PI Coding Agent vs Claude Code : le bilan 2026

PI Coding Agent vs Claude Code : le bilan 2026

Une session Claude Code est morte sur moi à 23h47 un mardi de mars. Pas de crash. Pas d'erreur. Mourez de cette manière plus silencieuse où l'agent oublie ce qu'il faisait, relit les trois mêmes fichiers pour la quatrième fois et écrit un refactor qui contredit l'architecture qu'il a proposée quarante minutes plus tôt. Ma limite d’utilisation s’épuisait à environ deux fois la vitesse à laquelle je m’attendais. La trace pensante, lorsque j’ai essayé de l’inspecter, était vide.

J'ai fermé l'ordinateur portable et je me suis couché ennuyé. Ensuite, j'ai ouvert Twitter et j'ai vu trois autres développeurs décrire exactement la même chose mardi.

C'est la semaine où j'ai commencé à regarder sérieusement l'agent de codage PI de Mario Zechner. Non pas parce que PI est un nouveau jouet brillant - Mario l'a construit explicitement parce qu'il était en colère contre la même chose contre laquelle j'étais en colère - mais parce que la philosophie qui le sous-tend est la bonne lecture sur la direction réelle des agents de codage AI en 2026. Et plus j'assistais à son interview, plus il recadrait l'année que je venais de vivre avec Claude Code comme code principal. outil.

Ce qui suit est la version honnête. Je suis chauffeur quotidien de Claude Code depuis des mois. Les plaintes concernant la stabilité atterrissent pour moi. Je me suis également retrouvé dans la panique du « le modèle est devenu plus stupide » – et je veux être précis sur les parties réelles et les parties psychologiques. La conversation entre l'agent de codage PI et Claude Code ne concerne pas vraiment deux logiciels. Il s’agit de savoir si la prochaine génération d’agents sera contrôlée par des harnais en forme d’entreprise, par des outils minimaux que vous construisez vous-même ou par des modèles ouverts d’équipes que la plupart des développeurs occidentaux ne peuvent toujours pas prononcer.

Laissez-moi vous montrer ce que je veux dire.

Le mardi soir dont Anthropic a confirmé qu'il était réel

Pendant une longue période de février et mars 2026, j’ai pensé que j’étais dramatique. Claude Code s'est senti pire qu'en novembre. Les séances semblaient plus minces. Les refactors ont atterri à moitié terminé. L'agent semblait oublier le contexte au cours d'une seule séance de travail, puis réexaminer les choses qu'il avait déjà comprises. Tous les quelques jours, je me convainquais qu'il s'agissait d'un problème d'ambiance – une lune de miel qui s'estompait, des problèmes plus difficiles, mes standards dérivaient vers le haut.

Ce n'était pas un problème de vibrations. Le 23 avril 2026, Anthropic a publié une autopsie reconnaissant trois régressions de qualité distinctes sur Claude Code sur une fenêtre de six semaines. Un changement du 4 mars a réduit l'effort de raisonnement par défaut de « élevé » à « moyen » pour réduire la latence. Une modification du 26 mars a introduit un bug qui a amené le modèle à supprimer son propre historique de raisonnement en cours de session, le rendant ainsi oublieux, vidant les limites d'utilisation plus rapidement que prévu. Un changement du 16 avril a ajouté un plafond d'invite système de 25 mots entre les appels d'outils, ce qui, selon Anthropic lui-même, « nuisait de manière mesurable à la qualité du codage » avant que le plafond ne soit rétabli quatre jours plus tard.

Une analyse communautaire de 6 852 fichiers de session Claude Code a révélé que la profondeur de la réflexion avait déjà chuté d'environ 67 % fin février, avant même le déploiement de la rédaction. La rédaction a rendu la régression invisible dans le UI – mais elle était structurelle. Le modèle a besoin de traces de réflexion approfondies pour effectuer des recherches en plusieurs étapes, suivre les conventions et modifier le code avec soin. Lorsque ce budget de réflexion est discrètement réduit, le comportement de l'agent passe de la recherche d'abord à l'édition. Vous le regardez sauter la phase d’enquête et commencer simplement à taper.

C’est exactement le schéma que j’avais observé lors de mes mardis soirs. Pas un modèle plus intelligent ou plus stupide. Un affamé.

Cela est important pour la conversation PI, car Mario a construit PI en octobre 2025, des mois avant que tout cela ne fasse la une des journaux. Il a vu la trajectoire de vitesse et de gonflement des fonctionnalités d'Anthropic, a décidé qu'il ne lui faisait pas confiance pour son propre travail quotidien et a livré une alternative minimale qu'il pouvait contrôler de bout en bout. Au moment où l'autopsie a été abandonnée, PI propulsait déjà OpenClaw, un projet qui a atteint 250 000 étoiles GitHub en moins de trois mois, dépassant React.

Ce n’est plus un outil de niche. C’est une thèse qui a du succès.

Qu'est-ce que PI en réalité - et pourquoi "minimal" est tout l'intérêt

Si vous ne l'avez pas utilisé, voici la forme de la chose : PI est livré avec exactement quatre outils. Lire. Écrire. Modifier. Frapper. C'est toute la surface de l'agent. Vous ajoutez des fonctionnalités via des compétences, des modèles d'invite et des extensions explicites que vous connectez vous-même.

C'est tout le terrain. Et c’est plus radical qu’il n’y paraît.

Claude Code, à ce stade, est un produit riche en fonctionnalités. Il a des commandes slash, des compétences d'agent, des intégrations MCP, des sous-agents, un mode plan, les travaux. Chacune de ces fonctionnalités possède sa propre surface, ses propres bugs, ses propres interactions avec la fenêtre contextuelle du modèle. Lorsque quelque chose régresse, vous déboguez sur le modèle, le harnais, l'invite du système et toute compétence ou sous-agent qui s'avère être actif. C’est exactement ce qui a rendu les problèmes de qualité de mars-avril si difficiles à diagnostiquer de l’extérieur : il y avait trop de pièces mobiles et les plus importantes ont été expurgées.

PI fait le contraire. La philosophie de conception de Mario, qu'il a exposée dans son interview et dans l'article de Pragmatic Engineer, est que l'agent doit être suffisamment petit pour que vous puissiez contenir tous les jetons dans votre tête. Vous écrivez le modèle d'invite. Vous décidez quel contexte l'agent voit. Vous surveillez chaque appel d’outil. Rien sur le harnais ne change entre mardi et mercredi, sauf si vous le changez.

Ce n’est pas de la nostalgie d’une époque plus simple. Il s’agit d’une décision technique lourde. Parce qu'en 2026, le goulot d'étranglement n'est pas la capacité brute du modèle, mais la rétention du contexte. Chaque agent de codage en production actuellement est construit sur un modèle qui, dans le bon contexte, peut faire le travail. La question est de savoir si le harnais autour du modèle préserve ce contexte ou le détruit discrètement.

J'en dirai plus dans un instant : il existe un mode de défaillance spécifique dans les agents de codage modernes dont presque personne ne parle, et c'est la chose pour laquelle PI est vraiment conçu. Mais je veux d’abord fonder la comparaison sur quelque chose de concret.

Côte à côte : l'agent de codage PI et la matrice de décision Claude Code

J'ai construit ce tableau à partir de l'interview de Mario, de ma propre utilisation quotidienne des deux outils et du matériel public post-mortem. Ce n'est pas une référence. C'est la forme de décision que je guiderais à travers un ami s'il me demandait laquelle prendre demain.

intégré aux agents gérés et à la pile commerciale d'Anthropic | Centré sur le développeur, opiniâtre, conçu pour les personnes qui lisent la source | | Modèles à poids ouvert | Fermé, anthropique uniquement | Encourage le branchement de Kimi K2.6, DeepSeek V4, tout ce qui fonctionne | | Utilisateurs non techniques | Possible mais la superficie est intimidante | Étonnamment accessible – les non-codeurs l'utilisent pour créer des outils internes | | Cadence de mise à jour | Fréquents, groupés, parfois cassants | Lent volontairement – ​​le fait est que rien ne vous surprend | | Meilleur ajustement | Les équipes qui souhaitent un produit géré et font confiance à la feuille de route d'Anthropic | Constructeurs solo, agences et développeurs qui souhaitent posséder la pile jusqu'à l'invite |

Si vous lisez ceci et pensez « Je veux les deux », vous le lisez correctement. Je dirige les deux. J'utilise Claude Code pour la plupart de mon travail quotidien car je suis toujours sur un forfait Anthropic payant et l'intégration avec ma bibliothèque de compétences existante est réelle. J'utilise PI lorsque je souhaite exécuter un type spécifique de tâche avec un contrôle total - généralement de longs refactors pour lesquels je ne peux pas me permettre de modifier silencieusement le comportement en cours de session.

Mais la question la plus intéressante n’est pas de savoir quel outil. C'est ce que dit le pari de Mario sur un contrôle minimal pour les deux prochaines années.

La rétention de contexte est tout le jeu (et presque personne ne le dit à voix haute)

Je veux ralentir sur ce point car je pense que c'est l'argument le plus important de l'interview de Mario, et la partie que presque personne n'a reprise.

L'affirmation de Mario : en 2026, le mode de défaillance dominant de l'agent de codage n'est pas la faiblesse du modèle. C'est le harnais qui corrompt le contexte du modèle. Les traces de réflexion de la session sont effacées, les invites du système sont tronquées, les sorties de l'outil sont résumées prématurément et l'agent finit par travailler à partir d'une copie dégradée de ce qu'il a réellement compris plus tôt. Le modèle a l'air stupide. Le modèle n’est pas idiot. Le modèle est affamé.

C'est exactement ce que l'analyse post-mortem de 6 852 sessions a montré. Lorsque la profondeur de réflexion a chuté de 67 %, le comportement de l'agent a changé de façon mesurable : de la recherche d'abord à l'édition d'abord, du respect des conventions à l'ignorance des conventions. Les poids des modèles n'ont pas changé. Le contexte avait.

Une fois que vous voyez cela, vous le voyez partout.

La vague « Claude est plus stupide maintenant » qui a frappé Twitter en mars était en grande partie réelle, mais la cause sous-jacente n'était pas celle que la plupart des gens pensaient. Ce n’était pas Anthropic qui échangeait tranquillement contre un modèle plus petit. Ce sont les coupes budgétaires du raisonnement et les bugs de l’historique du raisonnement qui se sont aggravés sous la charge. Une véritable régression de modèle serait apparue dans les tests de référence, aurait été détectée par les propres évaluations d'Anthropic et aurait été corrigée en quelques jours. Ce que nous avons obtenu à la place, c’est une lente dégradation au niveau du harnais qui a nécessité six semaines de pression publique pour s’inverser complètement.

Ainsi, lorsque Mario construit PI dans le but explicite que « chaque jeton dans la fenêtre contextuelle est quelque chose que vous y mettez », il ne se soucie pas du minimalisme. Il résout le vrai problème.

Je vais le dire la poitrine pleine, car je pense que c'est important : la plupart des plaintes « le modèle est devenu plus bête » en 2026 sont de véritables plaintes concernant une véritable dégradation, mais la cause profonde est le harnais, pas les poids. Et la seule issue est soit de faire confiance à votre fournisseur pour qu'il soit transparent sur chaque changement de harnais qu'il expédie, soit de posséder le harnais vous-même.

Mario a choisi la deuxième voie. C'est ce qu'est PI.

L'insurrection à poids ouvert : Kimi K2.6 et DeepSeek V4 changent les mathématiques

L'autre chose sur laquelle l'entretien de Mario m'a fait réfléchir est la question ouverte de pondération, et c'est là que mon propre calcul des coûts a fortement changé au cours des quatre derniers mois.

Le 20 avril 2026, Moonshot AI a livré Kimi K2.6 – un MoE de 1 billion de paramètres avec 32 milliards de paramètres actifs, un contexte de 256 Ko, une multimodalité native et une quantification INT4. Il est ouvert sous une licence MIT modifiée. Le code et les poids vivent sur Hugging Face. Le Résumé DeepLearning.AI place efficacement K2.6 au niveau de Qwen3.6 Max et DeepSeek V4 à source fermée sur les tests de codage, et juste derrière les meilleurs modèles fermés. K2.6 a été formé explicitement pour le type d'appel d'outil en plusieurs étapes dont un harnais d'agent a besoin : ouvrir un navigateur, lire une page, écrire un fichier, appeler une compétence Python, résumer, récupérer d'une erreur d'outil sans redémarrer l'ensemble du plan.

C’est cette dernière partie qui rend l’histoire du poids ouvert différente en 2026 de celle de 2024. Il y a deux ans, les modèles ouverts pouvaient écrire du code. Ils ne pouvaient pas diriger un agent. La fiabilité de l’utilisation des outils n’était pas là, la planification à long terme n’était pas là, ni la possibilité de se remettre d’un échec. Vous pouvez les inviter et récupérer des fonctions raisonnables. Vous ne pouviez pas leur confier un problème GitHub et leur faire confiance pour l'enquêter sur douze fichiers.

K2.6 change cela. Il en va de même pour DeepSeek V4. Le Récapitulatif des références de codage LLM d'avril 2026 montre les modèles à poids ouvert qui résistent aux tâches de codage à long horizon sur Rust, Go et Python. C'est le régime dans lequel Claude et GPT avaient un monopole propre. Ce n’est plus le cas.

Pour moi, cela change le calcul des coûts d'une manière spécifique. Mario a décrit les outils AI comme un "jeu d'homme riche" - environ 200 $ par mois dans API dépensent les prix de la plupart des développeurs individuels, et cela ne concerne que le côté modèle, avant de prendre en compte toute orchestration. Raisonnable pour les développeurs professionnels. Brutal pour les amateurs, les étudiants et l’ensemble du monde en développement. Les modèles ouverts exécutés localement ou sur des fournisseurs d'inférence bon marché transforment ces 200 $ en quelque chose de plus proche de 20 $, et dans certaines configurations, de zéro. Ce n’est pas une amélioration marginale. C'est un marché différent.

Le pari de Mario – et de plus en plus le mien – est que l'industrie à long terme se caractérise par des modèles ouverts effectuant la majeure partie du travail réel, avec des modèles frontières à source fermée réservés aux 5 % des tâches les plus difficiles. Le harnais se trouve sur le dessus, quel que soit le poids vers lequel vous le pointez. PI est conçu pour ce monde. Claude Code, de par sa conception, ne l'est pas.

J'ai couvert ce changement plus en détail dans ma revue Kimi K2.6 et dans l'article sur le workflow de codage hybride sur l'exécution de DeepSeek V4 aux côtés de Claude Code, et la version courte est la suivante : les modèles à poids ouvert ne sont plus "presque assez bons". Ils sont suffisamment performants pour le travail de codage quotidien, l'écart sur les tâches les plus difficiles se réduit chaque trimestre et la différence de coût est suffisamment importante pour que les ignorer commence à ressembler à une erreur stratégique plutôt qu'à une préférence stylistique.

Il existe également un obstacle à la fidélité à la marque qui mérite d’être mentionné. Anthropic a construit une véritable marque d'entreprise en Occident – ​​l'histoire de la sécurité, le cadre constitutionnel AI, le travail politique. Les équipes chinoises à pondération ouverte sont confrontées à l'inverse : des campagnes de peur, du bruit géopolitique et des politiques générales de « ne pas utiliser les modèles chinois » envers les entreprises averses au risque. Une partie de cela est fondée. La plupart sont réflexifs. Et cela crée un cadre de tarification dans lequel les modèles ouverts peuvent continuer à réduire les coûts tandis que les modèles fermés se contentent de relations d'entreprise. Ce parapluie ne durera pas éternellement.

Où vont les talents et pourquoi l’Europe continue de saigner

L'interview de Mario a consacré quelques minutes à un sujet secondaire qui, à mon avis, est plus central qu'il n'y paraît : où migrent les talents AI et pourquoi.

Sa lecture : les États-Unis gagnent grâce à trois facteurs cumulatifs. Une meilleure profondeur de capital-risque, une infrastructure AI plus concentrée et un substrat juridique beaucoup plus simple : le modèle C-corp du Delaware est si fluide que les fondateurs européens se redomicilieront régulièrement juste pour lever des fonds. En revanche, les startups européennes AI imposent une taxe de fragmentation réglementaire sur chaque marché sur lequel elles pénètrent. Vingt-sept pays, vingt-sept interprétations légèrement différentes de chaque règle AI et un écosystème de capital-risque qui est à peu près d'un ordre de grandeur plus petit par habitant.

Je ne dirai pas que la réglementation est mauvaise. Je vais soutenir que la réglementation fragmentée est brutale et que la loi AI est fragmentée de telle manière qu'il est presque impossible d'expédier un produit d'agent de codage sérieux depuis Berlin ou Paris sans qu'une entité américaine ne l'entoure. Les équipes que je regarde en Europe soit redomicilier, soit rester petites. Ceux qui redomicilier rejoignent l’écosystème américain, embauchent dans l’écosystème américain, et le flux de talents devient encore plus déséquilibré.

Mario lui-même se trouve exactement dans cette situation. Le centre de gravité de PI est technique et non commercial : il est open source, npm est distribué et la communauté est mondiale. Mais dès qu’OpenClaw a commencé à être commercialisé, la question du lieu de résidence de l’entité juridique a cessé d’être abstraite.

Si vous êtes un développeur européen qui lisez ceci et pensez que je suis injuste, ce n'est pas le cas. Je veux un écosystème AI européen prospère. La forme réglementaire actuelle n’apporte rien, et prétendre le contraire est la façon dont nous continuons à perdre.

L'avenir des agents personnels : les applications sont remplacées par des constructeurs

C'est la partie de la thèse de Mario sur laquelle je me penche indépendamment depuis des mois, et l'entendre l'articuler proprement a été l'un de ces moments « d'accord, c'est réel ».

Le pari : la plupart des applications grand public telles que nous les connaissons sont mortes à moyen terme. Non pas parce que les gens ne veulent plus de fonctionnalités (suivi de régime, journaux de remise en forme, CRM internes, répartition des dépenses), mais parce que la couche d'agent personnel peut créer cette fonctionnalité à la demande, personnalisée pour chaque utilisateur, au cours d'une session qui prend quelques minutes au lieu de plusieurs mois.

Vous ne téléchargerez pas d'application de suivi de régime en 2029. Vous direz à votre agent "Je veux suivre les macros, voici ce qui m'intéresse, construisez-moi quelque chose." Il échafaudera une petite application, l'hébergera quelque part, vous donnera une URL ou un widget, et le tout sera invisible. L'abstraction « app » se réduira à l'abstraction de l'agent.

Je le signale parce que la conception de PI – minimale, contrôlable et opiniâtre – est beaucoup plus proche de la forme du runtime d'agent personnel que ne l'est la forme du produit d'entreprise de Claude Code. Mario s'oriente ouvertement vers un monde dans lequel les utilisateurs non techniques connectent des outils internes avec PI sous le capot. La croissance de OpenClaw – le projet GitHub à la croissance la plus rapide de l'histoire du logiciel, 250 000 étoiles en trois mois – est en aval de ce pari.

Claude Code peut y arriver. Il est actuellement optimisé pour un public différent.

Ce que cela signifie pour le travail du savoir – et pour les juniors

L’argument du paradoxe de Jevons est plus difficile à comprendre dans le monde des agents de codage que presque partout ailleurs.

La forme de base : lorsqu’une ressource devient moins chère, la consommation totale de cette ressource augmente et non diminue. Une production moins chère ne signifie pas moins de demande pour la production – cela signifie plus de demande. Les agents AI rendent le code à produire environ un ordre de grandeur moins cher. Le volume de code produit va augmenter et non diminuer. Le nombre total de développeurs en activité va probablement augmenter sur un horizon de cinq ans, et non diminuer. C’est la lecture de Jevons, et je pense qu’elle est globalement juste.

Mais la réalité distributive est plus douloureuse que la réalité globale.

Deux groupes spécifiques sont durement pressés et Mario nomme les deux. Les développeurs plus âgés qui ne peuvent pas ou ne veulent pas apprendre à diriger des agents deviendront nettement moins productifs que leurs pairs qui le font. Ils ne perdront pas leur emploi en masse, mais ils perdront du terrain en termes de vitesse, et c'est la vitesse qui augmentera et remportera les titres en 2026. Les juniors sont pressés parce que la pile senior plus agent remplace désormais environ trois recrues juniors. Non pas parce que les sociétés juniors sont mauvaises, mais parce que la courbe de levier a changé.

Si vous êtes un développeur junior et que vous lisez ceci, le seul conseil honnête que je puisse vous donner est le suivant : devenez la personne qui gère la pile d'agents plus rapidement et plus intelligemment que vos seniors. Il s’agit d’un plafond de compétences qui est réinitialisé tous les six mois, et à l’heure actuelle, personne n’a plus de deux ans d’expérience en matière de capitalisation. L’écart d’ancienneté est plus faible qu’il n’y paraît. La fenêtre ne restera pas ouverte éternellement.

Si vous êtes un senior qui lisez ceci, voici un conseil analogue : ne devenez pas le travailleur âgé qui a refusé d’adopter la pile. La transition n’est pas facultative, et les personnes qui déménageront en premier seront deux fois plus productives que celles qui déménageront au niveau médian, pendant au moins les trois prochaines années.

La limite LLM que Mario a eu raison (et pourquoi l'expertise de haut niveau est toujours importante)

L'une des affirmations les plus marquantes de l'interview de Mario était que les LLM interpolent, ils n'extrapolent pas. Ils sont très doués pour recombiner et affiner les idées qui existent de manière dense dans leurs données de formation. Ils sont mauvais pour lancer des idées qui vivent dans des queues très fines – les 0,01 pour cent supérieurs de l’expertise humaine qui sont véritablement sous-représentés dans n’importe quel corpus.

Ce n'est pas un slogan. C'est une règle opérationnelle utile.

Lorsque je conduis Claude Code ou PI sur un problème, j'obtiens mes meilleurs résultats lorsque je traite l'agent comme un moteur de raffinage et non comme un moteur d'origine. J'apporte l'architecture. J'apporte les contraintes. J'apporte le cadrage "c'est la partie la plus difficile". L'agent complète l'implémentation, valide les cas extrêmes, détecte les erreurs passe-partout et propose les variantes que je n'avais pas envisagées. Lorsque je laisse l'agent provenir du niveau architectural, le résultat est compétent et oubliable : interpolation par rapport à la médiane de chaque application CRUD sur GitHub.

C'est aussi pourquoi je pense que "le codage vibratoire remplacera les ingénieurs seniors" est une mauvaise lecture de l'année. Le senior qui peut garder le modèle architectural en tête et utiliser l'agent comme multiplicateur a plus de valeur qu'il y a un an, pas moins. Le senior qui traite l'agent comme un dactylographe va être remplacé par quelqu'un de vingt ans plus jeune qui le traite comme un collaborateur. L'interview de Mario présente cela comme une approche architecture plutôt que syntaxe : le problème de syntaxe est résolu, le problème d'architecture est grand ouvert et l'agent est un multiplicateur de force, quel que soit le côté de cette ligne à partir duquel vous opérez.

Je m'assois avec ce cadrage chaque fois que j'ouvre une session. C'est le modèle mental le plus utile dont je dispose pour le travail de codage de 2026.

Mon flux de travail actuel : quatre sessions parallèles, modèles stricts, portes de refactorisation manuelles

Mario a décrit l'exécution de jusqu'à quatre sessions PI parallèles, avec des modèles d'invite stricts, une analyse des problèmes et des relations publiques GitHub, ainsi qu'une intervention manuelle pour tout refactor non trivial. Mon flux de travail a convergé vers quelque chose de proche, principalement par accident.

Trois ou quatre sessions d'agent exécutées en parallèle : généralement deux Claude Code, une PI et parfois une quatrième exécutant un modèle ouvert via un harnais fin. Chaque session a un seul objectif bien défini. Je ne laisse aucune session s’étendre. Dès qu’une session commence à dériver, je la ferme, distille ce qu’elle a appris dans une nouvelle invite et en démarre une nouvelle. Le contexte est sacré. La dérive est l'ennemi.

Modèles d'invite stricts pour les formes de tâches récurrentes : triage des problèmes, examen des relations publiques, planification de la refactorisation, génération de tests. Les modèles sont versionnés dans un dépôt privé et mis à jour en cas de panne. Je ne freestyle pas l'invite pour les tâches que j'exécute chaque semaine. Le coût de l’incohérence est trop élevé.

Portails manuels à chaque changement architectural. L'agent propose, je dispose. Je vais laisser un agent réécrire une fonction de manière autonome. Je ne le laisserai pas restructurer un module sans que je lise la différence ligne par ligne. La règle de Mario « architecture plutôt que syntaxe » est le principe opérationnel ici.

Problème GitHub et analyse des relations publiques comme apport principal. Le modèle est efficace pour lire un fil de discussion, le code lié et les PR associés, et pour produire un véritable diagnostic. Il est mauvais de décider de ce qui devrait être construit ensuite. Je fais cette partie. L'agent mène l'enquête.

Si vous souhaitez une version plus approfondie de ce flux de travail, j'ai déjà écrit sur la discipline du contexte de l'agent et l'architecture de session parallèle, et les règles n'ont pas beaucoup changé. Ce qui a changé, c'est l'ensemble d'outils sur lequel je les exécute. Le minimalisme du PI rend une partie de la discipline plus facile : il y a moins de harnais à combattre. La densité des fonctionnalités de Claude Code rend certaines tâches plus rapides et certaines sessions plus fragiles. Savoir lequel est ce qui constitue l'essentiel de la compétence.

Ce que je regarde pour le reste de 2026

Quelques éléments que je surveille spécifiquement, car je pense qu'ils décident si la thèse PI vieillit bien ou non.

Anthropic assure-t-il la transparence autour des changements de harnais de la même manière qu'il a commencé à l'expédier autour des changements de modèle ? L’autopsie d’avril a été une bonne première étape. Ce n'est pas encore une discipline. Si la prochaine régression dure encore six semaines avant d’être reconnue, le fossé de confiance avec le camp du harnais minimal se creuse.

Que Kimi K2.6 et DeepSeek V4 maintiennent leur parité de référence de codage au cours des deux prochains cycles de modèle, ou si les laboratoires à sources fermées rouvrent l'écart. D’après moi, l’écart reste étroit, mais les six prochains mois nous le diront.

Que la trajectoire de 250 000 étoiles d'OpenClaw se transforme en une utilisation réelle du produit à grande échelle ou qu'elle stagne comme une curiosité. Les étoiles sont une vanité. Les développeurs actifs quotidiennement exécutant PI sur un travail réel sont la mesure qui compte.

Si la couche d'agent personnel commence à apparaître dans les produits de consommation d'une manière que l'utilisateur moyen le remarque. À l’heure actuelle, il s’agit d’un phénomène de constructeur et de prosommateur. Au moment où ma mère utilise sous le capot quelque chose qui est secrètement un agent en forme de PI, la thèse est réelle.

Si la situation réglementaire européenne produit une seule startup AI à l’échelle d’un laboratoire frontière. J'adorerais me tromper à ce sujet. Je ne parie pas là-dessus.

La boucle ouverte depuis le haut, fermée

J'ai commencé cela avec une session Claude Code qui s'est éteinte à 23h47 et avec le soupçon que j'étais dramatique. Je ne l'étais pas. L'autopsie a confirmé ce que 6 852 séances d'analyse avaient déjà montré. Le harnais affamé le modèle. Le modèle n'était pas le problème.

J'utilise Claude Code quotidiennement depuis des mois et je vais continuer à l'utiliser. Le produit est excellent lorsqu'il fonctionne, l'histoire d'intégration est réelle, l'équipe est réactive et le post-mortem lui-même est le signe d'une organisation saine. Rien de tout cela n’est la question.

La question est de savoir si la forme dominante d'un agent de codage AI en 2030 est un produit d'entreprise géré, une boîte à outils minimale que vous contrôlez de bout en bout ou un modèle ouvert sous un harnais mince que vous avez écrit vous-même. Mario a construit PI en pariant que les deuxième et troisième convergeraient et que la première continuerait d'être la bonne réponse pour certaines entreprises et la mauvaise réponse pour les constructeurs, les agences et la longue traîne de la population mondiale de développeurs qui ne peuvent pas se permettre un élément de campagne API à 200 $ par mois.

Je pense qu'il a raison.

La chose que vous pouvez faire ce soir, si l'un de ces éléments arrive, est d'installer PI from npm, de le pointer vers une base de code réelle que vous comprenez déjà bien et d'exécuter une seule session que vous auriez normalement exécutée dans Claude Code. Surveillez chaque appel d’outil. Lisez chaque invite. Notez ce qui entre dans la fenêtre contextuelle et ce qui en sort. Soit vous reviendrez à Claude Code avec des questions plus pointues, soit vous commencerez tranquillement à exécuter les deux, et votre perception de ce à quoi devrait ressembler un agent de codage AI ne sera pas la même.

C’est le seul type d’article d’opinion qui mérite d’être écrit dans cette partie du cycle. Les agents sont réels, les modèles sont réels, les gains de productivité sont réels, et la réponse à l'outil qui gagnera sera décidée par les personnes exécutant les deux, les mains sur l'invite. Pas par des critères. Pas par Twitter. Par vous, un mardi soir, en faisant attention à la fenêtre contextuelle.

Je te verrai là-bas.

Questions fréquemment posées

Qu'est-ce que l'agent de codage PI et qui l'a construit ?

PI est un agent de codage de terminal minimal construit par Mario Zechner, le développeur derrière libGDX, et lancé fin 2025. Il est livré avec exactement quatre outils (lecture, écriture, modification, bash) et est conçu pour donner aux développeurs un contrôle total sur chaque jeton entrant dans la fenêtre contextuelle de l'agent. PI alimente le projet OpenClaw, qui a franchi 250 000 étoiles GitHub en moins de trois mois. Pour l’histoire complète, consultez la section OpenClaw et philosophie de conception ci-dessus.

PI est-il meilleur que Claude Code ?

Aucun des deux outils n’est universellement meilleur : ils ciblent des besoins différents. PI gagne en termes de stabilité, de contrôle du contexte et de rentabilité pour les développeurs qui souhaitent posséder le harnais. Claude Code gagne en termes de densité de fonctionnalités, d'intégrations et de finition des produits gérés pour les équipes. Les utilisateurs les plus sérieux en 2026 utilisent les deux. Voir la matrice de décision côte à côte ci-dessus.

Claude Code a-t-il réellement empiré en 2026 ?

Oui, et Anthropic l’a confirmé lors d’une autopsie du 23 avril 2026. Trois régressions distinctes ont frappé Claude Code sur six semaines : réduction de l'effort de raisonnement par défaut, un bug qui supprimait l'historique de raisonnement en cours de session et une limite de 25 mots pour les invites système. Tous les trois ont finalement été annulés. Les plaintes selon lesquelles le modèle est devenu plus bête étaient en grande partie réelles, mais causées par des changements de harnais et non par le poids du modèle.

Les modèles ouverts comme Kimi K2.6 et DeepSeek V4 sont-ils prêts pour un travail de codage sérieux en 2026 ?

Oui. Kimi K2.6, publié le 20 avril 2026, se situe effectivement au niveau des meilleurs modèles fermés sur les tests de codage et est spécialement conçu pour les appels d'outils en plusieurs étapes. DeepSeek V4 est compétitif en termes de précision sur un contexte long. Les deux fonctionnent sous des licences ouvertes et modifient considérablement le calcul des coûts pour le travail de codage quotidien. Les 5 % des tâches les plus difficiles privilégient toujours les modèles fermés aux frontières.

Qu'arrive-t-il aux développeurs juniors à mesure que les agents de codage AI s'améliorent ?

Les juniors sont confrontés à une véritable pression, car une pile de seniors et d'agents déplace environ trois recrues juniors pour des tâches sensibles à la vélocité. La décision la plus défendable est de devenir la personne qui gère la pile d’agents plus rapidement et plus intelligemment que vos supérieurs. Ce plafond est réinitialisé tous les six mois et l'écart d'ancienneté dans les flux de travail pilotés par les agents est plus petit qu'il n'y paraît.

Travaillons ensemble

Vous cherchez à créer des systèmes AI, à automatiser les flux de travail ou à faire évoluer votre infrastructure technologique ? J'aimerais aider.

• Fiverr (versions et intégrations personnalisées) : fiverr.com/s/EgxYmWD
• Portefeuille : mejba.me
• Ramlit Limited (solutions d'entreprise) : ramlit.com
• ColorPark (conception et image de marque) : colorpark.io
• xCyberSecurity (services de sécurité) : xcybersecurity.io