Titre original : What Karpathy Joining Anthropic Actually Means For Claude
Auteur original : @nateherk
Traduction : Peggy, BlockBeats

Note de l’éditeur : L’arrivée d’Andrej Karpathy chez Anthropic n’est pas simplement une nouvelle de « grand nom de l’IA rejoint un laboratoire de premier plan ». Ce qui est plus intéressant, c’est la direction que cette mutation indique pour le produit.

Au cours de l’année écoulée, la compétition dans le secteur de l’IA est restée largement centrée sur les modèles eux-mêmes : qui a le meilleur benchmark, qui possède la capacité de raisonnement la plus forte, qui domine le classement. Mais avec l’amélioration continue des capacités produits telles que Claude Code, Skills, MCP, mémoire de projet, flux de travail d’Agent, une tendance plus claire émerge : le modèle n’est qu’une couche du produit, la véritable clé de l’efficacité de production utilisateur réside dans le contexte, la mémoire, le flux de travail, les compétences, les connecteurs, la structure des fichiers, le guide de style et le cycle d’objectifs qui l’entourent.

Les « context engineering » que Karpathy a répété ces derniers mois correspondent parfaitement à cette évolution. Ce qui détermine si une IA peut générer une valeur stable, ce n’est pas seulement la prompt qu’un utilisateur écrit, mais la capacité du modèle à comprendre vos documents, flux de travail, standards stylistiques, objectifs commerciaux et systèmes de jugement. En d’autres termes, la prochaine étape de compétition dans l’IA ne sera peut-être plus « qui a le modèle le plus puissant », mais « qui parvient à faire entrer le modèle dans un véritable environnement de travail ».

De LLM Wiki à AutoResearch, puis à la boucle /goal, cette direction explorée publiquement par Karpathy tourne toujours autour d’une même question : comment faire passer l’IA d’un « chatbot répondant à des questions » à un système de travail capable de comprendre le contexte, d’exécuter des tâches en continu, et d’itérer autour d’un objectif. La récente stratégie d’Anthropic avec Claude Code, les services d’entreprise, les connecteurs d’écosystème et les capacités de flux de travail suit cette même trajectoire.

Ainsi, l’arrivée de Karpathy chez Anthropic ne se limite pas à un simple mouvement de talents, mais ressemble à une annotation de la feuille de route d’Anthropic : les outils IA de demain ne se résument pas aux paramètres du modèle, mais incluent aussi les données accumulées par l’utilisateur, les flux de travail, les systèmes de mémoire et la connaissance sectorielle. Celui qui saura organiser ces contextes pourra véritablement faire passer l’IA de « simple outil » à « infrastructure ».

Voici le texte original :

Il y a quelques heures, Andrej Karpathy a publié un message annonçant qu’il rejoignait Anthropic.

La version la plus simple de cette histoire est : un grand nom de l’IA rejoint un laboratoire de recherche de premier plan.

Mais la question plus intéressante est : pourquoi Anthropic ? Et pourquoi maintenant ?

Car en regardant ce que Karpathy a construit publiquement ces derniers mois, et en comparant avec les fonctionnalités récemment lancées par Claude Code, on constate que les deux semblent déjà converger vers une même orientation produit.

Contexte

Karpathy est l’une des figures les plus importantes du domaine de l’IA moderne.

Il est l’un des membres fondateurs d’OpenAI en 2015, a travaillé pendant cinq ans chez Tesla sur l’IA ; en 2023, il revient chez OpenAI, puis quitte après un an ; il a ensuite fondé sa propre société d’éducation IA, Eureka Labs. Il a aussi lancé LLM 101, un cours gratuit pour apprendre à construire un modèle de langage à partir de zéro.

Il est aussi à l’origine du concept de « vibe coding » : il suffit de décrire en anglais ce que l’on veut, pour que l’IA écrive le code, puis on ressent, guide et itère. Il a aussi introduit le concept de « context engineering » (ingénierie du contexte), qui sera central dans la suite.

Ce n’est donc pas une simple embauche. C’est l’arrivée de l’une des voix les plus influentes dans le domaine de l’IA dans l’un des laboratoires les plus dynamiques.

Claude Code est déjà la première option pour de nombreux builders pour construire des Agents, écrire du code ou traiter des tâches de connaissance réelle. Il y a une semaine, Ramp a publié son indice IA. Selon ces données, Anthropic a dépassé OpenAI en adoption d’entreprise pour la première fois : 34,4 % contre 32,3 %.

Bien sûr, il faut rester prudent : ces chiffres concernent uniquement la clientèle de Ramp. OpenAI conserve une forte notoriété auprès des consommateurs et de nombreux contrats d’entreprise ne sont pas inclus dans cet échantillon. Je ne veux pas exagérer, mais ce signal est difficile à ignorer.

Plus tôt ce mois-ci, Anthropic a aussi annoncé la création d’une nouvelle société de services IA pour l’entreprise. Il s’agit d’une coentreprise avec Blackstone, Hellman & Friedman, Goldman Sachs, visant à intégrer Claude dans les processus clés des PME.

Revenons à cette démarche : ils développent des modèles, mais aussi des interfaces produits comme Claude Code, Skills, MCP ; ils construisent un réseau de partenaires ; et maintenant, ils ajoutent une couche de service pour aider les entreprises à concrétiser leurs produits.

Ce n’est plus simplement « vous donnez un modèle, et vous trouvez comment l’utiliser ».

Wrapper, c’est le produit

Aujourd’hui, la majorité des discussions sur l’IA considèrent encore le modèle comme un produit complet : quel modèle a gagné quel benchmark, Opus 4.7, GPT-5.5, Gemini, qui est le plus fort, comment évolue le classement.

Le modèle est évidemment crucial, je ne dis pas le contraire. Mais plus on l’utilise longtemps, plus on ressent que le modèle n’est qu’une couche du produit. La vraie différence réside dans la couche extérieure, le wrapper.

C’est aussi pour cela que deux personnes utilisant le même modèle peuvent obtenir des résultats radicalement différents.

Le wrapper, c’est tout ce qui détermine comment le modèle est utilisé.

→ Claude Code, Codex, Skills, Subagents, Hooks, connecteurs MCP.
→ Votre CLAUDE.md, votre mémoire, vos documents, vos cas d’usage.
→ La structure de vos fichiers, votre guide de style, votre définition du « bon résultat ».

C’est l’environnement dans lequel évolue le modèle.

Si vous ouvrez une nouvelle fenêtre de chat, sans contexte, et demandez à l’IA de traiter une problématique, elle ne connaît rien de vous, elle ne peut que deviner. Vous devrez alors répéter dix fois la même explication.

Mais si vous lui fournissez vos fichiers, cas, flux de travail, guide de style et critères de succès, le résultat sera tout autre.

C’est là où Karpathy rejoint Anthropic. La notion de « context engineering » plutôt que de simple prompt engineering, c’est parce que l’environnement est la clé. La capacité essentielle n’est pas d’écrire un prompt parfait, mais de construire un environnement adapté, permettant au modèle de fonctionner réellement, et de se souvenir et utiliser le contexte entre différentes sessions.

Anthropic construit discrètement cet environnement. Karpathy enseigne publiquement cette méthode. Aujourd’hui, ces deux visions convergent dans une même entreprise.

Une fois cette compréhension adoptée, ce que Karpathy a publié ces derniers mois ne ressemble plus à une série de projets aléatoires, mais à une feuille de route.

LLM Wiki et votre avantage compétitif basé sur la donnée

En avril dernier, Karpathy a lancé LLM Wiki. Ce projet a rapidement fait le buzz sur X.

Sa structure est très simple. Si vous souhaitez en savoir plus, j’ai aussi réalisé un tutoriel complet sur YouTube.

→ Un dossier raw/ contenant de nombreux fichiers markdown : notes, sources, transcriptions, tout ce que vous voulez.
→ Un dossier wiki/ où l’Agent organise, relie et génère des cartes mentales à partir de tout le contenu.
→ Un document schema, comme CLAUDE.md ou AGENTS.md, qui explique comment le système fonctionne et comment intégrer de nouvelles ressources.

Ce n’est pas simplement une recherche dans des fichiers, ni une requête vectorielle unique, mais une construction d’une base de connaissances vivante et évolutive. L’IA lit, comprend et relie ces informations. Beaucoup commencent à l’utiliser comme un « second cerveau ».

Ce point est plus important qu’il n’y paraît. Quand on dit « la donnée est une barrière », on pense souvent à une énorme base de données d’entreprise. Mais pour un builder lambda, la vraie barrière est plus petite et plus concrète : notes de réunion, SOP internes, enregistrements clients, transcriptions, conventions de nommage, et surtout, votre cadre de travail personnel.

Si Claude peut transformer tout cela en contexte visible et utilisable par le modèle, alors chaque semaine, il deviendra plus intelligent et plus utile pour vous.

C’est l’effet verrou. Ce n’est pas parce qu’on ne peut pas changer de modèle, on peut. Mais si vous construisez en continu votre contexte, flux de travail et mémoire dans un outil, il devient difficile de s’en détacher.

LLM Wiki n’est pas qu’un projet annexe. C’est une piste. Je ne serais pas surpris que dans le futur, Claude Code ou la mémoire du projet Claude intègrent des versions plus natives de cette fonctionnalité. On voit déjà quelques prémices dans la fonction auto-dream.

Bien sûr, vous n’avez pas à attendre. Ce week-end, vous pouvez vous lancer : faire lire à Claude Code vos documents importants et construire ainsi un wiki.

Si vous souhaitez devenir une personne IA-first, vos données ne seront vraiment utiles que si l’Agent sait comment les retrouver, les utiliser correctement.

AutoResearch et la boucle /goal

En mars dernier, Karpathy a lancé AutoResearch. C’est une boucle de recherche automatisée. Si vous avez déjà utilisé Ralph Loop, vous verrez que les deux partagent une certaine logique.

Le principe est simple :

1. Obtenir un script d’entraînement.
2. Proposer une modification.
3. Lancer une courte session d’entraînement.
4. Vérifier les résultats selon des indicateurs objectifs : succès ou échec.
5. Répéter jusqu’à atteindre l’objectif.

Honnêtement, je ne l’utilise pas souvent personnellement. Je ne forme pas de modèles, ni ne construis ce genre de boucle pour mes applications. Mais sa forme est importante.

Définir un objectif. Faire travailler l’Agent. Revenir une fois terminé.

Regardons ce que l’écosystème propose récemment : Codex avec /goal, Hermes avec /goal, Claude Code avec sa propre version native /goal.

Je ne dis pas que Karpathy a inventé cette fonction. Je ne sais pas. Mais, sous l’angle fondamental, AutoResearch et /goal sont liés.

Les deux nous sortent du mode « prompt-réponse ».

Ils nous poussent vers une nouvelle interaction : définir un résultat, laisser l’Agent décider comment l’atteindre, puis revenir quand c’est fait.

C’est une version renforcée du vibe coding : définir « ce qu’on veut », sans définir « comment », puis attendre qu’il termine.

En combinant cette approche avec la logique de LLM Wiki, on ne parle plus d’un chatbot, mais d’un vrai collaborateur : il comprend votre activité, travaille en continu autour d’un objectif, jusqu’à ce qu’il soit atteint.

Une piste éducative

Dans l’annonce de l’arrivée de Karpathy, une phrase mérite d’être soulignée : « Je reste passionné par l’éducation. »

Eureka Labs, sa dernière entreprise, est en fait un projet éducatif. Son but n’est pas d’apprendre aux gens à « cliquer sur un bouton, relier des nœuds », mais de leur faire comprendre réellement comment fonctionne l’IA.

Karpathy a cette rare capacité à expliquer des concepts très techniques de façon compréhensible, accessible. Comprendre une chose, c’est une compétence. La transmettre pour qu’elle soit réellement utilisable, c’est une autre compétence.

C’est crucial pour Anthropic. Si la prochaine étape de la compétition tourne autour du contexte, des flux de travail, Skills, mémoire et cycles, alors le défi n’est pas seulement technique, mais aussi éducatif.

Une étude récente d’IBM sur l’adoption de l’IA et la gestion du changement montre clairement l’écart énorme entre « pouvoir utiliser l’IA » et « bien utiliser l’IA » en entreprise. La majorité des sociétés restent bloquées à ce stade.

Faire entrer un expert en éducation IA dans une organisation pour réduire cet écart n’est pas une petite action.

Trois prédictions pour Claude Code

Ce ne sont que des prédictions. Je n’ai pas d’informations privilégiées, ni la feuille de route d’Anthropic. Mais, en me basant sur leurs produits récents et sur ce que Karpathy a publié ces derniers mois, la direction est assez claire.

Anthropic va construire une « boutique d’applications contextuelles »

Ils ont déjà commencé. Les plugins officiels, Skills, et les composants de marché prennent forme.

Mais je ne parle pas du marché de prompts.

Je parle d’une catégorie de composants : Skills, flux de travail, mémoire de projet, contexte vertical, boucle d’évaluation, connecteurs de données réelles, et exemples illustrant ce qu’est « bien » dans un métier précis.

En intégrant ces composants dans leur domaine, ils pourront immédiatement augmenter la valeur du modèle, même si celui-ci est déjà très intelligent.

Car pour l’utilisateur lambda, le modèle seul devient de moins en moins le seul différenciateur. La vraie question est : qui peut organiser ces contextes et ces wrappers pour produire un ROI tangible pour l’entreprise.

LLM Wiki est une méthode pour transformer des informations dispersées en mémoire utilisable. /Goal est une méthode pour transformer un objectif en boucle automatisée. L’éducation de Karpathy est une méthode pour rendre des concepts complexes accessibles.

Ce qu’il propose réellement, c’est une façon d’agir. Si Anthropic peut faire de cette façon une véritable écosystème, Claude Code ne sera plus seulement un outil de programmation, mais un marché.

De plus en plus de commandes /goal apparaîtront dans le produit

/Goal sera probablement la première version, pas la dernière.

On peut imaginer de futures versions spécialisées : boucle de recherche, boucle de débogage, boucle de clôture. Ou des commandes optimisées pour certains secteurs, où l’Agent saura ce qu’est « finir ».

Je ne sais pas encore comment elles s’appelleront, ce n’est pas l’essentiel.

L’essentiel, c’est que l’interface va évoluer. On ne dira plus « fais cette étape », mais « dans ce contexte précis, continue jusqu’à ce que cette condition soit remplie ».

Anthropic va lancer une couche éducative pour aider les utilisateurs à structurer leurs flux de travail

C’est la prédiction la plus audacieuse, et aussi la plus intéressante.

Si Anthropic veut créer un vrai marché du contexte, il faut que tout le monde puisse contribuer, pas seulement les développeurs ou chercheurs.

Autrement dit, des experts métier lambda doivent pouvoir participer.

→ Un comptable qui comprend parfaitement le processus de clôture mensuelle.
→ Un opérateur immobilier maîtrisant chaque étape de la saisie.
→ Un YouTuber capable de faire un brainstorming de sujets, en comprenant ce qu’est un bon ou un mauvais packaging.

Ces connaissances ont de la valeur. Mais aujourd’hui, elles restent soit dans la tête des gens, soit dispersées dans des documents, Slack, ClickUp.

On voit déjà des prémices : des coachs créent leurs propres IA, facturent leurs clients, et font dialoguer ces IA avec leurs utilisateurs. C’est la version manuelle.

Mais si je voulais construire un Agent pour la publicité, je serais bloqué par mon manque d’expertise. Si un marché permettait de souscrire à des contextes de SME de haute qualité, je deviendrais client immédiatement.

C’est cette couche que je vais suivre de près.

Conclusion

La vraie histoire, c’est ce modèle lui-même.

Le modèle n’est qu’une couche. La couche extérieure, le wrapper, devient le vrai produit. Vos données et flux de travail deviennent un véritable effet verrou. Ce que Karpathy enseigne depuis plusieurs mois, c’est précisément cela. Ce que fait Anthropic depuis plusieurs mois, c’est aussi cela.

Donc, cette arrivée n’est pas qu’un simple titre, mais une feuille de route. J’ai décomposé toute la logique dans une vidéo complète, le lien est dans la première réponse.

[ lien vers l’article original ]

Cliquez pour découvrir les offres d’emploi de律动BlockBeats

Rejoignez la communauté officielle de律动BlockBeats :

Abonnement Telegram : https://t.me/theblockbeats

Groupe Telegram : https://t.me/BlockBeats_App

Compte officiel Twitter : https://twitter.com/BlockBeatsAsia