Le manifeste d'ingénierie agentique de Pi Agent : de Bash aux données d'entraînement, de l'Europe à l'open source — analyse approfondie

L'épisode s'ouvre dans le podcast de David Ondrej. L'invité est Armin Ronacher, créateur de Flask et désormais fondateur d'Arendelle, l'équipe qui supervise l'agent Pi. La question va droit au cœur : comment l'un des harnais les plus minimalistes peut-il régulièrement devancer des concurrents bien plus importants comme Claude Code et Codex, et même creuser l'écart avec le temps ?

La réponse d'Armin est d'une simplicité désarmante : les modèles sont devenus très doués pour utiliser des ordinateurs, et Pi ne leur donne presque que bash. Se concentrer sur la compétence fondamentale plutôt que sur une boîte à outils encombrante s'est révélé de plus en plus efficace avec le temps. Les harnais en général se sont améliorés en maîtrisant les bases ; Pi l'a compris tôt, mais aujourd'hui tout le monde converge vers la même intuition.

L'exemple concret est Codex. À l'écran, il semble découvrir des fichiers, mais en coulisses il se contente d'appeler ripgrep pour faire le travail. Claude Code a également fait marche arrière après son pic de plus de trente outils et s'est simplifié. Le schéma gagnant commun est clair : au lieu de tout charger dans le contexte, construire un pipeline dans bash et enchaîner les programmes avec des marqueurs de séparation. C'est à la fois économe en contexte et créativement efficace.

Où cela mènera-t-il dans six à douze mois — les modèles continueront-ils à descendre vers des niveaux plus bas ? Armin se sentait plus confiant l'année dernière, car l'endroit où vivent les données d'entraînement et ce qui est facile à enseigner par apprentissage par renforcement donnaient de forts indices. Avec les agents de codage devenus l'approche par défaut de l'IA, les laboratoires se disputent désormais frontalement le titre de meilleur agent de programmation et leur ingéniosité en matière d'appel d'outils ne diverge plus beaucoup.

Pourtant, des évolutions notables se produisent sur la couche d'inférence. La plus visible est l'arrivée des messages système entrelacés désormais possibles dans les modèles de pointe, qui permet le chargement différé des outils. Cela ne réécrit pas radicalement la façon de construire un harnais, mais cela débloque des schémas auparavant impossibles. Un changement de couche en apparence minuscule devient un levier significatif pour les architectures futures.

L'intermède sponsorisé par PostHog porte un message limpide : si vous construisez plus vite avec l'IA, votre boucle de rétroaction doit suivre. Les rejouements de session et les analyses d'utilisation montrent où les utilisateurs se bloquent et quelles fonctionnalités fidélisent. Les exemples de Superbase, d'équipes soutenues par Y Combinator et d'autres utilisant ces données pour orienter leurs décisions de partenariat illustrent pourquoi livrer chaque jour sans observation revient à voler à l'aveugle.

Pourquoi Pi a-t-il décollé ? Armin répond avec modestie. L'étincelle autour de Noël fut l'extensibilité. Tandis que les autres agents gonflaient leur nombre d'outils à chaque mise à jour, Pi est resté minimal et s'est rendu transformable. Cet équilibre inspire aujourd'hui des architectures entièrement basées sur des plugins comme OpenCode 2. Plutôt qu'une cause unique, la popularité ressemble à un composé de goût, de timing et d'interaction communautaire.

L'histoire d'Arendelle est personnelle. Les discussions avec Mario Zechner duraient depuis l'été 2025 ; après être passé entièrement à Pi en décembre, l'acquisition a suivi quatre mois plus tard. Pour Armin, l'objectif n'était pas d'acquérir Pi mais d'amener Mario dans l'équipe. Aujourd'hui, Arendelle ressemble à l'entreprise de Pi, mais le but n'est pas de rester une entreprise de harnais : il s'agit de construire une infrastructure qui rende l'IA utile à tous. La liste de souhaits est encore longue et le harnais n'est que le début.

La vision du futur s'articule autour de deux ingrédients : l'argent investi dans les centres de données et l'argent investi dans les modèles. Ensemble, ils créent un terreau fertile pour des modèles de langage travaillant aux côtés des humains. L'expérience agent actuelle, cependant, n'apporte pas encore de valeur aux non-programmeurs. Le fossé entre programmeurs et utilisateurs occasionnels du chat demeure. La vraie question n'est pas de transformer tout le monde en programmeur, mais de concevoir des interactions qui comptent pour ceux qui n'écriront jamais de code.

L'analogie avec DOS prend tout son sens ici. DOS était textuel, fragile et optimisé pour l'utilisation des ressources ; plus tard, le bureau est devenu quelque chose que tout le monde voulait utiliser. Les agents d'aujourd'hui sont à ce stade intermédiaire. Dans un futur où les maximiseurs de tokens déploient des agents dans des usines logicielles et où les experts métier refusent de vivre dans les interfaces de chat actuelles, il semble improbable que la forme terminal actuelle reste dominante d'ici quatre ans.

La liste des pièces manquantes est longue et toutes sont architecturales. Côté modèle, une vraie concurrence ; côté plateforme, une compaction côté serveur qui crée des sessions non portables, la durabilité permettant de suspendre et de reprendre un agent exactement là où il s'était arrêté, le déplacement de l'expérience terminal vers le web sans en faire un simple habillage, et une véritable couche de base de données permettant aux agents de stocker et de partager des données avec les humains. Il y a du scepticisme envers la mémoire, mais de la confiance dans le fait de donner aux agents un bon contrôle des données.

Le problème de l'interface est décrit comme une prison de texte. Des systèmes comme OpenClaw et Hermes démontrent leur valeur, mais beaucoup de problèmes ne sont pas solvables par le texte seul. L'exemple de la domotique est frappant : un agent ne devrait pas seulement exécuter des commandes, mais visualiser la maison et ses appareils connectés. Quand un agent enfermé dans un journal de chat ne peut pas afficher durablement une interface personnalisée, l'expérience est en deçà. Il s'agit en grande partie de gestion d'état et de travail sur les bibliothèques de composants.

Une observation frappante suit au sujet de l'optimisation : les systèmes conçus pour les humains ne sont pas nécessairement bons pour les agents. Le regain de Linux en est un bon exemple. Au-delà de toute personnalité particulière, les agents connaissent bien Linux parce qu'Internet regorge de matériel d'entraînement à son sujet. Prendre le contrôle à distance et personnaliser une installation standard d'Ubuntu, d'Arch ou de NixOS est facile pour un agent. Armin plaisante même en disant que sa mère pourrait désormais personnaliser Linux plus facilement avec un agent qu'elle ne pouvait le faire avec macOS.

Cette vague va déplacer les choix technologiques. Attendez-vous à plus de Rust, plus de NixOS, plus de bases de données complexes et de streaming d'événements comme Kafka. Beaucoup de solutions autrefois trop complexes pour les humains deviennent accessibles avec des agents. Windows est largement en dehors de cette distribution, et macOS est moins représenté dans les données que Linux. Les décisions seront refaites non pas sur ce qui est théoriquement le meilleur, mais sur ce qui fonctionne le mieux avec un agent.

Le chapitre sur l'open source met l'accent sur la passion et la persévérance. Ghostty a suscité de l'intérêt alors qu'il était encore inachevé grâce à son récit alliant rapidité et sensation native. Django a été critiqué à ses débuts mais a perduré pendant deux décennies avec son interface d'administration et sa gouvernance. curl est partout non pas parce qu'il est unique, mais parce qu'il est fiable. La leçon commune : une seule idée qui enthousiasme les gens, plus des années d'énergie, compte plus que d'être à la pointe.

Il y a une face plus sombre. L'un des moteurs vers l'open source est l'infrastructure gratuite. L'écart de coût pour GitHub Actions entre l'open et le fermé, plus le coût quasi nul du clonage, est énorme. Cela transforme l'open source en canal marketing. Beaucoup de nouveaux projets s'ouvrent sans comprendre les licences, les modèles de financement ou ce que signifie la pérennité. Armin craint que cela ne nuise à l'open source à long terme.

Être présent dans les données d'entraînement est un avantage stratégique de distribution. Les agents et les modèles recommandent les outils et les plateformes qu'ils ont vus pendant l'entraînement. L'anecdote d'une entreprise d'observabilité affichant un bus à San Francisco avec l'inscription « demandez à votre IA » illustre ce mouvement. L'exemple inverse est Xbox : le code des consoles était à peine partagé et même en interne chez Microsoft, le partager avec des modèles était controversé, si bien que les agents y restent faibles. Ce qui est ouvert est suggéré plus que ce qui est fermé.

Le débat sur les dépenses d'inférence est la partie la plus animée. Les prix des tokens baissent alors que les coûts des sessions non, parfois ils augmentent. Les abonnements adoucissent la douleur par rapport aux prix des API, mais les dépenses donnent toujours l'impression de brûler le capital des investisseurs. Un développeur soucieux de son budget pourrait rester économe avec des modèles ouverts et des abonnements bien empilés, mais la direction générale pour la société est vers plus de dépenses. Comme un comptable servant dix fois plus de clients avec l'IA à un prix inférieur par client, la dépense se déplace du logiciel vers l'inférence.

La discussion sur l'Europe amplifie cette inquiétude économique. De l'avis d'Armin, l'Europe est tournée vers la préservation et hésitante à permettre l'avenir. Les personnes les plus motivées partent. Le continent n'est pas un marché unique mais vingt-sept. Vingt-sept armées, vingt-sept systèmes juridiques, vingt-sept codes du travail et des processus de TVA séparés dans chaque pays. Le fait de ne pas être un marché unique est décrit comme le plus grand problème structurel de l'Europe.

La note finale est un avertissement prudent sur l'avenir. L'IA sera davantage utilisée, mais risque d'être utilisée sans être appréciée, un peu comme les vidéos courtes et les réseaux sociaux. Les exemples vont des designers payés une prime pour effacer les traces d'IA des publicités aux avocats perdant des procès après un travail d'IA mal documenté. L'espoir d'Armin est que la société se rééquilibre non pas par la dépendance comme ce fut le cas avec les réseaux sociaux, mais par un choix conscient.