Intensif Gratuit 21–22/11Intensif gratuit de 2 jours en Vibecoding (21–22 nov, 16h00 MSK) · Cohorte 3 le 23/11S'inscrire gratuitement →Cohorte 3 (23/11)

Codex a compté 180 heures de travail sur un produit via git et les chats, et aidé à régler des arriérés d'impôts

L'auteur de la chaîne Telegram « LLM sous le capot » a demandé à l'agent Codex d'estimer son temps de travail à partir de l'historique git, des chats professionnels et du journal de ses dialogues avec l'agent. Résultat : 180 heures pour son dernier produit et 20 heures pour un module de formation. La même approche, appliquée à un « cerveau d'entreprise » (une base commune de chats, d'e-mails et de relevés bancaires), lui a permis de repérer et de régler des arriérés d'impôts. Si l'agent a accès aux traces de votre travail, vous pouvez lui confier estimations et tâches de routine.

Traité par IA depuis TG: @llm_under_hood (LLM под капотом) ; édité par Hamidun News
Codex a compté 180 heures de travail sur un produit via git et les chats, et aidé à régler des arriérés d'impôts
Source : TG: @llm_under_hood (LLM под капотом). Collage: Hamidun News.
Écouter l'article
Fiche synthèse et chiffres clés
ParamètreDonnées
Source primaireTG: @llm_under_hood (LLM под капотом) ↗
Rédacteur en chef
Chiffre clé #1Un bridge service sur Mac donne à l'agent un accès en lecture seule à Telegram et à la messagerie
Chiffre clé #2Seules les heures personnelles de l'auteur sont comptées ; Codex ne sait pas encore estimer celles de toute l'équipe
Chiffre clé #3La nuit, le modèle joue un partenaire de YC et propose une seule petite amélioration

Combien d'heures avez-vous réellement consacrées à votre dernier produit ? La plupart répondent de mémoire, et se trompent. L'auteur de la chaîne Telegram « LLM sous le capot » a cessé de deviner et a confié la question à l'agent Codex.

Celui-ci a parcouru l'historique des commits git, les chats professionnels et le journal des dialogues avec Codex lui-même. Il a compté environ 180 heures pour le développement du dernier produit et environ 20 heures pour la préparation d'un module de formation. C'est un exemple de processus « AI-native » : l'IA ne se contente pas de répondre aux questions, elle travaille sur les traces réelles de votre activité.

L'auteur appelle « cerveau d'entreprise » (company brain) une base unique qui réunit chats, e-mails et relevés bancaires. Le billet est personnel et ne contient aucun benchmark, mais ses méthodes sont reproductibles.

Estimer le temps à partir des traces de travail

La première méthode est simple. Pour savoir combien de temps un projet a pris, l'auteur ne se fie pas à ses souvenirs : il demande à Codex de faire le calcul. L'agent doit pour cela accéder à trois sources : l'historique git de tous les projets, les chats professionnels et l'historique du travail avec Codex lui-même. Ce dernier est exporté dans un conversation index distinct, c'est-à-dire un index des dialogues avec l'agent.

L'auteur apporte lui-même une réserve importante : les 180 et 20 heures ne correspondent qu'à son temps personnel. L'agent ne peut pas encore calculer le total des heures de l'équipe, faute d'un accès équivalent aux traces des autres personnes.

L'intérêt pratique est évident. Les estimations rétrospectives servent à la planification, à la tarification et aux discussions avec les investisseurs, mais de mémoire elles ne sont pas fiables. Les commits et la correspondance fournissent au moins une base reproductible. Cela reste toutefois une estimation produite par un modèle, pas une feuille de temps : le temps de réflexion loin du clavier n'apparaît pas dans git.

Le « cerveau d'entreprise » et les arriérés comptables

La deuxième méthode est plus lourde. Pour démêler la comptabilité et les dossiers en suspens, l'auteur connecte au company brain tous ses chats professionnels (voire absolument tous), sa base de courriers et ses relevés bancaires. Il demande ensuite à l'agent de traiter le sujet comme le ferait un responsable des processus expérimenté de la Silicon Valley.

Pour les données locales, l'auteur a développé un bridge service distinct, qui tourne sur Mac. Il remplit trois fonctions :

  • il donne un accès en lecture seule (read-only) à la base locale de Telegram et du client de messagerie, si bien que l'agent ne peut rien modifier ni supprimer ;
  • il tient un cache séparé, sous une forme adaptée à la recherche ;
  • il expose les données via une interface à progressive disclosure : d'abord de courts résumés, puis les détails à la demande.

Ce dernier point compte pour l'économie de tokens. Injecter d'emblée tout l'historique de correspondance et tous les relevés dans le contexte coûte cher et dégrade la qualité des réponses. Quand l'agent voit d'abord une table des matières et n'ouvre que les passages utiles, il consomme moins de tokens et se perd moins souvent dans des détails superflus.

Selon l'auteur, cette méthode a permis de repérer précisément les arriérés d'impôts, de les payer rapidement, de recouper les résultats et de ranger proprement les documents dans des dossiers. Au passage, l'agent a aidé à envoyer à la banque un rapport de bug sur une panne de son système d'export des relevés.

Idées pour la nuit et limites

La troisième méthode relève plutôt de la manière de réfléchir. Quand on observe les processus d'entreprises plus matures à travers le prisme du company brain, on mesure tout ce qu'on peut améliorer chez soi. Des idées surgissent aussitôt : quelles sources de données connecter, et où les intégrer.

L'auteur cite sa question préférée. La nuit, il demande à un modèle qu'il nomme Fable 5.2 de jouer un partenaire de YC expérimenté, engagé à prix d'or pour accélérer l'entreprise. La mission : examiner les changements survenus dans le company brain ces derniers jours, mener une recherche (research) et proposer une seule petite chose qui améliorerait le passage à l'échelle, la redistribution des responsabilités ou simplifierait la vie. La contrainte « une seule petite chose » est utile en soi : on obtient une étape réellement réalisable, et non un long rapport que personne ne lit.

Points à garder en tête si vous voulez reproduire l'expérience :

  • Le billet ne contient aucune mesure de qualité : on ignore combien d'erreurs l'agent a commises sur les impôts et comment elles ont été vérifiées. Mieux vaut recouper les conclusions financières à la main.
  • L'accès aux chats, à la messagerie et à la banque pose un risque sérieux pour la vie privée. Le mode read-only et le bridge local le réduisent, sans le supprimer. Il faut prévenir les collaborateurs et les contreparties dont les messages entrent dans la base.
  • Le calcul du temps via git et les chats fonctionne bien pour une seule personne. Pour une équipe, il faut des sources communes et l'accord des participants.
  • Le nom du modèle et les détails des services reposent sur les déclarations de l'auteur ; il n'existe pas de vérification indépendante.

Conclusion pratique : la valeur d'un agent croît avec la qualité des données auxquelles il accède. Si l'on rassemble l'historique de travail au même endroit, qu'on donne un accès sécurisé en lecture seule et qu'on fournit les données par portions, un même modèle peut servir d'analyste, d'assistant comptable et de consultant de nuit sur les processus. L'auteur termine en demandant à ses lecteurs quelles méthodes ils utilisent. C'est une bonne occasion de vérifier quelles sources de données de votre entreprise ne sont pas encore connectées à l'agent.

Dossier

Questions clés sur cet article

Que sait-on sur Estimer le temps à partir des traces de travail ?

La première méthode est simple. Pour savoir combien de temps un projet a pris, l'auteur ne se fie pas à ses souvenirs : il demande à Codex de faire le calcul. L'agent doit pour cela accéder à trois sources : l'historique git de tous les projets, les chats professionnels et l'historique du travail avec Codex lui-même. Ce dernier est exporté dans un conversation index distinct, c'est-à-dire un index des dialogues avec l'agent.

Que sait-on sur Le « cerveau d'entreprise » et les arriérés comptables ?

La deuxième méthode est plus lourde. Pour démêler la comptabilité et les dossiers en suspens, l'auteur connecte au company brain tous ses chats professionnels (voire absolument tous), sa base de courriers et ses relevés bancaires. Il demande ensuite à l'agent de traiter le sujet comme le ferait un responsable des processus expérimenté de la Silicon Valley. Pour les données locales, l'auteur a développé un bridge service distinct, qui tourne sur Mac.

Que sait-on sur Idées pour la nuit et limites ?

La troisième méthode relève plutôt de la manière de réfléchir. Quand on observe les processus d'entreprises plus matures à travers le prisme du company brain, on mesure tout ce qu'on peut améliorer chez soi. Des idées surgissent aussitôt : quelles sources de données connecter, et où les intégrer. L'auteur cite sa question préférée. La nuit, il demande à un modèle qu'il nomme Fable 5.2 de jouer un partenaire de YC expérimenté, engagé à prix d'or pour accélérer l'entreprise.

ZK
Zhemal Khamidun — CPO d'Alpina Digital, product manager d'AlpinaGPT. Conçoit des produits IA depuis 2019. Hamidun News est un projet personnel devenu un agrégateur en production avec plus de 6 000 lecteurs.
✦ Hands-On AI Engineering · Hamidun Academy

Build & Ship Production AI Agents Without Boilerplate Code

Start your free 72-hour trial at Hamidun Academy (academy.hamidun.com) — interactive lessons on Claude Code & Cursor, live Tech Radar, and production agent templates.

Start 72h Free Trial →Vibe-Coding Intensive
Qu'en pensez-vous ?
Chargement des commentaires…