LDI La Donnée Intelligente AI & Data Engineering
Home What We Do Who We Are Projects Blog Contact
Get in Touch
AI, Data Engineering & MLOps

La donnée intelligente

Claude Usage Limits in 2026: What Actually Matters

on September 27, 2026
rolling 5-hour window Claude Usage Limits in 2026 Free · Pro · Max 5x · Max 20x

Claude has no daily message cap, and most people don't know how its limits really work. Here is the short version, in 10 points.

  1. It's a rolling 5-hour window, not a daily cap. The window starts with your first message.
  2. Start at 09:47 and your window runs until 14:47. It doesn't reset at midnight or on the hour.
  3. One shared allowance: claude.ai, Claude Desktop and Claude Code all draw from the same pool.
  4. Messages don't all cost the same. Claude re-reads the whole thread each time you send, so long conversations use up your limit faster.
  5. Easiest win: start a new chat for each new topic.
  6. Anthropic describes plans as multiples, not message counts: Pro is at least 5x Free, and Max 5x and Max 20x are 5x and 20x Pro.
  7. Since May 2026, Claude Code's 5-hour limits are doubled on Pro, Max, Team and seat-based Enterprise, and it no longer gets smaller limits at peak hours.
  8. Usage limit ≠ context window. The first is how much you can send over time; the second is how much Claude can hold in one conversation (up to 1M tokens on paid plans).
  9. On paid plans you can keep working past the limit with usage credits, billed at API rates up to a monthly cap you set.
  10. How to decide: if you hit the limit now and then, turn on credits; if you hit it every week, move up a plan; if you hit it every day, change your habits before paying more.

Source: Claude Usage Limits 2026: The Complete Guide — Pranoti Kshirsagar

L'Agentic Coding, nouveau territoire du Platform Engineering (rex Doctolib Devoxx 2026)

on September 22, 2026
Ce talk s'adresse aux engineering managers, tech leads et équipes plateforme qui ont déployé des outils IA pour les ingénieurs. Vous apprendrez : Les sujets identifiés avec nos utilisateur-ices comme potentiels candidats à la plateforme, et les réponses apportées Les services et outils concrets de cette plateforme, notamment les principes d'une architecture de plugins extensible par les équipes métier Quelles métriques suivre au-delà du taux d'adoption

https://www.youtube.com/watch?v=NLg8As47Y84

Spécialisez vos Agents avec les Skills

on September 20, 2026
https://www.youtube.com/watch?v=MJopGwDS4d8&t=436s
Présentation par : Tug Grall (GitHub)
Les outils de développement IA, comme GitHub Copilot, sont puissants mais restent généralistes. Comment leur transmettre vos standard et vos connaissances métier sans répéter les mêmes instructions à chaque conversation ?

Agent Skills est un nouveau standard qui répond à ce défi. Un "Skill" est un dossier regroupant des instructions, des scripts et des ressources que l’agent charge automatiquement selon le contexte pour spécialiser son comportement sur des tâches précises.

Tugdual partage avec vous les clés pour créer, utiliser et partager vos propres skills, à travers des démos live issues de son expérience de développeur (Windr.org) et de spécialiste IA/Copilot chez GitHub.

Dans cette session, nous allons :
Découvrir le standard Agent Skills et son principe de "progressive disclosure" (divulgation progressive du contexte).
Implémenter ensemble deux skills concrets lors de démos live focalisées sur le développement logiciel.
Explorer l’écosystème : portabilité entre agents (Copilot, Claude, etc.), ressources communautaires et bonnes pratiques.


Transformez votre IA généraliste en un véritable assistant spécialisé.
Enregistré en avril 2026 à Paris, Palais des Congrès, Porte Maillot, Devoxx

Ressources: https://www.skills.sh/

Spécialisez vos Agents avec les Skills

on September 20, 2026
DEVOXX 2026 Présentation par : Tug Grall (GitHub) 📕 Résumé : Les outils de développement IA, comme GitHub Copilot, sont puissants mais restent généralistes. Comment leur transmettre vos standard et vos connaissances métier sans répéter les mêmes instructions à chaque conversation ? Agent Skills est un nouveau standard qui répond à ce défi. Un "Skill" est un dossier regroupant des instructions, des scripts et des ressources que l’agent charge automatiquement selon le contexte pour spécialiser son comportement sur des tâches précises. Tugdual partage avec vous les clés pour créer, utiliser et partager vos propres skills, à travers des démos live issues de son expérience de développeur (Windr.org) et de spécialiste IA/Copilot chez GitHub. https://youtu.be/MJopGwDS4d8?si=MtSRAcrQw6iI01aB

Dust : Une Introduction Rapide et Pratique

on March 26, 2026

 

Dust : L’Assistant IA Open-Source pour les Développeurs et les Équipes

Dans un monde où l’intelligence artificielle (IA) devient omniprésente, Dust se distingue comme une plateforme open-source conçue pour intégrer des assistants IA personnalisables dans les workflows des développeurs et des équipes. Développé par des ingénieurs issus de Stripe, Dust vise à démocratiser l’accès à des outils d’IA puissants, tout en garantissant transparence, contrôle et sécurité des données.

Qu’est-ce que Dust ?

Dust est une plateforme qui permet de créer, déployer et gérer des assistants IA adaptés à des cas d’usage spécifiques. Contrairement à des solutions fermées comme Copilot ou des chatbots génériques, Dust offre :

  • Un contrôle total sur les modèles utilisés (intégration avec Mistral, OpenAI, ou des modèles auto-hébergés).

  • Une personnalisation poussée des workflows et des prompts.

  • Une approche open-source, permettant aux équipes de modifier le code selon leurs besoins.

Cas d’Usage Concrets

1. Automatisation des Tâches Développeurs

  • Génération de code : Dust peut analyser une base de code et proposer des extraits ou des corrections, en s’appuyant sur le contexte du projet.

  • Revue de code : Intégration avec GitHub/GitLab pour suggérer des améliorations ou détecter des bugs.

2. Support Client et Documentation

  • Chatbots internes : Répondre aux questions fréquentes des employés ou des clients en s’appuyant sur une base de connaissances personnalisée.

  • Génération de documentation : Automatiser la rédaction de guides techniques ou de FAQ à partir de commentaires de code.

3. Analyse de Données et Reporting

  • Requêtes SQL automatisées : Générer des requêtes à partir de questions en langage naturel.

  • Tableaux de bord dynamiques : Créer des rapports personnalisés en temps réel.

4. Collaboration et Productivité

  • Assistants de réunion : Résumer les discussions et générer des comptes-rendus actionnables.

  • Gestion de projet : Intégration avec Jira, Trello ou Notion pour prioriser les tâches.

Avantages Clés de Dust

Avantages

Détails

Open-Source

Code accessible et modifiable, sans dépendance à un fournisseur unique.

Personnalisation

Adaptation fine des modèles et des workflows aux besoins métiers.

Sécurité des données

Possibilité d’héberger les modèles en interne pour éviter les fuites.

Intégrations natives

Compatible avec GitHub, Slack, Notion, et bien d’autres outils.

Coût maîtrisé

Réduction des coûts liés aux solutions SaaS propriétaires.

Limites à Connaître

  • Courbe d’apprentissage : La configuration initiale peut être technique et nécessiter des compétences en développement.

  • Maintenance : Comme tout outil open-source, Dust nécessite des mises à jour régulières et une veille sur les dépendances.

  • Performances : Les modèles auto-hébergés peuvent être moins performants que les solutions cloud optimisées (comme GPT-4).

  • Communauté : Moins mature que des écosystèmes comme Hugging Face ou LangChain, mais en croissance rapide.

Modèle Économique et Coût

Dust est gratuit dans sa version open-source. Cependant, les coûts peuvent provenir de :

  • L’hébergement : Si vous choisissez d’auto-héberger les modèles (coûts serveurs, GPU).

  • Les API externes : Utilisation de modèles propriétaires (OpenAI, Mistral) via leurs tarifs respectifs.

  • Le support : Des offres d’accompagnement ou de support premium peuvent être proposées par des tiers.

Pour une équipe de 10 développeurs utilisant Dust avec un modèle open-source auto-hébergé, le coût mensuel peut varier entre 50€ et 500€, selon l’infrastructure choisie.

Comment Démarrer avec Dust ?

  1. Installation : Clonez le dépôt GitHub de Dust et suivez la documentation officielle.

  2. Configuration : Définissez vos workflows et intégrez vos outils (GitHub, Slack, etc.).

  3. Déploiement : Testez en interne avant de généraliser l’usage.

  4. Amélioration continue : Ajustez les prompts et les modèles en fonction des retours utilisateurs.

Conclusion : Dust, un Outil pour les Équipes Autonomes

Dust incarne une approche transparente, flexible et économique pour intégrer l’IA dans les processus métiers. Idéal pour les équipes techniques souhaitant éviter les solutions "boîte noire", il offre un équilibre entre puissance et contrôle. Cependant, son adoption nécessite un investissement initial en temps et en ressources.

À tester si vous cherchez à :
✅ Automatiser des tâches répétitives.
✅ Garder la maîtrise de vos données.
✅ Personnaliser vos outils d’IA sans dépendre d’un éditeur.

Ressources utiles :


The ARC Prize Leaderboard: Charting the Path to Artificial General Intelligence

on February 14, 2026

 

Introduction

The ARC Prize is one of the most ambitious initiatives in artificial intelligence today, aiming to accelerate progress toward Artificial General Intelligence (AGI). The ARC-AGI Leaderboard is a public benchmark that tracks how well AI systems perform on tasks requiring fluid intelligence and adaptability—key hallmarks of human-like reasoning. The leaderboard is not just a ranking; it’s a snapshot of where the field stands and what challenges remain.

What is the ARC Prize?

The ARC Prize challenges AI systems to solve abstract reasoning tasks that are easy for humans but difficult for machines. The tasks are designed to test an AI’s ability to generalize, adapt, and reason—skills that are central to AGI. The prize offers substantial rewards for breakthroughs, incentivizing researchers and engineers to push the boundaries of what’s possible.

Understanding the Leaderboard

The leaderboard is divided into two main benchmarks: ARC-AGI-1 and ARC-AGI-2. 
ARC-AGI-1 focuses on basic fluid intelligence, while ARC-AGI-2 raises the bar by requiring both high adaptability and high efficiency.

Key Metrics:

  • Score (%): Measures how well the AI system performs on the tasks.
  • Cost per Task ($): Reflects the computational cost of solving each task, highlighting the efficiency of the system.
  • System Type: Differentiates between base language models (LLMs), chain-of-thought (CoT) systems, custom solutions, and refinement approaches.

Top Performers

As of February 2026, the leaderboard is dominated by a mix of cutting-edge models from major AI labs and innovative custom solutions from the research community. Here are some highlights:

1. Human Panel

  • ARC-AGI-1: 98.0%
  • ARC-AGI-2: 100.0%
  • Cost/Task: $17.00 Humans remain the gold standard, but AI is closing the gap.

2. Gemini 3 Deep Think (Google)

  • ARC-AGI-1: 96.0%
  • ARC-AGI-2: 84.6%
  • Cost/Task: $13.62 Google’s advanced reasoning model leads the pack in both performance and efficiency.

3. GPT-5.2 (Refine.) (Johan Land)

  • ARC-AGI-1: 94.5%
  • ARC-AGI-2: 72.9%
  • Cost/Task: $38.99 A custom refinement approach, showcasing the power of iterative reasoning.

4. Claude Opus 4.6 (Anthropic)

  • ARC-AGI-1: 94.0%
  • ARC-AGI-2: 69.2%
  • Cost/Task: $3.47 Anthropic’s latest model excels in balancing performance and cost.

5. NVARC (ARC Prize 2025)

  • ARC-AGI-1: N/A
  • ARC-AGI-2: 27.6%
  • Cost/Task: $0.200 A custom solution from the ARC Prize community, demonstrating cost-effective innovation.

Trends and Insights

Reasoning Systems Trend Line

  • Models with extended reasoning capabilities (e.g., CoT, refinement) show significant performance improvements, especially as “thinking time” increases. However, gains tend to plateau, indicating the need for new approaches.

Base LLMs vs. Custom Solutions

  • Base LLMs (e.g., GPT-4.5, Claude 3.7) provide a strong foundation but often lag behind custom solutions optimized for ARC tasks.
  • Custom solutions, especially those from Kaggle competitions, achieve impressive efficiency, sometimes outperforming much larger models at a fraction of the cost.

Cost-Efficiency Trade-offs

  • The scatter plot reveals a clear trade-off: higher performance often comes at a higher cost. The most efficient systems (e.g., NVARC, Icecuber) balance both metrics well.

Why This Matters

The ARC Prize Leaderboard is more than a competition—it’s a barometer for AGI progress. By tracking how well AI systems perform on abstract reasoning tasks, we gain insights into:

  • How close we are to human-level intelligence in machines.
  • Which approaches (e.g., CoT, refinement, custom architectures) are most promising.
  • The importance of efficiency: solving problems with minimal resources is a hallmark of true intelligence.

Looking Ahead: ARC Prize 2026

The ARC Prize is evolving, with plans to make 2026 even bigger. Expect new challenges, higher stakes, and more opportunities for breakthroughs. Whether you’re a researcher, engineer, or AI enthusiast, the ARC Prize offers a unique platform to contribute to the future of AGI.

 

Explore the Leaderboard: arcprize.org/leaderboard



LDI La Donnée Intelligente

We make data engineering and data platforms easy. Your trusted partner for AI, Big Data, and MLOps solutions.

Company

About Projects Blog Contact

Contact

contact@ladonneeintelligente.com +33 6 89 29 41 53 Aix-en-Provence, France
Copyright © 2015 - 2026 La Donnée Intelligente. All rights reserved.