Claude Co-Work, mémoire IA et agents Asana : tournant agentique

Briefing

Claude Co-Work devient opérateur

Anthropic introduit Claude Co-Work, transformant l’IA en exécutant autonome capable de gérer des workflows complets. Le système agit directement sur des fichiers locaux, des services comme Google Drive, Notion, Slack et le web via Chrome. L’utilisateur délègue des tâches entières plutôt que des instructions étape par étape. L’approche marque un basculement vers une IA opératrice supervisée.

Mémoire IA et Dreaming émergent

Anthropic positionne la mémoire comme un pilier central avec un système persistant et structuré en fichiers. Les agents stockent stratégies, erreurs et critères de réussite pour apprendre en continu. Le processus Dreaming permet d’exploiter ces अनुभव pour améliorer les performances sans réentraînement. Cela ouvre la voie à des agents véritablement auto-améliorants.

Compute à l’inférence explose performances

Claude Opus 4.7 démontre que plus de compute à l’inférence améliore fortement les résultats sur tâches complexes. Un mode intensif peut consommer jusqu’à 10× plus de ressources, avec des sorties bien plus sophistiquées. Les gains sont nets en code, recherche et raisonnement avancé. Ce modèle introduit un compromis direct entre latence, coût et qualité.

Asana déploie agents collaboratifs

Asana lance des agents IA multi-rôles capables de gérer des workflows d’entreprise complexes. Ces agents partagent une mémoire organisationnelle incluant décisions et պատմiques. Ils continuent d’opérer même après le départ de leurs créateurs grâce à cette accumulation ცოდissances. L’objectif est une entreprise où humains et agents collaborent comme des pairs.

Google Cloud automatise dev complet

Google Cloud présente un pipeline où un agent IA couvre tout le cycle logiciel, du concept au déploiement. Basé sur des outils liés à Claude, il unifie produit, design, code et analyse. Un mode plan structure l’architecture avant génération. Résultat: moins de փոխանցements et une accélération drastique du prototypage.

Replit ByBench redéfinit benchmarks

Replit lance ByBench, un benchmark open source basé sur environ 20 PRD réels. Il évalue des agents capables de créer des apps complètes sans tests préexistants. Le système s’appuie sur une évaluation continue issue de données utilisateurs. Cela remplace les scores statiques devenus obsolètes face à des modèles évolutifs.

Ingénierie logiciel: nouveaux goulots IA

Avec l’IA, le codage n’est plus le frein principal, remplacé par revue, validation et sécurité. Les workflows traditionnels deviennent inefficaces face à la vitesse actuelle. Les équipes adoptent une planification juste-à-temps et des cycles courts. L’organisation du travail logiciel est en pleine recomposition.

Traduire les activations des modèles

Une nouvelle méthode permet d’interpréter les activations internes des modèles en texte lisible. Elle révèle des étapes intermédiaires du raisonnement, au-delà du simple comportement observable. Des tests montrent que même sans actions malveillantes, les intentions restent ambiguës. Cette avancée cible un problème clé: comprendre réellement comment pense une IA.

Vidéos couvertes

• Translating Claude’s thoughts into language

  • •Test simulé de chantage
  • •Limites des tests comportementaux
  • •Introduction de la « traduction des activations »
  Lire l'article complet →

• Getting Started with Claude Cowork

  • •L’IA passe d’assistant à opérateur
  • •Intégration profonde entre environnements
  • •Accès et permissions contrôlés
  Lire l'article complet →

• Building with Claude Managed Agents and Asana AI teammates

  • •Vers l’entreprise « agentique »
  • •Limites actuelles des agents en entreprise
  • •Une mémoire d’entreprise partagée
  Lire l'article complet →

• Running an AI-native engineering org

  • •Les goulets d’étranglement dépassent le codage
  • •Les processus traditionnels « cessent discrètement de fonctionner »
  • •La planification devient juste-à-temps
  Lire l'article complet →

• The thinking lever

  • •Le compute à l’inférence devient une méthode clé de mise à l’échelle
  • •Des gains de performance démontrés avec la montée en effort
  • •Trois types de tokens pilotent le comportement de l’IA
  Lire l'article complet →

• Building with Claude on Google Cloud

  • •Développement assisté par IA de bout en bout
  • •Prototypage rapide à partir d’entrées simples
  • •Planification structurée avant le code
  Lire l'article complet →

• Evaluating and improving Replit Agent at scale

  • •Passage d’une évaluation statique à continue
  • •Exigences spécifiques du « vibe coding »
  • •Introduction de ByBench
  Lire l'article complet →

• Giving coding agents their own computers: How Cursor built cloud agents

  • •Le goulot d’étranglement passe des modèles à l’infrastructure
  • •Évolution en trois phases des systèmes d’agents
  • •Onboarding des agents comme des développeurs humains
  Lire l'article complet →

• Memory and dreaming for self-learning agents

  • •Memory as a Core AI Primitive
  • •From Static Context to Self-Learning Agents
  • •File-System-Based Memory Design
  Lire l'article complet →

• The expanding toolkit

  • •Passage des modèles aux « boîtes à outils »
  • •Fin du routage manuel des outils
  • •Une meilleure conception des outils améliore les performances
  Lire l'article complet →