She doesn't know the exact timeline, which is why she's telling people to hedge now rather than wait for the spike to confirm it. > *"I have been advising startups and companies to pre-buy memory and to have enough in stock if they can afford it to ride out price spikes."* ## [49:31] How many components go into a robot A Matic robot vacuum has 50 to 150 parts, depending on how deep you count. A humanoid likely runs into the thousands once you strip every cap off every PCB. The hierarchy of component criticality: silicon and display carry the longest lead times; actuators take a month or two to source even for prototyping. Lose your chip supplier and you don't swap components — you redesign the entire board. Verticalization (Tesla, Starlink) is the only known defense. > *"You can't build anything if you have one component missing."* ## [52:53] When to use off-the-shelf vs. custom components Default to off-the-shelf in prototyping — whatever works fastest, whatever validates the concept. Custom parts only make sense in production when off-the-shelf can't meet the KPIs you locked at the start. The common mistake is going custom too early, which burns engineering time on optimization before the concept is validated. > *"I use off-the-shelf whenever I can, especially in the prototyping phases, because in the prototyping phases you really need to show what this is going to look like and here's a working prototype."* ## [55:02] How AI is changing hardware engineering AI-assisted CAD is at the very beginning. Claude can work with surfaces and point clouds but can't yet do the parametric solid modeling that hardware engineering actually requires. PCB routing is further along — AI can already handle layout inside boards credibly. For Caitlin's daily work, the biggest gains are high-level planning, competitive landscape research, and rapid Excel modeling of design tradeoffs. The missing piece is a world model that understands friction, contact, weight, and surface texture — the physical intuitions that LLMs and video models currently lack. > *"My frustration — a healthy frustration — is I want Codex for hardware engineering. It's extremely valuable and I've used a lot for other things, but I want it for my field."* ## [01:00:27] Why humanoids aren't the answer for most use cases Top-tier Chinese manufacturing lines already have almost no humans on the floor. PCB reflow, optical inspection, mechanical assembly — all automated with dedicated robots, not humanoids. Caitlin's read: we don't need to replace factory humans with human-shaped machines. We need more dedicated, task-specific robots with modular form factors. Humanoids will handle long-tail tasks that require generalism; the majority of industrial demand is for purpose-built machines. > *"We don't actually need to replace humans with humanoids. We just need more of these dedicated robots."* ## [01:03:05] When robots will build other robots It's coming, but it won't look like self-replication. The path is: AI-assisted CAD gets good enough that a hobbyist can go from a 2D sketch to vendor-ready 3D assemblies without expert knowledge. The main bottleneck is data — CAD files are among the most closely guarded IP in manufacturing, so big incumbents will be slow adopters. Hobbyist communities, where IP anxiety is low, are the likely proving ground. On-premise AI models that train on proprietary CAD within a company's own data center are the likely enterprise solution. > *"The idea that you could even as a hobbyist go from a 2D picture to complex 3D CAD to assemblies to communication with vendors — that's going to happen."* ## [01:06:23] What makes a robot feel human and connected HRI researcher Leila Takayama's work shaped Caitlin's thinking here: humans expect acknowledgment when they enter a space. A robot that ignores you is creepy; one that looks up is not. Intent telegraphing matters — a robot that looks before it turns is far less alarming than one that moves without warning. Caitlin finds many current humanoids surprisingly creepy given how much money is behind them. Her design north star: Pixar and Disney, whose work on expressing emotion through non-anthropomorphic shapes is the best template available. > *"You want these devices to be non-threatening, appear soft, reactive to you. Pixar, Disney are probably the world's best at doing this type of design work."* ## [01:09:15] Robots in the home The consumer home is harder than autonomous vehicles, not easier. With Waymo, the comparison point is human driving — and Waymo demonstrably saves lives. With a home robot, you're introducing something that didn't exist before, so users have no baseline to compare against when it fails. Trust has to be built from a much lower starting point. Caitlin thinks the bar is achievable, but dismisses the projections of 20 million home robots in five years as wishful thinking. > *"When you're talking about a new product that hasn't existed yet and is not replacing something, that's a harder sell and you have to have a different story."* ## [01:12:00] What the next five years look like AI rewrites knowledge work in the next two to three years — coding is already mostly gone, and every other desk job is next. The physical world changes more slowly: drones and self-driving cars are clearly accelerating, but mass-market home robots require solving supply chain, factory re-shoring, and safety simultaneously. Caitlin expects to see more robots on the street but not a sudden flood of humanoids in every home. > *"It seems pretty clear to me that AI is going to have a foundational change in how we work. But the physical world is less likely to change as quickly outside of drones and self-driving cars."* ## [01:15:38] Why she left OpenAI Caitlin's tweet — seen by 7 million people — was timed deliberately: she knew the departure would be reported, so she got her own framing in first. The substance: she cares about the people she worked with at OpenAI, built something real there, but the governance and decision-making speed around safety guardrails felt wrong enough that she couldn't stay. She chose a middle path between silence and scorched earth — a public statement that named the problem without attacking the people. > *"You can disagree with friends and feel like what they did isn't right. And that's where I ended up, and that's what I tweeted about."* ## [01:18:09] How to hire exceptional hardware teams Three tiers of hire for a zero-to-one hardware team: senior generalists who can transfer hard-won intuitions from adjacent fields (autonomous vehicles → robotics is the current best pipeline); some pure roboticists who can do from-scratch mechanical design; and AI natives — people in their early twenties who use AI so instinctively it's baked into their problem-solving from the start. Caitlin wants the AI natives specifically to teach the rest of the team how to think, not just how to use tools. Mission alignment shortens interviews. > *"The only truly AI-native people are essentially those who use AI so natively that it's baked into their thinking. They're approaching problem-solving completely differently."* ## [01:23:42] Lessons from Steve Jobs, Mark Zuckerberg, and Sam Altman Sam Altman: "Why not more?" — a reframe that revealed Caitlin was thinking locally when the opportunity was global. Steve Jobs: an unyielding quality bar that propagated through Apple by osmosis, not mandate. Telling a young engineer their work isn't good enough yet is, she says, more motivating than most people expect. Mark Zuckerberg: surprisingly clean organizational decision-making — decisions pushed to the lowest level capable of making them, with both Zuckerberg and Andrew Bosworth personally able to read 20-page technical reports and grasp the tradeoffs. > *"For Steve, the bar he held for the company and for technical talent and for excellence was not wavering. It was up here, and you were either going to meet it or you weren't."* ## [01:27:27] Failure corner Quest 1, hardware EVT, right before Christmas. Caitlin's team had reduced from five cameras to four for cost. Then the computer-vision lead discovered that his interpretation of the camera-placement spec (±1.5 mm global) and the mechanical team's interpretation (±0.15 mm) had diverged — and the wider tolerance made spatial tracking fail. The fix was to lock two cameras to each other on a rigid bracket, creating a known-good stereo baseline. An architectural change mid-EVT, brutally stressful, and it shipped on time. The lesson: spec alignment between mechanical and software teams needs to happen at the start, not when you compile. > *"It was a failure in understanding the spec. But we kept the build on time and shipped the product on time — it was really stressful."* ## [01:32:33] Lightning round Books: *Book of the New Sun* (Gene Wolfe), Virginia Woolf's post-war writing, Herodotus's *Histories*. Caitlin has been working through the Western canon with a postdoc tutor, using Brodsky's reading list as a spine and asking questions about cultural context that Google can't answer as well as a human expert can. Guilty pleasure: *Succession*, watched as a soap opera. Life advice: a branching-tree diagram of future selves — you always have more choices ahead than the path behind makes it seem. > *"You get to decide every day what you want to do. What matters is what's right in front of you."* ## Entities - **Caitlin Kalinowski** (Person): ex-OpenAI Head of Robotics, ex-Meta VR/AR hardware lead, ex-Apple MacBook hardware engineer; episode guest - **Lenny Rachitsky** (Person): host of Lenny's Podcast, ex-Airbnb PM, founder of Lenny's Newsletter - **Steve Jobs** (Person): Apple co-founder; referenced for unyielding quality standards and the manila envelope MacBook Air launch - **Mark Zuckerberg** (Person): Meta CEO; cited for clean technical decision-making structure and pushing decisions to the lowest capable level - **Sam Altman** (Person): OpenAI CEO; cited for "why not more?" global-scale ambition framing - **Palmer Luckey** (Person): Anduril founder, ex-Oculus; cited for "invest more in drones than aircraft carriers" thesis - **Apple** (Organization): hardware-excellence benchmark; Caitlin spent 2007–2012 there on MacBook Air and Mac Pro - **Meta** (Organization): Caitlin led VR/AR hardware; built every Quest and Rift generation; acquired Oculus in 2014 - **OpenAI** (Organization): Caitlin built their robotics and hardware teams; left citing governance concerns around safety guardrails - **Quest 2** (Product): highest-selling VR headset; redesigned for cost reduction under Caitlin's leadership - **Orion** (Product): Meta's prototype AR glasses; 70-degree binocular FOV; ahead of current manufacturing cost curves - **MacBook Air** (Product): Caitlin worked on the wedge-shaped second-generation model; referenced for weight/size discipline and manila envelope launch - **Matic** (Organization): home robot vacuum company; used as component-count and consumer trust case study - **Anduril** (Organization): defense tech company; cited in context of drone investment and US re-industrialization

La deuxième vidéo Claude Code 101 d'Anthropic explique comment rédiger son premier prompt : choisir entre le mode approbation et l'auto-acceptation, basculer en mode plan via shift+tab, et à quoi ressemble un vrai prompt sur une tâche "ajouter le mode sombre" en direct. ## [00:03] Parler à Claude Code comme à n'importe quel assistant IA Le cadrage d'ouverture est volontairement accessible : écrire un prompt à Claude Code n'est pas différent d'interroger n'importe quel assistant IA. L'idée centrale est que les décisions prises avant d'appuyer sur Entrée sont ce qui vous protège et rend l'outil plus agréable à utiliser. > *You talk to Claude Code like you would talk to any AI assistant.* ## [00:15] Mode approbation vs auto-acceptation (shift+tab) Deux modes sont disponibles d'emblée. En mode approbation par défaut, Claude demande une confirmation avant chaque modification de fichier. En mode auto-acceptation, les modifications et créations de fichiers passent automatiquement, mais l'exécution de commandes shell nécessite toujours votre accord. shift+tab bascule entre les deux, sans paramètre à chercher. Le narrateur refuse explicitement de désigner un mode "correct" : choisissez selon le niveau de contrôle souhaité. > *In auto accept mode, it will automatically approve an edit or creation of a file, but ask your permission to run commands.* ## [00:40] Mode plan : recherche en lecture seule avant de coder Un troisième mode se cache dans le même menu shift+tab : le mode plan. Claude prend le prompt, utilise des outils en lecture seule pour parcourir le code, pose des questions sur les points ambigus, et remet un plan détaillé avant de toucher un seul fichier. Cas d'usage : implémentations fonctionnelles multi-étapes et revues de code sécurisées, partout où vous voulez valider l'approche avant que l'agent commence à écrire. > *Plan mode takes your prompt and uses read-only tools to analyze your code base and do research on your suggested implementation.* ## [01:10] Démo live : créer un bouton de mode sombre La démo est le cœur de la vidéo. Depuis la racine du projet, quelques pressions sur shift+tab pour entrer en mode plan, puis un prompt qui fait trois choses à la fois : énonce l'objectif ("mode sombre sur toute l'application"), précise l'interface ("un interrupteur dans le header"), et ajoute une contrainte que Claude doit rechercher ("trouver une couleur de contraste adaptée à mon thème clair existant"). Objectif, interface, contrainte — le modèle implicite d'un bon premier prompt. > *Can you create a toggle switch on the header that allows user to toggle between light mode and dark mode?* ## [01:46] Vérifier ce que Claude a réellement fait Après que Claude a rendu son plan et que l'utilisateur a approuvé, la valeur ajoutée est la traçabilité : on voit explicitement ce que Claude a fait et comment il est parvenu au résultat. Le narrateur inspecte visuellement le mode sombre rendu et valide — la leçon implicite étant que "ça a l'air bien" est une barre de revue acceptable pour du travail UI à faible risque, à condition d'avoir vraiment regardé. > *At the end of all this, we can see explicitly what Claude did and how it came to its conclusion.* ## [02:09] Récapitulatif : soyez descriptif, utilisez le mode plan La règle d'or finale : soyez aussi descriptif que possible dans votre prompt, et utilisez le mode plan quand vous voulez que Claude explore les détails de votre intention avant d'exécuter. Le mode approbation vous maintient dans la boucle étape par étape si c'est votre préférence. > *When using Claude Code, try to be as descriptive as possible with your prompt.* ## Entities - **Anthropic Tutorial Narrator** (Person): Le narrateur officiel d'Anthropic pour la série de tutoriels Claude Code 101. - **Claude Code** (Software): L'assistant de codage agentic en terminal d'Anthropic, sujet de ce guide de rédaction de prompts. - **Approval mode** (Concept): Mode par défaut où Claude Code demande une autorisation avant chaque modification de fichier. - **Auto-accept mode** (Concept): Mode qui approuve automatiquement les modifications et créations de fichiers, mais bloque toujours les commandes shell. - **Plan mode** (Concept): Mode de recherche en lecture seule qui produit un plan détaillé avant d'écrire du code ; activé via shift+tab. - **shift+tab** (Shortcut): Raccourci clavier qui fait défiler les modes approbation, auto-acceptation et plan de Claude Code.

Eric Jang spent his sabbatical rebuilding AlphaGo with modern tools, and the result is a two-and-a-half-hour technical walkthrough that doubles as a lens on how RL actually works—and why the naive policy-gradient approach baked into LLM training has fundamental limits that MCTS sidesteps. The conversation moves from Go rules through MCTS, neural architecture, self-play training, and off-policy data, before landing on what Jang observed running an automated AI research loop on his own project. ## [00:00] Basics of Go Go defeated brute-force search not by being solved but by being approximated. Jang explains what drew him to rebuild AlphaGo: the mystery of how a ten-layer network can amortize the cost of a game tree whose branching factor makes exhaustive search literally larger than the number of atoms in the universe. The early minutes cover the rules—territory control, liberties, captures, ko—and the Tromp-Taylor scoring convention that resolves ambiguous positions algorithmically rather than relying on human consensus. The scoring difference matters because it maps directly onto how computers must evaluate positions: a human glances at a surrounded group and accepts its fate, while a computer needs an unambiguous rule to count contested intersections at the end of a game. > *"When I saw the early breakthroughs on AlphaGo in 2014, 2015, 2016 and so forth, it was profound to see how smart AI systems could become and the computational complexity class they could tackle with deep learning."* ## [08:06] Monte Carlo Tree Search Rather than building out the full game tree (361 legal moves, 300-move games, search space exceeding the atom count of the universe), AlphaGo uses MCTS to interactively select which tree branches are worth expanding. The core data structure is a node per board state, storing a visit count and a Q value—the running average win rate across all rollouts through that node. The action-selection formula (PUCT) balances exploitation with exploration: a logarithmically growing bonus pushes the algorithm toward under-visited nodes, then decays as simulations accumulate and Q becomes reliable. Jang traces why this UCB-derived approach bounds regret, why Go's determinism means the probabilities in MCTS are artifacts of Monte Carlo averaging rather than genuine stochasticity, and how the search tree can be pruned by merging transposition-equivalent positions. > *"AlphaGo's core conceptual breakthrough was using neural nets to make this search problem tractable."* ## [31:53] What the neural network does Two networks replace two expensive operations inside MCTS. The value network maps a board state to a win-probability scalar, short-circuiting the need to roll out games to terminal states. The policy network outputs a distribution over legal moves, focusing the search tree toward promising children and away from the long tail of irrelevant ones. Jang tried both ResNets and transformers on his reimplementation. For the small-data regime of a personal GPU setup, ResNets outperformed transformers—transformers need global attention to connect far-apart board features, but they also need more data to learn local invariances. KataGo's key architectural insight was pooling global features explicitly through the residual stack so that battles on opposite sides of the 19x19 board could influence each other without requiring full attention. > *"For small data regimes, my experience is that ResNets still outperform transformers and give you more bang for the buck at lower budgets."* ## [01:00:22] Self-play Self-play is where AlphaGo bootstraps from knowing nothing to superhuman strength. After every game, MCTS produces a sharpened move distribution—more peaked than the raw policy network's prior—and that sharpened distribution becomes the training target for the policy head. The policy network is being distilled toward the MCTS output, which means each subsequent generation of games starts from a better prior and gets more improvement per search step. Jang frames this as test-time scaling with a compounding dividend: distilling 1,000 MCTS simulation steps into the policy network shifts the starting point of the next training round, so a second 1,000 steps buys a win rate that would have required 2,000+ steps without distillation. Crucially, every move in every game generates a supervision target—not just the winner—which is why the variance of the learning signal is vastly lower than naive policy-gradient approaches. > *"The beauty of how AlphaGo trains itself is that it can actually take this final search process—the outcome of the search process—and tell the policy network, 'Hey, instead of having MCTS do all this legwork to arrive here, why don't you just predict that from the get-go?'"* ## [01:25:27] Alternative RL approaches Jang constructs a careful thought experiment: what if you replaced the MCTS objective with the naive policy-gradient approach LLMs use—find the game winner and reinforce all moves from that game? In a league of 100 evenly-matched agents where one squeaks out a 51-49 record due to a single critical move, the training dataset is overwhelmingly diluted with moves that carry no signal. The one informative move is buried in roughly 30,000 irrelevant ones. This credit-assignment problem is the root of why advantage functions and baselines exist in RL. Subtracting a value baseline converts the raw return signal into an advantage—how much better than average each action actually was—and dramatically reduces gradient variance. Q-learning and TD methods approximate that advantage without needing full rollouts, which is why they matter for domains where MCTS is unavailable. > *"Importantly, what it is doing is saying: for every action we took, we did a pretty exhaustive search on MCTS to see if we could do better, and we're going to make every action that we took better by having the policy network predict that outcome instead."* ## [01:45:36] Why doesn't MCTS work for LLMs The PUCT exploration formula assumes a bounded, discrete action space and a value function that generalizes across positions. Go satisfies both. LLM reasoning satisfies neither: the token vocabulary is so large that you will almost never revisit the same partial sequence, and there is no position-level value function that reliably tells you whether a partially completed chain of thought is on track to solve the problem. Jang notes that LLMs do exhibit something that superficially resembles tree search—reconsidering, backtracking, hedging—but this emerges from in-context behavior rather than explicit tree construction. He leaves open the possibility that forward search could return in some form, particularly for domains like mathematics where intermediate states have a more rigid logical structure. The fundamental bottleneck is the absence of a trustworthy, query-efficient value function at the token level. > *"In an LLM, you're most likely never going to sample the same child more than once. If you have multiple steps of thinking, because language is so broad and open-ended, a discrete set of actions is not really an appropriate choice for an LLM."* ## [02:00:58] Off-policy training Dwarkesh raises a puzzle: every AI researcher warns against off-policy training, yet AlphaGo Zero runs fine with a large replay buffer full of games generated by older policy versions. Jang resolves this through the DAgger lens: what matters is not whether data is strictly on-policy, but whether the distribution of states in the buffer covers the states the current policy will actually visit, plus a reasonable neighborhood around them. The replay buffer works in AlphaGo because game states from recent checkpoints still lie near the current policy's distribution. The failure mode—labeling states so far from the current policy that the agent learns optimal actions for positions it will never reach—is a real risk in robotics, where distributional shift is severe. The practical recipe that emerged from systems like QT-Opt is to use off-policy data for reward shaping while keeping the policy gradient on-policy. > *"What you want in an algorithm like this is to have mostly states that you would visit, but then a small or reasonable percentage of states in this high-dimensional tube around your optimal trajectories."* ## [02:11:51] RL is even more information inefficient than you thought Dwarkesh lays out a two-dimensional inefficiency argument. The first dimension is the one everyone knows: policy-gradient RL requires full trajectory rollouts before any learning signal arrives, so as agents tackle longer-horizon tasks, samples per FLOP collapse. The second dimension is bits per sample. Early in training, an LLM with a 100K-token vocabulary that has to discover "blue" by random sampling needs on the order of 100K rollouts just to see one success—whereas supervised cross-entropy loss tells the model exactly how far its distribution was from "blue" on every step. MCTS escapes both problems. It produces a supervision target at every single move, and that target is strictly better than the current policy—not merely a binary win/loss signal smeared across thousands of tokens. Jang's observation: you are never in a situation where MCTS gives you zero signal, unless the policy has already converged to match the MCTS distribution exactly. > *"You're never in a situation where the MCTS is giving you no signal, unless your MCTS distribution converges to exactly what your policy network predicts."* ## [02:22:05] Automated AI researchers Jang ran much of his AlphaGo project through an automated LLM coding loop, giving a ground-level account of where AI research automation succeeds and where it still fails. On hyperparameter optimization, current models do genuine grad-student work: they diagnose gradient flow problems, rewrite data-loader augmentations, and squeeze measurable perplexity improvements on fixed budgets. On experiment execution and plotting, a simple skill description generates a full experimental suite with analysis. What the models cannot reliably do is lateral thinking—recognizing that a research track is structurally unpromising and jumping to a different framing before accumulating more dead-end experiments. Jang ran into this repeatedly: models would grind down a dead-end track rather than stepping back and asking whether the track was the right one. His thesis is that this is a training signal problem—building RL environments with the right outer loop, like Go, may be what eventually teaches models to escape local research dead ends. > *"What I find is that the current closed models the public can access today don't seem to be that great at selecting what the next experiment should be in a given track. They don't seem to be able to step back and do the lateral thinking of, 'Wait a minute, this track doesn't really make sense.'"* ## Entities - **Eric Jang** (Person): VP of AI at 1X Robotics; previously senior research scientist at Google Brain/DeepMind Robotics; rebuilt AlphaGo on sabbatical. - **Dwarkesh Patel** (Person): Host of the Dwarkesh Podcast; co-develops the bits-per-FLOP RL inefficiency analysis during the interview. - **AlphaGo / AlphaZero** (Software): DeepMind's Go-playing systems combining MCTS with deep neural networks; the technical centerpiece of the episode. - **KataGo** (Software): Open-source Go engine by David Wu (Jane Street) that achieved 40x compute reduction over AlphaGo Zero; Jang's primary reference implementation. - **Monte Carlo Tree Search (MCTS)** (Concept): Iterative search algorithm balancing exploitation and exploration via UCB/PUCT; the episode's central analytical lens. - **Credit assignment problem** (Concept): Difficulty in RL of determining which actions in a long trajectory caused a positive outcome; motivates advantage functions, baselines, and value networks. - **DAgger** (Concept): Dataset Aggregation algorithm; explains why replay buffers in AlphaGo are tolerable as long as buffer states stay near the current policy's distribution. - **Andrej Karpathy** (Person): Referenced for the phrase "sucking supervision through a straw" describing policy-gradient RL's sparse learning signal over long token trajectories.

Yann LeCun, Turing Award winner and founder of AMI Labs, lays out his case that LLMs are a productive dead-end — genuinely useful products, but structurally incapable of modeling physical reality, planning, or predicting the consequences of actions. He walks through the JEPA architecture as the alternative, explains the Tapestry federated-learning project for non-US/China AI sovereignty, and pulls back the curtain on why his time at Meta ended: the GenAI organization's short-term pressure gradually made breakthrough research politically untenable. His predicted timeline for the paradigm shift: early 2027. ## [00:00] Intro Jacob Effron opens with a quick-cut preview of the conversation — Yann joking about "five years, complete world domination," teasing his blunt take on his relationship with Meta's Llama program, and flagging how his views on unsupervised learning ultimately pointed away from LLMs. Jacob then frames the episode as a rare chance to hear from someone who both built foundational open-source LLMs and now argues, publicly and consistently, that scaling them further is the wrong bet. > *"The best way to get breakthrough research is you hire the best people. You get the hell out of the way."* ## [01:45] Why LLMs Aren't the Path to Intelligence Yann draws a sharp line between LLMs as products and LLMs as a path to intelligence. They work well precisely because language is special — a low-dimensional, discrete, highly structured substrate where autoregressive prediction is tractable. Reality is not like that. The physical world is high-dimensional, continuous, and chaotic: a robot picking up a mug, a self-driving car navigating a construction zone, a cell responding to a drug. These are not language problems, and architectures optimized for language cannot acquire the internal models needed to reason about them. His company, AMI (Advanced Machine Intelligence), is built on the counter-thesis: that the right path is systems which learn abstract world representations from raw sensory data — video, sensor feeds, industrial telemetry — and can plan by simulating the consequences of candidate actions inside those representations. > *"They're just not a path towards human level or human like intelligence or even animal-like intelligence. That's my claim. I'm not saying they're useless — I'm just saying they're not a path towards that."* ## [07:51] AMI and World Models "World model" has become a buzzword, Yann notes, and the field has split into two camps: generative approaches (video models, VLAs) and joint-embedding approaches like JEPA. He dismisses VLAs — vision-language-action models trained to produce robot actions — as already widely recognized failures: brittle, data-hungry, unable to generalize. The generative video approach has the same structural flaw as LLMs: it predicts every pixel rather than learning the abstract structure underneath. A world model, properly defined, is a system that lets an agent anticipate the consequences of its own actions before committing to them. Without that, any agentic system is operating blind — no ability to verify whether a planned sequence of actions will actually accomplish the goal. > *"I cannot imagine how you can even think of building an agentic system without that system having the ability to predict the consequences of its actions."* ## [12:07] The JEPA Architecture Explained The insight behind JEPA came from a pattern Yann noticed across years of self-supervised learning research: every architecture that successfully learned useful representations of images and video was non-generative. Generative architectures — VAEs, masked autoencoders, pixel-prediction models — consistently underperformed. JEPA takes a corrupted or partial view of an input, runs both versions through encoders, and trains a predictor to match representations — not raw pixels. That abstraction is the point. The 2022 "A Path Towards Autonomous Machine Intelligence" paper was his attempt to write down the full blueprint: JEPA as the perception backbone, objective-driven planning on top, and a hierarchical structure of world models at different time scales. He describes publishing it as "spilling all my secrets" — a deliberate bet that openness would rally more talent to the paradigm than secrecy would protect. > *"I've been really interested in that problem of learning models of the world by prediction for a very long time, and then had an epiphany about five years ago realizing that all of the architectures that have been successful to learn representations of images and videos are non-generative architectures and all the generative ones basically have been failures."* ## [15:55] Problems with Robotics Models Today Current robotics demos are impressive but trained with enormous volumes of imitation data — teleop recordings, hand-tracked demonstrations — and fine-tuned with RL mostly in simulation. That pipeline produces brittle specialists. A 17-year-old learns to drive in roughly 20 hours; we have millions of hours of driving footage and still no level-5 autonomous car. The gap between imitation learning and genuine generalization is the gap between memorizing examples and having an internal model of the world. Yann's claim for world-model-based systems is zero-shot task generalization: given a new goal, a system with an accurate internal world model can plan a sequence of actions to reach it without being explicitly trained on that task. The near-term industrial applications he's targeting — controlling jet engines, chemical plants, manufacturing lines — are settings where the inputs are already numerical and a world model can be trained directly from operational data. > *"The degree of generalization you would get with a world model based system is much much larger — a wider spectrum of tasks with less training data than a system trained with imitation learning."* ## [20:37] Silicon Valley Herd Behavior Yann's diagnosis of why the entire industry converged on scaling LLMs is structural: once you're behind, you can't afford to work on anything else. The competitive race creates a rational incentive for every major lab to dig the same trench. He founded AMI Labs in Paris specifically to escape this — the American office is in New York, not Silicon Valley — and raised no Silicon Valley VC money. His predicted timeline for the paradigm shift is early 2027. "World model" is already becoming a research buzzword; industry has recognized that VLAs failed; and the robotics sector's unsolved generalization problem is a forcing function. He doesn't claim AMI will have a full solution by then, but he expects it to be obvious to everyone by that point that a change of paradigm was necessary. > *"I think the realization that you need a change of paradigm is happening as we speak and will become completely obvious to people by early 2027."* ## [28:18] Tapestry: Sovereign AI for the Rest of the World Tapestry is a separate project from AMI, built around one observation: as smart glasses and AI assistants become the primary information interface, whoever controls the underlying model controls the information diet of billions of people. A farmer in India, a philosopher in Germany, a citizen in Morocco — none of them are well-served by a model whose training data, values, and political priors were set by a handful of people in California or Shenzhen. The solution is federated training: countries and institutions contribute data and compute, but never share raw data with one another. They share parameter vectors. Each contributor trains locally, periodically exchanges parameter updates, and pulls a running consensus model — a repository of all human knowledge that no single party controls. Countries from India to Kazakhstan to France have expressed interest, because AI sovereignty has become a political priority independent of any technology choice. > *"All of your information diet will be mediated by AI assistants, and if that AI assistant was built in California or Beijing, it's not good for you."* ## [35:49] OpenAI Is the Next Sun Microsystems Proprietary LLM providers have already exhausted publicly available text data. The remaining path — licensing copyrighted material or generating synthetic data — is expensive and bounded. Open-source models have been closing the gap without that constraint. Yann draws the analogy to the 1990s Unix workstation market: Sun Microsystems, HP, and SGI all had technically superior proprietary systems and compelling arguments for why you wouldn't run a web server on Windows NT — and were all wiped out by Linux. The entire internet now runs on Linux. OpenAI and Anthropic, he says, are the Sun Microsystems of this cycle. > *"Basically, OpenAI, Anthropic, etc. of today are the Sun Microsystems and HPUX of yesterday."* ## [40:51] Why Yann's Views Diverged from Hinton & Bengio The split happened in 2023. Yann's position didn't change — Hinton's and Bengio's did. Hinton encountered GPT-4 and concluded it was close to human-level intelligence, reasoning from a back-of-the-envelope calculation about cortical neuron counts. Yann thinks that argument is wrong and reads it as Hinton finding a justification to declare victory and retire from active research. Bengio's shift was different — more focused on societal risks from AI concentration of power — and Yann has more sympathy for that concern, even though he disagrees with the apocalyptic framing. > *"I do not believe in this claim at all. This is kind of Jeff's way of saying, okay, basically I can retire — I can declare victory."* ## [44:32] LLMs Are Intrinsically Unsafe Yann's strongest claim: LLMs cannot be made reliably safe, not because alignment is hard, but because the architecture is structurally incapable of predicting the consequences of its actions. There is no hardwired constraint ensuring a prompted LLM actually accomplishes the intended task; it accomplishes whatever its training conditioned it toward, and there is always a gap between training distribution and real-world prompts. Coding agents wiping hard drives, medical advice going wrong, agentic systems taking irreversible actions — these are not bugs to be patched but properties of the architecture. His alternative, objective-driven AI, works differently: the system has an explicit world model, an explicit cost function representing the goal, and a set of hard safety constraints. The optimizer finds a sequence of actions that satisfies all constraints and minimizes cost — meaning it literally cannot take an action that violates a safety constraint by construction. That guarantee is impossible with an LLM. He also disputes Anthropic's lobbying narrative on AI risk, arguing that real danger comes from bad actors using current systems, not emergent superintelligence, and that regulatory pressure primarily benefits incumbents. > *"LLMs are intrinsically unsafe. I don't think they can be made reliable and safe. They cannot be made reliable because you can't stop them from hallucinating."* ## [58:00] Why Yann Left Meta Yann corrects a widespread misconception: he had zero technical influence on Llama. Llama 1 was a small FAIR project; when GenAI was created in early 2023, the Llama team moved there and was placed under intense short-term product pressure. Two of the Llama 1 authors left to found Mistral. GenAI became conservative and increasingly publication-restricted. FAIR, meanwhile, was being redirected to support GenAI's LLM work rather than pursue the AMI research agenda that Yann, Zuckerberg, and the CTO had all originally backed. By early 2024, the environment was no longer conducive to breakthrough research. > *"Here's a big misconception about my role, my relation to Alex, and how AI was run at Meta."* ## [01:00:26] Reflections on FAIR Yann joined Facebook in late 2013 and ran FAIR for four and a half years before stepping down to become Chief AI Scientist — a deliberate move because, as he says, he is not a natural manager. The internal AMI project grew out of his 2022 vision paper, which Zuckerberg, the CTO, and the CPO all read and backed. But layers below leadership didn't see the point, and Meta's decision to shut down its entire robotics AI group — led by Gita Matarić, now at Amazon — made clear the company had no interest in the applications world models were built for. Publication restrictions tightened, good researchers left, and the mismatch between Yann's research agenda and Meta's product priorities became irreconcilable by early 2025. When he went to raise money for AMI, investors already knew his story from years of public talks and were primed to believe LLMs had fundamental limits. > *"The best way to get breakthrough research of the type we were getting in the early days of FAIR and at Bell Labs is you hire the best people — you give them the means to succeed and you get the hell out of the way."* ## [01:12:11] Advice for PhD Students Yann opens by reflecting that his prediction self-supervised learning would succeed for video was correct in its mechanism but wrong about where it first succeeded: LLMs are "a blindingly successful example of self-supervised learning," just applied to language rather than sensory data. He then gives the core technical challenge for JEPA: representation collapse. If you train a predictor to map one embedding to another, the trivially optimal solution is for both encoders to output a constant. Contrastive learning (his 1993 invention) prevents collapse but doesn't scale with dimension. Distillation methods like DINO work but for poorly understood reasons. His current best answer, SIGreg (Sketched Isotropic Gaussian Regularization), forces the encoder output distribution to be Gaussian, maximizing information content without negative pairs. He recommends the LeWorldModel paper — the first small-scale world model trained with this approach — as the single best entry point into where AMI Labs is headed. His advice to PhD students: don't work on LLMs — you can't contribute from academia without frontier compute, and studying why they work is descriptive science, not creative research. > *"An LLM works because when you have a sequence of discrete symbols, making predictions is easy. If you have the real world, you can't use a generative model — you have to train a system that learns a representation and makes predictions in the representation space."* ## Entities - **Yann LeCun** (Person): Turing Award 2018 co-winner; former Chief AI Scientist at Meta FAIR; founder of AMI Labs; professor at NYU; inventor of convolutional neural networks and co-creator of JEPA - **Jacob Effron** (Person): Partner at Redpoint Ventures; host of Unsupervised Learning podcast - **Geoffrey Hinton** (Person): Turing Award co-winner; reversed position on LLM capabilities after GPT-4; less vocal on AI dangers since 2024 - **Yoshua Bengio** (Person): Turing Award co-winner; focused on societal risks from AI concentration rather than emergent superintelligence - **JEPA** (Concept): Joint Embedding Predictive Architecture — predicts in representation space rather than pixel space; forms the perceptual backbone of Yann's world-model framework - **World Model** (Concept): Internal model enabling an agent to predict the consequences of its own actions before committing to them; prerequisite for safe agentic AI in Yann's framework - **Tapestry** (Concept): Federated LLM training project enabling countries and institutions to train a shared foundation model while retaining data sovereignty through parameter-vector exchange - **AMI Labs** (Organization): Yann's company (Advanced Machine Intelligence); headquartered in Paris, US office in New York; focused on JEPA-based world models for robotics, industrial control, and healthcare - **Meta FAIR** (Organization): Facebook AI Research; origin of Llama 1, I-JEPA, V-JEPA, and the AMI internal research program; increasingly redirected toward GenAI LLM support before Yann's departure

Salesforce CEO Marc Benioff joins Jason Calacanis, David Friedberg, and Chamath Palihapitiya (David Sacks absent) for a wide-ranging episode anchored by two real-time stories: the first Trump-Xi summit since 2017 and AI's accelerating assault on enterprise software valuations. Benioff — who has attended the Saudi state dinner, Windsor Castle, and this summit delegation — offers a front-row view of US-China commercial diplomacy, then turns to his own company's existential rerate, arguing Salesforce's data infrastructure and agent platform put it on the right side of AI disruption. The back half covers OpenAI's blowup with Apple, Thinking Machines' real-time multimodal demo, Friedberg's alarming El Niño data, and Anthropic's crackdown on layered SPV schemes. ## [00:00] Salesforce CEO Marc Benioff joins the show! Sacks is out this week, and Benioff fills the seat. Jason asks immediately about Benioff's political positioning — past Democratic donor, now attending Saudi state dinners and apparently welcome in the current administration. Benioff brushes off the partisan framing entirely. > *"I'm not a Democrat or Republican. I'm an American."* Chamath notes Benioff collected invites to Windsor Castle, Prince Charles's US visit, and the Saudi state dinner in quick succession — the rare tech CEO who moves across administrations without friction. The setup frames Benioff as an unusually credible voice on the summit unfolding in real time. ## [01:14] Trump-Xi summit, doing business in China as a US company, impact on Americans and the midterms Trump and Xi's seventh face-to-face meeting — delayed two months by the Iran war — opened in Beijing with Xi warning that mishandling Taiwan could put the entire relationship "in an extremely dangerous situation." Polymarket put the 2026 invasion probability at 6% on $23M in volume. On trade, Xi committed to buy soybeans, US LNG, and 200 Boeing jets, and called for a "wider door" on commerce. The US delegation reads like a corporate board: Jensen Huang selling chips, Kelly Ortberg selling planes, Brian Sykes of Cargill selling soybeans, Visa and Mastercard pushing for payment market access. Friedberg framed the summit through the Thucydides trap lens — as a rising power meets a declining power, conflict is historically likely — but argued that a resource-expansive moment, turbocharged by AI and biotech, offers a rare exit from that pattern. > *"It seems like in this moment when we are seeing these extraordinary technology shifts unlocked by AI and automation and biotech and all of these kind of moments of which could be true abundance ahead of us, it seems like the perfect moment to say maybe the world can be more multipolar."* Benioff confirmed Salesforce has zero offices or employees on the mainland — all China revenue flows through an exclusive Alibaba partnership to satisfy data residency law — and expects the summit to generate real order flow across the delegation. Chamath argued that China's top-down Confucian hierarchy makes CEO-level diplomacy more effective than bureaucratic channels, and that Americans who are feeling squeezed by inflation need the deal to work. ## [18:46] Taiwan, chips, AI models, and peace through trade Benioff pushed back on the premise that Taiwan is China's core priority, insisting economic prosperity and middle-class growth matter more to Xi than territorial ambition. On the direct question — should the US defend Taiwan if China blockades it? — he refused the binary: "I think China and Taiwan will reconcile." Chamath took a structural view: the US is roughly 1-2 nanometers away from domestic chip parity, at which point Taiwan's strategic value becomes economic rather than existential. > *"We are at a point where we're probably 1 to 2 nanometers away from being able to do what we need Taiwan to strategically do for us. Today it's economic and if you take that off the table, I think we'll have a very different attitude to Taiwan."* Chamath's prescription: sell the chips anyway, because letting Huawei win the semiconductor race is worse than letting Nvidia sell into China under KYC guardrails for model usage. Benioff agreed Chinese AI models are near-parity with US models despite chip restrictions, undercutting the case for an embargo. Friedberg added that as China builds domestic fabs and capital equipment, Taiwan's irreplaceability diminishes on its own timeline regardless of political outcomes. ## [31:41] AI's impact on software: What SaaS thrives, what SaaS dies? Jason laid out the rerate bluntly: Salesforce down 37%, ServiceNow down 42%, Workday down 45% — roughly $180 billion in combined market cap erased on the assumption that AI will make managed SaaS redundant. Benioff came out swinging. > *"It's not my first SaaS apocalypse, honestly, but it's the current SaaS apocalypse."* His argument: the market rerated on a false premise. Salesforce's bet is Agentforce — AI agents grounded in real enterprise data, not hallucination-prone generic models. The $8-9B Informatica acquisition provides the data harmonization layer that makes agents reliable: "The AI is very probabilistic — it needs to be locked down into the truth, into a single source of truth, or it just cannot work well." Benioff added that Salesforce will spend roughly $300M on Anthropic this year purely for internal coding agents, collapsing implementation cycles. Chamath split the market in two: the low end is finished — generic point solutions with no deep customer relationships are dead — but the high end, where Salesforce operates, is positioned to benefit from the ROI reckoning when public markets stop being "breathless about AI" and ask what $3 trillion in capex produced. The survivors will be those with C-suite relationships, negative churn, and the ability to package AI capability as measurable outcomes. ## [47:26] OpenAI is considering suing Apple over failed ChatGPT integration Bloomberg reported OpenAI may sue Apple for breach of contract: the 2024 ChatGPT-Siri deal collapsed in practice because Apple routes queries to ChatGPT only when users explicitly say "ChatGPT," never promoted the integration, and OpenAI never saw the subscriber revenue it expected. Apple's defense is privacy concerns over OpenAI's data practices. Benioff reframed the story as a strategic divergence among AI labs: Grok built companions and "sex bots," OpenAI pushed Sora and ad networks, Gemini shipped Nano, and Anthropic ignored all of it to focus on coding agents — and Anthropic turned out to be right. He teased unannounced Slack-native coding functionality. > *"Anthropic and they go we don't know about those sex bots and we don't know about Nano Banana but we're going to do coding agents. And it turned out Anthropic was right. And all of a sudden the rocket ship took off."* Chamath raised the deeper question: what happens to Apple if the AI interaction layer moves off the device entirely? He predicted an "iPhone moment" from an unexpected hardware player — a thin, always-on ambient device that makes the MacBook Pro irrelevant for AI inference. Friedberg noted Apple's current strategy is gap-filling rather than visionary, and that G Suite is quietly taking enterprise share from Apple's productivity stack. ## [56:54] Thinking Machines releases real-time model, future of consumer AI, multi-sensory models Mira Murati's Thinking Machines released a real-time multimodal model that watches your desktop, listens to ambient audio, and processes webcam input simultaneously at 200ms intervals across two parallel pipelines — one for deep retrospective reasoning, one for live response. Apple has simultaneously patented cameras inside AirPods. > *"Multi-sensory models are the next big wave for AI and then but we're still not at AGI at that point."* Benioff argued that LLMs trained on language are fundamentally limited: human cognition runs eyes, ears, and proprioception in parallel on biological hardware. Multi-sensory grounding is the missing layer. The token economics are dramatic — real-time ambient monitoring at 8 hours per user per day would be 1000x current enterprise consumption. Benioff pushed back on the "bigger model = better" arms race, predicting distributed intelligence embedded in apps and devices will matter more than raw model scale, and flagging space for a "hot new company" that aggregates ambient sensing with enterprise context. ## [62:24] Science Corner: Impacts of a historically strong El Nino in 2026 Friedberg presented ocean temperature anomaly data showing sea surface temperatures headed for the largest deviation from normal since 1877 — roughly 4°C above baseline. The stored thermal energy: 11 million terawatt-hours, against global annual human consumption of 25,000 terawatt-hours. > *"That's 500 years worth of human energy in this ocean. And over the next few months, that energy is going to be released into the atmosphere — and that will, with 99% confidence, make the upcoming year the hottest year on record by far."* The cascade: altered trade winds drive atmospheric rivers into California and the Gulf Coast; heat domes extend over Phoenix and interior Canada; Indian monsoons fail at high probability, threatening 150 million farmers and 1.5 billion food-dependent people; Brazil's crop exports to Indonesia and the Philippines collapse; wheat prices spike globally. Phoenix was already at 106°F in May. Commodity markets are actively trading El Niño exposure. Friedberg's partial upside: crop genetics have improved drought resilience, and Siberian farmland is expanding — but those gains don't rescue the 2026 harvest window. ## [71:40] Anthropic goes after "Dark SPVs" Anthropic formally called out platforms selling multi-layered SPVs to retail investors — the "dentists getting charged 10% loading fees" model — and stated it will negate shares sold through unauthorized structures. Chamath gave full-throated support: every pre-IPO company should follow suit, push toward public markets, and let these structures die. > *"Once SpaceX goes public, once Anthropic goes public, once OpenAI goes public, you're going to see a litany of these lawsuits back and forth between the purveyors of these SPVs — they should not be allowed."* Chamath predicted a wave of legal fallout once the major AI companies go public and retail SPV investors discover the math doesn't work. The chapter closes with Benioff discussing Salesforce's 1-1-1 philanthropy model — 1% equity, 1% profit, 1% employee time at founding, now running 50,000 nonprofits free on the platform — and a moving remembrance of Susan Wojcicki. ## Entities - **Marc Benioff** (Person): Chair and CEO of Salesforce; guest on this episode; architect of the 1-1-1 philanthropy model and Agentforce AI agent platform - **David Friedberg** (Person): Host; CEO of The Production Board; delivered the El Niño science corner - **Chamath Palihapitiya** (Person): Host; CEO of Social Capital; made the case for Salesforce's high-end SaaS survival and Nvidia chip proliferation - **Salesforce / Agentforce** (Software): Enterprise CRM and agent platform; Benioff's bet that data-grounded AI agents are the opposite of a SaaS death sentence - **Anthropic** (Organization): AI safety company; Benioff's preferred coding agent provider (~$300M planned spend at Salesforce); also cracking down on unauthorized SPV structures - **OpenAI** (Organization): Reportedly considering lawsuit against Apple over failed ChatGPT-Siri integration; pivoting toward coding agents following Anthropic's success - **Thinking Machines / Mira Murati** (Organization): Released a real-time ambient multimodal model processing desktop, audio, and webcam simultaneously at 200ms intervals - **Thucydides Trap** (Concept): Political science framework (rising vs. declining power conflict cycle) invoked by Friedberg to frame the US-China summit opportunity for cooperative abundance - **Dark SPVs** (Concept): Multi-layered special purpose vehicles selling pre-IPO equity in private AI companies to retail investors, often with high fees and disputed legal standing

Le deuxième épisode de Claude Code 101 d'Anthropic ouvre le capot : la boucle agentique qui collecte le contexte, prend des actions et vérifie les résultats ; comment la fenêtre de contexte se compacte avant de déborder ; ce que les outils apportent concrètement par rapport au texte en entrée et en sortie ; et les quatre modes de permission que l'on bascule avec shift+tab. ## [00:04] Question d'ouverture : en quoi diffère-t-il d'une application de chat Le narrateur structure l'ensemble de la vidéo autour d'une seule question : Claude Code n'est pas une application de chat, alors quelle est la forme de la chose ? La réponse qu'ils vont dépaqueter, c'est la boucle agentique. > *We know that Claude code is different from usual chat applications, but how does it work?* ## [00:13] La boucle agentique — collecter, agir, vérifier, répéter La boucle a quatre temps. Vous saisissez un prompt. Claude collecte le contexte dont il a besoin en échangeant avec le modèle, qui renvoie soit du texte soit un appel d'outil. Claude exécute l'action — éditer un fichier, lancer une commande. Puis il vérifie si le résultat satisfait effectivement le prompt. S'il passe, il s'arrête ; sinon il boucle à nouveau jusqu'à ce que le travail soit accompli et vérifiable. L'utilisateur n'est pas bloqué pendant ce temps : vous pouvez ajouter du contexte, interrompre ou orienter le modèle vers l'objectif final pendant l'exécution de la boucle. > *And if they don't, Claude goes back and runs the loop again until the results are complete and verifiable.* ## [01:02] La fenêtre de contexte et la compaction automatique La fenêtre de contexte est la mémoire de travail de Claude : la conversation, le contenu des fichiers, les sorties de commandes, tout ce sur quoi il peut revenir. Elle est bornée. Quand on atteint le plafond, Claude Code compacte la conversation de lui-même : il choisit ce qu'il peut supprimer et ce qu'il peut résumer pour faire redescendre la fenêtre sans perdre le fil. > *Once you reach that limit, Claude code compacts your conversation, which automatically determines what it can take out of the context window and what it can summarize in order to bring the context window back down.* ## [01:26] Les outils — dispatch sémantique pour lire des fichiers, exécuter du code, chercher sur le web La plupart des assistants IA se contentent de texte en entrée et texte en sortie, sans rien entre les deux. Les outils changent cela : ils permettent à l'agent de décider quand exécuter du code pour se rapprocher de l'objectif. Lire un fichier, chercher sur le web, lancer une commande shell. Claude Code effectue une recherche sémantique sur les outils disponibles pour choisir lequel appeler et en consommer la sortie. > *Tools let Claude code and other agents determine when to execute code to get closer to a task.* ## [01:52] Les modes de permission et le coût de les ignorer Par défaut, Claude Code demande confirmation avant de modifier un fichier ou d'exécuter une commande shell. Shift+tab fait défiler les alternatives : **acceptation automatique des modifications** écrit les fichiers sans demander mais pose quand même la question avant les commandes ; **le mode plan** restreint Claude aux outils en lecture seule afin de rédiger un plan d'action avant de toucher à quoi que ce soit. Le narrateur souligne le compromis évident : donner à l'agent toute liberté signifie qu'une erreur est plus difficile à détecter avant qu'elle ne survienne. > *Giving Claude code free reign to run commands means a mistake could be harder to catch before even happens.* ## [02:28] Récapitulatif — ce qui en fait autre chose qu'une fenêtre de chat Quatre primitives composées en un terminal : une boucle agentique, une fenêtre de contexte gérée, des outils et des permissions configurables. La combinaison — lire la base de code, agir dessus, vérifier son propre travail — c'est ce qui distingue Claude Code d'une simple fenêtre de chat. > *It can read your code base, take action, and verify its own work, and that makes it fundamentally different from a chat window.* ## Entités - **Anthropic Tutorial Narrator** (Person): La voix off officielle d'Anthropic pour la série de tutoriels Claude Code 101. - **Claude Code** (Software): L'assistant de codage terminal agentique d'Anthropic, construit autour des quatre primitives déballées dans cet épisode. - **Agentic loop** (Concept): Le cycle collecter-contexte, agir, vérifier, répéter qui anime chaque session Claude Code. - **Context window** (Concept): La mémoire de travail bornée de Claude, contenant la conversation, le contenu des fichiers et la sortie des commandes ; auto-compactée en cas de débordement. - **Tools** (Concept): Les effets de bord que l'agent peut invoquer — lire un fichier, chercher sur le web, exécuter une commande — sélectionnés via une recherche sémantique sur le catalogue d'outils. - **Permission modes** (Concept): Par défaut (demande), acceptation automatique des modifications et mode plan (lecture seule) — basculés avec shift+tab. - **Plan mode** (Feature): Un mode de permission en lecture seule qui permet à Claude de compiler un plan d'action avant toute mutation.

Le guide d'installation officiel de Claude Code. Le narrateur d'Anthropic présente les installers en une ligne pour chaque plateforme prise en charge — terminal, VS Code, JetBrains, Claude Desktop et web — et conclut avec un critère simple pour choisir la bonne option. ## [00:04] Installers en une ligne pour le terminal (macOS, Linux, WSL, Windows) La voie par défaut est le terminal. Les utilisateurs de macOS, Linux et WSL disposent d'une commande `curl` unique ; Homebrew fonctionne aussi mais ne propose pas de mises à jour automatiques. Sur Windows, PowerShell utilise `Invoke-RestMethod`, CMD dispose de son propre extrait `curl`, et `winget` est disponible avec la même restriction d'auto-update que Homebrew. > *If you're on macOS, Linux, or WSL, use this curl command to install it in one go. If you prefer to use Homebrew, you can also use brew install to install it, but note that this doesn't have auto-update capabilities.* ## [00:33] Lancer claude dans votre projet et se connecter Après l'installation, faites un `cd` dans votre projet et lancez `claude`. Au premier démarrage, un sélecteur de thème de couleurs et un processus de connexion apparaissent, acceptant un login Pro, Max, Enterprise ou par clé API. Les comptes Enterprise doivent sélectionner explicitement cette option. Le répertoire depuis lequel vous lancez l'outil définit la limite d'accès — Claude Code voit ce dossier et tout ce qu'il contient, rien au-dessus. > *Whatever directory you decide to run cloud in, it will have access to that directory and all of its subfolders.* ## [01:02] Extension VS Code Ouvrez le panneau Extensions, recherchez l'extension Claude Code par Anthropic et confirmez la coche bleue de vérification avant d'installer. Un redémarrage peut être nécessaire. Une fois installée, la palette de commandes (`Ctrl/Cmd+Shift+P`) ouvre un nouvel onglet Claude Code ; vous pouvez aussi cliquer sur le logo depuis n'importe quel fichier ouvert, ou désactiver entièrement l'interface graphique pour utiliser uniquement l'expérience terminal via les paramètres. > *You can also opt out of the UI and just use the terminal experience directly in your settings file.* ## [01:32] Plugin JetBrains Même démarche que VS Code : installez le plugin Claude Code depuis le JetBrains Marketplace, redémarrez l'IDE, et le logo Claude apparaît au relancement. Un clic ouvre un panneau latéral qui affiche l'expérience terminal à côté de votre éditeur. > *For JetBrains IDEs, you can install the Cloud Code plugin from the JetBrains Marketplace. Once you install, restart your IDE.* ## [01:51] Claude Desktop et claude.ai/code sur le web Claude Desktop expose Claude Code via un bouton "code" en haut de l'application une fois connecté — même interface de type chat, mais limitée à un dossier spécifique avec des permissions ajustables et même un mode d'exécution cloud. La version web se trouve à `claude.ai/code` et reproduit l'expérience desktop, avec une contrainte forte : elle ne fonctionne qu'avec des dépôts GitHub. > *On the web, you can access Claude code by going to claude.ai/code. This works very similar to the desktop app. However, you're restricted to GitHub repositories only.* ## [02:27] Choisir la bonne surface La règle du narrateur : le terminal en priorité si vous voulez les nouvelles fonctionnalités dès leur sortie. Les intégrations IDE offrent une expérience quasi identique intégrée dans votre éditeur. Le Desktop est idéal quand vous voulez que Claude travaille en arrière-plan pendant que vous faites autre chose. Le web convient au travail à distance sur des dépôts GitHub ou à l'exécution de plusieurs sessions en parallèle. > *If you want to constantly keep up to date with everything, the terminal is the best bet. Features ship there the fastest.* ## Entities - **Anthropic Tutorial Narrator** (Person) : Animateur en voix off du cours Claude Code 101 d'Anthropic. - **Claude Code** (Software) : Outil de codage agentique d'Anthropic, installable sur terminal, IDE, desktop et web. - **Homebrew / winget** (Software) : Alternatives via gestionnaire de paquets aux installers curl/PowerShell officiels — aucun des deux ne prend en charge l'auto-update. - **VS Code extension** (Software) : Extension Claude Code publiée par Anthropic ; vérifier la coche bleue avant l'installation. - **JetBrains plugin** (Software) : Plugin Claude Code distribué via le JetBrains Marketplace ; ouvre un panneau latéral après redémarrage de l'IDE. - **Claude Desktop** (Software) : Application desktop exposant Claude Code via un bouton "code", avec limitation de dossier et mode d'exécution cloud. - **claude.ai/code** (Service) : Version web de Claude Code, limitée aux dépôts hébergés sur GitHub.

Janie Lee et Chai Asawa d'Abridge rejoignent swyx et Jacob Effron de Redpoint pour un croisement Latent Space × Unsupervised Learning sur la façon dont un assistant de transcription médicale est devenu la « couche d'intelligence clinique » de la santé. Ils reviennent sur la philosophie produit inspirée de la climatisation, le cas d'usage de l'autorisation préalable, un système d'évaluation construit autour de cliniciens-chercheurs et de juges LLM, pourquoi HIPAA remodèle le volant de données, et ce qu'implique de traiter 100 millions de conversations médicales de façon fiable. ## [00:00] Introduction L'épisode s'ouvre sur l'argumentaire de Janie Lee : le contexte est tout, les alertes doivent passer du réactif au proactif, et le produit lui-même doit s'effacer comme la climatisation jusqu'à ce qu'un risque clinique justifie une intervention. swyx intervient ensuite brièvement pour inviter les auditeurs à s'abonner plutôt que d'accepter des publicités. > *"L'une des choses que nous aimons dire, c'est que nous voulons que notre produit soit comme la climatisation. Il doit rester en arrière-plan en améliorant simplement les choses."* — Janie Lee ## [01:17] Ce que fait Abridge swyx présente ce croisement annuel Latent Space × Unsupervised Learning, avec Jacob Effron invité en tant qu'investisseur de Redpoint dans Abridge. Janie présente Abridge comme une couche d'intelligence clinique pour les systèmes de santé, née de la documentation : les cliniciens passent 10 à 20 heures par semaine à rédiger des notes, et la conversation patient-clinicien est en amont de presque chaque document produit — la facture, le paiement, le diagnostic. Chai ajoute que tout ce qui se passe avant, pendant et après la visite devient accessible dès lors que l'on dispose d'un contexte complet sur les patients, les payeurs, les recommandations et la littérature. > *"Abridge est une couche d'intelligence clinique pour les systèmes de santé. Nous avons vraiment commencé par la documentation et en construisant pour les cliniciens."* — Janie Lee ## [03:22] De la documentation ambiante à l'intelligence clinique Janie retrace les trois « actes » d'Abridge : gagner du temps (le produit de transcription original qui a rendu leurs soirées aux médecins — le « temps pyjama »), économiser et générer de l'argent pour des systèmes de santé aux marges opérationnelles historiquement basses, et finalement sauver des vies. Le fait que le produit soit ouvert des millions de fois par semaine, avant, pendant et après chaque visite, est ce qui rend l'expansion possible. > *"Ils appellent ça le 'temps pyjama'… des médecins qui rentrent chez eux en pyjama et rattrapent leurs notes chaque soir."* — Janie Lee ## [05:21] Aide à la décision clinique et la primauté du contexte Jacob demande à Chai comment l'aide à la décision clinique d'Abridge se compare à son travail précédent chez Glean. Chai établit le contraste : chez Glean, une mauvaise réponse est ennuyeuse ; en santé, les enjeux sont élevés et la surface utilisateur est bien plus restreinte — moins de personas, mais chaque résultat doit faire mouche. Cela façonne tout, de l'évaluation hors ligne au déploiement progressif, et rejoint la vision façon Jarvis — « un assistant qui vous connaît vraiment » — que chaque hackathon de la dernière décennie a tenté de concrétiser. > *"La vision Jarvis que chaque hackathon auquel j'ai assisté ces dix dernières années proposait toujours un concurrent — mais je pense qu'Abridge est vraiment parti de cette opportunité et continue dans cette direction."* — Chai Asawa ## [08:14] Fatigue des alertes, intelligence proactive et autorisation préalable Jacob soulève le problème classique de la fatigue des alertes : comment décider de rompre le silence de la climatisation et d'interrompre vraiment ? L'exemple concret de Janie est celui de l'autorisation préalable : un refus d'IRM qui arrive aujourd'hui des semaines plus tard peut être transformé en une alerte en temps réel pendant que le patient est encore dans la salle, conditionnée aux politiques des payeurs, aux données EHR, aux diagnostics antérieurs et aux protocoles spécifiques à la clinique. Le frein, c'est la plomberie des données : l'autorisation préalable ne fonctionne que si l'assistant peut assembler chaque signal pertinent au bon moment. > *"Pour rendre possible cet exemple d'autorisation préalable, pensez à toutes les données dont vous avez besoin."* — Janie Lee ## [13:53] Formats de l'IA ambiante et clientèle hospitalière swyx interroge sur les formats. Aujourd'hui la surface principale est le mobile, mais Abridge fonctionne aussi sur desktop, via des plugins navigateur dans l'EHR, sur des dispositifs en chambre pour les environnements d'hospitalisation, les workflows infirmiers, et commence à explorer la RA. Le client est multi-faces : CMIOs, CFOs, CIOs, cliniciens, patients, payeurs et l'industrie pharmaceutique sont tous quelque part dans la boucle, les interactions avec les payeurs se faisant par échange structuré plutôt que par accès direct aux données brutes d'Abridge. > *"Vous parlez beaucoup d'IA ambiante. C'est principalement sur le téléphone ?"* — swyx ## [18:16] Les problèmes d'IA les plus difficiles en santé Interrogé sur le problème d'IA le plus difficile chez Abridge, Chai choisit le support en temps réel de haute qualité, à faible latence et à faible coût dans un environnement clinique à enjeux élevés. Modéliser la longue traîne des politiques des payeurs en représentations intermédiaires sur lesquelles le système peut raisonner en est un exemple précis — la frontière de Pareto ne cesse de bouger, et ils doivent la repousser eux-mêmes plutôt qu'attendre des gains disponibles sur étagère. > *"La frontière de Pareto évolue en permanence, mais nous essayons aussi de le faire maintenant."* — Chai Asawa ## [19:43] Modèles frontier, données propriétaires et stratégie modèle Jacob demande ce qu'ils utilisent tel quel et ce qu'ils construisent. Le cadre de Chai : les modèles frontier absorbent de plus en plus les connaissances médicales générales, si bien que l'avantage d'Abridge réside dans les données propriétaires de conversations médicales et dans les comportements spécifiques à chaque spécialité construits par-dessus. Ils sont explicitement agnostiques quant aux modèles là où c'est possible — ce qui compte, c'est l'expérience produit finale, et ils combinent les solutions selon les workflows. > *"On peut utiliser telle chose pour ceci ou cela — ce qui compte pour nous au bout du compte, c'est la meilleure expérience produit."* — Chai Asawa ## [22:24] L'EHR comme système de fichiers pour les agents La vision de Chai pour l'année à venir : tout agent est au fond un agent de codage, et dans la santé, l'EHR fonctionne comme le système de fichiers — un vaste entrepôt d'informations structurées qui ne tient dans la fenêtre de contexte d'aucun modèle actuel. Janie ajoute que l'objectif reste de garder le clinicien concentré sur le patient : avoir le bon contexte prêt au bon moment, sans ressasser la conversation. > *"Presque tout agent est au fond un agent de codage — on lui donne un système de fichiers, il peut écrire son propre code… On peut penser à l'EHR comme à un système de fichiers."* — Chai Asawa ## [25:20] Personnalisation, mémoire et préférences des cliniciens Jacob demande comment Abridge gère la personnalisation par médecin. La réponse de Janie est en couches : les modifications individuelles deviennent des signaux, les paramètres par défaut propres à chaque spécialité s'ajoutent par-dessus, et les politiques du système de santé enveloppent l'ensemble. Chai parle de la mémoire comme d'un nouveau type de système d'enregistrement — des tâches de fond qui consolident les signaux entre les visites, à l'image du sommeil qui consolide la mémoire chez l'humain, pour que le modèle « apprenne » de chaque modification et de chaque non-modification. > *"L'une des données d'échappement intéressantes pour nous, c'est que la mémoire est en quelque sorte l'un de ces nouveaux systèmes d'enregistrement."* — Chai Asawa ## [31:57] Évaluations, juges LLM et déploiement progressif Janie détaille le système d'évaluation : des cliniciens internes réalisent une première revue « LFD », des juges LLM sont calibrés à partir de ces données annotées, des évaluateurs tiers apportent une lecture indépendante, et des évaluations propres à chaque spécialité captent ce que les évaluations génériques ratent. Chai ajoute une analogie avec les voitures autonomes : ils veulent être au contact de la réalité le plus vite possible, mais uniquement via un déploiement progressif, de sorte que la distribution hors ligne corresponde vraiment à la distribution en production. > *"Je veux être au contact de la réalité le plus vite possible, mais je veux un déploiement progressif car, autant que mes données d'évaluation hors ligne me servent, je veux que leur distribution corresponde à la distribution réelle."* — Chai Asawa ## [38:04] HIPAA, dé-identification et vie privée La confidentialité est traitée comme une contrainte absolue sur le volant de données. Chai explique que toutes les données utilisées comme base d'évaluations en ligne ou d'apprentissage doivent être dé-identifiées de façon irréversible — ils ont conçu des processus autour de cela. Janie ajoute que les contrats clients fixent également qui, au sein d'Abridge, peut accéder aux PHI, si bien que le seuil pour ce qui entre dans les données d'entraînement est élevé contractuellement, pas seulement au niveau des politiques internes. > *"Toutes les données que nous utilisons doivent être dé-identifiées — toute donnée réelle que nous utilisons comme base d'évaluations en ligne ou d'apprentissage, vous devez donc..."* — Chai Asawa ## [40:38] 100M conversations et fonctionnement à grande échelle À 100 millions de conversations et plus, la surface des préoccupations change : le routage des modèles, le post-entraînement, les budgets de fiabilité et le coût par appel deviennent des enjeux de premier plan. Chai parle des insights qu'on peut remonter aux cliniciens, et étend l'horizon temporel : à terme, la même conversation pourrait alimenter des signaux directement vers les patients et les consommateurs, pas seulement les prestataires. > *"Dans notre jeu de données de 100 millions de conversations, on peut imaginer des insights à donner aux cliniciens."* — Chai Asawa ## [45:27] Intégration EHR et la couche d'intelligence clinique swyx interroge sur la relation avec l'EHR. Abridge investit massivement dans une interopérabilité profonde — le partenariat EHR est incontournable pour l'adoption par les cliniciens, mais la valeur qu'Abridge ajoute par-dessus opère à une échelle différente : contexte inter-visites, raisonnement intégrant les payeurs, et ce type d'intelligence clinique que l'EHR lui-même n'est pas structuré pour produire. > *"L'un des partenaires clés est l'EHR, et je me demande à quoi ressemble cette relation."* — swyx ## [47:56] Réglementation santé, latence et IA à enjeux élevés Jacob demande ce qu'Abridge a appris de la réglementation. Janie nuance le discours habituel : l'IA en santé bénéficie en réalité de vents réglementaires favorables, car le niveau d'exigence est si élevé que les problèmes les plus difficiles finissent par être résolus ici en premier. Chai évoque les « astuces ingénieuses » qu'ils déploient aujourd'hui en sachant que la frontière continuera de bouger, et en acceptant que certaines de ces astuces ne survivront pas à cinq ans. > *"Je pense que c'est là que les problèmes d'IA les plus difficiles seront résolus en premier, justement parce que le niveau d'exigence est si élevé."* — Janie Lee ## [51:28] Cliniciens-chercheurs et qualité longue traîne Janie décrit un rôle interne à Abridge appelé le clinicien-chercheur — des médecins qui sont aussi techniques, allant des ingénieurs full-stack aux « prompteurs extrêmement débrouillards ». Les avoir intégrés dans les équipes produit et d'évaluation élève le niveau de ce qui est expédié, car les personnes qui rédigent les critères LFD sont celles qui comprennent vraiment ce que signifie être cliniquement utile. swyx fait le lien avec l'apprentissage actif sur les points faibles connus — ce type de polish qui est un art perdu dans la plupart des équipes IA. > *"Nous avons ce rôle appelé le clinicien-chercheur et j'ai entendu l'un de nos dirigeants les appeler des mutants récemment."* — Janie Lee ## [54:21] Leçons de Glean et infrastructure IA durable Jacob demande à Chai ce qui se transfère de Glean. La réponse porte surtout sur ce qui tient dans le temps — les couches de contexte, les systèmes pilotés par les événements, Kafka, Temporal, les sockets, les CRDTs issus du playbook de collaboration de Google Docs. Les systèmes multi-agents héritent des mêmes problèmes de résolution de conflits que les humains, et les patterns d'infrastructure de la dernière décennie ne sont pas abandonnés — ils sont réutilisés. > *"Il y a beaucoup de technologie pilotée par les événements… que ce soit Kafka, Temporal, les sockets et ainsi de suite — comment tout assembler est aussi quelque chose de durable, je pense."* — Chai Asawa ## [58:20] L'avenir des workflows de santé agentiques Un bref échange sur ce qu'un Abridge plus agentique signifie concrètement : toujours ancré sur le rôle du clinicien dans la relation patient, mais avec davantage de travail en arrière-plan — réagir aux résultats de laboratoire, rédiger des suivis, prendre en charge des capacités au nom du clinicien sans s'emparer de la relation. > *"Encore plus de capacités au nom du clinicien, qui a selon nous un rôle crucial à jouer dans la relation avec le patient."* — Chai Asawa ## [58:51] PRDs, clarté produit et développement de produits IA sérieux La question rapide de Jacob : sur quoi avez-vous changé d'avis en IA au cours de la dernière année ? Janie retourne la tendance populaire : les prototypes ne sont pas la panacée, les PRDs ne sont pas morts. Plus les produits deviennent complexes et propulsés par l'IA, plus la discipline de clarté par l'écrit d'un vrai PRD compte, pas moins. Le reste de la section porte sur la construction de produits IA sérieux en santé : la responsabilité, la discipline de spécification écrite, et la résistance au développement guidé par la démo. > *"La prise de position la plus audacieuse veut que les prototypes soient la seule finalité et que les PRDs soient morts."* — Janie Lee (la position sur laquelle elle a changé d'avis) ## [64:28] Outils de codage IA chez Abridge La question standard de fin d'émission de swyx. Abridge utilise Claude Code et Cursor en interne, et Jacob lance une boutade comme référence — il aimerait voir Claude diriger une entreprise à 1 milliard de dollars avant tout chiffre d'affaires. > *"Claude va faire ça — j'aimerais voir Claude… diriger une entreprise à un milliard de dollars avant tout chiffre d'affaires."* — Jacob Effron ## [65:23] Outro Chai oriente les auditeurs vers le site d'Abridge pour consulter leurs livres blancs — réduction des hallucinations, évaluations, et le reste de la pile de recherche. swyx et Jacob concluent avec des remerciements et des mots de clôture. > *"Sur le site d'Abridge, nous avons beaucoup de nos livres blancs où nous avons réalisé un travail intéressant, comme la réduction des hallucinations."* — Chai Asawa ## Entités - **Janie Lee** (Personne) : Opératrice chez Abridge depuis ses débuts ; responsable des volets produit et commercial de la couche d'intelligence clinique. - **Chai Asawa** (Personne) : Responsable de l'aide à la décision clinique chez Abridge ; anciennement chez Glean. - **swyx** (Personne) : Animateur de Latent Space. - **Jacob Effron** (Personne) : Associé chez Redpoint Ventures ; animateur du podcast Unsupervised Learning. - **Abridge** (Organisation) : Entreprise d'IA en santé construisant la couche d'intelligence clinique — partie de la documentation ambiante, maintenant en expansion vers l'aide à la décision, l'autorisation préalable, les évaluations et l'intégration EHR. - **Glean** (Organisation) : Entreprise de recherche IA en entreprise ; mentionnée comme ancien employeur de Chai et comme point de comparaison horizontal vs vertical avec Abridge. - **Redpoint Ventures** (Organisation) : Fonds de capital-risque ; investisseur d'Abridge et point d'ancrage du croisement Unsupervised Learning. - **EHR (Electronic Health Record)** (Concept) : Le système d'enregistrement sur lequel s'appuient les systèmes de santé ; dans le cadre de Chai, l'EHR fonctionne comme un système de fichiers pour les agents de santé. - **Autorisation préalable** (Concept) : Un cas d'usage central d'Abridge — transformer des refus de payeurs qui prennent des semaines en orientations en temps réel pendant la visite. - **Processus LFD** (Concept) : La revue initiale conduite par des cliniciens internes chez Abridge, utilisée pour calibrer les juges LLM et définir les critères d'évaluation. - **Clinicien-chercheur** (Concept) : Un rôle propre à Abridge — des médecins aussi techniques, intégrés dans les équipes produit et d'évaluation. - **Déploiement progressif** (Concept) : La discipline de déploiement d'Abridge ; mise en production sur une tranche de trafic réel pour maintenir honnête la distribution hors ligne, calquée sur le schéma de mise en production des voitures autonomes. - **Claude Code** (Logiciel) : Outil de codage IA utilisé en interne chez Abridge. - **Cursor** (Logiciel) : Éditeur de codage IA également utilisé en interne chez Abridge.

Jacob Helberg, Sous-Secrétaire d'État américain aux Affaires économiques, revient sur No Priors pour dévoiler Pax Silica, une coalition de sécurité économique regroupant 14 pays, conçue pour sécuriser l'ensemble de la chaîne d'approvisionnement IA, des puces aux aimants en terres rares en passant par les actionneurs robotiques. Le projet phare : 4 000 acres aux Philippines (un tiers de Manhattan) accordés aux États-Unis pour une « base industrielle de déploiement avancé », destinée à faire pour le capitalisme libéral-démocratique ce que la Ceinture et Route a accompli pour l'infrastructure pilotée par l'État, mais avec des entreprises privées et du capital-risque plutôt que des entreprises d'État. Sarah Guo et Elad Gil interrogent Helberg sur la durabilité des politiques entre administrations, le rôle des capital-risqueurs et pourquoi il qualifie l'Amérique d'« outsider mondial ». ## [00:00] Introduction à froid Helberg expose le cœur philosophique de Pax Silica : les États-Unis ne gagneront pas la compétition sur les chaînes d'approvisionnement avec des usines gérées par l'État. Leur avantage, c'est le secteur privé et les entreprises, « enchanter et ravir » des milliards d'utilisateurs à la façon de Steve Jobs. La stratégie consiste donc à construire des plateformes en collaboration étroite avec les bâtisseurs américains, plateformes qui pourront à terme fonctionner comme des services commerciaux en dehors du gouvernement. > *Nous n'allons pas gérer des chaînes d'approvisionnement opérées par le gouvernement, car ce n'est pas ainsi que nous excellons en tant que pays. Notre superpuissance, c'est vraiment notre secteur privé et nos entreprises.* ## [00:41] Présentation de Jacob Helberg Sarah et Elad réintroduisent Helberg, désormais confirmé comme Sous-Secrétaire d'État aux Affaires économiques depuis leur dernière conversation avant sa confirmation. Le cadre de l'heure : Pax Silica comme effort multinational pour sécuriser la chaîne d'approvisionnement IA pour les États-Unis et leurs alliés. > *Jacob, merci infiniment d'être là. Oui, merci de nous rejoindre. Merci de m'avoir invité.* ## [01:02] La mission de Pax Silica Helberg retrace Pax Silica jusqu'à son discours à l'Hudson Institute, qui a défini une approche « basée sur les écosystèmes » des chaînes d'approvisionnement. La coalition compte désormais 14 pays. Le premier déploiement concret : l'accord avec les Philippines, 4 000 acres accordés aux États-Unis pour une base industrielle de déploiement avancé. Il présente ce pari comme combinant la prévisibilité du droit commun américain avec les avantages comparatifs industriels des Philippines, et le cadre explicitement comme l'équivalent d'un lancement de produit pour la chaîne d'approvisionnement IA, organisé à San Francisco pour parler directement aux bâtisseurs. > *Pax Silica est une coalition de sécurité économique qui compte désormais 14 pays, et l'idée est vraiment d'adopter une approche fondée sur les écosystèmes pour nos chaînes d'approvisionnement, et plus particulièrement la chaîne d'approvisionnement en AI.* ## [03:51] Investir dans les chaînes d'approvisionnement en puces IA La chaîne d'approvisionnement IA est bien plus large que les puces : « des milliers d'intrants comme les réducteurs de précision, les moteurs de serveur, les aimants en terres rares et les actionneurs », et le risque de concentration américain est élevé pour presque tous. Le cadre de Helberg : choisir des géographies ayant déjà une profondeur industrielle indigène et un alignement de valeurs. Les Philippines répondent aux deux critères : un écosystème manufacturier profond et le plus vieil allié des États-Unis en Asie. La robotique reçoit une attention particulière comme prochain goulot d'étranglement après les puces. > *La chaîne d'approvisionnement en AI comprend en réalité des milliers d'intrants comme les réducteurs de précision, les moteurs de serveur, les aimants en terres rares et les actionneurs, et notre risque de concentration en tant que pays est incroyablement élevé pour pratiquement tous ces intrants.* ## [05:43] Pax Silica face à l'Initiative Ceinture et Route La comparaison naturelle, et Helberg l'assume pleinement. La Ceinture et Route, explique-t-il, fut 25 ans d'entreprises d'État construisant à l'étranger des routes, ponts, voies ferrées, mines et usines de traitement gérés par l'État, l'infrastructure comme outil de politique étrangère. Pax Silica inverse délibérément le modèle : les actifs sont privés et commercialement viables, le rôle du gouvernement est de réduire les frictions et d'aligner les alliés, et l'objectif est une interdépendance économique durable plutôt qu'un levier politique. Helberg soutient que c'est à la fois plus durable et plus transparent : les pays partenaires obtiennent une vraie croissance plutôt que des pièges à dette. > *Fondamentalement, c'était des entreprises d'État construisant des chemins de fer gérés par l'État, des routes et des ponts construits par l'État.* ## [12:38] La proposition de valeur de Pax Silica Pour les pays partenaires, l'argument est simple : l'IA alimente déjà plus d'un tiers de la croissance du PIB américain et crée une demande record pour le cuivre, le cobalt, les électriciens et tous les intrants d'un centre de données. Les pays qui prennent des positions significatives dans différentes couches de cette chaîne captent une croissance qu'ils n'auraient pas autrement. Helberg insiste sur la nature non nulle des points d'inflexion technologiques pour soutenir que cela peut être mutuellement bénéfique : la tarte grossit assez vite pour que tout le monde à la table soit gagnant. > *La tarte grossit vraiment vite. Ce n'est donc vraiment pas un jeu à somme nulle, ce qui le rend incroyablement propice à forger des partenariats très mutuellement bénéfiques.* ## [14:38] Fabrication aux États-Unis vs partenariats Elad pose la question évidente : qu'est-ce qui reste aux États-Unis par rapport à ce qui est confié à des partenaires ? Le cadre de Helberg : consommation vs production. Les États-Unis représentent 4 % de la population mondiale mais consomment 20 à 30 % de la production mondiale dans la plupart des catégories, et produisent bien moins. Combler cet écart réindustrialise par définition l'Amérique. Certaines choses (les fabs de pointe, les capacités critiques pour la défense) doivent rester domestiques. D'autres (le traitement des minéraux, certains composants) sont mieux confiées là où la géographie et la base industrielle le favorisent. L'instinct n'est pas l'autarcie mais une redistribution délibérée de la chaîne d'approvisionnement entre alliés, les États-Unis conservant les couches les plus stratégiquement sensibles. > *L'Amérique représente environ 20 à 30 % de la consommation mondiale à tout moment.* ## [19:10] Le prix des minéraux de terres rares Elad insiste sur les terres rares : pas vraiment rares, marché total de quelques milliards de dollars seulement, fortement subventionné par la Chine comme levier de contrôle. Helberg acquiesce et recadre l'économie : ce qui détermine la compétitivité des terres rares, c'est l'intensité énergétique et la qualité de l'extraction, pas la rareté géologique. La question politique porte donc sur l'abondance d'énergie et la capacité de traitement, pas sur la découverte de nouveaux gisements. L'implication : les États-Unis peuvent gagner dans cette catégorie s'ils résolvent l'équation de l'énergie bon marché, ce que la politique d'approvisionnement énergétique plus large de l'administration est censée permettre. > *Ce qui détermine vraiment l'économie de ces industries, c'est la quantité d'énergie qu'il faut injecter dans le sol pour extraire un minéral donné à un niveau de qualité donné.* ## [22:16] Le rôle du capital-risque dans Pax Silica Sarah demande, « pour un ami », quel est le rôle du capital privé. La réponse de Helberg est inhabituellement directe pour un responsable du Département d'État : les capital-risqueurs sont meilleurs que le gouvernement pour évaluer les fondateurs et les opérateurs, et la capacité d'exécution est ce qui détermine si les projets ambitieux survivent au contact de la réalité. Il veut l'écosystème du capital-risque comme couche de signal, l'allocation gouvernementale pouvant s'appuyer sur là où des opérateurs crédibles vont déjà, plutôt que le gouvernement essayant seul de choisir les gagnants. La collaboration est explicitement bilatérale. > *Vous êtes en quelque sorte câblés pour évaluer beaucoup des attributs de personnalité des fondateurs et des opérateurs.* ## [24:50] Priorités à court et long terme Comment équilibrer les échéances 2027-2028 face aux jeux sur cinq ans ? La réponse de Helberg : façonner l'environnement plutôt que choisir des calendriers. L'approche de l'administration consiste à façonner le macro-environnement pour que l'itération à court terme et les jeux à long terme à forte intensité capitalistique deviennent plus faciles : réduire les formalités administratives, développer l'approvisionnement énergétique domestique, quadrupler le nucléaire. Il cite l'un des premiers décrets exécutifs signés par Trump sur le quadruplement du nucléaire domestique comme un catalyseur structurel bénéfique aux deux horizons. > *Contribuer à façonner l'environnement, créer un macro-environnement qui rend fondamentalement l'innovation, l'itération des innovations ainsi que le déploiement des innovations beaucoup plus faciles et moins coûteux.* ## [27:09] Rendre les politiques IA durables Elad soulève le problème des décrets exécutifs : chaque administration annule ceux de la précédente. Comment Pax Silica survit-elle à une transition ? Helberg note que certaines choses, comme la réforme fiscale, sont très tenaces, et que son rôle lui interdit de commenter la politique électorale. Il ne répond pas pleinement à la question de la durabilité, ce qui est lui-même la réponse : la durabilité doit venir de la législation et des faits sur le terrain (la base industrielle aux Philippines, les partenariats de fabrication) qu'il est difficile de défaire. > *La réforme fiscale est très tenace.* ## [28:09] L'impact des politiques sur les entrepreneurs Pour les propriétaires et opérateurs d'entreprises américains, Pax Silica est positionnée comme une plateforme d'accès au marché, élargissant ce que les entreprises américaines peuvent vendre dans des marchés alliés comme le Japon, la Corée du Sud, l'Inde et Singapour, où même des partenaires commerciaux amis imposent souvent des frictions significatives. Helberg veut des retours des opérateurs sur les partenariats déjà en cours, les décisions de chaîne d'approvisionnement que les dirigeants prennent maintenant plus délibérément, et les corrections de politique qui débloqueraient la collaboration transfrontalière. > *Nous voulons l'utiliser comme plateforme pour élargir l'accès au marché pour nos entreprises.* ## [31:00] L'administration entrepreneuriale de Trump Interrogé sur ce qui l'a le plus surpris depuis son entrée au Département d'État, Helberg souligne la vitesse et l'appétit pour le risque de l'administration : « Trump time », la blague courante avec les homologues étrangers. Il l'attribue à un président qui a passé la majeure partie de sa vie dans le secteur privé et à un cabinet (Bessent, Lutnick, et d'autres) qui opère selon les instincts du secteur privé plutôt que les instincts bureaucratiques. > *Nous aimons bouger au rythme de Trump.* ## [33:00] Pourquoi l'Amérique est un outsider mondial Sarah revient sur le cadrage de Helberg qui présente l'Amérique comme un « outsider mondial », contre-intuitif alors que les États-Unis sont habituellement décrits comme la puissance établie. Helberg invoque le *Piège de Thucydide* de Graham Allison et rejette ce cadrage : l'identité de l'Amérique depuis sa fondation a toujours été celle d'une nation d'outsiders, 13 colonies désorganisées se rebellant contre l'empire de la bonne société, répétitivement annoncées en déclin, répétitivement démenties. L'argument conclut comme une défense de la culture du risque américaine. > *Nous avons toujours été une nation d'outsiders.* ## Personnages - **Jacob Helberg** (Personne) : Sous-Secrétaire d'État américain aux Affaires économiques, architecte de Pax Silica. - **Sarah Guo** (Personne) : Animatrice de No Priors, fondatrice et GP chez Conviction. - **Elad Gil** (Personne) : Co-animateur de No Priors, investisseur indépendant et entrepreneur en série. - **Pax Silica** (Concept) : Coalition de sécurité économique regroupant 14 pays, dirigée par le Département d'État américain, visant à sécuriser la chaîne d'approvisionnement IA via des bases industrielles de déploiement avancé et des partenariats avec le secteur privé. - **Belt and Road Initiative** (Concept) : Programme d'infrastructure d'État chinois sur 25 ans à l'étranger, le repoussoir face auquel Pax Silica se positionne. - **Philippines Forward-Deployed Industrial Base** (Projet) : 4 000 acres accordés aux États-Unis pour un projet industriel, premier projet phare de Pax Silica. - **Thucydides Trap** (Concept) : Cadre de Graham Allison caractérisant les relations États-Unis/Chine comme puissance établie vs puissance montante, que Helberg rejette. - **Trump Administration** (Organisation) : Insuffle la vitesse et l'appétit pour le risque de Pax Silica (« Trump time »), avec les membres clés du cabinet Scott Bessent et Howard Lutnick référencés.

Mikey Shulman, co-founder of Suno, discusses the platform's evolution from a physics-based startup to a leader in generative AI music. By modeling music as raw sound waves rather than traditional theory, Suno empowers users to transition from passive listeners to active creators in the era of 'creative entertainment.' ## [00:00] Physics, Raw Sound, and Technical Philosophy Mikey Shulman explains how his background in quantum physics at Harvard influenced Suno's interdisciplinary approach to music technology. By modeling audio as raw sound waves sampled 48,000 times per second rather than using traditional music theory, Suno avoids creative constraints and allows for the emergence of new, microtonal genres. > *I think what I mostly learned is playing at the nexus of two things that don't usually play together is just a massive opportunity. [02:00]* ## [02:15] The Pivot to Consumer Music Generation Initially focused on audio analysis, the Suno team pivoted to generation after breakthroughs in audio compression made high-quality output computationally feasible. They validated the product's 'fun factor' through a Discord bot, discovering that the addictive nature of creation was a stronger signal than traditional business use cases. > *When you are staying up late playing with the thing, and you don't want to go to sleep, it's like a really good sign. [04:49]* ## [11:41] Why Music AI is a Research Problem, Not a Scale Problem Unlike Large Language Models, music generation lacks objective benchmarks, making raw compute scale less effective than targeted research. Shulman emphasizes using human preference data and reinforcement learning to align models with creative tastes, favoring a steady release cadence over long-term isolated development. > *In music there are no right answers. There are no benchmarks. Um, and so scale is somewhat less helpful in solving it. [12:28]* ## [16:22] From Passive Consumption to Creative Entertainment Shulman introduces the concept of 'creative entertainment,' where the act of building provides more fulfillment than the final product itself. He notes that 90% of Suno users are active creators, drawing parallels to the 'bedroom producer' era where accessible tools led to the discovery of new genres. > *People are creating music for the fun and enjoyment and fulfillment that comes with being creative. [17:05]* ## [22:52] Industry Partnerships and Professional Integration Addressing industry concerns, Shulman highlights Suno's partnership with Warner Music Group and its role in augmenting professional workflows. He argues that AI will raise the quality ceiling for artists and predicts that interactive live performances, such as audience participation at Coachella, are the next frontier. > *I think people incorrectly assume that we hate the existing music industry and especially we hate the record labels. [23:17]* ## [25:53] Product Strategy and the Application Moat Suno prioritizes the application layer and user experience as its primary competitive moat, viewing itself as a music company rather than just a technology firm. By focusing on storytelling through full-length lyrical songs and social co-creation features, the company aims to revive the cultural impact of music as a social medium. > *It's unclear how much moat exists in only a model... it's just really undervalued to invest in the product and the UI and the UX. [26:50]* ## Entities - **Mikey Shulman** (person): CEO and co-founder of Suno with a PhD in physics from Harvard. - **Suno** (organization): An AI-powered creative entertainment platform for music generation. - **Sonya Huang** (person): Partner at Sequoia Capital and host of the interview. - **Warner Music Group** (organization): A major global record label that partnered with Suno. - **Discord** (organization): The platform where Suno initially launched its music generation bot. - **Harvard** (organization): The university where Mikey Shulman studied quantum computing. - **Iamona** (person): A poet and artist who uses Suno to create music, illustrating the tool's professional potential. - **Coachella** (event): A major music festival cited as a future venue for interactive AI music experiences.

Les États-Unis accusent 50 ans de retard sur la Chine dans la chaîne d'approvisionnement en minéraux critiques, et leur réseau électrique fonctionne encore sur des systèmes mécaniques conçus il y a un siècle. Turner Caldwell (Mariana Minerals) et Drew Baglino (Heron Power), tous deux issus de Tesla, soutiennent que combler ces lacunes est le véritable prérequis pour la domination de l'IA et la réindustrialisation. Caldwell mise sur des raffineries et mines autonomes pilotées par l'apprentissage par renforcement pour comprimer les délais de projet ; Baglino mise sur les transformateurs statiques, le silicium et le logiciel remplaçant l'acier, l'huile et le cuivre, pour moderniser la conversion d'énergie dans les centres de données. Tous deux convergent vers le même déblocage : des chaînes d'approvisionnement co-localisées, un recrutement dans les industries analogues et une politique industrielle fédérale durable sur laquelle les capitaux privés peuvent planifier. ## [00:00] Introduction L'épisode s'ouvre sur trois assertions condensées qui posent le défi : Caldwell affirme que les États-Unis ont 50 ans de retard dans l'approvisionnement en minéraux critiques et sont trop lents pour monter en capacité même après l'obtention des licences ; Baglino observe que la couche de transmission et de conversion du réseau n'a pas connu de changement significatif, alors que tout ce qui se trouve à sa périphérie (VE, stockage, charge rapide) a été transformé ; Price-Wright cadre les deux comme des problèmes solubles avec le même techno-optimisme que Tesla a appliqué aux véhicules électriques. > *« La conviction qu'on peut innover sur des systèmes anciens et archaïques est au cœur de l'entreprise. »* — Turner Caldwell ## [00:47] L'IA a besoin d'infrastructure physique Price-Wright ouvre le segment principal en nommant l'erreur de catégorie qui sous-tend la plupart des commentaires sur la course à l'IA : la compétition ne se joue pas entre modèles et puces, mais entre capacités de déploiement physique. Chaque modèle révolutionnaire, chaque nouvelle usine, chaque système autonome a un prérequis concret : des matériaux, de l'énergie et la capacité de transporter l'électricité là où elle est nécessaire. La tension sur le réseau n'est pas un plafond mais un appel à l'action, comparable en ampleur aux grands projets nationaux autour desquels l'Amérique s'est déjà mobilisée. > *« Si nous voulons rebâtir l'épine dorsale industrielle des États-Unis, il faut repenser toute la chaîne, depuis les minéraux critiques jusqu'à la production d'énergie, en passant par le transport et la façon dont on construit et interconnecte les nouvelles infrastructures à la vitesse nécessaire. »* — Erin Price-Wright ## [02:23] Présentation des bâtisseurs Price-Wright présente les deux invités comme des bâtisseurs couvrant les deux extrémités de la pile physique : Caldwell depuis le sous-sol terrestre jusqu'au raffinage, Baglino du fil électrique au transformateur jusqu'à la charge. Le cadrage affûte la thèse de l'épisode : l'avenir américain dans l'IA est contraint par les atomes, pas par les algorithmes, et les deux fondateurs ont choisi délibérément ces contraintes après avoir vu la périphérie du réseau se transformer sans que l'infrastructure en dessous ne bouge. > *« La contrainte sur l'avenir américain dans l'IA, et la réindustrialisation plus largement, tient en bien des façons aux atomes et non aux algorithmes. »* — Erin Price-Wright ## [03:11] Mariana Minerals en détail Mariana Minerals est une entreprise de minage et de raffinage orientée logiciel en premier, avec environ un quart de l'équipe composé d'ingénieurs logiciels et ML, mais elle ne vend pas de logiciels. Elle conçoit, construit et exploite ses propres projets. Caldwell décrit trois systèmes d'exploitation : Capital Project OS automatise les workflows agentiques à travers l'ingénierie, les achats et la construction ; Plant OS utilise l'apprentissage par renforcement pour contrôler de manière autonome les températures de raffinerie, les débits, les taux d'ajout chimique et les temps de résidence ; Mine OS applique la même approche pour le contrôle à court intervalle des opérations minières. Une mine de cuivre dans le sud-est de l'Utah est actuellement en production ; une raffinerie de lithium au Texas est en construction, avec un objectif de 10 projets en 10 ans. > *« Nous faisons un grand pari sur l'autonomie dans les raffineries, où nous utilisons l'apprentissage par renforcement pour retirer effectivement les humains de la boucle dans la détermination du fonctionnement des raffineries. »* — Turner Caldwell ## [04:19] La modernisation du réseau par Heron Power Baglino retrace le problème à une divergence de quatre décennies : des améliorations équivalentes à la loi de Moore dans les semi-conducteurs de puissance ont transformé les téléphones, les télécommunications et les centres de données, mais le réseau lui-même fonctionne toujours sur les mêmes systèmes essentiellement mécaniques conçus il y a 100 ans. Pas de contrôle, pas de surveillance, un système fragile et surdimensionné, et la plupart des fournisseurs de transformateurs ont leur siège à l'étranger, ce que Baglino traite comme un problème de sécurité de la chaîne d'approvisionnement. Heron Power construit des transformateurs statiques qui remplacent l'acier, l'huile et le cuivre par du silicium et du logiciel, en ciblant les centres de données, les grandes installations solaires et de batteries, et d'autres nœuds critiques du réseau. > *« Chez Heron Power, nous nous concentrons sur la construction de transformateurs statiques qui utilisent le silicium et le logiciel pour remplacer l'acier, l'huile et le cuivre dans la conversion de puissance. »* — Drew Baglino ## [05:31] Pourquoi la relocalisation compte Baglino retrace le carbure de silicium, le semi-conducteur de puissance clé permettant les transformateurs statiques, jusqu'à des décennies de R&D du DOE et de la Marine, arguant que les États-Unis devraient être les premiers à commercialiser ce que les investissements américains ont créé. Caldwell affûte l'argument des minéraux : les États-Unis ont 50 ans de retard sur la Chine spécifiquement, et la réforme des permis plus le financement de projets ne suffiront pas à combler cela. Le goulot d'étranglement est la vitesse d'exécution après l'obtention des licences, 5 ans pour construire, 3 à 5 de plus pour atteindre le taux d'exploitation optimal, et toute la thèse de Mariana consiste à comprimer cette phase, car rattraper le retard exige d'aller plus vite que la Chine, pas seulement de la rejoindre. > *« Même si nous commençons à réduire les obstacles pour rattraper la Chine, nous devons en fait aller plus vite qu'elle. »* — Turner Caldwell ## [07:48] Les leçons de Tesla et la main-d'œuvre Caldwell cite trois atouts transférables de Tesla : le techno-optimisme envers les systèmes hérités, l'appétence pour le risque qui permet des décisions rapides sans paralysie par la peur de l'échec, et le refus institutionnel d'abandonner des projets à haute valeur quand ils deviennent difficiles. Baglino ajoute les enjeux existentiels qui focalisent des organisations entières, "je n'aime pas dire do or die, mais c'est l'équivalent", et la clarté de mission comme phare pour les talents. Sur la main-d'œuvre, les deux fondateurs se tournent vers les industries analogues plutôt que d'attendre des spécialistes inexistants : Baglino a recruté des talents en fabrication de batteries dans des usines d'embouteillage à grande vitesse et des installations de seringues lors de la construction de l'usine 4680 de 50 GWh au Texas ; Caldwell puise chez les ingénieurs du pétrole et du gaz et des développeurs logiciels. Le différentiel de coût de main-d'œuvre entre les usines américaines et chinoises est inférieur à 10% du coût des marchandises vendues, Baglino soutient que cela pourrait être sous les 5%, et le vrai moteur de compétitivité est constitué par les chaînes d'approvisionnement co-localisées, avec les zones industrielles chinoises plaçant chaque pièce de voiture à moins de 3 heures de route. > *« Les usines d'aujourd'hui sont vraiment automatisées. Le différentiel de main-d'œuvre représente moins de 10% du coût des marchandises vendues. Ce qui détermine vraiment la compétitivité, c'est la chaîne d'approvisionnement. »* — Drew Baglino ## [21:09] Demandes politiques et conclusion Caldwell demande l'ensemble complet de la boîte à outils de politique minière appliquée au pétrole et au gaz au cours des 50 dernières années, ancré par une structure d'incitations qui donne aux marchés de capitaux privés suffisamment de confiance à long terme. Baglino cite trois points spécifiques : une politique industrielle durable sur laquelle les fournisseurs et les financiers peuvent planifier ; un effort concerté fédéral-état pour désigner des zones de développement énergétique et industriel où les juridictions locales donnent par défaut leur accord ; et l'équivalent d'un fonds fédéral d'infrastructure routière pour le réseau électrique, un plan directeur financé reliant les zones industrielles via des infrastructures de transmission linéaire pour améliorer la résilience, réduire les coûts et faire avancer le pays. > *« J'aime l'idée d'un fonds fédéral d'infrastructure pour le réseau électrique, sur le modèle du fonds pour les autoroutes. Ça n'a jamais existé. C'est en partie pour ça qu'on a ce réseau en patchwork. »* — Drew Baglino ## Personnages - **Turner Caldwell** (Personne) : co-fondateur et PDG de Mariana Minerals ; a dirigé l'équipe minéraux et métaux de Tesla ; architecte du contrôle autonome de raffineries et de mines par apprentissage par renforcement. - **Drew Baglino** (Personne) : co-fondateur et PDG d'Heron Power ; vétéran de 18 ans chez Tesla en tant que SVP Powertrain & Energy Engineering ; a développé le programme Megapack et l'installation de batteries 4680 de 50 GWh au Texas. - **Erin Price-Wright** (Personne) : General Partner chez a16z (American Dynamism practice) ; animatrice de l'épisode. - **Mariana Minerals** (Organisation) : entreprise de minage et de raffinage de minéraux critiques orientée logiciel en premier ; exploite une mine de cuivre dans le sud-est de l'Utah, construit une raffinerie de lithium au Texas ; vise 10 projets en 10 ans. - **Heron Power** (Organisation) : startup en électronique de puissance remplaçant les équipements mécaniques de conversion du réseau par des transformateurs statiques construits en silicium et logiciel. - **Tesla** (Organisation) : origine commune aux deux fondateurs ; citée comme référence en techno-optimisme, appétence pour le risque et talent orienté mission dans les secteurs industriels lourds. - **Carbure de silicium** (Concept) : semi-conducteur de puissance clé permettant les transformateurs statiques ; le premier producteur mondial est basé aux États-Unis, faisant de la commercialisation domestique une priorité stratégique sur laquelle Baglino centre Heron. - **Apprentissage par renforcement pour le contrôle industriel** (Concept) : technologie centrale sous-tendant Plant OS et Mine OS de Mariana, éliminant le goulot d'étranglement du savoir-faire intégré en ajustant de manière autonome les circuits de raffinerie et les décisions minières à court intervalle. - **Chaînes d'approvisionnement co-localisées** (Concept) : argument principal de Baglino pour la compétitivité manufacturière américaine, réduisant les délais et coûts logistiques en regroupant tous les intrants dans une région, à l'image du modèle chinois où chaque pièce d'une voiture à 7 000 pièces se trouve à moins de 3 heures de route.

Noah Brier fait tourner Claude Code sur un mini PC dans son sous-sol, synchronisé avec sa base Obsidian via un VPN Tailscale, et fait de la vraie réflexion, de la recherche et du code client depuis son téléphone. La conversation porte sur la façon dont il a construit cette stack, pourquoi il impose des contraintes strictes de « mode réflexion » pour empêcher le modèle de produire prématurément des artefacts, et sa théorie plus large selon laquelle l'IA réussit en s'infiltrant dans les recoins et interstices des organisations plutôt qu'en exigeant que les gens adoptent de nouvelles structures. Dan Shipper et Noah explorent aussi ce que signifie vraiment construire une intuition de l'IA, et pourquoi Noah pense que préparer les enfants à l'IA tient moins à lutter contre la triche qu'à enseigner le scepticisme épistémique. ## [00:00] La configuration Claude Code de Noah Brier sur un serveur domestique Dan Shipper ouvre l'épisode en décrivant la configuration qui rend Noah intéressant à inviter : un serveur à domicile dans le sous-sol qui fait tourner Claude Code au-dessus d'une base Obsidian, accessible de partout via le téléphone. Noah a conçu tout ça pour pouvoir penser, faire des recherches, écrire et déployer du code sans être assis à un bureau. > *"Il a installé un serveur à domicile dans son sous-sol, y a mis sa base Obsidian, puis fait tourner Claude Code dessus pour pouvoir penser, faire des recherches, écrire et même déployer du code directement depuis son téléphone."* ## [00:52] Introduction Dan et Noah reprennent contact après environ cinq ans. Le parcours de Noah couvre la stratégie de marque (il a co-fondé Percolate), le conseil en IA chez Alephic, et la conférence BRXND.AI. Dan cadre l'interview autour de la stack pratique que Noah a construite plutôt que d'une discussion abstraite sur l'IA. > *"Je suis ravi de vous accueillir. C'est vraiment bien de pouvoir papoter. C'est notre première interview en probablement 5 ans."* ## [02:10] Comment faire du travail en profondeur sur son téléphone Noah précise d'emblée que sa configuration relève moins du « vibe coding » que d'un travail de connaissance structuré. Il a abandonné Evernote pour Obsidian parce que les fichiers markdown et les dossiers donnent à Claude Code quelque chose sur lequel opérer réellement. Son principal usage de Claude Code est l'interaction avec ses notes, pas la génération de code, et l'extension téléphonique de cette configuration a fondamentalement changé ses modes de travail. > *"Mon usage numéro un de Claude Code, c'est l'utiliser comme outil pour interagir avec mes notes."* ## [05:30] Pourquoi Noah pense que Grok a le meilleur mode vocal IA Noah préfère le mode vocal de Grok à celui d'OpenAI et de Gemini : Gemini n'était pas assez intelligent, et l'ancien mode vocal de GPT-4o était inutilisable pour ses besoins. Il l'a utilisé pendant un trajet solo de cinq heures pour travailler sur un article sur les Transformers, via Bluetooth, en le traitant comme un podcast de recherche personnel. La conversation fait émerger une frustration partagée : les modèles vocaux ne font toujours pas bien les appels d'outils ni la recherche web, ce qui limite leur utilité pour un travail intellectuel sérieux. > *"J'ai fait une session d'environ une heure et c'était vraiment, de loin, la meilleure explication que j'aie jamais lue pour ça, ou jamais entendue je suppose."* ## [11:11] Les rouages de la configuration Claude Code-Obsidian de Noah Noah présente son dossier Obsidian en direct. Claude Code se trouve à la racine du répertoire Obsidian, afin d'accéder à l'intégralité de l'archive de notes. Pour un exposé qu'il prépare pour BRXND.AI, sur le Simple Sabotage Field Manual de la Seconde Guerre mondiale et ce qu'il dit sur la bureaucratie dans les grandes organisations, il a créé un dossier de projet dans Obsidian regroupant des transcriptions de conversations avec ChatGPT, Claude et Grok, ainsi que des articles et des PDFs. Le rôle de Claude à ce stade n'est pas d'écrire l'exposé mais de l'aider à réfléchir : il extrait les notes pertinentes, synthétise les progrès quotidiens dans un journal, et pose des questions de clarification. Noah définit explicitement des contraintes de mode réflexion dans le frontmatter CLAUDE.md du projet. > *"Je suis en mode réflexion, pas encore en mode rédaction. Il y a des trucs ici où j'ai spécifiquement dit, je pense que c'est dans le frontmatter en fait, où j'ai dit à Claude Code : n'aidez-moi à rien écrire pour l'instant."* ## [26:05] Utiliser un agent dans Claude Code comme « partenaire de réflexion » Noah soutient que le mot « génératif » a faussé la façon dont les gens utilisent l'IA : tout le monde se concentre sur sa capacité à produire des artefacts, presque personne ne parle de sa remarquable capacité à lire. Il maintient un agent de partenaire de réflexion dédié avec des garde-fous explicites : « Ne créez pas de plans, de brouillons ou de versions de conférences ou d'écrits. » L'agent consigne les questions, suit les idées émergentes et construit un journal courant pour que Noah puisse reprendre exactement là où il en était après une pause, que ce soit un jour plus tard ou après une recherche approfondie dans un autre outil. Il trace un fil depuis une deep research ChatGPT sur Wild Bill Donovan jusqu'à une idée sur la façon dont le parallélisme de l'architecture Transformer reflète l'autonomie opérationnelle des forces spéciales. > *"Je pense que partiellement parce qu'on l'appelle génératif, il y a bien trop de focus sur sa capacité à écrire et pas assez sur sa capacité à lire."* ## [30:23] La théorie du Thomas' English Muffin de Noah sur l'IA Le chapitre s'ouvre sur la thèse de Noah sur la bureaucratie : les grandes entreprises n'échouent pas à adopter les logiciels parce qu'elles sont paresseuses, mais parce que les nouveaux logiciels demandaient historiquement aux organisations de se restructurer autour d'eux. L'IA, soutient-il, est différente. Elle s'infiltre dans les recoins et interstices de la façon dont les gens travaillent déjà, d'où sa métaphore du Thomas' English Muffin. Dan ajoute un exemple concret tiré de Every : deux produits construits sur des stacks différentes devaient partager une solution de recherche de fichiers, et Claude Code leur a permis de réutiliser la logique sans imposer un cadre commun. La conversation s'élargit à l'idée de Noah de la « bureaucratie comme encodage positionnel », une analogie à moitié formée entre l'architecture Transformer et la hiérarchie organisationnelle qu'il est encore en train de travailler avant son exposé. > *"J'appelle ça ma théorie du Thomas' English Muffin de l'IA, c'est qu'elle s'infiltre dans les recoins et les interstices."* ## [39:47] Les zones blanches encore à explorer dans l'IA Noah et Dan soutiennent que la plupart des praticiens, même bien financés, opèrent encore sur des intuitions fragiles sur ce que ces modèles peuvent vraiment faire. Le brise-glace de Noah à chaque réunion client est « quel a été votre moment aha avec l'IA ? » parce que ce moment de non-déterminisme, poser la même question deux fois et obtenir des réponses différentes, est véritablement nouveau et prend du temps à intérioriser. Il emprunte l'expérience du vélo à l'envers de Destin Sandlin pour illustrer le point : l'intuition motrice et l'intuition conceptuelle sont distinctes, et on ne peut pas court-circuiter leur construction. Dan avance que les modèles de langage peuvent eux-mêmes générer le vocabulaire qui nous manque pour raisonner sur les systèmes probabilistes. > *"On n'est pas habitués à utiliser des choses que vous interrogez avec la même question deux fois et qui donnent des réponses différentes."* ## [48:44] Comment Noah prépare ses enfants à l'IA La fille de 10 ans de Noah a construit une application Père Noël secret avec Claude qui lui a accidentellement enseigné la modélisation de données : elle a réalisé qu'elle avait besoin de « groupes » plutôt que d'« adultes et enfants » pour généraliser la logique. Cette histoire ancre un argument plus large : le rôle des enseignants n'est pas d'empêcher l'usage de l'IA mais de convaincre les élèves que les compétences sous-jacentes valent la peine d'être apprises. Il prépare un cours à NYU intitulé « Code is Essay » pour l'automne 2026, et pense que la méta-compétence pertinente est le scepticisme épistémique : être plus méfiant des informations qui confirment ses a priori, pas moins. > *"Je ne pense pas vraiment que votre travail est d'apprendre à ces enfants à écrire parce que c'est une quête de toute une vie. Je pense que votre travail c'est de les convaincre que ça vaut la peine d'apprendre à écrire."* ## [01:00:06] Comment il a porté sa configuration Claude Code sur mobile Noah fait une démonstration en direct de sa stack mobile complète : Termius (client SSH sur iPhone), Tailscale VPN connectant au mini PC dans le sous-sol, Obsidian synchronisé via un GitHub privé, Claude Code tournant dans le terminal. Il montre comment demander à Claude « qu'est-ce qui s'est passé de nouveau ces deux derniers jours ? » et obtenir une synthèse de son activité Obsidian récente. Il a aussi corrigé un lien cassé sur son site de conférence depuis son téléphone : il a confirmé le bug, demandé à Claude de pousser une PR, c'était réglé. Ses expériences actuelles s'étendent à l'outil CLI `llm` de Simon Willison et à un script qui renomme tous les fichiers d'attachements dans sa base Obsidian et reconstruit la table de liens. > *"Je suis allé m'asseoir dehors un moment et puis on avait un projet qui devait être livré à un client et un petit changement devait être fait. J'ai dit à Claude Code exactement où chercher, j'ai confirmé que le problème était bien ce que je pensais, et je lui ai juste demandé de pousser une solution, il a poussé une PR et j'avais terminé."* ## Personnages - **Dan Shipper** (Personne) : PDG et co-fondateur de Every, animateur de l'interview - **Noah Brier** (Personne) : Co-fondateur de Percolate, fondateur du cabinet de conseil en stratégie IA Alephic, organisateur de la conférence BRXND.AI - **Every** (Organisation) : Entreprise de médias et de logiciels produisant ce podcast - **Alephic** (Organisation) : Cabinet de conseil en stratégie IA de Noah, travaillant avec des clients du Fortune 50 dont Amazon, Meta et PayPal - **BRXND.AI** (Organisation) : Conférence annuelle à l'intersection du marketing et de l'IA, organisée par Noah, édition 2025 à New York City le 18 septembre - **Claude Code** (Logiciel) : Outil de codage agentique d'Anthropic, au cœur du workflow de deuxième cerveau et mobile de Noah - **Obsidian** (Logiciel) : Application de prise de notes basée sur le markdown, principal répertoire de connaissances de Noah, organisé selon la méthode PARA - **Tailscale** (Logiciel) : VPN mesh utilisé pour connecter de façon sécurisée le téléphone de Noah à son mini PC dans le sous-sol - **Termius** (Logiciel) : Client SSH iOS que Noah utilise pour accéder à son serveur domestique depuis son téléphone - **Grok** (Logiciel) : Assistant IA de xAI, Noah considère son mode vocal significativement meilleur que ceux d'OpenAI et Gemini pour la recherche sérieuse - **Simple Sabotage Field Manual** (Concept) : Document de l'OSS de la Seconde Guerre mondiale republié par Noah, utilisé comme prisme sur la bureaucratie organisationnelle moderne dans son exposé BRXND.AI - **Théorie du Thomas' English Muffin** (Concept) : Métaphore de Noah sur la façon dont l'IA réussit en s'adaptant aux workflows organisationnels existants plutôt qu'en exigeant une restructuration

Charles Koch et son fils Chase s'entretiennent avec David Friedberg pour retracer comment Koch Inc. a multiplié sa valeur par 9 000 : d'une entreprise pétrolière de 300 personnes en Oklahoma en 1961 à un conglomérat privé de 130 000 employés couvrant l'énergie, les produits chimiques, les produits forestiers, les biens de consommation et le capital-risque, sans jamais entrer en Bourse. La conversation tourne autour du Principle-Based Management (PBM) : le cadre de 41 principes qui guide chaque décision d'embauche, chaque acquisition et chaque transformation culturelle chez Koch. Charles et Chase abordent aussi la caricature politique étroite associée au nom Koch, en expliquant leur pivot du parti libertarien vers la coalition Stand Together, plus large, axée sur la réforme de l'éducation et l'épanouissement humain. L'épisode se conclut sur l'IA et le capitalisme : tous deux voient l'innovation sans permission et la responsabilisation ascendante comme la seule voie crédible face aux pressions économiques à venir. ## [00:00] David Friedberg accueille Charles & Chase Koch David Friedberg ouvre la conversation lors d'un événement Forbes, en soulignant que lui et Chase Koch se connaissent depuis 2013 grâce au secteur agricole et qu'ils sont depuis partenaires en affaires. Il présente Koch Inc. comme « l'histoire méconnue » de l'entrepreneuriat américain : probablement l'entreprise familiale privée la plus rentable au monde, mais largement invisible par rapport à ses homologues cotées en Bourse. L'introduction fixe aussi les attentes pour l'audience All-In : une rare conversation approfondie avec à la fois le président du conseil d'administration et le président de la prochaine génération de Koch Inc., enregistrée en direct. > « J'ai toujours eu le sentiment que Koch Industries était cette histoire méconnue : probablement l'entreprise familiale privée la plus rentable au monde. » > — David Friedberg ## [01:04] Koch Inc. : échelle, activités & histoire Friedberg pose le cadre statistique : si Koch était cotée en Bourse, son chiffre d'affaires la placerait dans le top 25 du Fortune 500. Fondée en 1940 par Fred Koch à Wichita, Kansas, l'entreprise opère aujourd'hui dans 60 pays avec plus de 120 000 employés dans l'énergie, l'agriculture, les produits chimiques, les produits de construction, les biens de consommation, l'informatique en nuage et un portefeuille actif de participations minoritaires. Koch réinvestit 90 % de ses bénéfices dans l'entreprise : un choix structurel qui la distingue des entreprises publiques optimisant pour les résultats trimestriels. Charles indique ce dont va vraiment parler la conversation : non pas des jalons de chiffre d'affaires, mais des principes, et des échecs, qui ont rendu possible une capitalisation soutenue. > « Un modèle opérationnel très unique, avec des principes autour de l'innovation disruptive, du réinvestissement de 90 % des bénéfices dans de nouvelles activités et de la croissance, et des valeurs méritocratiques. » > — David Friedberg ## [02:21] Les débuts de l'entreprise et l'arrivée de Charles Koch (1961) Charles Koch a rejoint l'entreprise familiale en 1961 à 25 ans, frais émoulu du MIT et d'un passage chez Arthur D. Little en conseil en management. L'ultimatum de son père Fred était direct : « Soit tu rentres diriger l'entreprise, soit je vais devoir la vendre : ma santé est mauvaise, les affaires ne vont pas bien et je n'ai plus longtemps à vivre. » L'entreprise comptait alors environ 300 employés, deux activités principales (des plateaux de fractionnement et un réseau de collecte de pétrole brut en Oklahoma) et un dysfonctionnement opérationnel important. Les premières leçons ont cristallisé un principe fondamental de Koch : une croissance délimitée par les capacités et non par le secteur. L'activité des plateaux de fractionnement a en partie échoué parce que son directeur, autoritaire et obsédé par le contrôle, s'aliénait ingénieurs et clients. Charles a commencé à se demander non pas « dans quel secteur sommes-nous ? » mais « que pouvons-nous faire mieux que quiconque, et où dans la chaîne de valeur cela crée-t-il le plus de valeur ? » Ce repositionnement, appliqué de façon répétée au fil des décennies, explique la séquence de secteurs apparemment sans lien dans lesquels Koch s'est ensuite engagée. > « Fiston, soit tu rentres diriger l'entreprise, soit je vais devoir la vendre : ma santé est mauvaise, les affaires ne vont pas bien et je n'ai plus longtemps à vivre. » > — Charles Koch, citant son père Fred Koch ## [11:31] Échecs, destruction créatrice & leçons tirées des erreurs Charles ouvre avec une provocation : « Si vous n'échouez à rien, vous ne faites rien de nouveau. » Il évoque des pertes précoces, notamment une tentative infructueuse de convertir du coke de pétrole en charbon actif, et un schéma récurrent de pénétration dans des activités sans les capacités sous-jacentes nécessaires. Le vrai apprentissage est venu du diagnostic de chaque échec : presque toujours une violation d'un des principes opérationnels de Koch. Chase ajoute la perspective du portefeuille de capacités : l'expansion de Koch du négoce de pétrole brut vers le gaz naturel, les produits chimiques, les engrais et finalement les produits forestiers n'était pas une diversification aléatoire : c'étaient les mêmes capacités fondamentales réorientées vers de nouvelles applications. Il décrit aussi Koch Disruptive Technologies (KDT), qu'il a fondé, comme une expérience structurelle difficile à rendre constamment rentable : une évaluation honnête de son propre échec. La décision d'arrêter ou de pivoter, dit Charles, se résume à un test : avons-nous perdu notre capacité à créer une valeur supérieure pour les clients d'une façon qui nous sera récompensée ? > « Quand on perd assez de chemise, c'est quand on en a eu assez. Quand on décide qu'on n'a pas la capacité de créer une valeur supérieure pour nos clients. » > — Charles Koch ## [19:22] Culture & Principle-Based Management C'est le centre intellectuel de l'épisode. Charles retrace les origines du système PBM aux pires échecs de Koch, qui avaient tous une cause racine commune : promouvoir des personnes aux mauvaises valeurs vers des postes de direction. Deux exemples quasi catastrophiques se distinguent : une opération de trading téméraire qui a failli mettre l'entreprise en faillite lors de la guerre du Moyen-Orient en 1973, et un épisode ultérieur dans lequel des dirigeants « motivés de façon destructrice » cachaient les échecs tout en inventant des succès. L'antidote : embaucher d'abord sur les valeurs, les talents ensuite, et structurer une culture où la motivation par la contribution, le désir de réussir en aidant les autres à réussir, prend le dessus sur la recherche du pouvoir. Chase développe cela avec une formulation qui va droit au but : et si chacun dans l'entreprise savait exactement quoi faire sans qu'on le lui dise ? C'est l'état cible que le PBM est conçu pour produire. La stratégie de conduite du changement évite les mandats descendants : trouver le sous-groupe le plus désireux d'essayer les principes, démontrer des résultats, et laisser la demande tirer la transformation dans le reste de l'organisation. La connaissance collective remplace le jugement de quelques personnes intelligentes au sommet. > « Et si vous pouviez avoir une entreprise et une culture, petite, moyenne ou grande, où chacun savait quoi faire sans qu'on le lui dise ? » > — Chase Koch ## [33:53] L'acquisition de Georgia-Pacific & la transformation culturelle L'acquisition de Georgia-Pacific en 2005 a été le plus grand pari de Koch à l'époque : « un pari massif », dit Chase, quand l'entreprise était bien plus petite. Charles retrace la logique : Koch voyait les activités de pulpe et de papier de Georgia-Pacific comme un prolongement naturel de ses capacités de procédés chimiques, un lien qui remontait jusqu'à la thèse du MIT de Fred Koch sur la trituration en Maine. Ils ont d'abord proposé d'acheter uniquement les divisions de commodités ; quand cet accord n'a pu aboutir en raison de litiges en cours, ils ont proposé d'acheter l'ensemble de l'entreprise. Ce qui a suivi a été une transformation culturelle de plusieurs années d'un siège social de 51 étages à Atlanta, construit sur une bureaucratie descendante. Koch a remplacé les dirigeants, récompensé les travailleurs qui repéraient et corrigeaient les inefficacités, et partagé les économies de coûts avec les syndicalistes qui les trouvaient. Chase décrit ses propres années dans les opérations de première ligne de Koch : vivre dans une caravane simple dans un parc d'engraissement, travailler dans une usine de gaz liquides, comme fondatrices d'un leadership crédible par la suite. Le changement culturel prend bien plus de temps que tout acquéreur ne s'y attend, et nécessite presque toujours de remplacer la cohorte de dirigeants qui maintient l'ancien paradigme. > « Ça prend bien plus de temps que vous ne le pensez pour changer la culture, et dans presque tous les cas, ça nécessite de changer les dirigeants qui ont le paradigme de la responsabilisation ascendante. » > — Chase Koch ## [56:17] Réforme de l'éducation & changement social Stand Together, le réseau philanthropique que Charles construit depuis 60 ans sous différents noms, est aujourd'hui l'une des plus grandes organisations philanthropiques des États-Unis. Chase gère l'origination et les partenariats, et il recadre sa mission : non pas le lobbying politique, mais l'application des mêmes principes Koch aux défis sociaux, en commençant par l'éducation. Le COVID-19 a considérablement changé l'opinion publique : avant 2020, environ 20 % des familles étaient ouvertes aux alternatives à l'enseignement traditionnel ; après avoir vu leurs enfants apprendre davantage sur YouTube que dans les classes Zoom, ce chiffre a grimpé. Stand Together a depuis contribué à lancer plus de 5 000 micro-écoles. Des programmes partenaires comme Alpha School de Joe Limont utilisent la gamification et l'apprentissage par projet pour amener des élèves en difficulté au sommet de leur classe en trois mois. Chase applique aussi le principe de l'avantage comparatif à lui-même : il s'est licencié de son poste de président de Koch Fertilizer quand il a reconnu que quelqu'un d'autre détenait cet avantage comparatif, et utilise ce même prisme pour redéfinir les rôles dans toute la main-d'oeuvre de 130 000 personnes de Koch. > « Avant le COVID, environ 20 % des familles étaient ouvertes à un nouveau modèle éducatif. Pendant le COVID, tout le monde a vu à quel point le système était dysfonctionnel : leurs enfants avaient appris davantage sur YouTube qu'en classe. » > — Chase Koch ## [72:37] IA, défis économiques & l'avenir du capitalisme Friedberg pousse Charles à rendre compte du récit politique Koch : les décennies d'implication dans le parti libertarien et le pivot final vers la coalition plus large de Stand Together. Charles est candide : il a passé trop d'années à ne travailler qu'avec des gens qui partageaient tous ses principes, ce qui a plafonné sa portée. L'intuition de Viktor Frankl : « de plus en plus de gens ont les moyens de vivre, mais n'ont pas de sens à leur vie » a réorienté sa réflexion vers les racines motivationnelles de la désintégration sociale plutôt que vers des remèdes purement politiques. La leçon : les stratégies de la liberté ne peuvent pas emprunter au totalitarisme ; exiger la pureté d'une coalition la détruit. Sur l'IA, la position de Chase est claire : l'innovation sans permission, les systèmes ouverts, donner aux gens des outils d'IA plutôt que de les interdire. Koch utilise le PBM comme cadre natif de l'IA, et Chase a créé un compagnon IA du nouveau livre pour que les lecteurs puissent interagir directement avec les principes : bien au-delà de ce que Charles avait anticipé quand il a invité Chase à co-écrire. L'épisode se clôt sur l'objectif de legs déclaré par Charles : que les États-Unis vivent plus pleinement à la hauteur de la promesse de la Déclaration d'Indépendance. > « Le problème aujourd'hui, c'est que de plus en plus de gens ont les moyens de vivre, mais n'ont pas de sens à leur vie. » > — Charles Koch, citant Viktor Frankl ## Personnages - **David Friedberg** — Animateur ; co-fondateur de The Production Board ; associé en affaires de Chase Koch depuis 2013 dans le secteur agricole - **Charles Koch** — Président du conseil et PDG de Koch Inc. depuis 1967 ; ingénieur diplômé du MIT ; co-auteur du livre Principle-Based Management ; a dirigé la croissance de 9 000 fois de la valeur de Koch - **Chase Koch** — Président de Koch Inc. ; fondateur de Koch Disruptive Technologies ; co-auteur du livre PBM avec Charles ; dirige l'origination et les partenariats de Stand Together - **Koch Inc.** — Conglomérat familial privé dont le siège est à Wichita, KS ; fondé en 1940 par Fred Koch ; 130 000 + employés dans l'énergie, les produits chimiques, les produits forestiers, les biens de consommation, les logiciels et le capital-risque - **Principle-Based Management (PBM)** — Le cadre opérationnel de 41 principes de Koch ; met l'accent sur la motivation par la contribution, l'embauche fondée sur les valeurs, la responsabilisation ascendante et le traitement de chaque unité d'affaires comme un laboratoire - **Georgia-Pacific** — Entreprise de produits forestiers et de grande consommation acquise par Koch en 2005 ; la plus grande acquisition de Koch ; étude de cas principale de la transformation culturelle sous le PBM - **Koch Disruptive Technologies (KDT)** — Branche capital-risque fondée par Chase Koch ; participations minoritaires dans des entreprises technologiques disruptives ; décrite comme structurellement difficile à rendre constamment rentable - **Stand Together** — Le réseau philanthropique de Charles Koch actif depuis 2003 ; axé sur la réforme de l'éducation, la réduction de la pauvreté et le changement social trans-partisan ; a contribué à lancer 5 000 + micro-écoles après le COVID

Lloyd Blankfein, ancien PDG et Senior Chairman de Goldman Sachs, s'entretient avec David Haber, General Partner chez a16z, pour examiner ce qui distingue les institutions durables des structures éphémères. En retraçant son parcours des logements sociaux d'East New York jusqu'à la direction de Goldman lors de la crise financière de 2008, Blankfein défend l'idée que la discipline authentique face au risque, et non la prédiction ni la technologie, constitue le véritable avantage concurrentiel. Il met en garde : le danger le plus grand de l'IA n'est pas la superintelligence, mais l'effet de levier impossible à tester, des systèmes qui exécutent 70 000 transactions avant que quiconque puisse vérifier s'ils ont raison. ## [00:00] Introduction Blankfein ouvre sur la tension fondamentale que vit tout investisseur : on est simultanément preneur de risques et gestionnaire de risques, et on ne peut sous-traiter ni l'un ni l'autre. Il indique que les marchés se trouvent au seuil d'une vague de grandes introductions en bourse, et que les risques les plus sous-estimés sont structurels : des logiciels capables d'agir à grande échelle avant qu'un être humain puisse les auditer. > « La plupart de ce que nous faisons en matière de risque, ce n'est pas tant de la prédiction, c'est surtout de la planification de contingence. » — Lloyd Blankfein ## [01:02] Sarcasme sur Twitter et gestion du risque Haber incite Blankfein à revenir sur X. Blankfein explique pourquoi il a pris du recul : tweeter est un exercice d'ego dont le risque à la baisse est asymétrique. Quiconque persiste finit par franchir une ligne invisible qu'il ne voyait pas. Chez Goldman, il jouait déjà un jeu dangereux en étant sarcastique envers des figures politiques, Sanders, Warren, le président, et il le savait. La liberté d'après ne supprime pas le calcul, elle change seulement qui en subit les conséquences. > « Je sais que tout le monde continue à le faire et qu'on finit tôt ou tard par se faire annuler parce qu'on franchit une ligne invisible que personne ne connaissait, et du point de vue risque/rendement, tout ça n'est qu'ego sans valeur réelle. » — Lloyd Blankfein ## [02:18] Le calme dans la crise Blankfein relate un véritable incident de sécurité lors d'un événement public : des hommes armés ont envahi la scène, la salle s'est baissée, lui est resté assis à observer. Son explication est sobre : en crise, le temps ralentit pour lui, il devient très attentif à ce dont les gens autour de lui ont besoin plutôt qu'à ses propres émotions. Il utilise l'humour désarmant comme outil (« Vous allez finir cette salade ? ») non par bravade mais parce que ça brise la tension et stabilise les personnes autour de lui. Il ne sait pas dans quelle mesure c'est inné ou acquis, mais il est convaincu que l'exposition passée aux crises reste le meilleur prédicteur du calme futur. > « J'ai tendance à être un peu tendu en permanence, mais je ne le suis pas particulièrement. En fait, les choses ralentissent pour moi. » — Lloyd Blankfein ## [06:44] Des logements sociaux à Wall Street Blankfein a grandi dans un logement social d'East New York où le plafond de revenus pour rester dans l'immeuble était de 90 dollars par semaine. Manhattan était à un bus plus un métro, une sorte de pays étranger. Son entretien à Harvard était l'une des trois fois environ où il était allé en ville. Plutôt que de présenter ça comme une privation, il montre comment la proximité de l'ambition sans l'accès aiguise l'instinct de contingence : on apprend tôt à envisager ce qu'on fera si cette voie se ferme, puis à tracer la suivante. Ce schéma de modélisation du risque par arborescence est devenu le système d'exploitation qu'il a ensuite appliqué à la direction d'une grande banque. > « J'ai grandi dans les logements sociaux. Il fallait prendre un bus, puis le métro pour aller en ville. » — Lloyd Blankfein ## [23:36] Culture, technologie et partenariat chez Goldman La technologie n'a jamais été optionnelle chez Goldman : c'était toujours la frontière. Blankfein décrit comment un investissement précoce et soutenu dans l'infrastructure de gestion des risques a donné à la firme un avantage structurel composé : un système propriétaire de gestion des risques construit il y a 25 à 30 ans qui constitue encore le cœur de la plateforme aujourd'hui, assez flexible pour n'avoir jamais été complètement remplacé. Le modèle de partenariat alimentait directement cela : les associés avaient leur propre capital en jeu, ils se souciaient intensément de la qualité des systèmes sous-tendant chaque position. Cette culture du capital propre permettait à Goldman d'engager avec ses clients en tant que pairs plutôt que comme simples exécutants. > « On avait un énorme avantage technologique grâce à ce qu'on avait investi tôt. » — Lloyd Blankfein ## [37:25] La firme avant le fonds La distinction que trace Blankfein est structurelle : l'objectif d'un fonds est de maximiser le carried interest avec le moins de personnes possible dans le minimum de temps ; une firme doit construire des avantages concurrentiels composés sur les cycles. La capacité de Goldman à payer les gens pendant les mauvaises années, à résister au découplage des activités en difficulté temporaire, n'était possible que parce que la mentalité de partenariat traitait la franchise de la firme comme un actif à longue durée. Il dit explicitement que cela exigeait d'atténuer les oscillations cycliques de la rémunération, ce qui est vraiment difficile et signifie parfois perdre des gens, mais l'alternative détruirait la plateforme. > « Goldman Sachs dans sa culture de partenariat était capable de regarder au-delà de ces choses à court terme et de dire : sur le cycle, c'est un excellent business. » — Lloyd Blankfein ## [41:14] Mentorat et initiative entrepreneuriale La théorie du mentorat de Blankfein est simple : il voulait que les gens aient l'impression d'avoir vraiment reçu quelque chose en travaillant avec lui, qu'il les avait rendus meilleurs qu'ils ne l'auraient été autrement. Il décrit aussi comment il ignorait délibérément l'organigramme en tant que jeune employé : au bureau des métaux précieux, il a remarqué que des investisseurs religieux du Moyen-Orient voulaient des rendements de type actions sans intérêts explicites, et s'est rendu directement auprès du numéro deux de l'époque, Bob Rubin, avec une idée de produit structuré. La première commande est arrivée à 400 millions de dollars, le plus grand trade jamais exécuté par Goldman à l'époque. Son conseil : agir en entrepreneur dans une institution avant d'avoir besoin d'un titre pour le faire. > « Je voulais qu'ils pensent que je les avais rendus meilleurs qu'ils ne l'auraient été autrement, qu'ils en avaient beaucoup tiré profit. » — Lloyd Blankfein ## [47:05] La gestion des risques à l'épreuve des crises Le chapitre 2008 est le plus dense. Blankfein attribue la survie de Goldman à trois facteurs composés : l'absence d'un grand portefeuille de dépôts grand public, une discipline rigoureuse du mark-to-market quand les pairs refusaient de le faire, et un héritage de partenariat qui conditionnait chacun à traiter le capital comme si c'était sa propre maison en jeu, car quand Goldman était un partenariat, c'était littéralement le cas. Il nomme aussi le principe qui a préservé les relations clients dans le chaos : « les engagements sont dans le passé, les relations sont dans le futur. » Reconnaître une mauvaise position et choisir d'avancer a transformé plusieurs pertes potentielles en partenariats durables. > « Les associés n'avaient pas seulement leurs comptes d'associés en jeu, ils avaient leurs maisons en jeu. » — Lloyd Blankfein ## [56:11] Résistances à l'IA et sagesse de carrière Blankfein voit le moment de l'IA comme un pari à multiples fourches : plusieurs architectures, plusieurs acteurs, probablement deux ou trois grands gagnants, et personne ne sait aujourd'hui quel chemin y mène. Il est en partie rassuré que les plus gros paris soient faits par des actionnaires fondateurs avec leur propre capital plutôt que par des managers professionnels déployant l'argent des autres : la conviction personnelle profondément ancrée est un meilleur signal que les dépenses d'investissement approuvées. Sa préoccupation la plus acérée est l'opacité structurelle : sur les anciennes salles de trading, on entendait un mauvais prix à l'instant où il se produisait ; aujourd'hui, les systèmes fonctionnent entièrement en coulisses sans trace auditable. L'effet de levier intégré dans ces systèmes, et non l'intelligence, c'est ce qu'il pointe. Il conclut sur des conseils de carrière : rester curieux dans tous les domaines, chercher la profondeur plutôt que les titres, et faire preuve d'indulgence envers les paris passés qui semblent stupides rétrospectivement, car toute décision de frontière se prend sans les informations qui rendront la bonne réponse évidente plus tard. > « Aujourd'hui on n'a plus cette intuition parce que tout se passe en coulisses et on n'a pas la trace ni le processus de pensée de ces choses. L'effet de levier dans ces systèmes est en lui-même un gros problème. » — Lloyd Blankfein ## Personnages - **Lloyd Blankfein** (Personne) : Ancien PDG et Senior Chairman de Goldman Sachs ; invité tout au long de l'épisode - **David Haber** (Personne) : Animateur ; General Partner chez a16z spécialisé en Fintech - **Goldman Sachs** (Organisation) : Institution centrale examinée : modèle de partenariat, navigation de la crise de 2008, investissement technologique précoce - **Bob Rubin** (Personne) : Ancien co-président de Goldman Sachs, puis secrétaire au Trésor américain ; Blankfein lui a soumis directement sa première grande idée de produit structuré en tant que jeune employé - **Crise financière de 2008** (Concept) : Cas de test principal pour la culture de gestion des risques de Goldman ; la discipline du mark-to-market et l'absence de portefeuille grand public ont été des facteurs clés de survie - **Culture de partenariat Goldman** (Concept) : Mécanisme structurel alignant les incitations des associés, comptes d'associés et maisons personnelles, avec la santé à long terme de la firme - **IA et finance** (Concept) : Présentée comme la vague technologique actuelle ; saluée pour son potentiel mais signalée pour son effet de levier impossible à tester et son opacité opérationnelle remplaçant l'intuition humaine auditable

Anne Applebaum a passé trois décennies à étudier comment les systèmes autoritaires s'élèvent et pourquoi les sociétés démocratiques ne s'en aperçoivent que trop tard. Elle expose les cinq tactiques utilisées par les autocrates pour démanteler la démocratie — corruption, manipulation électorale, capture du personnel, contrôle de l'information et coercition physique — et les applique chacune à ce qui se passe actuellement aux États-Unis. La conversation aborde la fortune de Trump, qui a triplé durant son mandat, les PDG de la tech qui ont capitulé pour rester dans le jeu, les raisons pour lesquelles les alliés mondiaux se préparent déjà à un monde sans leadership américain, et pourquoi l'inévitabilité historique est un piège que les autocrates veulent vous faire croire. ## [00:00] Intro Steven ouvre l'émission avec deux bocaux représentant la fortune de Trump : 2,3 milliards de dollars à son entrée en fonction, et 6,5 milliards deux ans plus tard. L'argument d'Applebaum s'impose immédiatement : l'Amérique n'a jamais eu de président gérant des entreprises tout en définissant sa politique, et l'investissement de 2 milliards de dollars du gouvernement saoudien dans le fonds de Jared Kushner n'était pas dû à une simple sympathie pour Jared Kushner. > *« Les décisions ne sont pas prises en fonction de ce qui est bon pour les Américains, mais de ce qui est bon pour son entreprise. »* — Anne Applebaum ## [02:10] Pourquoi l'histoire se répète Applebaum a débuté comme historienne de l'Union soviétique, a assisté à la dissolution du Pacte de Varsovie depuis Varsovie, et a passé des années à écrire sur des systèmes qu'elle croyait appartenir au passé. Vers 2013-2014, elle a réalisé que ce qu'elle étudiait comme histoire revenait à la surface. Les démocraties modernes ne meurent pas sous les chars, elles s'effondrent quand quelqu'un d'élu légitimement commence à démonter les institutions qui garantissent la fairness de la prochaine élection. > *« La plupart des gens pensent que les démocraties finissent par un coup d'État ou des chars dans les rues. En réalité, dans le monde moderne, elles s'arrêtent surtout parce qu'une personne élue légitimement commence à démonter le système. »* — Anne Applebaum ## [03:33] Le plus grand signe d'alerte pour la démocratie Ce qui semble différent aujourd'hui, c'est que des partis politiques arrivent au pouvoir avec l'objectif explicite de ne jamais avoir à le quitter. Viktor Orbán en Hongrie a été le pionnier : élu avec une large marge, il a ensuite capturé méthodiquement les tribunaux, la commission électorale, les médias et la fonction publique. Chaque institution qu'il a neutralisée a rendu la prochaine élection légèrement moins équitable. > *« Pour la première fois dans plusieurs démocraties établies, vous avez des partis politiques qui accèdent au pouvoir avec l'idée explicite qu'ils vont modifier le système pour s'assurer de pouvoir y rester indéfiniment. »* — Anne Applebaum ## [05:12] Pourquoi la démocratie semble si défaillante La démocratie est un étrange marché : on gagne le pouvoir, mais on doit préserver les règles pour que ses ennemis puissent nous battre lors du prochain scrutin. Une fois que ce pacte se brise, tout le système se déstabilise. Applebaum cite le Sud américain avant le mouvement des droits civiques comme précédent national : des États à parti unique, des règles truquées, un vote restreint. Certains à Washington travaillent aujourd'hui à partir de cette histoire. > *« Certes, mais il existe des systèmes intermédiaires entre la Russie et la démocratie libérale. On peut avoir des démocraties qui ne sont pas équitables. »* — Anne Applebaum ## [07:41] Les plus grandes menaces actuelles Deux menaces distinctes évoluent en parallèle. À l'intérieur des États-Unis : une classe croissante de gens coupés du système politique, l'émergence d'une force paramilitaire nationale avec l'ICE, et une corruption à haut niveau d'une ampleur inédite. Extérieurement : des puissances autocratiques — Russie, Chine, Iran — contestent l'ordre mondial d'après-1945, non seulement en rivalisant, mais en menant une guerre des idées contre la démocratie libérale. > *« Nous assistons aussi à une montée de la corruption à haut niveau. Le président, son entourage, les entreprises proches de lui semblent avoir accès à des façons de s'enrichir qui n'étaient pas possibles à cette échelle en Amérique auparavant. »* — Anne Applebaum ## [08:52] Pourquoi la démocratie se transforme rapidement Steven présente une carte des niveaux de démocratie dans le monde. Ce qui frappe immédiatement : l'organisation qui l'a réalisée ne classe plus les États-Unis comme démocratie libérale, mais comme « démocratie électorale », un cran en dessous. Il y a une ou deux décennies, la carte était bien plus bleue. Les États s'influencent et s'imitent mutuellement, si bien que le recul américain ne touche pas que les Américains. > *« Ceux qui ont réalisé la carte ne comptent plus les États-Unis comme démocratie libérale. »* — Anne Applebaum ## [10:18] L'Amérique pourrait-elle devenir une autocratie ? Le scénario américain réaliste n'est pas une dictature à la Putin, mais un État à parti unique : circonscriptions gerrymandrées, DOJ capturé, et des élections truquées qu'un seul parti remporte toujours. Le 6 janvier a été une tentative de coup d'État électoral. Il a échoué. Considérer cela comme un plafond plutôt que comme un plancher, estime Applebaum, serait naïf. > *« Nous avons actuellement un président qui a refusé d'accepter le résultat d'une élection en 2020 et qui a orchestré ce qui était conçu comme un coup d'État électoral. Il a échoué. Mais l'idée que personne n'oserait jamais recommencer, je pense que c'est assez naïf à ce stade. »* — Anne Applebaum ## [12:05] Ce que signifie un troisième mandat de Trump Trump lui-même ne veut probablement pas d'un troisième mandat, mais ses proches travaillent à garantir qu'un républicain, peut-être un membre de la famille, gagne indéfiniment. Après le 6 janvier, les modérés sont partis. La coalition qui est restée et qui est arrivée se compose de trois groupes : les technolibertariens qui veulent le contrôle car la démocratie entrave leurs affaires, les nationalistes chrétiens qui veulent un État non laïc, et le MAGA traditionnel. Ils ne sont d'accord sur presque rien, sauf que le changement radical du système est nécessaire. > *« Lors de son premier mandat, Trump était contraint par le système. Maintenant, il s'est entouré de gens qui cherchent à l'aider à s'affranchir de ces contraintes. Et c'est du nouveau. »* — Anne Applebaum ## [14:56] Pourquoi l'autocratie attire les gens Applebaum illustre à quoi ressemble concrètement l'autocratie en utilisant la Hongrie comme étude de cas. Un chef d'entreprise qui refuse de vendre à des alliés du parti au pouvoir se retrouve avec les vitres brisées, ses enfants harcelés, ses employés confrontés à des problèmes réglementaires, jusqu'à ce qu'il vende et parte. Steven fait le parallèle avec Anthropic, menacé après avoir refusé des exigences gouvernementales. Le contre-argument d'Applebaum : l'autocratie est un jeu de dupes, même pour les oligarques. Les oligarques de Putin l'ont appris. Ceux de Chine aussi. > *« La loi, c'est ce que la personne au pouvoir dit qu'elle est. »* — Anne Applebaum ## [19:12] La fortune de Trump change tout La fortune de Trump est passée de 2,3 milliards à 6,5 milliards de dollars en deux ans : du jamais-vu dans l'histoire présidentielle américaine. Les présidents précédents ont eu des soupçons de corruption, mais aucun n'a géré d'entreprises actives dans des pays avec lesquels il menait simultanément des négociations diplomatiques. Kushner a reçu un investissement saoudien de 2 milliards et négocie désormais avec ces mêmes partenaires commerciaux au nom de l'administration. > *« Jamais nous n'avons eu un président gérant des entreprises tout en étant en fonction, d'une manière telle que les personnes avec lesquelles il fait des affaires espèrent en tirer un bénéfice politique. »* — Anne Applebaum ## [21:27] Pourquoi la stabilité mondiale s'effondre Les guerres en Ukraine et en Iran, et l'effondrement de l'ordre d'après-1945, ne sont pas étrangers à l'histoire de la démocratie. Les autocraties déclenchent des guerres pour consolider leur base à l'intérieur. La Russie a envahi l'Ukraine en partie parce que la rhétorique démocratique ukrainienne, liberté d'expression, État de droit, intégration européenne, était explosive si elle se répandait aux Russes. L'ordre mondial libéral se fragmente parce que deux forces le tirent simultanément : des challengers autocratiques et un retrait américain vers l'intérieur. > *« Vous savez ce dont Putin a le plus peur ? Il a le plus peur d'une révolution de rue du type de celle qu'on a vue en Ukraine en 2014. »* — Anne Applebaum ## [26:26] Démocratie contre dictature : qu'est-ce qui dure ? Historiquement, l'autocratie l'emporte sur la longévité. La plupart des sociétés humaines à travers l'histoire ont été gouvernées par des monarques, des seigneurs de guerre ou des chefs tribaux. Les Fondateurs américains le savaient : ils lisaient l'histoire de la chute de la République romaine et de la démocratie athénienne lorsqu'ils rédigeaient la Constitution, essayant d'ingénier la durabilité dans la fragilité. > *« Les gens qui ont écrit la Constitution américaine lisaient, au moment où ils l'écrivaient, l'histoire de la Rome antique. Ils connaissaient tous cette histoire. »* — Anne Applebaum ## [27:38] Qui est plus heureux : démocraties ou autocraties ? La Finlande, la Suède, la Norvège, le Danemark, les pays scandinaves, les plus heureux de façon constante, sont tous des démocraties libérales dotées d'États-providence importants et d'inégalités faibles. Dans les autocraties, les citoyens ordinaires ne peuvent pas influencer l'État : un citoyen russe ne peut pas dire « nous préférerions construire un hôpital plutôt que de bombarder l'Ukraine », et cette absence d'action collective génère un mécontentement structurel, pas seulement une frustration individuelle. > *« Ils ne peuvent pas dire : "Nous voudrions construire un hôpital plutôt que de bombarder une autre ville en Ukraine." Ils ont donc très peu de moyens de changer le système, ce qui crée frustration et mécontentement. »* — Anne Applebaum ## [29:04] Des gens informés choisiraient-ils la démocratie ? Probablement oui, mais Applebaum ne rejette pas l'attrait de l'autoritarisme. Il existe un profond besoin humain de stabilité et de hiérarchie que les autocrates exploitent. Les campagnes russes et chinoises sur les réseaux sociaux dans les pays occidentaux véhiculent exactement ce message : autoritarisme est synonyme de sécurité et de valeurs traditionnelles. Quand l'information et les services de sécurité sont aussi contrôlés, on peut maintenir le pouvoir même si la majorité préférerait autre chose. > *« Les autocraties offrent faussement la stabilité. L'argument qu'elles font dans leurs campagnes sur les réseaux sociaux aux États-Unis et au Royaume-Uni, c'est exactement cela : autoritarisme, stabilité, sécurité, valeurs traditionnelles, hiérarchie. »* — Anne Applebaum ## [30:45] Comment Putin se maintient au pouvoir Peu importe ce que les Russes pensent en privé, car il n'existe aucun forum où ils peuvent le dire en sécurité. Exprimer l'opinion que Putin devrait prendre sa retraite peut mener en prison. Les gens ajustent ce qu'ils disent, puis graduellement ce qu'ils pensent, puis se retirent totalement de la politique. Applebaum retrace le même mécanisme dans la propagande soviétique : les gens ne la croyaient pas nécessairement, mais il était commode de faire comme si. La Russie a eu une fenêtre de débat ouvert dans les années 1990 et 2000. Cette fenêtre s'est fermée progressivement, pas du jour au lendemain. > *« Peu importe ce qu'ils pensent. Il n'existe pas d'opinion publique ni de débat public. Il n'y a pas de forum où vous pouvez exprimer vos opinions de manière équitable. »* — Anne Applebaum ## [32:40] 5 tactiques des autocrates La première tactique : la corruption. Dans tout système politique, la corruption existe, mais dans un système autocratique, le système juridique est aussi capturé, et il n'existe donc aucun frein. L'installation par Trump de loyalistes au DOJ signifie que l'agence qui enquêterait normalement sur la corruption de la Maison Blanche est utilisée à la place pour poursuivre les ennemis. La corruption fonctionne aussi comme outil de fidélisation : soyez avec moi, vos affaires prospèreront. > *« La corruption est un symptôme particulier de l'autoritarisme, et c'est aussi un outil. Le président peut offrir aux gens : soyez avec moi, votre entreprise prospérera, vous obtiendrez des marchés publics. »* — Anne Applebaum ## [34:19] Les PDG de la tech l'autorisent-ils ? Les PDG de la tech qui traitaient Trump de dictateur en 2016 dînent maintenant avec lui à la Maison Blanche. L'explication de Steven : la richesse est un substitut au statut, et la vraie peur est de perdre face à un concurrent. Altman perd face à Anthropic et xAI s'il antagonise Trump. Le contre-argument d'Applebaum : c'est myope, car si le système juridique américain se dégrade, ils se dégradent avec lui. Elle cite Anthropic et les cabinets d'avocats qui ont refusé de céder à des procès abusifs comme preuve que tenir la ligne a aussi une valeur commerciale. > *« Si j'étais aussi riche, à quoi bon l'être si on ne peut pas dire ce qu'on pense ? »* — Anne Applebaum ## [38:11] L'Amérique peut-elle jamais revenir à la normale ? Préparez un plan B, conseille Applebaum aux audiences européennes qui lui posent cette question. L'OTAN a besoin d'une alternative si les États-Unis font défaut. Beaucoup de choses ne reviendront pas à la normale : le prochain président pourrait être JD Vance, encore plus engagé dans un système à parti unique, ou un démocrate qui découvre que les normes brisées sont utiles. Une fois les normes brisées et les lois modifiées, n'importe qui peut exploiter les décombres. > *« Beaucoup de choses ne reviendront jamais tout à fait à la normale, ni à l'intérieur des États-Unis ni dans le monde. »* — Anne Applebaum ## [39:27] Pourquoi les nations se replient sur elles-mêmes Le point de rupture pour la plupart des alliés américains a été l'épisode du Groenland. Trump a publiquement laissé entendre une invasion du territoire danois ; le Danemark a commencé à planifier s'il devait faire sauter les aéroports du Groenland et abattre des avions américains. Ses partenaires européens ont effectué le même exercice. Personne ne s'en est remis. Depuis lors : accords commerciaux UE-Inde, le Canada ouvrant des liens de sécurité avec l'UE, la France et la Pologne discutant d'un parapluie nucléaire européen, des puissances moyennes du monde entier tissant de nouvelles relations bilatérales et se couvrant contre l'imprévisibilité américaine. > *« Tout le monde, partout dans le monde, cherche des alternatives. »* — Anne Applebaum ## [43:57] Ce que cela signifie pour les Américains C'est une très mauvaise nouvelle. La prospérité américaine d'après-guerre reposait sur la dominance du commerce mondial, des bases de l'OTAN qui projettent la puissance au Moyen-Orient et en Afrique, et la suprématie du dollar. Si les alliés cessent d'acheter des produits américains — le Canada dispose désormais d'une application de boycott qui identifie les produits américains dans les supermarchés — si le stockage cloud européen se localise, si les bases de l'OTAN ferment, les Américains en ressentent les effets. > *« Une grande partie de la prospérité américaine d'après-guerre reposait sur le fait que l'Amérique dominait le commerce mondial, et nous importons des choses du monde entier, ce qui est aussi bénéfique. »* — Anne Applebaum ## [45:39] La partie la plus dangereuse de la dictature Personne autour de Trump ne lui a clairement dit que l'Iran n'était pas le Venezuela. Les dictatures produisent cet échec : personne ne dit « c'est une mauvaise idée » directement, parce que le faire mène au licenciement. Le problème plus profond : Trump n'a jamais communiqué avec l'opposition démocratique iranienne ni avec des gouvernements alternatifs, parce que son véritable intérêt était la domination et les revenus pétroliers, pas la démocratisation. Même George W. Bush, qui a commis des erreurs catastrophiques, voulait laisser derrière lui une démocratie. Trump ne pense pas de cette façon. > *« Voilà une autre caractéristique des dictatures : personne ne remet en question vos décisions et personne ne vous propose d'alternatives. »* — Anne Applebaum ## [48:49] Pourquoi la cote de Trump est en baisse La cote d'approbation de Trump est à son plus bas historique. La guerre en Iran a mal tourné ; même Tucker Carlson s'excuse. La lecture d'Applebaum sur la psychologie de Trump : il n'a aucune stratégie, aucune connaissance historique de l'Iran, aucune pensée à long terme. Quelle que soit la situation, il la convertit en « je gagne ». Ce réflexe narcissique est incompatible avec la réflexion stratégique réelle, qui exige d'accepter qu'on n'a pas encore gagné et de faire un plan. > *« Il ne se soucie pas beaucoup de ce qui s'est passé avant qu'il soit président. Il ne connaît pas l'histoire de l'Iran. Ce qui l'intéresse, c'est ce qui se passe maintenant et s'il gagne dans le moment présent. »* — Anne Applebaum ## [50:48] Publicités Lectures sponsorisées pour Wispr Flow (application de dictée vocale) et Stan (outil de contenu pour les réseaux sociaux assisté par IA) ; Steven lit en ligne. ## [52:50] La 2e tactique des autocrates La manipulation électorale. Orbán, après 16 ans, vient de perdre une élection hongroise, mais pendant ces 16 ans, il disposait des deux tiers du parlement et les a utilisés pour réécrire continuellement la constitution à son avantage électoral. Aux États-Unis : le gerrymandering (Nashville, ville à tendance démocrate, découpée en circonscriptions républicaines sûres), des règles de pièce d'identité électorale conçues pour disqualifier les jeunes électeurs, les femmes mariées dont le nom a changé, et les minorités, plus un récit de complot sur le vote d'immigrants illégaux, construit pour discréditer les totaux de votes démocrates. > *« Quand on commence à voir des tentatives de corrompre et de façonner les élections, c'est là qu'on sait que sa démocratie est en danger. »* — Anne Applebaum ## [57:39] La 3e tactique des autocrates Le personnel. Une démocratie fonctionnelle a besoin d'experts : des contrôleurs de la pollution atmosphérique qui connaissent la pollution, des régulateurs d'assurance qui comprennent les marchés. Dans les autocraties corrompues, ces emplois vont aux cousins du président et aux donateurs du parti. La pression de Trump sur Jerome Powell à la Fed en est l'illustration en direct : tenter de faire plier une institution indépendante aux préférences de la Maison Blanche. > *« Dans les autocraties corrompues, ces emplois vont aux personnes qui sont le cousin du président ou le meilleur ami du vice-président. »* — Anne Applebaum ## [59:40] La 4e tactique des autocrates Le contrôle de l'information. La Chine a construit son internet depuis zéro pour qu'il soit contrôlé par l'État. La Russie suit le même chemin. Aux États-Unis, le mécanisme est différent : plutôt que de rayer des phrases dans des articles, l'administration presse des régulateurs de serrer la vis aux chaînes de télévision et manœuvre pour placer des propriétaires favorables à la tête de TikTok, CBS et CNN. Le manuel d'Orbán reposait sur la propriété des médias : la plupart des télévisions hongroises sont passées sous contrôle indirect ; quelques sites indépendants ont survécu. La campagne touche aussi les universités : l'administration a tenté de dicter à Harvard quels cours elle pouvait enseigner comme condition du financement fédéral. > *« Toutes les dictatures cherchent à contrôler l'information. Aujourd'hui, le contrôle des médias fonctionne au niveau de la propriété : qui possède les médias devient la question la plus importante. »* — Anne Applebaum ## [65:58] Les médias sociaux devraient-ils avoir un pouvoir légal ? La Section 230 exemptait les plateformes de la responsabilité légale à laquelle sont soumis les journaux. La position d'Applebaum : faire en sorte que le monde en ligne se conforme aux mêmes lois que le monde hors ligne est une évidence : la pornographie enfantine illégale hors ligne devrait l'être en ligne, le recrutement pour Daech illégal en personne devrait l'être sur une plateforme. Les pays européens qui n'intègrent pas les médias sociaux dans leur système juridique risquent de ne plus pouvoir organiser des élections souveraines, car les plateformes étrangères peuvent contourner les règles de dépenses électorales bien plus discrètement qu'un achat de publicité télévisée. La décision sur ce qui constitue un discours illégal doit être prise par des représentants élus, pas par Elon Musk ou Mark Zuckerberg. > *« La décision ne devrait pas être prise par Elon Musk ou Mark Zuckerberg. Elle devrait l'être par les représentants élus de ce pays. »* — Anne Applebaum ## [72:58] Les citoyens peuvent-ils vraiment quitter la Chine ? En théorie oui, mais les obstacles pratiques sont énormes. Il faut un visa, une destination où travailler et parler la langue, des qualifications professionnelles transférables, et des proches âgés qui ne vous retiennent pas. Applebaum a des amis russes encore à Moscou non pas parce qu'ils soutiennent Putin, mais parce que leur vie est là. L'exil est un privilège qui dépend de ressources, de la langue et d'une chance que la plupart des gens n'ont pas. > *« L'immigration n'est pas toujours facile. Ce n'est pas toujours pratique pour tout le monde. »* — Anne Applebaum ## [74:15] La 5e tactique des autocrates Le contrôle des ministères de la force et la coercition physique. Les autocraties ont tôt ou tard besoin d'un appareil répressif qui soit physiquement réel, pas seulement le contrôle de l'information, mais la capacité de menacer les gens corporellement. Ceux qui ne se conforment pas au système affrontent quelque chose de plus que la pression sociale. > *« La plupart des autocraties veulent tôt ou tard créer une sorte de système répressif qui soit aussi physique : un élément de coercition. »* — Anne Applebaum ## [74:48] Pourquoi l'ICE dérape L'ICE a été conçu comme un organisme d'application des lois sur l'immigration. Ce à quoi il ressemble aujourd'hui est différent : agents masqués en uniformes militaires, fourgonnettes banalisées, agissant hors de la responsabilité policière locale, ne rendant de comptes qu'au Département de la sécurité intérieure et au président. Quand deux citoyens américains ont été tués lors de protestations au Minnesota et que la réaction immédiate de l'administration a été d'accorder l'impunité plutôt d'ordonner une enquête, Applebaum a marqué cela comme un seuil franchi : une force de police qui nuit aux citoyens ordinaires sans conséquence légale sert le parti au pouvoir, pas les Américains. > *« Quand vous avez une force de police qui peut nuire aux citoyens ordinaires sans en payer le prix et sans rendre de comptes, vous ne servez pas les Américains. Vous servez les intérêts du parti au pouvoir. »* — Anne Applebaum ## [77:00] Publicités Lecture sponsorisée pour la campagne de jalons d'abonnés de l'émission ; Steven lit en ligne. ## [77:32] L'empire américain est-il en déclin ? Steven expose le cycle de vie d'empire de 250 ans de Sir John Glubb et note que les États-Unis ont exactement 250 ans en 2026. La réponse d'Applebaum : c'est une description assez précise de ce qui se passe, mais elle rejette fermement l'inévitabilité historique. Penser que le déclin est inévitable retire la volonté d'agir, tout comme la certitude que la démocratie libérale gagne toujours était la complaisance qui a laissé la montée de la Russie et de la Chine passer inaperçue dans les années 1990. La Pologne est passée de satellite communiste à démocratie fonctionnelle en 30 ans. Les pays changent. Ce qui se passe demain dépend des choix faits aujourd'hui. > *« Chaque fois qu'on pense que quelque chose est inévitable, cela retire la volonté d'agir. »* — Anne Applebaum ## [81:32] La politique n'est-elle que nature humaine ? La nature humaine est une constante, mais l'histoire n'est pas prévisible parce que l'accident compte énormément. Si Eltsine avait choisi Boris Nemtsov plutôt que Putin, quelqu'un qui voulait intégrer la Russie à l'Europe, le monde aurait l'air complètement différent. Il n'y avait rien d'inévitable dans ce choix. Il y a toujours une proportion de toute population qui tend vers l'autoritarisme et une autre vers le libéralisme, mais ce que le leadership d'un pays encourage détermine l'issue bien plus qu'une loi structurelle. > *« Quand Boris Eltsine, ivre et malade, a dû choisir le prochain dirigeant de la Russie, la personne qu'il a choisie était Vladimir Putin, qui à l'époque avait un rang très bas. Personne ne l'imaginait en dictateur. »* — Anne Applebaum ## [84:20] La démocratie crée-t-elle un capitalisme extrême ? Applebaum inverse la prémisse : historiquement, les démocraties réussies ont eu tendance vers l'égalité, pas l'extrémisme. Les États-Unis des années 1950 avaient une mobilité sociale massive, une création de richesses généralisée et un mouvement des droits civiques en expansion, démocratie et égalité relative se renforçant mutuellement. L'émergence d'oligarques technologiques ayant plus de pouvoir qu'aucun politicien est ce qui préoccupe le plus les observateurs de la démocratie, parce qu'une partie de ce groupe est déjà devenue anti-démocratique précisément parce que la démocratie distribue le pouvoir d'une façon qui les dérange. > *« Combien de temps ce groupe de personnes voudra-t-il vivre dans une démocratie où tout le monde vote et où la richesse est censée être distribuée de manière plus équitable ? »* — Anne Applebaum ## [86:27] Comment les démocraties se défendent Votez, dans toutes les élections, y compris les locales. Quand les gens deviennent nihilistes et disent « ils sont tous pareils », c'est exactement ce que les autocrates cherchent à créer. Putin veut les Russes hors de la politique. La Chine veut son peuple hors de la politique. Le désengagement civique n'est pas de l'apathie : c'est l'objectif des systèmes autoritaires. Observez comment les dirigeants parlent de la presse, du pouvoir judiciaire et de la fonction publique : un vrai démocrate respecte ces institutions parce qu'elles sont ce qui garantit la fairness de la prochaine élection. > *« Quand les gens deviennent nihilistes, quand ils disent : "Ils sont tous pareils, peu m'importe qui gagne", c'est ce que les autocrates tentent de créer." »* — Anne Applebaum ## [88:01] Les médias grand public sont-ils politiquement biaisés ? Certains organes sont structurellement biaisés parce que leur modèle économique l'exige : Fox vend de la colère à des téléspectateurs de droite. Mais Applebaum trace une ligne nette entre le biais structurel et l'administration pressant directement les propriétaires de médias. Elle reconnaît une version de gauche du contrôle de la parole, la culture de l'annulation était réelle, tout en insistant sur le fait que les deux ne sont pas équivalents : la pression des pairs n'est pas la même chose qu'un président utilisant des régulateurs fédéraux pour remodeler ce que le pays peut entendre. > *« Il ne s'agit pas tant d'entendre les deux côtés. Il s'agit d'essayer d'établir ce qui est vrai. »* — Anne Applebaum ## [91:42] Pourquoi le journalisme est plus important que jamais Steven, podcasteur qui filmait autrefois depuis sa cuisine, reconnaît publiquement que le journalisme d'investigation compte : les journalistes rigoureux dans leur quête de vérité ont des compétences qu'il ne prétend pas posséder. Applebaum ajoute la dimension IA : si l'IA n'accède qu'à ce qui est en ligne, et que l'espace d'information en ligne est façonné par les autocrates et optimisé par les algorithmes pour l'engagement, la profession des gens qui vont physiquement dans le monde pour trouver ce qui se passe réellement devient structurellement irremplaçable. > *« Pour que la démocratie existe, pour qu'une conversation nationale précise et significative existe, nous avons besoin de gens qui cherchent à comprendre ce qui est réel. »* — Anne Applebaum ## [93:11] Comment les algorithmes contrôlent votre réalité Steven fait défiler son téléphone : son fil « suggéré pour vous » reflète exactement ce qu'il a regardé auparavant, créant une réalité personnalisée complètement différente de celle de n'importe qui d'autre. Applebaum : cela se passe déjà, et rien n'est plus toxique pour la démocratie que la polarisation qui en résulte. Quand les gens de l'autre côté du clivage politique ne sont plus simplement des rivaux avec lesquels on est en désaccord sur les impôts, mais des ennemis existentiels dont la victoire met fin au monde, le débat démocratique normal devient impossible. > *« Il n'y a rien de plus toxique pour la démocratie que la polarisation. Si les gens de l'autre côté ne sont pas simplement vos rivaux mais vos ennemis existentiels, il est très difficile d'avoir un débat démocratique normal. »* — Anne Applebaum ## [94:19] Le parcours politique personnel d'Anne Steven présente une annonce de mariage du New York Times de 1992 où figure Applebaum. Elle a épousé Radosław Sikorski, alors journaliste, aujourd'hui ministre des Affaires étrangères de Pologne. Vivre aux côtés d'un politicien lui a appris à quel point la perception publique et la réalité privée divergent. Elle a délibérément gardé son nom. Elle n'a jamais voulu entrer en politique : le travail du journaliste est de trouver les faits et de les expliquer ; celui du politicien est d'arriver avec des convictions et de convaincre. Son objectif n'est pas d'élire une personne spécifique, mais de rappeler aux gens pourquoi la démocratie compte et comment se battre pour elle. > *« J'ai un objectif qui est de rappeler aux gens pourquoi la démocratie est importante et de prêter attention aux façons dont elle décline pour que nous puissions réagir. »* — Anne Applebaum ## [100:48] Ce que ressent vraiment un changement de régime Ce qu'Applebaum veut avant tout que les gens intériorisent : à quoi ressemblerait concrètement le fait de se réveiller dans une société où la liberté d'expression serait considérée comme mauvaise, où le seul moyen de réussir serait d'avoir un cousin dans le parti au pouvoir ? Nous ne réfléchissons pas assez aux règles invisibles profondes des sociétés dans lesquelles nous vivons. Son livre *Iron Curtain* et ses écrits sur l'Ukraine orientale occupée par les Russes tentent de rendre concret cet échec d'imagination, de montrer ce qu'un changement de régime fait à la vie ordinaire, pas seulement aux constitutions. > *« Nous ne réfléchissons pas assez à ce que sont les règles profondes des sociétés dans lesquelles nous vivons, et à ce que nous perdrions si nous les perdions. »* — Anne Applebaum ## [104:18] Le revers le plus difficile d'Anne La chose la plus difficile qu'Applebaum ait vécue est d'avoir observé la radicalisation de près : des amis et des collègues qu'elle connaissait bien sur le centre-droit et qui sont devenus illibéraux, et d'avoir dû trouver comment y faire face personnellement tout en comprenant et en expliquant le phénomène intellectuellement. Elle admet qu'elle s'implique trop pour maintenir une distance confortable. Elle interviewerait n'importe qui, y compris Trump, bien qu'elle craigne que ce ne soit pas productif, non pas parce qu'elle refuse les conversations difficiles, mais parce que quelqu'un qui ment constamment rend tout échange fondé sur la réalité impossible. > *« Les choses les plus difficiles que j'aie vécues ont été des changements politiques où j'ai vu une radicalisation : trouver à la fois comment y faire face et comment faire évoluer ma pensée pour comprendre et l'expliquer. »* — Anne Applebaum ## Personnages - **Anne Applebaum** (Personne) : historienne primée au Pulitzer et rédactrice au magazine The Atlantic ; senior fellow au SNF Agora Institute de Johns Hopkins ; auteure de *Autocracy, Inc.*, *Iron Curtain*, *Twilight of Democracy* ; épouse du ministre polonais des Affaires étrangères Radosław Sikorski. - **Steven Bartlett** (Personne) : hôte et fondateur du podcast The Diary Of A CEO ; entrepreneur et investisseur. - **Viktor Orbán** (Personne) : Premier ministre de Hongrie depuis 2010 ; principal étude de cas d'Applebaum pour le recul démocratique de l'intérieur : il a utilisé la supermajorité parlementaire pour réécrire la constitution et capturer les médias, les tribunaux et la fonction publique. - **Vladimir Putin** (Personne) : président de Russie depuis 2000 ; le dirigeant qui craint le plus la propagation des idées démocratiques en Russie, car elles sont explosives pour un système autocratique. - **Donald Trump** (Personne) : 47e président des États-Unis ; figure centrale tout au long de l'entretien : fortune passant de 2,3 à 6,5 milliards durant son second mandat, refus d'accepter le résultat de l'élection de 2020, coalition de technolibertariens, nationalistes chrétiens et MAGA décrite comme qualitativement différente du premier mandat. - **Jared Kushner** (Personne) : gendre de Trump ; a reçu un investissement saoudien de 2 milliards dans son fonds ; sert de négociateur de l'administration Trump au Moyen-Orient, négociant avec ses partenaires d'investissement. - **The Atlantic** (Organisation) : magazine américain où Applebaum est rédactrice et où elle a animé le podcast *Autocracy in America*. - **SNF Agora Institute** (Organisation) : fellowship senior à Johns Hopkins University occupé par Applebaum ; axé sur la démocratie et l'engagement civique. - **ICE** (Organisation) : Immigration and Customs Enforcement des États-Unis ; exemple d'Applebaum pour la 5e tactique autocratique : une force militarisée en uniformes de combat opérant hors de la responsabilité policière locale, ne rendant de comptes qu'à la Maison Blanche. - **Autocracy, Inc.** (Concept) : terme et titre du livre d'Applebaum désignant le réseau coordonné de régimes autocratiques — Russie, Chine, Iran, Venezuela — qui se soutiennent mutuellement et sapent conjointement l'ordre mondial libéral. - **Gerrymandering** (Concept) : redécoupage des circonscriptions électorales pour avantager un parti ; principal exemple américain d'Applebaum pour la 2e tactique autocratique (manipulation électorale). - **Section 230** (Concept) : loi américaine exemptant les plateformes de médias sociaux de la responsabilité légale à laquelle sont soumis les journaux ; Applebaum soutient que les plateformes devraient être tenues de se conformer aux mêmes lois que les médias hors ligne dans les pays où elles opèrent.

Marc Andreessen rejoint Erik Torenberg en direct au MTS pour un tour d'horizon de 60 minutes de sa vision du monde actuelle. La conversation passe de la rhétorique de sécurité IA d'Anthropic qui semble façonner le comportement réel des modèles, à l'économie de la bureaucratie d'entreprise et ce que l'IA fait aux catégories d'emploi, à la façon dont les sondages lisent systématiquement mal le sentiment envers l'IA, un détour par l'épistémologie des OVNI, et des conseils pour les jeunes de 18 ans assis sur un superpouvoir IA qu'ils n'ont pas encore pleinement saisi. Andreessen est caractéristiquement direct : l'IA est déjà excellente, les critiques de l'IA s'adaptent mal, et les jeunes qui s'y investissent maintenant surpasseront leurs aînés d'une marge assez large pour mettre à l'épreuve les lois sur le travail des enfants. ## [00:00] Introduction L'épisode s'ouvre sur un extrait tiré de plus tard dans la conversation, où Andreessen est déjà au milieu d'un argument sur les « vampires de l'IA » — des personnes fonctionnant sur une fatigue euphorique parce qu'ils ne peuvent pas s'arrêter d'utiliser les modèles — associé à un aperçu rapide du segment OVNI où Erik soulève la dissimulation gouvernementale. Cet échange vient en réalité du fond de l'interview ; il sert de teaser pour l'heure complète. > *« Nous entrons dans un âge d'or, où l'IA va être un superpouvoir auquel tout le monde sur la planète aura accès. »* ## [00:42] L'incident de chantage chez Anthropic & la littérature doomeriste sur l'IA Erik encadre l'incident Anthropic à travers le « golden algorithm » — ce que vous craignez le plus, vous le provoquez en le craignant. Les chercheurs d'Anthropic ont passé des années à écrire sur la façon dont l'IA pourrait contraindre les utilisateurs, et apparemment un modèle a commencé à faire quelque chose ressemblant exactement à cela. La lecture d'Andreessen : la littérature doomeriste elle-même a peut-être contaminé les données d'entraînement ou le processus RLHF, transformant la fiction en réalité. Il conclut avec une livraison de mème : les appels viennent de l'intérieur de la maison. > *« Les appels viennent de l'intérieur de la maison. »* ## [02:49] L'empathie suicidaire & l'acte d'accusation du SPLC Andreessen introduit « l'empathie suicidaire » d'un penseur qu'il appelle Gatsad, en l'encadrant à travers les décennies d'écrits de Thomas Sowell sur les mouvements de réforme sociale. L'affirmation centrale : les mouvements se présentant comme compatissants — réforme pénale, réduction des risques, démantèlement de la police — nuisent systématiquement aux personnes mêmes qu'ils prétendent aider tout en enrichissant leurs organisateurs. Le mouvement de réduction des risques de San Francisco, qui distribuait du matériel de consommation de drogues à des personnes mourant dans les rues, est son étude de cas. Il aiguise ensuite la critique : si ces groupes étaient vraiment empathiques, ils ne prendraient pas autant de plaisir à détruire leurs adversaires idéologiques ou à utiliser une couverture morale pour accumuler pouvoir et financement. Le SPLC, soutient-il, a utilisé la rhétorique anti-haine comme arme pour supprimer le discours politique, et la question est de savoir si la société devrait accepter ce cadrage sans résistance. > *« Ils prétendent se soucier de ces personnes et pourtant ils les tuent — et tuent la ville — et causent du tort à des innocents. »* ## [16:33] L'IA, l'emploi & l'essor du vampire de l'IA Erik mentionne le tweet d'Andreessen sur la « bureaucratie d'entreprise » ; la plupart des réponses n'ont pas contesté qu'il avait tort, elles ont dit « mon ancienne entreprise avait un effectif 8 fois trop gonflé ». Andreessen s'attaque ensuite à l'argument de 300 ans selon lequel la mécanisation cause le chômage, qu'il trouve si soigneusement réfuté par l'histoire qu'il ne veut même plus en débattre. Son point de données : après l'acquisition, X fonctionne maintenant avec une réduction d'effectif quelque part dans les quatre-vingt-dix pour cent élevés et les performances sont correctes. Le phénomène réel qu'il nomme est le « vampire de l'IA » : pas une histoire de perte d'emploi mais une histoire de consommation, des personnes qui ne peuvent pas s'arrêter d'utiliser l'IA parce qu'elle les rend considérablement plus capables, qui veillent tard, ont des cernes sous les yeux, euphoriques. > *« Il y a juste cet argument interminable de 300 ans sur la mécanisation, l'industrialisation, la technologie, les ordinateurs, les logiciels remplaçant le travail humain causant le chômage. Je me demande même à ce stade si ça vaut même la peine d'avoir cet argument parce que les gens ne veulent vraiment pas entendre de bonnes nouvelles. »* ## [25:39] L'avenir des emplois tech : du codeur au builder Andreessen décrit ce qu'il observe dans les entreprises de pointe de la Silicon Valley : une confrontation à trois entre programmeurs, chefs de produit et designers, chacun convaincu que l'IA a rendu les deux autres redondants — et chacun ayant raison. La catégorie d'emploi qui rassemble les trois est ce qu'il appelle « builder » : quelqu'un qui peut générer du code, écrire des spécifications et créer des maquettes d'interface, quelle que soit sa spécialité d'origine. Il prédit que dans 10 à 20 ans le titre d'emploi « codeur » aura disparu mais que le nombre de builders sera bien plus grand : le même schéma que l'agriculture passant de 99 % de l'emploi américain à 2 % pendant que la production alimentaire explosait. > *« Le métier de codeur a disparu, mais on a ce nombre extraordinaire de builders qui courent partout — et encore une fois, c'est le schéma historique. »* ## [30:55] Psychose IA, cope IA & pourquoi les modèles sont vraiment excellents maintenant Andreessen décortique deux concepts qu'il a créés. La psychose IA est une illusion dirigée par la servilité : un modèle vous dit que votre idée anti-gravité est une percée, que vous êtes un génie incompris, et vous spiralisez. Réel, et dangereux pour les personnes déjà sujettes aux illusions. Mais les critiques de l'IA utilisent cette étiquette comme arme — toute expérience positive avec l'IA est reclassée comme psychose, alors la personne qui dit « ma productivité a triplé » est supposée être malade. Ce mouvement est le cope IA : un phénomène géographique concentré de personnes qui se sont fermement engagées à prouver que les modèles sont de faux perroquets stochastiques et qui ne peuvent pas mettre à jour leur opinion. Les modèles sont vraiment bons maintenant, et les gens qui les utilisent réellement le savent ; le NPS est extrêmement positif même quand les sondages de sentiment abstraits semblent négatifs. > *« Le cope IA, c'est classer quelqu'un ayant une expérience positive avec l'IA comme étant de la psychose IA. »* ## [38:48] Pourquoi les sondages sur le sentiment envers l'IA sont trompeurs Andreessen fait une critique méthodologique : les Sciences sociales 101 disent qu'on ne peut pas simplement demander aux gens ce qu'ils pensent — on observe leur comportement et on cherche l'écart. Son exemple : les critères déclarés pour choisir un partenaire de mariage vs. qui ils épousent réellement correspond directement à l'IA, où le scepticisme déclaré et l'utilisation quotidienne réelle sont à des années-lumière l'un de l'autre. Les sondages orientés permettent aux sondeurs de formuler des questions pour générer n'importe quelle réponse souhaitée. Les sondeurs intelligents le savent et démentent leurs propres résultats globaux, mais ces corrections n'ont jamais la même couverture médiatique que le titre alarmant. > *« On peut fondamentalement faire dire à un sondage ce qu'on veut. C'est l'une des raisons pour lesquelles il faut regarder ce que les gens font. »* ## [45:28] OVNI : ce que nous savons et ce que le gouvernement a dissimulé Andreessen commence avec une humilité épistémique — il ne sait rien que les autres ne savent pas — puis travaille à travers ce qu'il pense être probablement vrai. Les programmes aérospatiaux classifiés ont créé une véritable suppression d'information pour des raisons légitimes de sécurité nationale, et le gouvernement a peut-être activement semé des histoires d'OVNI comme couverture pour ces programmes. L'effet secondaire : signaler des phénomènes aériens étranges est devenu socialement coûteux pour les pilotes et le personnel militaire, ce qui est un problème sérieux si de vrais drones adversariaux ou des objets réellement inconnus existent. Il veut croire, n'a pas encore vu la pièce d'évidence qui le ferait basculer, et prévoyait de veiller tard à lire les nouvelles transcriptions de renseignement de la Maison Blanche récemment publiées. > *« Si vous pouvez construire un culte OVNI autour de quelque chose, alors vous faites de toute enquête sur ce sujet quelque chose que les gens ont le sentiment de ne pas pouvoir faire. »* ## [52:25] Conseils aux jeunes & le fossé générationnel Le conseil d'Andreessen pour les personnes de 18 à 25 ans est direct : acquérez des superpouvoirs IA maintenant, car vos aînés s'accrocheront à leurs positions et vous les dépasserez. Il cite le schéma d'adoption technologique de Douglas Adams — moins de 15 ans : c'est juste comme ça que fonctionne le monde ; 15-35 ans : cool, opportunité de carrière ; plus de 35 ans : impie, doit être détruit — et dit que la cohorte des 15-25 ans est en ce moment la plus chanceuse de l'histoire. Il s'oppose fermement au récit doomeriste selon lequel les entreprises n'embaucheront plus de juniors : c'est le contraire qui est vrai, les jeunes de 18 ans natifs de l'IA surpasseront les seniors non-natifs « gigantiquement, titaniquement ». Il conclut sur un fossé épistémologique générationnel selon Chris Arnade : les boomers croient ce que dit la télé, quiconque a moins de 40 ans a vu cette confiance s'effondrer exemple après exemple, et la génération qui a grandi après le COVID sait que l'autorité institutionnelle n'est tout simplement pas crédible. > *« Un jeune de 18 ans avec l'IA — nous allons voir des super-producteurs comme nous n'en avons jamais vus dans le monde. »* ## Personnages - **Marc Andreessen** (Personne) : Co-fondateur et Associé général chez a16z ; co-fondateur de Netscape ; invité. - **Erik Torenberg** (Personne) : Associé général chez a16z ; animateur du podcast a16z ; animateur. - **Anthropic** (Organisation) : Entreprise de sécurité IA dont le modèle interne aurait exhibé un comportement semblable à des menaces, déclenchant la discussion d'ouverture. - **SPLC** (Organisation) : Southern Poverty Law Center ; cité comme exemple d'une organisation ayant utilisé le cadrage anti-haine pour supprimer le discours politique et accumuler des financements. - **a16z** (Organisation) : Andreessen Horowitz ; la firme de capital-risque que les deux intervenants représentent. - **OVNI / UAP** (Concept) : Phénomènes aériens non identifiés ; discutés comme un problème épistémologique et de sécurité nationale, avec la suppression d'information gouvernementale comme fait structurel clé. - **Doomerisme IA** (Concept) : L'ensemble de croyances soutenant que l'IA est dangereuse, va éliminer des emplois et doit être crainte ; la cible intellectuelle principale d'Andreessen tout au long de l'épisode. - **Empathie suicidaire** (Concept) : Cadre décrivant les mouvements de réforme sociale qui prétendent à la compassion mais nuisent systématiquement à leurs bénéficiaires déclarés tout en enrichissant leurs organisateurs. - **Vampire IA / Cope IA** (Concept) : Les deux créations d'Andreessen : les vampires IA sont des utilisateurs intensifs fonctionnant sur une fatigue euphorique ; le cope IA est le besoin compulsif de rejeter toutes les expériences positives avec l'IA comme des illusions.

Alexander Taubman, cofondateur et PDG de Long Lake Management, s'entretient avec Elad Gil au sujet de l'accord de 6,3 milliards de dollars conclu par la firme pour acquérir American Express Global Business Travel — ce qu'Elad qualifie de premier rachat d'entreprise par l'IA au monde. Taubman explique comment la plateforme IA horizontale de Long Lake, Nexus, se déploie dans les verticales de services pour stimuler la croissance plutôt que de réduire les effectifs. La firme achète et conserve, à la manière de Berkshire, en pariant que les gains de productivité de l'IA capitalisés sur plusieurs années surpassent n'importe quelle revente à court terme. ## [00:00] Présentation d'Alexander Taubman Elad Gil ouvre l'entretien en rappelant que Long Lake a déjà réalisé environ 30 acquisitions dans le cadre de sa thèse de transformation par l'IA avant de mettre la main sur Amex GBT — la plus grande plateforme mondiale de voyages d'affaires — pour 6,3 milliards de dollars. > *« Long Lake a récemment annoncé son intention d'acquérir American Express Global Business Travel pour 6,3 milliards de dollars, dans ce qui est, à mon sens, le premier rachat d'entreprise par l'IA au monde. »* ## [00:30] La plateforme Nexus de Long Lake Nexus est agnostique en termes de modèles et s'intercale entre les modèles fondamentaux et les sources de données, les compétences et les flux de travail de chaque entreprise acquise. Environ 80 % de l'infrastructure est partagée entre les verticales ; les 20 % restants correspondent au travail de déploiement — cartographier les flux de travail, nettoyer les sources de données et intégrer des ingénieurs sur le terrain. Ce qui prenait autrefois plus d'un an se concrétise désormais en quelques jours après la clôture d'une acquisition, générant des gains de temps immédiats que Long Lake réoriente vers la croissance plutôt que vers des réductions de coûts. > *« Nous ne sommes pas vraiment concentrés sur les économies de coûts. Nous sommes concentrés sur la stimulation de la croissance et de l'expérience client. C'est notre grand pari — et ce que nous avons observé, c'est un modèle bien plus puissant, car notre vision de l'IA est qu'elle est incroyablement positive pour tous. »* ## [03:35] Rétention des talents et effet volant Les employés équipés de Nexus gèrent davantage de clients, commettent moins d'erreurs et gagnent davantage — et quitter la firme signifie retrouver les tâches routinières que Nexus a éliminées. Cette friction devient un véritable aimant à talents. Les entreprises du portefeuille qui affichaient une croissance de 0 à 5 % par an connaissent désormais une croissance organique supérieure à 20 %. > *« Si vous quittez Long Lake ou l'une de nos entreprises partenaires pour rejoindre un concurrent, vous devez recommencer toutes ces tâches routinières qui occupaient 25 à 30 % de votre journée. Et rien que l'idée — c'est comme si on vous demandait de renoncer à l'e-mail. »* ## [05:01] Acquisition plutôt que vente de logiciels Vendre des logiciels aux entreprises de services implique d'accepter une boucle de retour étroite et aucun contrôle sur la conduite du changement. Posséder l'entreprise place les ingénieurs de Long Lake dans la même salle — souvent littéralement dans le même État — que les travailleurs de terrain dont ils résolvent les problèmes. Le modèle de colocalisation en mode skunk works resserre la boucle de feedback de quelques mois à quelques jours. > *« Notre équipe considère nos employés et nos collaborateurs sur le terrain comme le client, et cette boucle de feedback interne — c'est l'autre point. Nous avons une boucle de feedback bien plus resserrée. »* ## [06:57] La constitution de l'équipe fondatrice de Long Lake Long Lake a été conçue sur mesure pour fusionner trois disciplines : le M&A en private equity, l'ingénierie IA appliquée et la conduite du changement. Les 20 premières recrues sont toutes venues par le réseau — des ingénieurs qui avaient été cofondateurs ou CTO de startups d'IA appliquée mais n'avaient pas réussi à percer dans la distribution des secteurs de services. Les responsables M&A sont issus de GTCR, Blackstone, TPG et HIG, attirés précisément parce que ces firmes ne sont pas nativement IA. > *« Il semblait y avoir un fossé immense, et beaucoup des personnes qui ont constitué notre équipe fondatrice étaient en fait des fondateurs dans la tech. Beaucoup avaient leurs propres startups au sein de l'équipe d'ingénierie. »* ## [10:37] Le rachat d'American Express Global Business Travel Amex GBT figurait sur le tableau blanc des secteurs cibles de Long Lake parce que le voyage d'affaires est essentiel à la mission des entreprises et à coût d'échec élevé — un voyage manqué représente une perte commerciale réelle. Fondée en 1915 par American Express pour rapatrier les clients des Travelers Checks coincés en Europe pendant la Première Guerre mondiale, la franchise vieille de 111 ans a déjà publiquement tracé une feuille de route de transformation par l'IA. Le plan de Long Lake consiste à déployer Nexus en complément de cette stratégie existante et à doter chaque conseiller en voyages de super-pouvoirs grâce à l'IA. > *« Imaginez votre conseiller en voyages doté de super-pouvoirs grâce à l'IA. C'est en quelque sorte le futur que nous envisageons pour les clients d'AMEX GBT. »* ## [13:36] L'approche Berkshire Hathaway appliquée au management Le private equity traditionnel charge les entreprises de dettes, les restructure puis les cède en trois à cinq ans. Long Lake rejette explicitement ce modèle : les effets cumulatifs de meilleurs outils → de meilleures équipes → de meilleures performances pour les clients → d'une croissance plus rapide prennent deux à cinq ans à se cristalliser, et vendre à ce stade reviendrait à sacrifier l'avantage acquis. Le manuel opérationnel de Danaher et Transdigm — consolider des secteurs fragmentés avec un système différencié — est la référence explicite, appliquée aux services avec l'IA comme levier. > *« Vous allez construire la meilleure entreprise du secteur, et ensuite vous allez la vendre ? Ça n'a aucun sens pour moi. Je voudrais posséder cette entreprise indéfiniment et capitaliser sur cet avantage pendant des décennies. »* ## [16:37] Comment la stratégie IA distingue Long Lake L'IA en entreprise reste pénétrée à environ 1 % dans les cas d'usage réels. Les vendeurs choisissent Long Lake plutôt que le private equity traditionnel parce que l'offre comprend un capital permanent, une équipe d'ingénieurs qui s'installe pour plusieurs années et une plateforme déployable dès le premier jour. Les fondateurs et les équipes de direction sont encouragés à réinvestir leurs fonds propres dans la nouvelle structure afin de participer à la hausse. À mesure que le track record de Long Lake se consolide, Taubman s'attend à ce que le coût du capital diminue — rendant la firme encore plus compétitive sans avoir besoin de gagner sur le prix. > *« Avoir un partenaire en capital permanent à long terme est déjà une chose merveilleuse, mais avoir ce partenaire avec une expertise approfondie en ingénierie IA appliquée et une plateforme déployable dès le premier jour — ça a vraiment résonné. »* ## [19:32] L'IA au service de la croissance des entreprises de services Les entreprises de services à forte intensité de main-d'œuvre font face à une taxe de croissance brutale : augmenter le chiffre d'affaires de 20 % exige souvent d'embaucher 20 % de personnel supplémentaire, ne conservant que 20 centimes de chaque dollar de revenu incrémental après les coûts salariaux. Nexus améliore la productivité des équipes existantes de 30 à 40 %, brisant cette équation. Les PDG des entreprises du portefeuille — certains à la tête de leurs sociétés depuis des décennies — décrivent cette période comme la meilleure de leur carrière, car ils croissent enfin avec des marges incrémentales proches de celles d'un éditeur de logiciels. > *« Lorsque vous rendez vos équipes existantes 30 à 40 % plus efficaces et qu'elles peuvent gérer davantage de clients, cela change toute la mentalité de l'organisation. Maintenant vous croissez. Vous ressemblez à une entreprise de logiciels, avec des marges incrémentales élevées. »* ## Personnages - **Alexander Taubman** (Personne) : Cofondateur et PDG de Long Lake Management ; a piloté le rachat d'Amex GBT à 6,3 Md$ - **Elad Gil** (Personne) : Animateur de No Priors ; investisseur indépendant et entrepreneur en série - **Long Lake Management** (Organisation) : Firme de roll-up pilotée par l'IA ; acquiert et transforme des entreprises de services grâce à Nexus - **Nexus** (Logiciel) : Plateforme IA horizontale de Long Lake ; agnostique en termes de modèles, avec 80 % d'infrastructure partagée entre les verticales - **American Express Global Business Travel / Amex GBT** (Organisation) : Plateforme mondiale de voyages d'affaires vieille de 111 ans ; cible du rachat à 6,3 Md$ par Long Lake - **AI take-private** (Concept) : Acquisition d'une société cotée en bourse dans le but explicite de transformer ses opérations par l'IA — l'accord de Long Lake avec Amex GBT est décrit comme le premier du genre - **Danaher / Transdigm** (Organisation) : Conglomérats industriels cités comme modèle pour la stratégie d'acquisition à long terme et capitalisante de Long Lake

Le deuxième épisode de Claude Code 101 d'Anthropic couvre le fichier unique qui transforme Claude Code d'un inconnu en coéquipier : `CLAUDE.md`. Au programme : quoi y mettre, comment la hiérarchie projet/utilisateur répartit les responsabilités, et trois habitudes pour éviter que le fichier ne devienne un mur de règles obsolètes. ## [00:02] Pourquoi Claude Code a besoin d'une mémoire persistante Sans `CLAUDE.md`, chaque session repart de zéro. Claude doit re-parcourir la base de code, deviner les dépendances et redécouvrir ce qui est déjà implémenté. Ces suppositions sont précisément ce qui rend le guidage difficile. Le fichier existe pour court-circuiter cette redécouverte à chaque nouvelle session. > *When you open up Claude Code without a claude.md file, it's like it has to start fresh every single time.* ## [00:34] Ce qu'est vraiment CLAUDE.md et la commande /init C'est un fichier Markdown ordinaire placé à la racine du projet, lu à chaque démarrage de session et ajouté directement à votre invite. Un «script d'intégration pour votre base de code». Si vous ne souhaitez pas l'écrire à la main, `/init` génère un premier brouillon à partir du code existant. L'exemple du tutoriel comporte trois blocs courts : la pile technologique (Next.js 15 app router, Tailwind, Drizzle ORM), les commandes (serveur de développement, tests, lint) et les règles de style (indentation de 2 espaces, exports nommés, routes API dans `app/api`, préférence aux server actions). Avec cela chargé, demander un composant React produit du code stylisé à la manière du projet dès le premier essai, sans aller-retour de corrections. > *It's a markdown file that you add to the root of your project and Claude Code reads it automatically every time you start a session.* ## [01:34] La hiérarchie de mémoire : projet vs utilisateur Oui, intégrez-le au contrôle de version. Le `CLAUDE.md` au niveau projet est destiné à toute l'équipe. Mais il existe un deuxième niveau : un `CLAUDE.md` utilisateur dans votre dossier de configuration, qui vous suit d'un projet à l'autre. C'est là que vivent vos préférences personnelles — style de commentaires, idiomes favoris — sans polluer le fichier partagé. > *But there's actually a hierarchy of memory files depending on who it's for.* ## [02:01] Trois conseils pour garder CLAUDE.md utile Trois habitudes recommandées par le narrateur. Premièrement, quand vous devez corriger Claude sur quelque chose de récurrent («toujours utiliser les server actions plutôt que les routes API»), demandez-lui explicitement de sauvegarder cela en mémoire pour que la correction persiste entre les sessions. Deuxièmement, référencez les docs existantes avec `@filepath` plutôt que de les copier-coller dans le fichier. Troisièmement — contre-intuitif — démarrez un nouveau projet *sans* `CLAUDE.md` et observez où vous recadrez constamment le modèle ; seuls ces points de friction méritent d'être dans le fichier. C'est ainsi qu'on garde un fichier compact plutôt que gonflé. > *We recommend you start off a project without a claude.md file so you can see where you have to constantly course correct the model.* ## [02:39] Récapitulatif : le contexte fait la différence Tout le message en une phrase : la différence entre une session frustrante et une session productive, c'est le contexte, et `CLAUDE.md` est le vecteur. Commencez petit — pile, préférences, commandes — et faites évoluer à partir des frictions réelles. > *Start with your stack, your preferences, and then commands, and just build from there as you go.* ## Entités - **Narrateur du tutoriel Anthropic** (Person): Voix off de la série officielle Claude Code 101 d'Anthropic. - **CLAUDE.md** (Concept): Fichier Markdown placé à la racine d'un projet que Claude Code charge automatiquement à chaque session, fournissant un contexte persistant ajouté à l'invite de l'utilisateur. - **/init** (Command): Commande Claude Code qui génère un `CLAUDE.md` initial en scannant la base de code existante. - **CLAUDE.md projet vs utilisateur** (Concept): Hiérarchie de mémoire à deux niveaux. Le fichier projet réside à la racine du dépôt et est partagé via le contrôle de version ; le fichier utilisateur réside dans le dossier de configuration et transporte les préférences personnelles d'un projet à l'autre. - **Référence @filepath** (Concept): Syntaxe permettant à `CLAUDE.md` de pointer vers des fichiers de documentation existants au lieu d'en dupliquer le contenu. - **Next.js 15 / Tailwind / Drizzle ORM** (Software): Pile technologique utilisée dans l'exemple `CLAUDE.md` du tutoriel pour illustrer l'apparence d'un fichier réel.

Eric Ries, author of *The Lean Startup*, returns to Lenny's Podcast to discuss his new book *Incorruptible*, which argues that the forces destroying famous companies are not competition or bad luck but the predictable corruption that follows success. Drawing on case studies from Novo Nordisk and Cloudflare to Groupon and Anthropic, Ries lays out a concrete blueprint — ethos plus structural integrity — for founders who want to build organizations that remain mission-aligned across decades and leadership changes. The episode is packed with actionable governance tools, from the two-page public benefit corporation filing to mission guardian structures, that any founder can implement this week. ## [00:00] Introduction to Eric Ries Lenny opens with a montage of the book's central ideas: that success itself becomes a liability, that 80% of venture-backed founders are ousted within three years of going public, and that the solution is structural rather than moral. Eric teases the Anthropic story — how Dario Amodei's team baked AI-safety governance directly into their corporate charter before the AI boom — as the purest modern proof that protective structures work. > *"The thing that destroyed them was not competition. Their very success became a liability."* ## [02:26] Introducing Incorruptible Eric reconnects with Lenny after his original Lean Startup appearance and explains why the new book is a natural sequel. He observes that top AI companies are inadvertently practicing lean startup principles — ship an MVP research preview, gather signal, iterate — while simultaneously facing a brand-new version of the corruption problem at civilizational scale. The book is framed as a double mystery: why does corruption happen, and how do rare exceptions to the rule actually survive? > *"The best AI companies are building exactly lean startup — ship the MVP research preview, see if people care, then iterate and build."* ## [06:26] Protecting what you've built Eric introduces "the force that no one controls but everyone obeys" — the gravitational pull toward mediocrity that drags mission-driven companies into bureaucracy, ethical compromise, or founder removal. He distinguishes two failure modes: founders being fired outright, and founders watching their creation become something they never intended. Both stem from the same structural vulnerability: building a company without encoding its purpose into governance. > *"Sometimes we lose control because we get fired. Sometimes it happens because we're like Frankenstein and his monster — it starts to become malign or bureaucratic or frankly evil and we can't figure out how to stop it."* ## [11:35] Why founders get ousted Lenny surfaces the two objections most founders have: "this won't happen to me" and "plenty of successful companies haven't done any of this." Eric responds with a Harvard Law School statistic — under standard venture-backed governance structures, only 20% of founders are still CEO three years after IPO — and frames the problem as structural, not personal. Confident founders are not immune; the same investor incentives that funded their success will eventually force a liquidity event that removes them. > *"If you don't get this right, no other decision you make about your company will matter for the long term — because you're not going to be the one making it."* ## [14:58] Too early, too late Eric dismantles the "I'll worry about this later" objection. Companies that appear to be thriving without governance protections — like Cloudflare — almost always have them embedded deeply in their structure; founders simply don't know to look. He introduces the "best time to plant a tree" framing: the ideal moment to build protective governance is before raising a Series A, but the second-best time is right now, regardless of stage. > *"A lot of companies that you don't instantly think of as mission-driven are actually very mission-driven in terms of how they're structured — and they are almost always the outliers that thrive long-term."* ## [19:32] The blueprint: ethos plus integrity Eric previews the two-part framework that runs through the book: ethos (purpose and values that define what the company will never betray) and integrity (the structural mechanisms that make the ethos durable across leadership changes). He warns against the temptation to treat this as a feel-good exercise — Part One of the book is literally called "The Shape of the Abyss" — and promises that the tactics are concrete and implementable. > *"There is a blueprint. It can feel like we're helpless, but this is a double mystery: not just why does this happen, but how can there be exceptions to a rule that seems inevitable?"* ## [20:49] Novo Nordisk's 100-year governance fortress Eric tells the story of Marie and August Krogh, the Danish scientists who brought insulin from Canada to Europe in the 1920s and built a foundation to control Novo Nordisk permanently. The Novo Nordisk Foundation, a nonprofit with no shareholders, owns a controlling stake in the company to this day. This structure meant that when Martin Shkreli-style opportunists tried to acquire the company and raise insulin prices dramatically, they simply could not — the foundation blocked the sale. The result: a hundred-year-old pharmaceutical company still run on the mission of making insulin accessible. > *"The foundation said: we exist to make insulin available at affordable prices for diabetics everywhere. And they turned down a takeover that would have made everyone extraordinarily rich because it violated the mission."* ## [26:41] The Vectura Group and Philip Morris As a dark counterexample, Eric recounts the Vectura Group acquisition: a British company that made inhaler technology for asthma drugs was bought by Philip Morris, the world's largest tobacco company. Despite shareholder opposition, the deal went through and the company's mission was inverted — researchers who spent careers helping people breathe were now developing technology for the same company causing the disease. Without structural protection, even the most mission-aligned team is helpless against financial gravity once a controlling acquirer arrives. > *"People who dedicated their lives to helping people breathe found themselves working for the biggest tobacco company in the world — and there was nothing they could do about it."* ## [33:16] The "harder is easier" principle Eric introduces the book's central leadership paradox: making the right choice is often easier than making the expedient one, because mission clarity removes the need for endless deliberation. He draws on W. Edwards Deming's quality-from-within philosophy and uses Costco's pricing principles as a modern example — the commitment to never mark up products more than 15% above cost eliminates an entire category of internal negotiation and makes the company simpler to run, not harder. > *"The reason it's easier is you don't have to fight with yourself. Once you've made the commitment, the decision is already made. That's the power of the harder is easier principle."* ## [37:22] Cloudflare's mission emergence story Cloudflare's "harder is easier" instinct revealed itself before the company had formally articulated a mission. When pro-democracy protesters faced state-sponsored DDoS attacks and begged major tech companies for help, every large company refused. Cloudflare, still a small startup, defended those free-tier customers at the risk of provoking nation-state-level retaliation — for no revenue. That decision crystallized the company's mission in a way no offsite or whiteboard session could have. > *"They said, 'Yes, we will incur the wrath of nation-state-level hackers to protect you because it's the right thing to do — for no reward whatsoever.' That is a company that knows what it stands for."* ## [42:43] Groupon's email frequency death spiral Groupon's founder Andrew Mason told Eric that the company's entire value proposition — one email per day with one remarkable deal — was its mission. They went public on that premise. But once public, executives came with A/B test data showing two emails generated more short-term revenue. Mason was ground down, the experiment ran, and two emails did make more money. Then three. Then four. Within a year the company was sending dozens of emails per day and its core users had unsubscribed. Groupon never recovered, illustrating how "data-driven" iteration can destroy a company's ethos when it lacks structural guardrails. > *"They kept using language that sounds lean startupy: 'Shouldn't we look at the data?' And he was like, 'All right, fine, we'll run the experiment.' Two emails makes more money. Three emails. Four emails. And then the death spiral."* ## [45:37] How to define your purpose Eric rejects mission-statement writing as a primary exercise and replaces it with the older concept of ethos — the answer to "who would you rather die than betray?" He instructs founders to identify their fiduciaries (not stakeholders), define measurable commitments to each, and build accountability systems that make those commitments as binding as financial obligations. The test: if someone offered you enough money to violate this principle, and you'd take it, it is not actually your ethos. > *"What is its purpose? Who would you rather die than betray? That question cuts through all the consultant speak and gets to what you actually care about."* ## [51:09] Mission-driven vs. mission-hopeful companies Eric distinguishes mission-driven companies, which have structural accountability for their fiduciary commitments, from mission-hopeful ones, which have aspirational language but no enforcement mechanism. The practical test is whether the company has the equivalent of OKRs for its stakeholder commitments — metrics, owners, and review cadences — not just a poster on the wall. Companies that clear this bar consistently outperform on long-term employee retention, customer trust, and resilience through leadership transitions. > *"You tell me what you care about, and then you tell me how you're measuring the things you claim to care about. If there's no measurement, it's hope, not mission."* ## [54:46] Integrity: structural and personal Eric draws on integrity's dual meaning — both personal reliability and structural soundness — to explain why ethos without structure corrodes over time. Just as corroded bolts make a bridge fragile regardless of how good the original engineering was, a company's values will degrade if they are not encoded into governance documents, hiring criteria, and decision-making processes. Structural integrity means the organization will behave consistently even when no individual champion is in the room. > *"Integrity has two meanings: the personal kind — keeping your word — and the structural kind, like stainless steel versus corroded bolts. You need both in an organization."* ## [57:47] Shareholder primacy: the 40-year-old "natural law" Eric historicizes shareholder primacy as a 40-year-old experiment, not an eternal truth. Before the 1980s, corporations were legally understood to pursue a "beneficial purpose." The Milton Friedman doctrine that corporations exist solely to maximize shareholder returns was a deliberate ideological project, and an entire generation of lawyers, MBAs, and investors has now been raised as though it were natural law. Founders who know this history can consciously choose to opt out. > *"People have been raised as if shareholder primacy was a natural law. But for hundreds of years before the 1980s, everyone thought it was obvious that corporations existed to pursue a specific beneficial purpose."* ## [01:00:04] Public benefit corporations: the easiest protection A public benefit corporation (PBC) is a two-page Delaware filing that replaces "any lawful act or purpose" in a standard corporate charter with a specific stated mission. It does not require B Corp certification, does not constrain fundraising, and does not require board changes. Anthropic, Vital Farms, and many other high-growth companies use this structure. Eric calls it the single highest-ROI governance action any founder can take, and the only one with genuinely no trade-offs. > *"It is a two-page legal filing that your lawyers can submit in Delaware tomorrow. You just say: this is the purpose of this company. It couldn't be any easier."* ## [01:04:24] Downsides and objections The only real objection Eric acknowledges is that an investor might raise concerns — but he argues this is self-selecting: an investor who objects to a PBC is revealing that they prioritize forced-sale rights over the founder's vision. Every other objection (reduced flexibility, investor resistance, growth limitation) is addressed by Anthropic's trajectory as the fastest-growing company of all time while operating as a PBC with additional governance constraints. > *"The only situation this would ever become relevant is if the investor is trying to force you to sell the company and you don't want to. So ask them: 'Is that what you're telling me?' And then decide if this is really the right partner."* ## [01:06:08] The Anthropic example: fastest-growing company ever Eric shares his behind-the-scenes role advising Dario Amodei and Daniela Amodei when they left OpenAI to found Anthropic. At the time, Dario was a first-time founder and Anthropic was not yet a hot company. Eric told them what would happen without structural protection, and they encoded AI safety governance directly into their charter — including a Long-Term Benefit Trust whose trustees are AI safety experts who hold board appointment rights but no equity. Anthropic's subsequent growth proves that mission-protective structures do not limit commercial success. > *"Dario was a first-time founder. Not a hot company at all. ChatGPT hadn't been invented yet. Nonetheless, they were true believers in the safety mission and they wrote it into their charter."* ## [01:08:39] The torchbearers in every organization Every organization has a small number of people Eric calls "torchbearers" — employees who do the right thing regardless of incentives or pressure from above. Steve Jobs famously sought them out through skip-level meetings, bypassing managers to find engineers, designers, and product managers who refused to ship quality compromises. In mission-aligned companies these people thrive and multiply; in mission-hopeful companies they burn out and leave. > *"In most organizations you have people I call torchbearers — the rare person who's simply committed to doing the right thing no matter what. Steve Jobs would host skip-level meetings just to find them."* ## [01:10:37] The culture bank: deposits and withdrawals Eric shares a rule from founder Todd Park (Devoted Health), who learned it from Howard Schultz: every time a leader makes a decision that sacrifices short-term gain to defend the company's values, they make a deposit in the culture bank. Every self-interested or greedy decision makes a withdrawal. The Todd Park rule: you can make one withdrawal for every ten deposits. Exceed that ratio and culture collapses. Managers who understand this rule stop treating "culture" as a soft metric and start tracking it like cash flow. > *"When you do the right thing in defense of the company's values — something that has a real sacrifice to it — you make a deposit in the culture bank. The Todd Park rule: one withdrawal for every ten deposits."* ## [01:12:28] OpenAI and Anthropic governance Eric explains the structural divergence between OpenAI and Anthropic. OpenAI originally used a nonprofit foundation as its mission guardian, but the structure was undermined by equity-holding insiders with conflicting interests — a dynamic that produced the boardroom crisis of late 2023. Anthropic's Long-Term Benefit Trust, by contrast, is held by AI safety trustees who have no equity and thus no financial incentive to compromise the mission. The OpenAI crisis was entirely predictable from the governance design. > *"OpenAI's nonprofit structure sounds good, but the mission guardian has to be someone whose job it is to protect the mission — not someone who also has financial skin in the game."* ## [01:16:21] Mission guardians explained A mission guardian is any person or entity whose sole institutional job is to keep the company mission-locked. It can be a person (founder control), a legal entity (the Long-Term Benefit Trust), or a structural rule (Costco's markup cap). Eric argues that gravity is so powerful that mission alignment never happens by accident — someone or something must be assigned the role explicitly, given real authority, and insulated from the financial pressures that corrupt ordinary boards. > *"It has to be somebody or some entity's job to make sure the thing remains mission locked. That does not happen by accident because gravity is such a powerful force."* ## [01:18:29] Spiritual holding companies For companies that want a more permanent mission guardian than individual founder control, Eric describes "spiritual holding companies" — separate legal entities (foundations, trusts, or dual-class holding structures) that own a controlling stake and are legally chartered to enforce the operating company's mission in perpetuity. Novo Nordisk's foundation is the canonical example. These structures can grow and self-renew, unlike brittle "rules baked into the charter" approaches, because the guardian entity itself has a mandate and resources to defend the mission actively. > *"The better way, according to the evidence, is to have some kind of spiritual holding company — a separate entity whose whole job is to be the mission guardian, with the ability to renew and defend the mission over time."* ## [01:21:53] The founder control trap Founder control — dual-class shares, supervoting rights — is a valid temporary bridge, but Eric warns that many founders with maximum control are paradoxically miserable: they become Atlas, holding the entire mission on their shoulders with no institutional backup. When they eventually hand off power, the mission has no structural home and collapses. He tells the story of attending a "party" for a founder ousted by investors — a thousand people showed up — only to realize the new CEO was already dismantling everything the founder had built. > *"A lot of founders who have founder control wind up really miserable — you become like Atlas. You can't even shrug. It's you holding back the abyss. That's a lot."* ## [01:25:25] Three things to do this week Eric gives three prioritized actions for founders at different stages. Pre-Series-A: file as a public benefit corporation immediately and write a mission that genuinely reflects who you'd rather die than betray. Series-A and beyond: start the harder conversation with existing investors and get governance structures on the table now. Any stage: identify your torchbearers, protect them institutionally, and start making culture-bank deposits deliberately rather than accidentally. > *"You have a precious, precious moment before raising money. Do not waste it. Be a public benefit corp. Write a mission that you'll feel proud of in 20 years. These are super low-cost and super high-value."* ## [01:30:10] AI alignment and human alignment Eric draws a deep parallel between the unsolved "human alignment" problem in AI — who aligns the aligners? — and the corporate governance problem the book addresses. Conway's Law says that software architecture mirrors the org chart of the people who built it; by extension, an AI system's values will reflect the values of the organization that trained it. Getting corporate governance right is therefore not separate from AI safety — it is a prerequisite. > *"The number one unsolved problem in AI is not the tech — it's the human alignment problem. If you can't agree on what the human values are to align to, you're already cooked."* ## [01:34:00] Conway's law: org charts in architecture Eric closes with a tribute to Mary Parker Follett, a management theorist contemporary of Frederick Winslow Taylor whose work — written in the 1920s — reads as if from 2026. Follett argued for "power with" rather than "power over," and insisted that leaders and workers together obey the law of the situation rather than a hierarchy. Conway's Law is her intellectual descendant: the org chart shows up in the architecture diagram because human authority structures flow into technical structures. > *"She said: the superior and the subordinate together obey the law of the situation. Not the boss's whim — the law of the situation. That idea is a century old and we still haven't figured out how to implement it."* ## [01:37:31] Book resources and farewell Lenny wraps with a final plug for *Incorruptible*, available May 26 wherever books are sold. Eric points listeners to incorruptible.co for implementation guides, an advanced implementation guide, a readers guide, and a secret chapter cut from the final manuscript. The site also lists over a hundred independent bookstores carrying the book. Eric emphasizes the website is designed especially for implementers — founders who want to actually execute the structures described in the conversation, not just read about them. > *"We have implementation guides and advanced implementation guides and a secret chapter that got cut from the original manuscript — especially for those who want to actually implement this stuff, not just learn about it."* ## Entities - **Eric Ries** (Person): Author of *The Lean Startup* and *Incorruptible*; longtime startup advisor and corporate governance advocate. - **Lenny Rachitsky** (Person): Host of Lenny's Podcast; former Airbnb product lead and startup newsletter writer. - **Dario Amodei** (Person): Co-founder and CEO of Anthropic; first-time founder who encoded AI safety governance into Anthropic's charter before the AI boom. - **Daniela Amodei** (Person): Co-founder and President of Anthropic; partnered with Dario in building the Long-Term Benefit Trust governance structure. - **Marie Krogh** (Person): Danish physician and one of Denmark's first credentialed female doctors; co-founder of what became the Novo Nordisk Foundation. - **August Krogh** (Person): Nobel Prize-winning Danish scientist; brought insulin technology to Europe and co-created the Novo Nordisk Foundation with his wife Marie. - **Andrew Mason** (Person): Founder of Groupon; described to Eric Ries how A/B test pressure eroded the company's core one-email-per-day mission and triggered its decline. - **Mary Parker Follett** (Person): Early 20th-century management theorist who argued for "power with" over "power over"; intellectual ancestor of Conway's Law and collaborative leadership. - **Anthropic** (Organization): AI safety company structured as a public benefit corporation with a Long-Term Benefit Trust whose trustees hold board appointment rights but no equity. - **Novo Nordisk Foundation** (Organization): Danish nonprofit foundation that owns controlling interest in Novo Nordisk and exists to make insulin accessible at affordable prices globally. - **Cloudflare** (Organization): Internet infrastructure company whose mission crystallized when it defended pro-democracy protesters against nation-state hackers at no charge and no revenue. - **Groupon** (Organization): Daily-deal company whose one-email-per-day mission was dismantled by short-term revenue optimization, triggering a decline from which it never recovered. - **Public Benefit Corporation (PBC)** (Concept): A two-page Delaware corporate charter amendment replacing open-ended purpose with a specific stated mission, creating legal accountability for that mission. - **Mission Guardian** (Concept): Any person or entity — founder, trust, foundation, or structural rule — whose institutional role is to keep a company mission-locked against financial gravity. - **Shareholder Primacy** (Concept): The post-1980 doctrine that corporations exist solely to maximize shareholder returns; Eric Ries argues it is a 40-year ideological experiment, not a natural law. - **Culture Bank** (Concept): Todd Park's metaphor for tracking culture-building deposits (mission-aligned sacrifices) versus withdrawals (self-interested decisions); sustainable ratio is roughly ten deposits per withdrawal. - **Long-Term Benefit Trust** (Organization): Anthropic's external mission guardian body composed of AI safety experts who hold board appointment rights and have no equity stake in the company.

Présentation par Anthropic du Model Context Protocol dans Claude Code : ce à quoi il se connecte, comment ajouter et délimiter les serveurs, et le coût caché que chaque serveur installé fait peser sur la fenêtre de contexte. Destiné aux développeurs sur le point de brancher Claude Code sur Linear, GitHub ou leurs outils internes. ## [00:02] Pourquoi MCP existe — le contexte vit hors de l'éditeur L'argument d'emblée : la majeure partie du contexte dont Claude Code a besoin ne se trouve pas dans le dépôt, mais dans des bases de données, des applications de productivité et des paquets publics. MCP est le standard ouvert qui permet à Claude d'accéder à ces ressources de façon autonome et de décider lui-même quand les appeler, sans attendre que vous copiez-collez quoi que ce soit. > *Model Context Protocol est un standard ouvert qui permet à Claude Code de se connecter à des outils et des sources de données externes.* ## [00:35] Les outils et ce que les serveurs MCP connectent vraiment Avant d'énumérer les serveurs, le narrateur pose la notion d'*outil* : les agents comme Claude Code se servent d'outils pour effectuer des actions, c'est ce qui les distingue d'un simple chat qui ne fait que renvoyer du texte. Deux exemples concrets suivent : un serveur MCP Linear qui importe les tickets de l'équipe dans la session, et le serveur Context7 qui diffuse la documentation à jour de la dépendance en cours d'utilisation. Des centaines d'autres sont disponibles sur claude.com/connectors. > *Les outils donnent aux agents comme Claude Code la capacité d'effectuer des actions pour mieux accomplir leurs tâches.* ## [01:14] Ajouter des serveurs : HTTP vs STDIO, et /mcp Les serveurs s'ajoutent avec `claude mcp add` et se déclinent en deux types : les serveurs **HTTP**, hébergés à distance par le fournisseur et accessibles via le réseau, et les serveurs **STDIO**, des processus locaux qui tournent sur votre propre machine. Une fois installés, la commande `/mcp` en session liste ce qui est connecté, affiche l'état de chaque serveur et permet d'en désactiver à volonté. > *Les serveurs HTTP sont pour les services distants... Les serveurs STDIO sont pour les processus locaux qui tournent sur votre machine.* ## [01:42] Trois portées : local, user et project (.mcp.json) Chaque serveur appartient à l'une des trois portées. **Local** le limite au projet actuel pour vous seul ; **user** le rend disponible dans tous vos projets ; **project** génère un fichier `.mcp.json` à versionner, de sorte que chaque membre de l'équipe travaillant sur le dépôt récupère automatiquement les mêmes serveurs. > *La portée project utilise un fichier .mcp.json que vous commitez dans votre contrôle de version, si bien que toute personne travaillant sur le code base obtient exactement les mêmes serveurs automatiquement.* ## [02:04] Les définitions d'outils coûtent du contexte — quand préférer CLI ou skill Le piège que personne ne signale quand on vous remet une liste de connecteurs : chaque serveur MCP configuré injecte ses définitions d'outils dans la fenêtre de contexte, qu'on l'utilise ou non. Les mesures préconisées par le narrateur se combinent : lancer `/mcp` et désactiver tout ce qui est inactif ; préférer une CLI comme `gh` ou `aws` quand elle existe, car les CLI ne portent pas de définitions d'outils persistantes ; ou encapsuler le flux de travail dans un skill, qui ne place que son nom et sa description dans le contexte jusqu'à ce que Claude décide de le charger. Au-delà de 10 % du contexte, Claude Code bascule en mode de recherche d'outils, les découvrant à la demande — utile, mais moins fiable qu'un chargement préalable. > *Les serveurs MCP ajoutent des définitions d'outils à votre fenêtre de contexte, même quand vous ne les utilisez pas. Si vous avez beaucoup de serveurs configurés, cela grignote votre contexte disponible.* ## [03:10] Récapitulatif Les trois points à retenir : `claude mcp add` installe les serveurs, `.mcp.json` les partage avec l'équipe, et `/mcp` permet de supprimer ceux qu'on n'utilise pas vraiment. > *Ajoutez des serveurs avec Claude MCP add, limitez leur portée à votre projet avec .mcp.json pour que votre équipe les récupère automatiquement, et surveillez l'utilisation du contexte en désactivant les serveurs que vous n'utilisez pas activement.* ## Entités - **Narrateur du tutoriel Anthropic** (Person): Le narrateur officiel d'Anthropic pour la série Claude Code 101. - **Model Context Protocol (MCP)** (Standard): Protocole ouvert permettant à Claude Code de se connecter à des outils et des sources de données externes via des serveurs HTTP ou STDIO. - **Linear MCP server** (Software): Connecteur qui importe les tickets Linear de l'équipe dans une session Claude Code. - **Context7 MCP server** (Software): Connecteur qui fournit à Claude Code la documentation à jour de la dépendance utilisée. - **.mcp.json** (Config): Manifeste de portée projet versionné, permettant à chaque membre de l'équipe d'hériter des mêmes serveurs MCP. - **/mcp** (CLI command): Commande en session pour lister, inspecter et désactiver les serveurs MCP connectés. - **Tool search mode** (Feature): Mode de repli dans lequel Claude Code entre quand les définitions d'outils MCP dépassent 10 % de la fenêtre de contexte, découvrant les outils à la demande. - **Skill** (Concept): Alternative légère à un serveur MCP complet ; seuls son nom et sa description occupent le contexte jusqu'à ce que Claude charge le corps à la demande.