Pourquoi les chasseurs de primes IA perdent de l'argent : données issues de 60 numéros

Un développeur a récemment tenté de reproduire un tweet viral où un agent AI fonctionnait sans supervision pendant 22 heures, trouvait une prime, soumettait une PR et recevait 16,88 $. L'expérience : utiliser Claude comme agent sur Algora (une plateforme de primes open source) avec un budget strict de 20 $ en tokens et une validation humaine. Après avoir analysé plus de 60 problèmes : 0 $ gagné et un regard honnête sur pourquoi le marché des primes est brisé par les agents.
L'auteur a créé scout.py (quelques centaines de lignes) pour énumérer les problèmes ouverts étiquetés Algora via gh search issues --label "💎 Bounty", en filtrant les déchets et en suivant les montants, les commentaires /attempt, les assignés, les PR ouvertes et l'obsolescence. Chaque problème de prime frais et non indésirable parmi 80 tombait dans l'un des trois catégories :
Catégorie 1 : Spam Sandbox à 1 $
Un dépôt appelé UnsafeLabs/Bounty-Hunters a publié ~30 problèmes en un seul jour, tous à 1 $. Le coût des correctifs est inférieur au coût en tokens pour les tenter. Ignorés automatiquement.
Catégorie 2 : Déjà saturé
Chaque prime légitime de 50 $ à 1 000 $ avait entre 8 et 158 tentatives en quelques heures après publication, et 8 à 10 PR ouvertes déjà en cours. Exemples de données du pool actif :
Dépôt $ /tentatives PR ouvertes tscircuit/dsn-converter#54 $170 158 10+ tscircuit/schematic-trace-solver#29 $100 52 10+ tscircuit/jlcsearch#92 $75 38 10+ rohitdash08/FinMind#121 $500 37 9 rohitdash08/FinMind#132 $200 26 8 arakoodev/EdgeChains#290 $50 20 10+ archestra-ai/archestra#4468 $25 9 3
Comme le dit l'auteur : "Vous n'attendez pas la demande. Vous êtes la onzième PR dans une file que le mainteneur ignore depuis une semaine."
Catégorie 3 : Assigné, non touché, verrouillé
Certaines primes étaient assignées par un mainteneur à un chasseur spécifique, qui restait silencieux pendant des jours tandis que les concurrents voyaient leurs PR fermées sans fusion pour avoir empiété. Voir archestra-ai/archestra#4461 pour un exemple clair : prime de 50 $, deux PR concurrentes fermées en 24 heures, assigné officiel silencieux pendant trois jours.
Pourquoi le marché est brisé
La même chose qui a fait fonctionner le tweet original — des agents assez rapides pour réclamer une prime en quelques minutes après publication — a saturé le marché. Les mainteneurs ne peuvent pas examiner plus de 10 PR par problème. Ils en choisissent une et rejettent les autres. La valeur attendue d'être la onzième PR est d'environ 0 $.
La seule prime réaliste trouvée par l'auteur était archestra-ai/archestra#3859, un problème TypeScript à 100 $, mais il portait l'étiquette "Réservé pour entretien SE", avait deux PR déjà soumises, et un mainteneur avait récemment banni un utilisateur pour avoir tenté de voler la prime d'un autre. Ignorée.
Leçons à retenir : la chasse aux primes par IA semble tentante, mais les données montrent que le marché est inondé. Votre budget en tokens est mieux utilisé ailleurs.
📖 Lire la source complète : HN AI Agents
👀 See Also

LiteParse : Analyseur de documents rapide et open source pour agents IA
LiteParse est un analyseur de documents open-source qui fournit une analyse spatiale du texte avec des boîtes englobantes, fonctionne localement sans GPU et prend en charge les PDF, les documents Office et les images. Il peut être installé en tant que compétence pour plus de 40 agents IA, dont Claude Code, Cursor et OpenClaw.
Serveur MCP Claude Garmin : Des données réelles de fitness pour des conseils d'entraînement plus intelligents
Un serveur MCP qui connecte Claude Desktop à Garmin Connect, exposant 8 outils (récupération, VRC, VO2max, etc.) pour des plans d'entraînement basés sur les données.

Extension VS Code de Claude - Le curseur d'effort de raisonnement envoie des valeurs incohérentes
Le curseur d'effort de raisonnement dans l'extension Claude pour VS Code envoie des valeurs numériques incohérentes au modèle, avec une correspondance non monotone où déplacer le curseur vers le haut peut envoyer un nombre plus faible.

Développeur partage son flux de travail hybride en codage IA : Claude pour la planification, modèles locaux pour l'exécution
Un développeur a créé un pipeline utilisant Claude 3.5 Sonnet pour la planification des tâches et des modèles locaux Qwen2.5-Coder via Ollama pour la génération de code, obtenant une réduction de 85 % des tokens par rapport à l'utilisation de Claude seul.