12.14 — L’IA, et comment Ocarina l’applique pour de vrai#
« AI-powered » est devenu en 2023-2026 un slogan marketing complètement débile : 99 % des produits qui le revendiquent enrichissent un produit existant avec un endpoint
chat.completions. Ocarina propose, à l’opposé, une infrastructure logicielle pensée pour qu’une IA puisse contribuer comme un développeur senior.ocarina-with-ai-exampleétant la preuve par l’exemple.
1. Ce qu’est l’IA aujourd’hui#
| Couche | Exemple | Date d’apparition |
|---|---|---|
| Statistical learning | Régression, k-means, decision trees | 1960s-1990s |
| Deep learning | CNN (vision), RNN/LSTM (texte) | 2012 (AlexNet — adoption mainstream) |
| Transformer-based foundation models | GPT, Claude, Gemini, Llama | 2017 (papier), 2018 (BERT), 2022 (ChatGPT) |
| Workflows agentiques | AutoGPT, LangChain, Claude Code, Cursor agents | 2023+ |
Note : le CNN est inventé par Yann LeCun dès 1989 (MNIST). AlexNet (Krizhevsky, Sutskever, Hinton, Toronto, 2012) en est la percée industrielle. LeCun, Hinton et Bengio partagent le Turing Award 2018 pour leurs contributions fondatrices au deep learning.
Quand le Holy Book d’Ocarina parle « d’IA », il parle des couches 3 et 4 : LLM transformer-based pré-entraînés, et boucles agentiques qui les invoquent.
Attention is All You Need#
| Champ | Valeur |
|---|---|
| Papier | « Attention Is All You Need » |
| Auteurs | Vaswani, Shazeer, Parmar, Uszkoreit, Jones, Gomez, Kaiser, Polosukhin |
| Org | Google Brain, Google Research, University of Toronto |
| Date | Juin 2017 (arXiv), présenté à NeurIPS décembre 2017 |
| Contribution | Architecture Transformer : self-attention au lieu de récurrence (LSTM) |
L’architecture Transformer permet de paralléliser l’entraînement sur GPU. Ce qui prenait des semaines en LSTM se fait en heures. L’entraînement passe à l’échelle d’Internet. GPT-1 (2018) → GPT-2 (2019) → GPT-3 (2020, 175 B params) → GPT-4 (2023) → Claude 3 (2024) → Claude 4 (2025).
Acteurs#
| Org | Modèles | Posture |
|---|---|---|
| OpenAI (Sam Altman, San Francisco) | GPT-4o, o1, GPT-5, GPT-5.5 | Closed weights, abonnement |
| Anthropic (Dario & Daniela Amodei, San Francisco) | Claude 3, 3.5, 4 | Closed weights, focus sécurité et alignment (Constitutional AI) |
| Google DeepMind | Gemini 1.5, 2.0, 2.5 | Closed weights, intégration Google |
| Meta AI | Llama 2, 3, 4 | Open weights (presque open source) |
| xAI (Musk) | Grok 1, 2, 3 | Open weights partiel |
| Mistral AI (Paris) | Mistral, Mixtral | Open weights, européen |
2. Capacités opérationnelles d’un LLM 2025-2026#
Pour comprendre comment Ocarina les utilise, il faut lister honnêtement ce qu’un LLM moderne peut faire et ce qu’il ne peut pas faire.
Ce qu’un LLM fait bien#
| Capacité | Niveau |
|---|---|
| Reformulation, traduction | ★★★★★ |
| Génération de code local (un fichier, une fonction) | ★★★★★ |
| Compréhension de docs si elles tiennent en contexte | ★★★★★ |
| Détection de patterns dans du code | ★★★★ |
| Génération de tests à partir d’un code documenté | ★★★★ |
| Refactor mécanique (renommer, extraire) | ★★★★ |
| Suivi d’une convention si elle est documentée explicitement | ★★★★ |
| Application d’une grammaire fixe (DSL borné, typé) | ★★★★★ |
Ce qu’un LLM fait mal, et comment Ocarina y répond#
| Limite | Conséquence | Réponse Ocarina |
|---|---|---|
| Hallucinations | Invente des fonctions / classes inexistantes | Mypy strict |
| Dégradation sur long contexte | Perd en précision sur les parties centrales d’un long fichier (lost in the middle) | Modules courts, SKILL.md découpés |
| Pas de feedback runtime sans tooling | Si rien ne lui dit que ça a planté, le LLM continue | Probes Ocarina (cf. 15-typing-ai-rl-probes.md) |
| Préfère les patterns populaires | Va vers pytest, async/await, mock | Documentation explicite des refus Ocarina |
| Ne comble pas un domaine mal spécifié | Insatisfaisant avec des technologies mal définies | Bien défini, conventions algébriques, ISTQB-first |
| Pas de mémoire entre sessions | Perd les conventions du projet | CLAUDE.md, skills |
| Pas d’intuition sur les invariants | Génère du code qui passe les tests mais ne respecte pas l’esprit | ROP structurel qui force la grammaire |
3. Ce que veut dire « IA-first » opérationnellement#
| Niveau | Caractéristiques | Exemple |
|---|---|---|
| 0 — Slogan | « Powered by AI » sans surface réelle | Majorité du SaaS 2024 |
| 1 — Chatbot externe | Endpoint OpenAI dans un wrapper d’UI | Majorité du AI-enhanced |
| 2 — RAG sur la doc | Récupère des passages, les colle dans la réponse | Algolia DocSearch + plugin OpenAI, Mintlify |
| 3 — Interface AI native | Le produit est conçu pour qu’un agent agisse dessus | MCP servers, llms.txt, AI SDK, Cursor rules |
| 4 — Co-conception | Le produit crée des livrables co-écrits par un agent IA | Ocarina + ocarina-with-ai-example |
Ocarina est l’un des très rares projets à atteindre le niveau 4 publiquement et avec preuves auditables.
4. Les artefacts AI-first dans Ocarina#
llms.txt, llms-full.txt#
Standard de facto proposé par llmstxt.org (Jeremy Howard, fast.ai), 2024.
llms.txt: un index Markdown court, conçu pour qu’un agent y trouve quoi lire.llms-full.txt: la doc complète concaténée, conçue pour un seul prompt qui ingère tout.
Ocarina expose les deux. Voir 09-holy-book/06-public-resources.md
CLAUDE.md / CLAUDE.slim.md#
Convention Anthropic : CLAUDE.md à la racine du projet, lu automatiquement par Claude Code (et compatibles) :
- L’identité du projet, sa philosophie.
- Les conventions à respecter.
- Les commandes principales.
- Les pièges connus.
Ocarina maintient :
CLAUDE.mdlong (gros contexte) pour onboarding approfondi.CLAUDE.slim.mdcourt (économie de tokens) pour interactions de routine.
Skills (SKILL.md)#
40+ skills exposés par le Holy Book. Un skill = un fichier SKILL.md :
- Métadonnées YAML (
name,description). - Procédure pas-à-pas.
- Conditions d’invocation (« quand l’utilisateur demande X, fais Y »).
Permet à Claude Code, Cursor, etc. de se plugger. Voir 09-holy-book/03-skills/
ocarina-with-ai-example#
Projet e2e entier, écrit pour tester une vraie app (CURA), co-écrit par Claude. Le CLAUDE.md du dépôt documente les hard-won rules apprises pendant la co-écriture.
Cette suite est une preuve par l’exemple que l’approche AI-first d’Ocarina n’est pas une invention : elle a été testée, contre un SUT, en collaboration documentée avec un LLM. Voir 08-ai-example/
5. « AI-marketing » vs « AI-pour-de-vrai »#
| Critère | AI-marketing | AI-pour-de-vrai (Ocarina) |
|---|---|---|
| Surface AI documentée | « Powered by GPT-4 » | llms.txt, llms-full.txt, CLAUDE.md, 40+ skills |
| Preuve d’usage IA | Aucune ou bancale | ocarina-with-ai-example |
| Format de doc | PDF / SaaS dashboard uniquement | Markdown brut |
| Compatibilité agent | Inexistante | Conçu pour Claude Code, Cursor, Continue, Cline |
| Convention de grammaire | Ad-hoc | ROP + ISTQB strict, typage statique |
| Gestion du contexte LLM | Négligé (gros fichiers monolithiques) | Modularisation jusqu’au bout |
| Réaction aux hallucinations | Aucune | Technologie bien définie, erreurs de types, strict au maximum |
| Reproductibilité | Non-déterministe par construction | Probes + caching |
6. Pourquoi cette préparation avantage Ocarina pour les 5 prochaines années#
- La barrière à l’entrée du test e2e va s’effondrer parce qu’un LLM peut écrire la majorité du boilerplate.
- Seuls les frameworks compatibles LLM resteront pertinents, les autres deviendront legacy.
- La compatibilité LLM dépend de trois choses :
- Un petit DSL bien défini (tient en contexte).
- Une grammaire formelle (mypy / ROP / ISTQB).
- Une documentation structurée (Markdown + skills).
- Ocarina coche toutes les cases.
- Pytest, Cypress, Playwright, Robot Framework ne les cochent pas. Leur surface est trop grande (centaines de plugins), leur grammaire trop floue (async, fixtures), leur documentation trop fragmentée (sites SaaS, vidéos, plugins dispersés).
Ocarina parie que l’IA va dévorer les frameworks à grande surface, exactement comme Tugan Bara a été dégagé par l’IA dans le copywriting (cf. 10-infopreneurs-tugan-bara-ai.md).
7. Comment l’IA travaille vraiment sur Ocarina#
1. Claude lit /CLAUDE.md (conventions projet).
2. Claude lit /docs/fr/what-is-it.md (philosophie).
3. Claude lit /SKILL_<feature>.md (skill correspondant).
4. Claude lit /tests/scenarios/<famille>/*.py (échantillon).
5. Claude écrit un nouveau fichier `.py`.
6. Mypy strict tourne automatiquement.
7. Si mypy fail → Claude lit le diagnostic, corrige, relance.
8. Si mypy passe → Claude lance le test contre le SUT.
9. Si test fail → Claude lit la sortie, ajuste les probes, relit.
10. Si test passe → Claude commit, push, ouvre PR.Les étapes 2, 3, 4, 6, 9 sont contraintes par l’infrastructure d’Ocarina.
Sans CLAUDE.md, l’étape 1 est aléatoire. Sans mypy strict, l’étape 6 n’existe pas.
Sans transient_errors, match_page et les watcher, l’étape 9 produit des flaky tests.
C’est ce qui fait dire qu’Ocarina est conçu pour l’IA, pas branché à l’IA.
8. Lectures connexes#
13-lambda-calculus-rop-origins.md— la base théorique du DSL d’Ocarina, qui le rend LLM-compatible.15-typing-ai-rl-probes.md— pourquoi typage + RL + probes sont la triade qui rend l’IA productive.../08-ai-example/— la preuve par l’exemple : la suite IA.../09-holy-book/03-skills/— les skills exposées.