> For the complete documentation index, see [llms.txt](https://weekly-essay.mikey.wang/llms.txt). Markdown versions of documentation pages are available by appending `.md` to page URLs; this page is available as [Markdown](https://weekly-essay.mikey.wang/fr/2026/w13-meituans-q4-earnings-and-why-the-ai-era-needs-a-unified-efficient-toolchain.md).

# W13-Résultats T4 de Meituan et besoin d'une chaîne d'outils efficace à l'ère de l'IA

L'an dernier, je lisais les résultats financiers chaque trimestre et rédigeais un bilan en les croisant avec des contenus de comptes publics WeChat. Cette année, ce travail peut lui aussi être automatisé, grâce aux tâches planifiées de Cowork. L'IA collecte, analyse et organise désormais l'information de façon autonome, puis publie le résultat dans Xuecheng, avec une qualité bien supérieure à celle de mon propre travail. Chaque trimestre, j'ajouterai les sources que je juge bonnes et déclencherai manuellement la tâche, en conservant un cadre d'analyse stable.

Un objectif important de cette lecture des résultats est d'apprendre à étudier objectivement une entreprise. À ce stade, Meituan est celle qui mérite le plus mon attention. Depuis six mois, je ressens ceci : étudier une entreprise de l'intérieur peut créer un angle mort. Au sein de l'entreprise, l'influence ne vient pas seulement du marché. On a sa propre position, des bruits locaux et une tendance à extrapoler linéairement du particulier au tout. On croit bien connaître l'entreprise et disposer d'informations internes nombreuses ; pourtant, beaucoup d'informations essentielles arrivent d'abord de l'extérieur. Prenons LongCat. J'avais facilement porté un jugement négatif à partir de ses performances en programmation. Or j'adhère à l'idée d'une spécialisation progressive des modèles. Juger LongCat sans l'avoir étudié en détail n'est donc pas une bonne habitude de recherche. Ce type de problème distingue, je pense, les analystes de banque d'investissement des commentateurs boursiers amateurs.

***

### Pourquoi l'ère de l'IA exige-t-elle une chaîne d'outils unifiée et efficace ?

Deux événements de la semaine dernière m'ont incité à prendre cette question au sérieux.

Le premier est la promotion, par Evan You à D2, d'une chaîne frontend intégrée réécrite en Rust. Son idée centrale : écrire le code n'est plus le goulot d'étranglement. L'IA doit sans cesse vérifier son code. Si nous ne lui donnons pas une chaîne d'outils propre et efficace, nous freinerons fortement les gains de productivité à venir.

Le second est [l'annonce par OpenAI de son intention d'acquérir Astral](https://openai.com/index/openai-to-acquire-astral/) pour intégrer une chaîne d'outils Python à Codex. Cette acquisition ressemble, à certains égards, à [celle de Bun par Anthropic](https://www.anthropic.com/news/anthropic-acquires-bun-as-claude-code-reaches-usd1b-milestone). Astral développe uv, le gestionnaire de paquets Python, Ruff, l'analyseur de code, et ty, le vérificateur de types.

Jeff Dean a formulé une idée voisine lors du GTC qui vient de se terminer. La plupart des outils actuels ont été conçus pour les humains. Nos interactions se mesurent en secondes ; le démarrage d'un compilateur C ou la latence d'une API n'étaient donc pas décisifs. Mais lorsque les agents travaillent cinquante fois plus vite, ces délais de quelques millisecondes deviennent dominants. Selon la loi d'Amdahl, l'accélération globale d'un système est limitée par la partie qui ne peut pas être accélérée. Si l'inférence prend 100 millisecondes mais que l'initialisation et l'appel des outils exigent deux secondes, améliorer le modèle apporte très peu à l'efficacité de bout en bout.

La même logique aide à comprendre le rachat de Bun par Anthropic. L'essentiel n'est pas sa vitesse, mais le fait qu'il constitue un environnement d'exécution complet et maîtrisable. Les outils traditionnels, comme Bash, sont conçus pour les humains et transmettent l'information sous forme de texte. L'IA a besoin de retours structurés, peu bruités et analysables. Une couche d'outils conçue pour les agents réduit fortement le coût de mise en cohérence du contexte et de correction des erreurs.

Je rassemble désormais ces évolutions sous le terme Harness Engineering. Son essence consiste à concevoir un meilleur dispositif d'encadrement, ou harness, pour qu'un groupe d'agents et quelques humains forment un système d'ingénierie maîtrisable, vérifiable et extensible, malgré un contexte et des capacités d'outillage limités.

L'IA produit vite du code, mais ne l'écrit pas correctement du premier coup. Le travail réel consiste à appeler les outils en boucle : installer les dépendances, compiler, lancer le lint, vérifier les types, exécuter les tests et le programme. Si cette chaîne est lente, fragmentée et imprévisible, l'attente et l'incertitude absorbent l'essentiel du temps.

Une ingénierie AI-Ready devrait donc vérifier qu'elle dispose d'une chaîne d'outils propre, rapide et unifiée, capable de soutenir le fonctionnement continu des agents.