Lundi, 9 h 40, quatre onglets ouverts dans le navigateur : un chatbot pour les questions, un deuxième parce que vous ne faites pas entièrement confiance au premier, un éditeur avec un agent de code et une appli de notes qui contient les recherches de la semaine dernière. Chacun connaît une partie de votre travail, aucun ne connaît le reste. Avant midi, vous avez déjà copié le même paragraphe de contexte dans trois fenêtres différentes.
Une seule appli au lieu de cinq onglets
osFoundry est un espace de travail IA pour le bureau : une appli où vous discutez avec des modèles d'IA, confiez du travail à des agents et à des équipes d'agents, gardez des notes et des connaissances consultables, faites tourner des modèles ouverts sur votre propre ordinateur et créez de petites applis pour votre équipe. Les modèles peuvent venir de trois sources : votre propre machine, des fournisseurs cloud via vos propres clés d'API, ou des GPU cloud loués. L'appli est organisée en catégories, et chaque catégorie regroupe plusieurs écrans. Chat sert à parler aux modèles (Maestro, Multi chat, Branchspace et d'autres). Workstation, c'est là que les agents font les tâches longues (Code, Agent, Agent team, Loop, Terminal). Knowledge contient vos écrits et ce que l'IA retient. Local Model sert à trouver, installer et tester des modèles ouverts. Custom App est destiné aux outils internes, et Discover à la recherche web et à l'actualité. Si vous connaissez VS Code, la comparaison la plus proche est un éditeur avec une barre d'activité où chaque icône ouvre un outil différent, sauf qu'ici les outils sont des surfaces d'IA qui partagent les mêmes projets, la même mémoire et les mêmes modèles.
À quoi ressemble un écran type
La plupart des gens commencent par la catégorie Chat, c'est donc un bon point de départ pour comprendre comment sont construits les écrans d'osFoundry. Voici Multi chat en mode Council, avec des données d'exemple : on a posé la même question à trois modèles, puis chacun a noté les réponses des autres.
- La rangée d'onglets en haut (Maestro, Model chat, Multi chat, Research, Wiki, Code) bascule entre les surfaces de l'espace Chat : l'agent Maestro complet, un chat simple de questions-réponses avec sources citées, plusieurs modèles à la fois, la recherche approfondie, la documentation de code et les agents de code.
- Le sélecteur Compare / Council détermine comment les modèles travaillent ensemble. Compare affiche les réponses côte à côte pour que vous jugiez vous-même. Council les fait répondre séparément, se classer mutuellement à l'aveugle, puis rédige une synthèse.
- Chaque colonne correspond à un modèle avec une étiquette de fournisseur : ici Anthropic, Ollama (en local) et OpenAI. Vous pouvez mélanger modèles cloud et modèles locaux sur le même écran.
- Le panneau de droite affiche les étapes de l'exécution (Answers, Ranking, Synthesis) et la grille Peer review, pour voir qui a donné quelle note au lieu de lire seulement une réponse finale.
- Le bouton Run indique combien d'appels aux modèles l'exécution va faire avant même que vous cliquiez (« Run · 7 calls » ici). Désactiver le classement par les pairs fait baisser ce chiffre.
Beaucoup d'écrans d'osFoundry suivent ce schéma : une liste à gauche, le travail au centre et, à droite, un inspecteur qui montre comment un résultat a été obtenu.
La première semaine d'un développeur solo
Ken gère seul une petite boutique en ligne. Il veut une IA qui connaisse son code et aimerait garder une partie du travail sur son portable.
Lundi, il ouvre Local Model, puis Explore. L'écran analyse d'abord sa machine (16 Go de mémoire dans cet exemple) et colle un badge sur chaque modèle ouvert : Fits, Tight ou Too big. Il installe un modèle au badge vert et lui pose quelques questions dans Playground, qui envoie le même prompt à deux modèles côte à côte et montre à quelle vitesse chacun a commencé à répondre.
Mardi, il doit modifier une fonction de formatage des prix et ne sait pas trop ce qui en dépend. Il ouvre le projet dans l'IDE, fait un clic droit sur la fonction et choisit Show Code Graph.
Le panneau liste tous les appelants, indique quels liens ont été lus directement dans le code et lesquels sont seulement déduits, et résume l'Impact of change : combien de symboles, de fichiers et de tests pourraient être touchés. Il clique sur un appelant pour sauter à la ligne concernée et utilise Send to chat pour amener le graphe dans une conversation avec Maestro.
Jeudi, il confie déjà de petites tâches à des agents de code. Dans l'écran ADE, chaque tâche a son propre worktree, et l'onglet Changes affiche le diff. Il clique dans la marge à côté d'une ligne qui ne lui plaît pas, tape une note et envoie d'un coup à l'agent toutes les notes en attente. Il termine la semaine avec un modèle local en qui il a confiance pour les questions rapides, et le réflexe de vérifier l'impact avant de refactoriser.
La première semaine d'une responsable de petite équipe
Aiko encadre quatre personnes et livre une version toutes les deux semaines. Son problème n'est pas d'écrire du code, mais de savoir ce que fait chacun, humain ou agent.
Elle commence par Message, le chat d'équipe. Les canaux et les messages privés fonctionnent comme dans Slack, à une différence près : les agents IA sont membres des canaux. Quelqu'un mentionne un agent avec @ dans #release, et sa réponse comme son exécution reviennent dans le canal, où tout le monde peut les voir.
Ensuite, elle configure une Agent team dans Workstation. Un agent leader coordonne des membres spécialisés, et l'écran range Team mail, Handoffs, Sub-agents et Proposals dans des onglets séparés, ce qui lui permet de vérifier qui a transmis quoi à qui. Pour les contrôles qui reviennent à chaque version, elle transforme cette équipe en Loop : un déclencheur (par exemple, les matins en semaine), des limites de tours et de nouvelles tentatives, et des critères de réussite. Le Loop tourne par tours jusqu'à ce que les critères soient remplis et tient un registre de ceux qui ont été validés à chaque tour.
Quand plusieurs agents travaillent sur le même dépôt, elle utilise Code. Chaque agent a sa propre branche et son propre worktree, et rien n'est fusionné automatiquement. Elle sélectionne deux exécutions terminées, clique sur Preview combined merge et voit quels fichiers entrent en conflit avant que quoi que ce soit ne touche la branche principale.
Pour la revue ligne par ligne, elle utilise les mêmes notes que Ken : une note épinglée au code, envoyée à l'agent avec le fichier, la ligne et le code joints. À la fin de la semaine, elle dispose d'un canal où apparaît le travail des agents, d'un contrôle de version qui tourne tout seul et d'une étape de revue qui a lieu avant les fusions, pas après.
La première semaine d'une chercheuse et rédactrice
Lena rédige de longs rapports sur les politiques en entreprise. Elle a besoin de sources vérifiables, et des réponses d'IA trop sûres d'elles lui ont déjà joué des tours.
Pour les questions où la réponse d'un seul modèle ne suffit pas, elle utilise Multi chat en mode Council, l'écran présenté plus haut. Quand deux évaluateurs notent mal une réponse, elle sait qu'il faut creuser.
Pour les questions plus vastes, elle ouvre Agents, clique sur New session et choisit la Deep Research Team toute prête. Le leader découpe la question en parties et confie chacune à un membre, par exemple un Data Researcher ou un Search Specialist.
Un évaluateur distinct vérifie chaque étape avant qu'elle ne lui parvienne, et une étape sans source est renvoyée et relancée. La réponse finale arrive sous forme de tableau avec une source sur chaque ligne, plus une courte note sur les points où les sources divergent et sur ce qui n'a pas été couvert (données d'exemple dans la capture).
La rédaction elle-même se passe dans Knowledge. Dans Paper, elle surligne une phrase de son brouillon et y rattache un espace de réflexion, avec des onglets comme Academic search, Browser ou une session Maestro consacrée uniquement à ce passage. Les fichiers annexes et les commentaires vivent dans une Note. Dans Discover, elle enregistre des recherches dans Browser et suit des canaux par mot-clé dans News, si bien que ce qu'elle lit pour un rapport reste disponible pour le suivant.
Comment les espaces se passent le travail
Les catégories ne sont pas des produits séparés : elles se transmettent le travail. Local Model est la couche du dessous : un modèle installé depuis Explore apparaît dans les sélecteurs de modèle de Maestro, de Multi chat et des sessions d'agents.
Knowledge alimente Chat : Memory montre ce que Maestro sait de votre travail, et Indexed Folders vous permet de choisir dans quels dossiers les agents peuvent chercher. Les sessions d'agents, les exécutions d'Agent team et les Loops remontent dans les canaux de Message. Workstation (l'écran qui porte ce nom) vous permet d'ouvrir un canal, une note, un fichier et une session d'agent côte à côte dans une même disposition. Quand quelque chose que vous avez construit avec des agents doit devenir un outil pour l'équipe, il passe dans Custom App, où une Room réunit les applis d'une équipe à côté de son propre chat Maestro. Les clés et les fournisseurs pour tout cela se trouvent dans Configuration. La vue d'ensemble de la plateforme liste tous les écrans si vous voulez la carte complète.
Les questions de la première semaine
Dois-je tout utiliser ?
Non. La plupart des gens commencent par un seul espace, généralement Maestro dans Chat ou Explore dans Local Model, et en ajoutent d'autres quand une tâche l'exige. Les catégories partagent projets et mémoire, donc rien de ce que vous faites au début n'est à refaire plus tard.
Mes données quittent-elles mon ordinateur ?
Pas avec les modèles locaux : ils tournent sur votre appareil. Les modèles cloud que vous connectez avec vos propres clés d'API voient ce que vous leur envoyez, et cet usage est facturé par le fournisseur. La page local-first explique comment les deux sont séparés.
Est-ce réservé aux développeurs ?
Non. Code, IDE et Terminal sont des outils de développeur, mais Message, Paper, Note, Research, Multi chat et Discover sont aussi conçus pour les rédacteurs, les analystes et les responsables d'équipe.
Combien ça coûte ?
L'appli de bureau se télécharge gratuitement, et faire tourner des modèles locaux n'entraîne aucun frais d'utilisation côté osFoundry. Elle est disponible sur la page de téléchargement.
Top comments (0)