Justification du projet Zig pour sa politique stricte anti-LLM concernant les contributions

Le projet Zig applique l'une des politiques anti-LLM les plus strictes parmi les grands projets open source : aucun LLM pour les signalements de bugs, les pull requests ou les commentaires sur le traqueur de bugs — y compris pour les traductions. Les utilisateurs peuvent poster dans leur langue maternelle et compter sur les outils de traduction des autres, mais le contenu généré par LLM est interdit.
Pourquoi cette interdiction ?
Loris Cro, vice-président de la communauté à la Zig Software Foundation, a exposé les raisons dans un article intitulé « Contributor Poker and Zig's AI Ban ». L'idée centrale : les contributeurs comptent plus que les contributions.
Dans les projets open source prospères, les mainteneurs finissent par recevoir plus de PR qu'ils ne peuvent en traiter. L'approche de Zig est d'accepter des PR imparfaites et d'aider les nouveaux contributeurs à s'améliorer — non seulement par souci d'équité, mais parce que chaque contributeur représente un investissement. L'objectif de l'examen des PR n'est pas simplement d'intégrer du code, mais de former de nouveaux contributeurs de confiance qui deviendront prolifiques avec le temps.
L'assistance par LLM brise complètement ce modèle. Même si un LLM soumet une PR parfaite, le temps passé à l'examiner ne contribue en rien à former un nouveau contributeur confiant et digne de confiance. Cro appelle cela le « poker du contributeur » — citant l'adage du jeu de cartes « on joue la personne, pas les cartes ». Au poker du contributeur, on parie sur le contributeur, pas sur le contenu de sa première PR.
Contexte : le fork de Bun
Le projet le plus éminent écrit en Zig — le runtime JavaScript Bun — a été acquis par Anthropic en décembre 2025 et utilise massivement l'assistance IA. Bun opère son propre fork de Zig et a récemment obtenu une amélioration des performances de 4x sur bun compile en ajoutant l'analyse sémantique parallèle et plusieurs unités de génération de code au backend LLVM. Cependant, comme le dit Bun : « Nous ne prévoyons pas actuellement de remonter cela en amont, car Zig a une interdiction stricte des contributions rédigées par LLM. »
L'argument de Cro répond également à une objection courante : si une PR est en grande partie écrite par un LLM, pourquoi un mainteneur passerait-il du temps à en discuter au lieu d'utiliser son propre LLM pour résoudre le même problème ?
À qui cela s'adresse
Mainteneurs de projets open source évaluant les politiques de contribution IA, et développeurs curieux des arguments philosophiques et pratiques derrière le nombre croissant d'interdictions des LLM dans les projets open source.
📖 Lire la source complète : HN AI Agents
👀 See Also

Mise à jour OpenClaw .23 Provoquant des Problèmes d'Agent et des Pertes de Données
La mise à jour OpenClaw .23 provoque des agents non réactifs, incapables d'exécuter des tâches et perdant la connexion avec les extensions de navigateur. L'exécution de la commande de réparation peut supprimer des configurations JSON entières, nécessitant des sauvegardes système pour la récupération.

Pourquoi le pilotage d'activation d'Anthropic a du mal à générer du JSON valide
Le pilotage d'activation, une technique utilisée pour la sécurité de l'IA, échoue à générer du JSON valide, n'atteignant que 24,4 % de validité contre 86,8 % pour le modèle de base non entraîné.

Claude Research Preview Ajoute le Contrôle Direct de l'Ordinateur pour l'Automatisation des Tâches
Anthropic a lancé une prévisualisation de recherche permettant à Claude de contrôler directement votre ordinateur pour accomplir des tâches telles que l'ouverture d'applications, la navigation dans les navigateurs et le remplissage de feuilles de calcul. Disponible pour les utilisateurs Pro et Max sur macOS, cela fonctionne via Claude Cowork et Claude Code avec un appairage mobile requis.

Travailleurs d'Amazon inventent du travail factice pour atteindre les quotas d'utilisation de l'IA
Pour se conformer aux directives internes d'adoption des outils d'IA, les employés d'Amazon fabriquent des tâches, gonflent les statistiques d'utilisation et trafiquent les indicateurs, révélant une mise en œuvre défaillante des politiques d'adoption de l'IA.