Andrej Karpathy vient de partager l’une des observations les plus importantes sur l’IA en 2026 : il existe désormais deux groupes fondamentalement différents d’utilisateurs IA, et ils se parlent complètement dans le vide.

Son tweet (3,6 millions de vues et en augmentation) décrit un fossé grandissant que quiconque travaille avec l’IA doit comprendre.

Groupe 1 : « L’IA, c’est un jouet »

Ce groupe a essayé ChatGPT — généralement le niveau gratuit — à un moment de l’année dernière. Ils ont vu des hallucinations, ri des vidéos virales où le mode vocal se plante sur des questions simples, et conclu que l’IA est surévaluée.

Ils n’ont pas tort sur ce qu’ils ont vécu. Les modèles gratuits de 2025 sont réellement limités. Mais voilà le problème : ils ont figé leur représentation mentale de l’IA à ce moment-là et ne l’ont jamais mise à jour.

Comme le dit Karpathy, ces anciens modèles dépréciés ne reflètent pas les capacités des modèles frontières actuels.

Groupe 2 : « AI Psychosis »

Ce groupe utilise professionnellement des modèles agentiques de pointe — Claude Code, OpenAI Codex — dans des domaines techniques. Ils paient 200$/mois. Ils donnent à ces modèles un terminal informatique et les regardent résoudre des problèmes qui prendraient normalement des jours ou des semaines de travail.

Karpathy dit que ce groupe vit ce qu’il appelle une « AI Psychosis » — non pas parce qu’ils sont délirants, mais parce que les améliorations ont été si stupéfiantes qu’il est difficile de communiquer ce qu’ils voient à quiconque n’en a pas fait l’expérience.

Pourquoi le fossé existe

Karpathy identifie deux raisons structurelles expliquant pourquoi les capacités IA progressent de façon inégale :

1. L’apprentissage par renforcement fonctionne mieux avec des récompenses vérifiables.

Des tâches comme le code, les maths et la recherche ont des critères de succès clairs — le code compile-t-il ? Les tests passent-ils ? La preuve est-elle correcte ? Ces domaines sont naturellement adaptés à l’entraînement par RL, où le modèle reçoit un retour concret sur sa réussite.

Des tâches comme l’écriture, le conseil et la conversation sont bien plus difficiles à évaluer objectivement, donc elles progressent plus lentement.

2. La valeur B2B oriente l’allocation des ressources.

Les plus grandes opportunités de revenus sont dans les domaines techniques/professionnels. C’est là que les entreprises IA concentrent leurs meilleures équipes. Les fonctionnalités grand public comme le mode vocal reçoivent moins d’investissement par rapport aux produits B2B qui génèrent le plus de revenus.

Le problème de traduction

Le résultat est une déconnexion bizarre. Il est simultanément vrai que :

Un assistant vocal IA gratuit se plante sur des questions basiques dans vos reels Instagram
Un IA agentique payant passe une heure à restructurer de façon cohérente un codebase entier

Ces deux choses se produisent en 2026. Mais les gens du Groupe 1 ne voient que la première. Ceux du Groupe 2 ne voient que la seconde. Et quand ils essaient de se parler d’« IA », ils décrivent des technologies complètement différentes.

Comment franchir le fossé

Si vous êtes dans le Groupe 1, le chemin vers le Groupe 2 ne passe pas par dépenser 200$/mois pour un autre chatbot. Il s’agit de changer comment vous utilisez l’IA — du Q&A ponctuel vers le travail structuré sur la connaissance.

Voici ce qui distingue concrètement les deux groupes :

Comportement du Groupe 1 :

Ouvre ChatGPT, pose une question, lit la réponse
Pas de contexte persistant entre les sessions
L’IA repart de zéro à chaque fois
Juge l’IA par sa pire défaillance

Comportement du Groupe 2 :

Construit des bases de connaissances que l’IA peut référencer
Donne à l’IA accès aux fichiers de projet, à la documentation et à la recherche
Utilise l’IA comme un collègue avec de la mémoire, pas comme un moteur de recherche
Juge l’IA par sa meilleure capacité

L’intuition clé : la qualité de la sortie IA est directement proportionnelle à la qualité du contexte que vous lui donnez.

Construire le contexte : la couche manquante

C’est là que la plupart des gens bloquent. Ils entendent « donner à l’IA un meilleur contexte » et pensent que ça veut dire écrire des prompts plus longs ou passer plus de temps à expliquer les choses. C’est l’approche par la force brute. L’approche plus intelligente est de construire une couche de connaissance persistante à laquelle l’IA peut accéder automatiquement.

Voici à quoi ça ressemble en pratique :

Capturer la recherche web comme Markdown structuré — Au lieu de mettre des pages en favoris ou de copier des extraits dans un doc, convertissez le contenu complet en Markdown propre. Cela préserve l’information dans un format que tout outil IA peut ingérer.
Organiser en bases de connaissances consultables — Regroupez votre contenu sauvegardé par projet, sujet ou domaine de recherche. Cela permet à l’IA de trouver le contexte pertinent sans que vous ayez à vous souvenir de ce que vous avez sauvegardé.
Connecter l’IA à votre connaissance — Des outils comme MCP (Model Context Protocol) permettent à Claude de rechercher et de référencer votre contenu sauvegardé directement. Quand vous posez une question, Claude consulte d’abord votre base de connaissances, ancrant ses réponses dans votre recherche curatée plutôt que dans des données d’entraînement génériques.

C’est le workflow que Save permet. Chaque page web que vous sauvegardez devient un fichier Markdown dans votre base de connaissances locale. Le serveur MCP intégré de Save Vault le connecte à Claude. Votre assistant IA a maintenant accès à tout ce que vous avez lu et recherché.

L’effet composé

Le fossé entre le Groupe 1 et le Groupe 2 ne porte pas seulement sur quel modèle vous utilisez. Il porte sur le contexte accumulé que vous avez construit au fil du temps.

Un développeur qui a sauvegardé six mois de documentation, de réponses Stack Overflow et d’articles d’architecture a un assistant IA qui comprend son codebase, sa stack et ses problèmes spécifiques. Un utilisateur occasionnel qui ouvre ChatGPT de zéro à chaque fois a un outil générique qui ne sait rien de son travail.

C’est pourquoi l’observation de Karpathy compte au-delà du cycle de hype IA. Le fossé de capacités ne se ferme pas — il s’élargit. Et la ligne de démarcation n’est pas la compétence technique ou le budget. C’est de savoir si vous construisez une pratique de connaissance structurée autour de l’IA ou si vous la traitez comme un moteur de recherche glorifié.

Commencer aujourd’hui

Vous n’avez pas besoin de dépenser 200$/mois pour commencer à franchir le fossé. Vous devez commencer à capturer et organiser la connaissance que vous rencontrez déjà chaque jour :

Installez Save et commencez à convertir les pages web utiles en Markdown au fil de votre navigation
Créez des bases de connaissances pour vos principaux domaines de travail ou d’intérêt
Connectez Claude via le serveur MCP de Save Vault pour que votre assistant IA puisse référencer votre contenu sauvegardé
Soyez régulier — sauvegardez 2-3 pages par jour et regardez votre base de connaissances croître par effet composé

Dans un mois, vous aurez une couche de connaissance personnelle qui rend chaque interaction IA fondamentalement meilleure. C’est la différence entre le Groupe 1 et le Groupe 2 — et ça commence par comment vous capturez la connaissance, pas quel modèle vous payez.

Save convertit n’importe quelle page web en Markdown propre en un clic et la stocke dans votre base de connaissances locale. Avec le serveur MCP de Save Vault, Claude recherche votre contenu sauvegardé avant de répondre. Essayez Save gratuitement.