Claude et LM Studio misent sur les agents pour coder et travailler localement

Deux annonces dessinent la même tendance chez les outils d’IA pour développeurs : LM Studio lance Bionic, un agent pensé pour les modèles ouverts, tandis qu’Anthropic publie un retour d’expérience détaillé sur des migrations de code menées avec Claude. Dans les deux cas, l’enjeu n’est plus seulement de discuter avec un modèle, mais de l’utiliser pour coder, réécrire des bases existantes et travailler sur des fichiers sans perdre la main sur les données. Bionic promet un usage local ou cloud avec Zero Data Retention par défaut côté cloud ; Anthropic, elle, décrit des portages qui se comptent désormais en semaines plutôt qu’en années. Le marché des assistants IA passe clairement du chat à l’exécution. Et il était temps, les onglets n’allaient pas se fermer seuls.

Bionic veut faire du local le point de départ

Bionic, le nouvel agent de LM Studio, s’adresse d’abord à ceux qui veulent utiliser des modèles ouverts pour des tâches concrètes : code, recherche, documents, feuilles de calcul et fichiers. L’application, distincte de LM Studio, permet de choisir entre exécution locale, connexion via LM Link ou utilisation de modèles open source plus lourds dans LM Studio Secure Cloud.

Le message est limpide : les tâches simples restent sur la machine, les tâches lourdes peuvent basculer dans le cloud, sans imposer un seul mode de calcul. LM Studio affirme ne jamais entraîner ses modèles sur les données des utilisateurs et garantit une rétention nulle des données côté cloud. Pour les équipes sensibles à la confidentialité ou au pilotage des coûts, ce genre de compromis compte davantage qu’un slogan bien tourné.

Transcription vocale locale, documents et code : le trio d’usage

Bionic ajoute aussi une saisie vocale locale. La fonction de clavier vocal transcrit la parole directement sur l’appareil, avec des modèles audio locaux ; pour le lancement, LM Studio met en avant Voxtral de Mistral AI, présenté comme un modèle de transcription multilingue en temps réel. L’utilisateur peut dicter dans n’importe quelle application, là où le curseur se trouve, sans sortir le texte vers un service distant.

Sur le code, l’agent peut inspecter une base locale, expliquer du code inconnu, proposer des modifications et afficher des diffs ligne par ligne. Côté bureautique, il travaille sur des documents, PDF, présentations et tableurs dans un environnement sandboxé, avec des points de contrôle automatiques pour valider ou annuler les changements. Cette logique de bac à sable réduit le risque de voir un agent trop zélé transformer un dossier de travail en champ de bataille.

Anthropic montre que les portages géants ne sont plus hors de portée

De son côté, Anthropic insiste sur un autre basculement : les grandes migrations de code peuvent désormais être industrialisées avec des agents. L’entreprise dit avoir observé, sur le dernier mois, des développeurs migrer 10 packages de code, de quelques dizaines à quelques centaines de milliers de lignes, avec Claude Fable 5, Claude Opus 4.8 et des workflows dynamiques. Deux cas servent de démonstration : Bun, porté du langage Zig vers Rust, et une base Python convertie en TypeScript.

Dans le cas de Bun, Jarred Sumner, cofondateur du projet, a produit environ un million de lignes en moins de deux semaines. Anthropic indique aussi que 100 % de la suite de tests existante passait en CI avant fusion, même si 19 régressions sont apparues après le merge et ont depuis été corrigées. Pour le portage Python vers TypeScript mené par Mike Krieger, le chantier a abouti à 165 000 lignes de TypeScript écrites sur un week-end, avec huit étapes de validation, trois revues adversariales et une vérification finale de parité sur les sorties des commandes.

Le vrai sujet : la méthode, pas le modèle seul

Anthropic résume la leçon en une phrase : “You don’t fix the code. You fix the process (loop) that produced the code.” Autrement dit, le progrès ne vient pas seulement du modèle, mais du pipeline qui l’encadre. La publication détaille une méthode en six étapes : construire un “judge” de tests fiable, inventorier les écarts, faire un mini-portage de stress test, répartir la traduction, compiler et corriger, puis comparer le comportement final.

Cette approche change l’économie de ces migrations. Selon Anthropic, le portage de Bun a consommé 5,9 milliards de jetons d’entrée non mis en cache et 690 millions de jetons de sortie, pour un coût d’environ 165 000 dollars au tarif API. Ce n’est pas une broutille, mais ce n’est plus non plus un projet qu’on réserve aux reliques corporates qui dorment dans un coin du SI depuis 2017.

Pourquoi ces annonces comptent pour les équipes produit

Pris ensemble, Bionic et le retour d’Anthropic racontent la même histoire : les agents IA deviennent utiles quand ils savent choisir leur environnement d’exécution, s’appuyer sur des règles de vérification et s’intégrer à des flux de travail réels. Pour les équipes, cela ouvre trois gains concrets : moins de friction sur les tâches répétitives, davantage de contrôle sur la donnée et des migrations techniques plus réalistes à financer.

Reste une limite : ces outils ne suppriment ni le coût ni la complexité. Ils déplacent surtout le centre de gravité, du travail manuel vers la conception des boucles de contrôle. Les organisations qui voudront en tirer quelque chose devront accepter une discipline plus stricte sur les tests, les règles et les revues. Les agents font le travail, mais ils ont encore besoin d’un chef d’orchestre qui sache lire la partition.