Fireship : 5 outils open source qui ont remplacé une pile d'IA à 320 $/mois

La vidéo s'ouvre sur un bilan personnel que beaucoup de développeurs reconnaîtront. Environ vingt dollars pour un assistant dans l'éditeur de code, une centaine chacun pour trois abonnements à des modèles phares, plus la synthèse vocale, des API budgétaires et des clés API ouvertes il y a des années puis oubliées. La blague : arrêter l'alcool et la nicotine pour financer la dépendance à l'IA, accompagnée d'une vanne sur la chute des ventes d'alcool — mais le fond du message passe : les abonnements empilés dépassent discrètement trois cents dollars par mois.

Cette facture devient le déclic. L'hôte explique que les abonnements ont été résiliés au profit d'une pile de développement auto-gérée, présentée comme moins chère et, surtout, plus productive. Le propos est daté du 7 septembre 2026, dans un épisode du Code Report : une poignée de projets libres et open source sur mon propre serveur, assemblés pour fonctionner ensemble, avec la possibilité d'emprunter l'intelligence de pointe des grands modèles commerciaux quand la capacité locale ne suffit plus.

La fondation, c'est un runtime de modèles local, le projet que les sous-titres automatiques écrivent « Olama ». Voyez-le comme un flux de travail façon Docker pour les modèles de langage : une petite ligne de commande et une API HTTP pour télécharger, exécuter et servir des modèles à poids ouverts, y compris les dernières sorties des laboratoires chinois. L'attrait est simple — les prompts restent sur mon matériel, le coût marginal d'inférence tend vers zéro, et le système continue de répondre même quand un paiement par carte échoue.

Vient ensuite l'honnête mise en garde, et elle compte. Les petits modèles tournent presque partout, mais une qualité proche de l'état de l'art exige du matériel de classe datacenter que la plupart des particuliers ne possèdent pas. Un développeur au feeling qui vise le meilleur niveau ne peut pas combler cet écart avec un simple ordinateur portable. Cette limite motive la deuxième pièce : garder les modèles locaux pour le travail privé du quotidien, et router les tâches lourdes vers des fournisseurs hébergés via une porte d'entrée plus intelligente.

Cette porte d'entrée, c'est 9Router, une passerelle auto-hébergeable entre mes outils et des dizaines de fournisseurs de modèles, derrière un seul endpoint local compatible OpenAI. Au lieu de jongler avec une dizaine de clés entre éditeurs et agents, tout pointe vers localhost et le routeur répartit. La fonctionnalité phare est un repli à trois niveaux : un abonnement payant que je détiens déjà arrive en premier, un modèle économique facturé au token attend en second, et des sources gratuites — endpoints chinois ouverts, crédits d'essai, offres communautaires gratuites — absorbent le débordement. Quand un quota saute, le trafic bascule automatiquement, et le suivi d'utilisation intégré plus la mise en forme des sorties rognent encore la facture en tokens.

Même avec un routage malin, les charges de travail agentiques peuvent dévorer des milliards de tokens, d'où Headroom. La caricature motivante est familière : je demande une div centrée et l'agent ingère des dizaines de milliers de lignes de lockfile, brûlant eau et énergie avant de conclure qu'il lui faut un framework CSS. Headroom se présente comme une couche de compression entre l'application et le fournisseur, qui réduit les sorties d'outils, les logs et les blocs répétitifs avant qu'ils ne deviennent de l'entrée facturable. L'astuce maligne, c'est la réversibilité : la charge compressée est mise en cache localement, donc le modèle peut récupérer le détail original à la demande au lieu de le payer à chaque appel.

À ce stade, la question naturelle est de savoir où tout cela habite, et la réponse de la vidéo fait aussi office de lecture sponsor. Les serveurs privés virtuels d'Hostinger sont présentés comme la base bon marché, avec un catalogue Docker en un clic couvrant chaque projet mentionné. L'affirmation : toute la chaîne — runtime, routeur, compression, builder, agent — peut partager un seul VPS. Sponsor ou pas, l'argument architectural tient : ces pièces se combinent au mieux quand elles partagent un réseau privé sur une machine que je contrôle.

Ce n'est qu'après la plomberie qu'arrive la couche applicative qui rapporte, et le choix ici est Dify, entendu à tort « Diffy » dans les sous-titres. Plutôt que de tout faire par ingénierie de prompts, je fais glisser des nœuds sur un canevas pour définir les étapes de récupération, de modèle et de branchement. La démo récurrente est Horse Tinder avec une fonction de matchmaking par IA : chaque profil de cheval arrive, un workflow tire les candidats compatibles de la base de données, et un modèle de langage rédige l'explication — deux chevaux dépassent les quatre-vingt-dix parce qu'ils partagent les balades et une habitude de mordre les enfants. Le flux terminé est publié comme une API, si bien que le front end l'appelle simplement quand quelqu'un swipe à droite.

Le dernier outil retire l'humain de la boucle de construction, du moins en rhétorique : OpenHands, un agent de codage autonome open source présenté comme un moyen de me licencier moi-même. La référence avancée est solide : de bonnes performances sur SWE-bench Verified, le benchmark construit à partir de vraies issues GitHub plutôt que d'énigmes jouets. Le flux de travail : le pointer vers des issues ouvertes et le laisser travailler — un centre de commande auto-hébergé fait tourner une armée d'agents en arrière-plan sur mon propre serveur, propulsée soit par des modèles commerciaux, soit par le runtime local du début de la pile.

La conclusion boucle la boucle : une pile privée capable, de manière plausible, de construire un large éventail de logiciels, les cinq outils étant un début plutôt qu'un plafond. Le discours : le même catalogue Docker contient bien d'autres applications open source en un clic, plus une relance de coupon pour lancer le VPS. En retirant le vernis sponsor, le message durable est la composition — runtime local pour la confidentialité, routeur pour le contrôle des coûts, compression pour la discipline en tokens, builder visuel pour livrer des fonctionnalités, agent autonome pour enchaîner les issues — le tout câblé sur une infrastructure qui m'appartient.