Comment Andrej Karpathy a créé HackerTube en un week‑end grâce à Claude

Andre​j Karpathy, ancien co‑fondateur d’OpenAI et chercheur chez Anthropic, a démontré ce que peut offrir un LLMLLMUn grand modèle de langage apprend des régularités dans des textes pour produire ou transformer du langage. Il ne constitue pas une base de faits garantie. performant en construisant deux plateformes vidéo en quelques heures seulement. En s’appuyant sur le modèle Claude Opus 5.5, il a produit HackerTube, un service qui transforme les commentaires de Hacker News en vidéos, puis TristanTube, qui agrège les vidéos d’une chaîne YouTube. Le résultat montre que des projets qui prenaient auparavant plusieurs semaines peuvent aujourd’hui se réaliser en un week‑end.

HackerTube : de 43 millions de commentaires à 6 500 vidéos

Karpathy a d’abord exploité Claude pour filtrer 43 millions de commentaires issus de 20 ans d’historique Hacker News. Le modèle a identifié les discussions les plus pertinentes, puis a synthétisé ces échanges en 6 454 scripts vidéo. Chaque vidéo se compose d’un extrait de la discussion accompagné d’une image‑plan intermédiaire, plutôt que d’une vignette optimisée comme sur YouTube. Le lecteur ne demande aucune connexion, stocke l’état localement dans le navigateur et se veut plus « personnalisé » grâce à l’algorithme de recommandation interne de Claude.

TristanTube : un prototype en trois minutes

À peine la première plateforme terminée, Karpathy a lancé TristanTube, un projet décrit comme « one‑shotted avec Claude Code en 3 minutes ». En récupérant la liste de vidéos d’un créateur YouTube nommé Tristan Hume, Claude a généré automatiquement 47 000 pages vidéo. Aucun codage manuel n’a été requis ; les seules interventions humaines ont été la création d’une clé d’API Google Cloud, la location d’un serveur et l’achat du nom de domaine.

Le rôle de Claude Code

Selon Karpathy, Claude Code a pris en charge presque toutes les étapes : analyse des données, génération du code serveur, déploiement et même la création de l’interface utilisateur. La mise en place d’un serveur sur Google Cloud a été faite en quelques minutes, et le site fonctionne sans base de données centrale ; toutes les informations sont conservées côté client.

Implications pour les développeurs

Ce double exercice illustre plusieurs points concrets pour les praticiens du code :

• Rapid prototyping : un développeur peut passer de l’idée à un service fonctionnel en moins de 24 heures, ce qui réduit le coût d’expérimentation.
• Externalisation du travail répétitif : l’analyse de gros volumes de texte et la génération de scripts deviennent pratiquement automatiques, libérant du temps pour la conception produit.
• Infrastructure légère : stocker l’état dans le navigateur évite la mise en place d’une base de données, idéal pour des projets pilotes ou des MVP.

Limites et perspectives

Malgré l’efficacité affichée, plusieurs aspects restent à vérifier avant de considérer ces solutions comme « prêtes pour la production ». La pertinence des recommandations dépend fortement de la qualité du filtrage initial ; un commentaire mal interprété peut entraîner une vidéo hors sujet. De plus, le modèle Claude, bien que puissant, n’est pas exempt d’erreurs de génération de code, ce qui nécessite tout de même une relecture technique. Enfin, la dépendance à un service propriétaire (Anthropic) pose la question de la portabilité à long terme.

Vers une nouvelle ère de création automatisée

Ce que Karpathy a montré n’est pas seulement un tour de passe‑passe technique : c’est une preuve de concept que l’IAIntelligence artificielleEnsemble de techniques permettant à des machines d'accomplir des tâches nécessitant habituellement certaines capacités humaines, comme la reconnaissance, la prédiction ou la prise de décision. peut servir de co‑développeur, réduisant les frictions entre idée, donnée et produit. Pour les startups ou les équipes produit qui souhaitent tester rapidement de nouvelles expériences, l’approche « LLM‑first » pourrait devenir un standard. Reste à voir comment les modèles évolueront pour garantir davantage de fiabilité et de transparence, mais l’expérience de ce week‑end suggère que les outils d’aujourd’hui sont déjà capables de transformerTransformerArchitecture de réseau neuronal reposant notamment sur des mécanismes d'attention pour traiter des séquences de données. des mois de travail en quelques heures.

L’avenir de la création de contenu automatisée repose sur la capacité des modèles à comprendre le contexte, à générer du code correct et à s’intégrer à des infrastructures cloud. Si les prochains mois voient l’émergence de services similaires, les développeurs gagneront en agilité et pourront se concentrer davantage sur la valeur ajoutée de leurs produits plutôt que sur les tâches d’ingénierie de base.