Andrej Karpathy a assemblé HackerTube à partir de 6 454 vidéos en deux heures

YouTube sait parfaitement ce qui retient l'attention, mais cela ne coïncide pas toujours avec ce qu'on a envie de regarder. Andrej Karpathy a rencontré ce problème bien connu et, en un week-end, a construit HackerTube, un catalogue vidéo dont les recommandations ne viennent pas d'un fil algorithmique, mais des commentaires de Hacker News.

Le résultat est un site de 6 454 vidéos que les membres de HN se sont recommandées mutuellement pendant 20 ans. D'après Karpathy, Claude a effectué l'essentiel du travail en deux heures environ. Le développeur, lui, a acheté le domaine, créé une clé d'API YouTube et mis en place un VPS.

On dirait une énième histoire du genre « l'agent a écrit l'application pendant le petit-déjeuner ». Pourtant, l'intérêt ne réside pas dans la vitesse de frappe du code. Karpathy a montré comment transformer une vaste archive non structurée en un produit ciblé à la valeur claire : repérer les recommandations récurrentes, les relier à des vidéos et offrir à l'utilisateur une interface correcte pour chercher et regarder.

Comment cela fonctionne, avec un exemple simple

Imaginons que, dans des milliers de discussions, des gens laissent des liens vers des conférences, des entretiens et des analyses techniques. Un lien peut apparaître une seule fois et ne rien signifier. Un autre revient pendant des années dans différents fils, accompagné de phrases comme « la meilleure explication du sujet » ou « à voir en entier ».

HackerTube utilise la trace collective de ces recommandations comme signal de départ. Au lieu d'un modèle personnalisé qui devine le prochain clic, le service montre des vidéos qui ont déjà passé un filtre humain au sein de la communauté technique. Karpathy indique que 43 millions de commentaires de Hacker News ont été traités pour construire le catalogue, dont 6 454 vidéos ont été retenues.

La distinction est importante. L'agent n'invente pas de recommandations à partir de rien : il aide à extraire une structure de données existantes et à transformer le résultat en produit. L'archive d'analyse, publiée séparément, peut être réutilisée : on peut par exemple demander à son propre agent de sélectionner des contenus sur les compilateurs, l'histoire des startups ou le machine learning.

Ce que l'agent a réellement accéléré

Auparavant, une telle expérience aurait exigé d'écrire séparément le chargement des données, le traitement des liens, l'intégration avec YouTube, le back-end et l'interface. Un agent de code moderne peut relier ces éléments en une seule session, à condition que la tâche soit bornée, que les sources soient connues et que l'humain prenne rapidement les décisions d'infrastructure.

La conclusion pratique pour une équipe est simple : on devrait désormais commencer un prototype non par un long cahier des charges, mais par une question vérifiable. Par exemple : « Les développeurs chercheront-ils des vidéos via les recommandations de HN plutôt que dans le fil YouTube ? » L'agent peut assembler un produit minimal, et de vrais utilisateurs répondront plus vite que des présentations et des semaines de planification.

Pour autant, la mention « fait en deux heures » ne signifie pas que le produit soit prêt pour une forte charge ou une exploitation commerciale. Restent le coût des requêtes, les limites de l'API YouTube, la mise à jour des données, la modération, la sécurité, les sauvegardes et les conditions juridiques d'utilisation du contenu. Les mesures publiques de la qualité de la sélection sont aussi encore insuffisantes : on ignore combien de liens utiles ont été manqués et dans quelle mesure le catalogue est biaisé par les centres d'intérêt de l'audience de Hacker News.

Ce qu'il faut en retenir pour votre travail

Les développeurs devraient chercher des cas où il existe déjà un jeu de données précieux mais pas d'interface pratique. Les équipes produit devraient mesurer non pas la quantité de code généré, mais le délai entre l'idée et le premier signal utilisateur. Les fondateurs devraient distinguer d'emblée un prototype rapide d'un système que l'on peut maintenir en toute sécurité.

HackerTube est intéressant précisément comme modèle de cette approche. L'agent a fortement réduit le coût de l'enveloppe, mais l'idée, la source de données et le critère d'utilité sont restés un travail humain. Il semble que la principale denrée rare ne soit plus la capacité à écrire vite une nouvelle interface, mais celle de repérer un bon jeu de données et de lui poser la bonne question.