Ambral (@ambral_ai) construit le premier centre de contrôle des missions clients. C'est une équipe de gestion de compte AI conçue pour vous aider à maximiser les revenus de chaque client. Félicitations pour le lancement, @Sambrickman_ et @JackStettner!

Nous saurons que l'AGI est reportée une fois que les laboratoires commenceront à créer des fonctionnalités pour choisir nos propres couleurs de fond et polices.

Il y a un énorme avantage à être une startup sur place à SF en ce moment : Proximité des laboratoires d'IA, accès précoce aux modèles, proximité des personnes à la pointe, accès au capital. Si un nouveau modèle est lancé et que votre équipe est plus rapide à l'intégrer, cela pourrait facilement faire la différence entre l'acquisition de centaines de nouveaux utilisateurs en une seule journée ou non.

Waymo pour les excavateurs !

Le co-fondateur et PDG de Figma, Dylan Field (@zoink), sur la façon dont l'IA va transformer le design et pourquoi l'artisanat et l'attention aux détails seront les véritables différenciateurs. À l'AI Startup School à San Francisco. 01:38 – Comment Dylan et Evan ont commencé Figma 02:58 – WebGL : Des jeux aux outils 04:10 – Acheter du temps pour construire 05:48 – Rester motivé à travers l'exploration précoce 06:10 – Emails à froid, premiers retours et premiers utilisateurs 08:24 – Timing de lancement et leçons sur l'expédition précoce 10:08 – Culture des contraintes et résolution créative de problèmes 10:50 – Reconnaître l'attraction produit-marché 13:32 – Pourquoi le design est le différenciateur à l'ère de l'IA 16:34 – Lancements de produits IA de Figma et expansion au-delà du design 18:56 – Le flou entre design, développement et produit 21:00 – L'ère "MS-DOS" des interfaces IA et les surfaces futures 23:26 – Le rôle du design dans la recherche en IA et l'avenir des designers 27:36 – Questions-réponses avec le public : outils IA, open source, principes et conseils

Il est parfois difficile de saisir l'importance des mises à jour de raisonnement et de logique qui commencent à émerger dans des modèles puissants, comme GPT-5. Voici un *très simple* exemple de la puissance de ces modèles. J'ai pris un document de transcription d'appel de résultats d'NVIDIA récent qui faisait 23 pages et contenait 7 800 mots. J'ai pris une partie de la phrase "et la marge brute va s'améliorer et revenir dans les mid-70s" et j'ai modifié "mid-70s" en "mid-60s". Pour un analyste financier à l'écoute, cela semblerait déplacé, car les marges ne pourraient pas "s'améliorer et revenir" à un chiffre inférieur à celui décrit comme un chiffre supérieur ailleurs. Mais probablement 95 % des personnes lisant ce communiqué de presse n'auraient pas remarqué la modification car elle s'intègre facilement dans les autres 7 800 mots mentionnés. Avec Box AI, en testant une variété de modèles d'IA, j'ai ensuite demandé à une série de modèles "Y a-t-il des erreurs logiques dans ce document ? Veuillez fournir une réponse en une phrase." GPT-4.1, GPT-4.1 mini, et une poignée d'autres modèles qui étaient à la pointe de la technologie il y a environ 6 mois sont généralement revenus en disant qu'il n'y avait pas d'erreurs logiques dans le document. Pour ces modèles, le document semble probablement cohérent et suit ce à quoi ils s'attendraient pour une transcription de résultats, donc rien ne se démarque vraiment pour eux sur quoi prêter attention - une sorte d'hallucination inversée. GPT-5, en revanche, a rapidement découvert le problème et a répondu : "Oui — le document contient une incohérence interne concernant les prévisions de marge brute, disant à un moment que les marges "retourneront dans les mid-60s" et plus tard disant qu'elles seront "dans les mid-70s" plus tard cette année." Étonnamment, cela s'est produit avec GPT-5, GPT-5 mini, et, remarquablement, *même* GPT-5 nano. Gardez à l'esprit que les tokens de sortie de GPT-5 nano sont tarifés à 1/20 du prix des tokens de GPT-4.1. Donc, plus intelligent (pour ce cas d'utilisation) pour 5 % du coût. Maintenant, bien que faire des revues d'erreurs sur des documents commerciaux ne soit pas souvent une occurrence quotidienne pour chaque travailleur du savoir, ces types de problèmes apparaissent de diverses manières lorsqu'on traite de grands ensembles de données non structurées, comme des documents financiers, des contrats, des transcriptions, des rapports, et plus encore. Cela peut être de trouver un fait, de comprendre une fallacie logique, de faire une hypothèse, ou de nécessiter un raisonnement déductif sophistiqué. Et la capacité d'appliquer plus de logique et de raisonnement aux données d'entreprise devient particulièrement critique lors du déploiement d'agents IA dans l'entreprise. Donc, c'est incroyable de voir les avancées dans cet espace en ce moment, et cela va ouvrir un tas de nouveaux cas d'utilisation pour les entreprises.

Nouveau livre de cuisine en partenariat avec @llama_index est sorti ! Nous expliquons comment construire un puissant flux de travail parse-retrieve-rerank sur des PDF complexes. Découvrez-le !

Nous organisons un événement sur l'ingénierie du contexte à SF ! ​Découvrez comment les équipes d'IA appliquée de premier plan conçoivent leurs fenêtres de contexte. Écoutez : Jake Heller, PDG @Casetext ​Beyang Liu, CTO @Sourcegraph Sam Bhagwat, PDG @Mastra_ai Jeff Huber, PDG @trychroma RSVP :

Anytrace () est votre ingénieur de support IA. Il peut résoudre des tickets techniques de bout en bout en parlant aux clients, en enquêtant sur les problèmes et en gérant l'ensemble du cycle de vie des tickets. Félicitations pour le lancement, @samgoldman0 & @tairabun!

Un nouveau laboratoire de recherche en IA appelé @blankbio_ a été lancé aujourd'hui. Ils construisent de nouveaux modèles fondamentaux pour l'ARNm et font partie des équipes techniques les plus solides avec lesquelles j'ai travaillé. Je suis particulièrement enthousiaste à propos de leurs nouveaux résultats de modèle et de la large gamme de domaines d'application pour cela.