Dix-sept développeurs. Le même bug. Dix-sept solutions différentes. Toutes en attente de revue dans l'arriéré de demandes de tirage d'OpenClaw—et personne ne savait qu'ils résolvaient le problème identique.

C'est le genre de chaos qui révèle quelque chose de cassé au cœur du développement open source moderne. Et selon une analyse révolutionnaire publiée aujourd'hui par VectorCertain LLC, ce n'est pas un incident isolé—c'est une crise systémique coûtant au projet OpenClaw une estimation de 2 000 heures de temps de développement gaspillé.

En utilisant sa plateforme de consensus IA multi-modèles propriétaire, VectorCertain a analysé les 3 434 demandes de tirage ouvertes dans le dépôt GitHub d'OpenClaw—l'un des projets d'IA les plus étoilés au monde avec 197 000 abonnés. Les conclusions sont sévères : 20 % de toutes les contributions en attente sont des doublons, représentant des milliers d'heures d'effort redondant qui auraient pu être consacrées à l'innovation au lieu de réinventer des solutions à des problèmes déjà résolus.

Ce que l'analyse de VectorCertain a identifié :

• 283 grappes de doublons où plusieurs développeurs ont indépendamment construit la même correction, gaspillant environ 2 000 heures de temps de développement
• 688 PR redondantes obstruant le pipeline de revue et consommant l'attention limitée des mainteneurs
• 54 PR signalées pour dérive de vision—des contributions qui ne s'alignent pas sur les objectifs du projet
• Des correctifs de sécurité dupliqués 3 à 6 fois chacun alors que des vulnérabilités connues restent non corrigées
• 17 solutions indépendantes pour un seul bug de messagerie directe Slack—la plus grande grappe de duplication jamais documentée

Et voici la partie remarquable : l'analyse complète de VectorCertain—traitant 48,4 millions de jetons à travers trois modèles d'IA indépendants—n'a coûté que 12,80 $ en calcul et a fonctionné en environ huit heures.

Les conclusions de VectorCertain arrivent à un moment charnière pour OpenClaw. Le 15 février, le créateur du projet Peter Steinberger a annoncé son départ pour OpenAI et la transition du projet vers une structure de fondation. Le lendemain, la place de marché de compétences ClawdHub a subi une panne de base de données de production. La réponse publique de Steinberger a été franche : "les tests unitaires ne suffisent pas" pour maintenir la plateforme à grande échelle.

L'analyse de VectorCertain prouve qu'il a raison—mais montre que le problème va encore plus loin que les tests.

"Les tests unitaires vérifient que le code fait ce qu'un développeur a prévu," explique Joseph P. Conroy, fondateur et PDG de VectorCertain. "Le consensus multi-modèles vérifie que ce que le développeur a construit est la bonne chose à construire. Ce sont des questions fondamentalement différentes, et les projets open source à grande échelle ont besoin des deux."

Les défis de gouvernance d'OpenClaw vont au-delà des PR en double. Le projet a fait face à des préoccupations de sécurité croissantes, y compris la campagne ClawHavoc qui a identifié 341 compétences malveillantes dans sa place de marché et un rapport Snyk trouvant des failles de gestion des identifiants dans 7,1 % des compétences enregistrées. Pendant ce temps, les soumissions de PR ont largement dépassé la capacité de revue—plus de 3 100 PR en attente à tout moment, malgré les mainteneurs fusionnant des centaines de commits quotidiennement.

Les 2 000 heures de temps de développement gaspillé identifiées par VectorCertain ne représentent que la pointe de l'iceberg : des heures déjà perdues, de l'énergie déjà dépensée, et la capacité des mainteneurs déjà consommée à revoir un travail redondant.

La plateforme claw-review de VectorCertain ne repose pas sur un seul modèle d'IA—elle utilise trois modèles indépendants (Llama 3.1 70B, Mistral Large et Gemini 2.0 Flash) qui évaluent chaque PR séparément, puis fusionnent leurs jugements en utilisant un vote de consensus. C'est la même approche critique pour la sécurité utilisée dans les véhicules autonomes et les systèmes d'IA médicale, maintenant appliquée à la gouvernance open source.

Le pipeline de découverte fonctionne en quatre étapes :

1. Extraction d'intention : Chaque modèle analyse indépendamment ce qu'une PR essaie d'accomplir
2. Regroupement des doublons : Des algorithmes basés sur des embeddings identifient les contributions sémantiquement similaires
3. Classement de qualité : Notation multidimensionnelle avec signalement des désaccords pour revue humaine
4. Alignement de vision : Vérification de conformité aux politiques par rapport à la documentation du projet

Le résultat ? 15 000 appels API, 48,4 millions de jetons traités, 8 heures d'exécution, et des découvertes qui auraient pris des mois aux mainteneurs humains pour être découvertes—le tout pour le prix d'un déjeuner.

L'outil claw-review utilisé pour cette analyse est open source (licence MIT) et disponible maintenant sur GitHub, permettant à tout projet de mener des analyses similaires de ses propres dépôts. Mais les ambitions de VectorCertain vont bien au-delà de l'analyse des demandes de tirage.

La plateforme d'entreprise de la société étend l'approche de consensus multi-modèles aux domaines critiques pour la sécurité, y compris les véhicules autonomes, la cybersécurité, les soins de santé et les services financiers—supportant plus de 20 modèles parallèles avec fusion de consensus formelle et garanties mathématiques de sécurité. Fondée par Joseph P. Conroy, un vétéran de 25 ans du développement d'IA critique pour la sécurité pour les agences fédérales (EPA, DOE, DoD, NIH), VectorCertain détient un vaste portefeuille de brevets couvrant les systèmes d'ensemble d'IA et les architectures de consensus multi-modèles.

L'analyse complète du dépôt openclaw/openclaw a examiné les 3 434 demandes de tirage ouvertes en utilisant trois modèles d'IA : Llama 3.1 70B, Mistral Large et Gemini 2.0 Flash. La plateforme a traité 48,4 millions de jetons sur un temps d'exécution de huit heures, avec des coûts de calcul totaux de seulement 12,80 $—soit 0,0037 $ par PR analysée. L'analyse a identifié 283 grappes de doublons représentant 688 PR redondantes (20 % de l'arriéré total) et environ 2 000 heures de temps de développement gaspillé, avec les PR ayant un score de qualité moyen de 8,35 sur 10.

• Tableau de bord interactif : jconroy1104.github.io/claw-review/dashboard.html
• Rapport complet : jconroy1104.github.io/claw-review/claw-review-report.html
• Outil open source (licence MIT) : github.com/jconroy1104/claw-review
• VectorCertain : vectorcertain.com

VectorCertain LLC est une société du Delaware basée à Casco, Maine, pionnière dans la technologie de sécurité et de gouvernance de l'IA à travers des systèmes de consensus multi-modèles. La société fournit des garanties mathématiques de certitude pour la prise de décision d'IA dans les domaines critiques pour la sécurité, soutenues par un vaste portefeuille de brevets et des décennies d'expérience de déploiement réel dans des applications fédérales et commerciales.

Contact presse

Joseph P. Conroy, Fondateur & PDG
VectorCertain LLC
X : @JosephConroyJr | LinkedIn
Web : vectorcertain.com

Avertissement : Cette traduction a été générée automatiquement par NewsRamp™ pour Newsworthy.ai (collectivement désignés sous le nom de "LES ENTREPRISES") en utilisant des plateformes d'intelligence artificielle génératives accessibles au public. LES ENTREPRISES ne garantissent pas l'exactitude ni l'intégralité de cette traduction et ne seront pas responsables des erreurs, omissions ou inexactitudes. Vous vous fiez à cette traduction à vos propres risques. LES ENTREPRISES ne sont pas responsables des dommages ou pertes résultant de cette confiance. La version officielle et faisant autorité de ce communiqué de presse est la version anglaise.