Je vous ai apporté par:

Vanta—Automatiser la conformité et simplifier la sécurité

La Commission a adopté une décision sur la proposition de la Commission. est un éducateur et développeur qui a créé egghead.io et gère maintenant mega.dev, un programme pratique pour les développeurs de construction avec des agents d’IA. Dans cet épisode, il passe en revue huit démos de Jev, dont un assistant vocal en temps réel, une duplication de données, un routage d’applications, une analyse d’échecs, une coordination multi-agents et un coach de présentation en direct. Il explique également pourquoi Jev est mieux compris comme un moteur de décision rapide et peu coûteux qu’un chatbot, comment la superposition de plusieurs classifications améliore la précision, et quand un LLM traditionnel est encore le meilleur outil.

  1. Jev produit des décisions au lieu du texte, et cette contrainte est sa caractéristique. Il transforme les entrées non structurées en résultats structurés tels que les notes, les classifications, les probabilités et les appels de fonctions. Une fois que les développeurs cessent de le traiter comme un chatbot et d’identifier les décisions que leurs applications doivent prendre, de nombreux cas d’utilisation auparavant peu pratiques deviennent évidents.

  2. Jev , vitesse et coût débloquent une classe d’applications différente. Sur huit démos, John montre ce qui devient possible lorsque les décisions ne coûtent presque rien et reviennent presque instantanément. Il a dépensé seulement 73 cents sur 23 pistes de développement, tandis que Claire a traité cinq gigaoctets de JSON pour 40 cents.

  3. Le bon modèle mental pour Jev est un énoncé si/else, pas un ingénierie rapide. John recommande de l’utiliser partout où un programme traditionnel contiendrait une condition, une déclaration de changement ou une décision de branchement. Les développeurs définissent les chemins disponibles, et Jev utilise le langage naturel pour sélectionner le bon chemin.

  4. Le routage est l’un des modèles les plus utiles de Jev. Une seule entrée en langage naturel peut identifier l’outil approprié, déduire l’action prévue et déclencher la fonction appropriée. Les démos John-Sto et omnibar montrent le genre de couche de commande rapide et flexible que les assistants vocaux ont promis depuis longtemps mais rarement livrée.

  5. La classification en couches fonctionne souvent mieux que de se fier à une décision parfaite. John exécute fréquemment une classification, alimente son résultat en une autre et combine les étapes plus tard à mesure que les données d’utilisation réelle s’accumulent. Parce que chaque appel coûte si peu, ajouter un autre passe peut améliorer significativement la précision sans rendre le workflow coûteux.

  6. Le benchmark des échecs rend Jev , l’avantage concret. Il a analysé un jeu complet en moins d’une seconde, en exécutant dix fois plus vite et coûtant quatre fois moins que le LLM à basse raison sans sacrifier la précision. Lorsque les actions possibles sont finies, un modèle de décision peut surperformer un modèle génératif sur les mesures qui comptent.

  7. Jev fait de l’inefficacité efficace une stratégie viable. Évaluer chaque mouvement d’échecs, cartographier chaque itinéraire à travers Wikipedia, ou vérifier chaque chemin d’agent pour les collisions peut sembler gaspillé. Mais lorsque chaque décision est rapide et peu coûteuse, l’analyse de la force brute peut être plus simple et plus efficace que de restreindre soigneusement l’espace de recherche.

  8. Savoir quand ne pas utiliser Jev compte autant. Jev fonctionne mieux lorsque l’espace d’action est défini et que le langage naturel doit y être acheminé. Le raisonnement créatif, l’analyse ouverte, le brainstorming et l’interprétation d’image appartiennent encore aux LLM. Les plus grands gains proviennent de la combinaison intentionnelle des deux types de modèles.

Je vous ai apporté par:

  • Fusionner—Infrastructures de production spécifiques

  • Vanta—Automatiser la conformité et simplifier la sécurité

Kath Korevec est membre du personnel Produit chez OpenAI qui construit et utilise les sites ChatGPT en interne depuis plus d’un an. Dans cet épisode, elle démontre comment OpenAI utilise les Sites pour transformer en direct les données Slack, Notion et calendrier en outils internes personnalisés, y compris un centre de commande incident qui s’adapte à chaque visiteur. Elle montre également comment elle a automatisé la découverte de musique avec Reddit et Spotify et construit un donjon communautaire rampeur grâce à des compétences partagées, et explique pourquoi les modèles rapides changent la façon dont les gens créent des logiciels personnels.

  1. Plugin Insights permet à un site de se personnaliser automatiquement pour chaque visiteur. Kath a connecté un site de commande incident à Slack et Notion, lui permettant de déduire quelqu’un de son équipe depuis son accès au canal et d’afficher uniquement les incidents et les exécutards pertinents. L’authentification du connecteur gère la personnalisation sans exiger une logique personnalisée.

  2. Les développeurs n’ont pas à écrire la logique de connecteur eux-mêmes. Codex peut déduire les plugins appropriés lorsqu’une prompte mentionne la collaboration, la Notion, les calendriers ou d’autres outils connectés. Kath utilise souvent la phrase -Use Plugin Insights pour construire ce site, , mais dit Codex atteint fréquemment pour les bons connecteurs sans être explicitement dit.

  3. Les sites sont une infrastructure, et non pas simplement une couche d’hébergement. Il comprend le stockage D1, un seau R2, l’hébergement de plugins MCP et le support pour les co-éditeurs. L’équipe de Kaths l’utilise pour les travaux de production, y compris les diapositives utilisées lors de l’OpenAI DevDay keynote, tandis que beaucoup d’autres le traitent encore comme un outil de prototypage.

  4. Le logiciel peut maintenant être temporaire et mérite toujours d’être construit. Kath pourrait créer un site personnalisé pour un voyage d’affaires, l’utiliser pendant une semaine, et le jeter après. Lorsque les frais généraux de développement tombent assez loin, même un outil d’une durée de vie de sept jours peut apporter une valeur significative.

  5. Le flux de travail automatisé de la découverte musicale de Kath , montre ce que les logiciels personnels peuvent déjà faire. Son site utilise le contrôle informatique pour trouver des playlists populaires Reddit chaque lundi, crée une nouvelle playlist Spotify, et la joue automatiquement. Pendant la démo, elle a fait surface une chanson qu’elle n’avait jamais entendue et qu’elle aimait vraiment.

  6. Les compétences permettent à une communauté d’étendre une application sans avoir accès à sa base de codes. Kath a publié une compétence en construction de donjons qui définit les dimensions, les commandes et la structure de la pièce. N’importe qui peut l’installer, créer une salle à thème avec Astra, et ajouter le résultat à son cachot partagé.

  7. Les modèles plus rapides peuvent rendre les constructeurs plus créatifs. Kath et Claire ont tous deux constaté que la lente génération rompt le fil de la création, tandis que les résultats immédiats encouragent l’expérimentation continue. Lors d’une session ultra-rapide, Claires a appelé des demandes comme -jellyfish ventre et -add un poulet, , et elle a continué à construire sans perdre de l’élan.

  8. Kath dessine une frontière claire autour de l’IA agissant en son nom. Elle utilise Codex pour la recherche, la pensée et la rédaction, mais ne laissera pas les gens envoyer un courriel ou un message sans son approbation. Sa règle est simple : l’IA peut aider à préparer la communication, mais le bouton d’envoi reste le sien.

Dans cet épisode solo, Claire décompose les plus grandes annonces d’OpenAI DevDay et partage ce qui s’est passé quand elle a testé plusieurs d’entre eux tôt. Elle explore comment les points, les espaces et les sites pourraient changer la façon dont les gens et les agents travaillent ensemble, puis utilise l’API de décisions pour sélectionner de meilleures vignettes podcast et Astra ultra-rapide pour construire un croquis collaboratif et un monde interactif en 3D. Elle partage également ce qui semble prometteur, ce qui a encore besoin de travail, et quels nouveaux outils valent la peine d’essayer en premier.

  1. Les points sont plus capables qu’ils ne semblent, mais le produit a encore besoin de temps pour mûrir. Claires Dot a fait des achats, a écrit du code et a remarqué un conflit dans ses enfants. Les résultats étaient forts, mais la relation entre les fils de points, les conversations de ChatGPT et Codex reste confuse, donc elle attend de comprendre où les points peuvent aller avant de rendre un verdict final.

  2. ChatGPT Les espaces peuvent être l’annonce la plus sous-estimée de DevDay. Il donne aux humains et aux agents un espace de travail partagé pour les documents, les diapositives et autres artefacts, avec les autorisations appropriées et le contrôle des données. Claire avait récemment construit un outil similaire appelé Claire , car elle croyait que ce flux de travail était manquant, et voit la version OpenAI , comme un défi sérieux pour Google.

  3. Les sites avec plugins groupés offrent une réponse d’entreprise à l’inondation des outils internes générés par l’IA. Les équipes peuvent emballer un connecteur tel que Snowflake dans une application partagée tout en préservant les permissions de données existantes de chaque utilisateur. Les employés autorisés voient les informations pertinentes, tandis que tout le monde reste bloqué automatiquement.

  4. GPT-6.1 Sol est un cheval de bataille convaincant pour les équipes soucieuses des coûts. Il coûte 2 $ par million de jetons d’entrée et 10 $ par million de jetons de sortie, contre 10 $ et 50 $ pour Astra. Claire paie toujours la prime pour Astra parce qu’elle adore l’utiliser, mais pense que Sol mérite une attention sérieuse pour le travail quotidien.

  5. Ajouter une vision à l’API Décisions déverrouille une toute nouvelle catégorie de workflows. Claire l’a utilisé pour scanner 100 images vidéo et identifier des photos miniatures utilisables en une dizaine de secondes. La combinaison d’une classification rapide et peu coûteuse et d’une compréhension visuelle transforme une tâche de production déjà fastidieuse en un problème largement résolu.

  6. Astra Ultrafast est cher, mais il a donné à Claire un aperçu de l’avenir. Une séance interactive avec ses enfants coûte environ 97 $, mais son sketchpad SVG en temps réel et son jeu 3D en langage naturel ont montré ce que la génération de code quasi-instantanée peut ressentir à l’intérieur d’un produit. Si le prix baisse, ce niveau de vitesse pourrait augmenter considérablement ce que les gens construisent.

  7. Les primitifs de la plate-forme peuvent avoir plus d’importance que les démos flashy. Utilisation informatique dans l’API Agents, les outils de développement Codex, la monétisation des plugins prévue, et le nouveau plan Pro 500 créent des développeurs d’infrastructure peuvent construire sur le temps. La capacité d’utiliser les mêmes fondations qui alimentent Codex est particulièrement importante.

  8. Claire utilise toujours Grok Bots pour le travail quotidien, et elle ne se précipite pas pour changer. Elle préfère affecter des agents étroits à des emplois spécifiques plutôt que de compter sur un seul agent pour tout. Son conseil est d’essayer les points et de regarder pour où leur modèle proactif gagne une place dans le flux de travail, pas abandonner un système qui fonctionne déjà.

Si vous appréciez ces épisodes, répondez et faites-moi savoir ce que vous aimeriez en savoir plus sur : les flux de travail de l’IA, l’embauche, la croissance, la stratégie de produit – tout.

La semaine prochaine,
Lenny

P.S. Vous voulez que chaque nouvel épisode soit livré dès qu’il tombe ? Appuyez sur –Suivez sur votre application podcast préférée.