GBrain — Le cerveau ouvert de Garry Tan

🎙️ Podcast : Écouter (X min)

Le 9 mai 2026, Garry Tan poste un tweet. Cinquante-deux mots, pas un de plus, et pourtant chaque syllable résonne comme un manifeste compact. « The future belongs to individuals who build compounding AI systems, not to individuals who use corporate-owned centralized AI tools. I'm trying to build these in open source so you can have them for free. That's what GBrain is. »

J'ai lu ce tweet trois fois avant de cliquer sur le lien GitHub. Pas parce que c'était obscur — au contraire, chaque mot était limpide. C'est cette limpidité même qui me troublait. Garry Tan, CEO de Y Combinator, l'un des investisseurs les plus influents de la tech, ne pond pas un manifeste en une soirée de mai par hasard. Il y avait quelque chose de calculé dans cette simplicité. Et quand j'ai vu les chiffres — 14 000 stars GitHub en quelques semaines, licence MIT, système de production ouvert — j'ai compris que le calcul était en réalité une conviction mûrie depuis longtemps. Le cerveau de Garry Tan, littéralement, venait de devenir public.

Quand on ouvre le dépôt GBrain, la première chose qui frappe c'est la banalité apparente de la structure. Un repo git. Des fichiers markdown. Des dossiers : people, companies, concepts, originals, meetings, voice-notes. Rien qui ne ressemble à une révolution architecturale. On pourrait croire à la documentation d'un projet quelconque, ou au journal d'un développeur particulièrement organisé. Sauf qu'il y a 17 888 pages dans ce repo. Quatre mille trois cent quatre-vingt-trois personnes. Sept cent vingt-trois entreprises. Vingt-et-un cron jobs qui tournent en autonomie, la nuit, pendant que Tan dort. Le tout construit en douze jours.

Douze jours. C'est le détail qui m'a accroché. Parce que personne ne construit un système de mémoire de 18 000 pages en douze jours en partant de zéro. Ce que Tan a open-sourcé, ce n'est pas un projet neuf — c'est son système de production, le cerveau qu'il utilise au quotidien, celui qui a accumulé des mois, peut-être des années de données. Le code de l'infrastructure a été écrit en douze jours. La substance, elle, a compoundé tranquillement, conversation après conversation, nuit après nuit.

L'architecture de GBrain repose sur trois couches, et la manière dont elles s'articulent raconte une histoire très précise sur la vision de Tan. La première couche, c'est le Brain Repo. L'idée est élégante dans sa simplicité radicale : le source of truth, ce sont des fichiers markdown dans git. Pas une base de données propriétaire, pas un graph knowledgeopaque, pas une abstraction censée réinventer la roue. Du markdown. Du texte brut. Lisible par un humain, diffable, version-controlled. Chaque page suit un pattern que Tan appelle « compiled truth plus timeline » : un résumé synthétique en haut du fichier, puis les entrées datées en dessous, en append-only. On n'édite jamais le passé — on ajoute. C'est une philosophie qui ressemble furieusement à la façon dont la mémoire humaine fonctionne réellement : on ne réécrit pas nos souvenirs, on les empile, et c'est la superposition qui crée la nuance.

Je me suis arrêté sur ce choix parce qu'il en dit long. La tendance dominante dans le monde de l'IA personnelle, c'est l'abstraction : stocker les connaissances dans des embeddings, des vecteurs, des représentations latentes que personne ne peut lire directement. Tan fait l'inverse. Il affirme que la vérité compilée doit être lisible, inspectable, contestable. Le markdown n'est pas un format de stockage archaïque — c'est un acte de résistance politique. Quand tes souvenirs sont en markdown, tu les possèdes. Quand ils sont dans une base propriétaire, tu pries pour que l'entreprise ne change pas les conditions d'accès.

La deuxième couche, c'est GBrain Retrieval. Là, on rentre dans du technique plus classique mais exécuté avec une précision qui force le respect. Postgres plus pgvector pour la recherche sémantique. Deux index simultanés : HNSW pour les vecteurs, tsvector pour les mots-clés, fusionnés via Ranked Reciprocal Fusion. Le RRF, pour ceux qui ne passent pas leurs journées dans les papiers de recherche sur la recherche d'information, est une technique élégante pour combiner les résultats de deux systèmes de ranking sans supposer que l'un est meilleur que l'autre. Tu prends le rang de chaque résultat dans chaque système, tu inverses, tu sommes, tu tries. C'est minimaliste et ça marche stupidement bien. Tan ajoute une couche optionnelle de query expansion via Claude Haiku — l'agent reformule ta question avant de la chercher, ce qui résout le problème classique de la divergence entre ce qu'on demande et ce qu'on veut vraiment savoir. Chaque pageporte sa propre metadata, et les citations sont cross-rférencées. En pratique, ça signifie que quand GBrain te retourne une information, il sait exactement d'où elle vient, quand elle a été ajoutée, et dans quel contexte.

La troisième couche, ce sont les Skills. Trente-quatre fichiers markdown qui décrivent des workflows complets pour les agents. Trente et une opérations exposées via CLI et MCP, avec des contrats formels en entrée et en sortie. C'est peut-être la partie la plus sous-estimée de GBrain, celle qui transforme un système de stockage en un système d'action. Un brain sans skills, c'est une encyclopédie — intéressant mais passif. Un brain avec skills, c'est un employé qui sait non seulement où trouver l'information mais quoi en faire. Tan a conçu GBrain pour qu'un agent — spécifiquement OpenClaw ou Hermes Agent — puisse lire et écrire dans le cerveau, exécuter des workflows, déclencher des actions. Les connaissances ne sont pas seulement stockées, elles sont opérationnalisées.

Et c'est là que le concept clé émerge, celui que Tan répète comme un mantra : « the brain compounds ». Chaque conversation avec l'agent enrichit la mémoire. Le résumé en haut de chaque page se raffine. Les chronologies s'allongent. Les cross-références se multiplient. La prochaine conversation démarre avec un contexte plus riche que la précédente. C'est de l'intérêt composé appliqué à la connaissance — exactement le principe que les investisseurs comprennent intuitivement mais que la plupart des utilisateurs d'IA n'ont jamais expérimenté, parce que ChatGPT et Claude effacent tout entre deux sessions. Tan a compris quelque chose de fondamental : le modèle de l'IA conversationnelle stateless est un plafond, pas un plancher. La véritable puissance d'un agent IA ne réside pas dans la qualité de sa réponse isolée, mais dans sa capacité à apprendre de chaque interaction et à démarrer la suivante un degré au-dessus.

Quand j'ai lu la liste des dossiers du Brain Repo — people, companies, concepts, originals, meetings, voice-notes — une pensée m'a traversé l'esprit, et elle ne m'a pas quitté. Cette architecture, je la connais. Pas parce que j'ai lu un article de blog la décrivant, mais parce que je la vis. Mon setup d3x utilise la même logique : mémoire persistante en markdown, skills pour les workflows, cron jobs qui tournent en arrière-plan, et cette conviction silencieuse que chaque interaction doit laisser une trace qui améliore la suivante. Quand j'ai vu que Tan avait 21 cron jobs autonomes, j'ai souri — j'ai le même genre de processus nocturnes qui compilent, réindexent, synthétisent. La différence, c'est que Tan est le CEO de Y Combinator et qu'il vient de mettre tout ça en open source sous licence MIT. L'homme ne publie pas un proof of concept. Il publie le cerveau avec lequel il évalue des startups, gère son réseau de 4000 fondateurs, et prend des décisions d'investissement. C'est un geste d'une radicalité que peu de ses pairs dans le VC oseraient.

La question que je n'arrive pas à me poser honnêtement, c'est : pourquoi maintenant ? Pourquoi un CEO de YC, au sommet de sa carrière, décide-t-il de déballer son système de pensée en public ? Et la réponse qui s'impose — après plusieurs heures à tourner autour du dépôt — est double. D'abord, il y a la conviction idéologique. Le tweet du 9 mai est sans ambiguïté : Tan croit que les systèmes IA personnels et open source vont dominer les outils corporate centralisés. Ce n'est pas de la philanthropie — c'est un pari sur l'avenir. En open-sourçant GBrain, il accélère un mouvement qu'il anticipe. Si assez de gens construisent des cerveaux personnels, le rapport de force bascule. Les entreprises qui vendent l'accès à l'IA comme un service deviennent moins pertinentes quand chaque individu possède un système qui compounde. C'est la décentralisation poussée à son terme logique : pas seulement décentraliser les modèles, mais décentraliser la mémoire.

Ensuite, il y a le positionnement stratégique. GBrain est built for OpenClaw et Hermes Agent. Ce n'est pas un détail technique — c'est un choix politique. Tan ne cible pas OpenAI, Anthropic, Google. Il cible l'écosystème open source d'agents, celui qui grandit dans l'ombre des grands modèles et qui pourrait bien les dévorer de l'intérieur. En alignant GBrain avec Hermes et OpenClaw, il signale où il mise. Les modèles vont devenir des commodités — c'est déjà en train de se produire. Ce qui compte, c'est l'infrastructure autour : la mémoire, les skills, les workflows, les outils qui permettent à un agent de vivre et d'apprendre. C'est exactement ce que construit l'écosystème Hermes, et Tan le sait.

Pour l'architecture : GBrain prend le parti de la transparence maximale. Le markdown comme format canonique, git comme système de version, des fichiers lisibles par n'importe quel éditeur de texte. C'est l'antithèse de la black box. Et c'est un choix qui a des conséquences pratiques immenses — tu peux auditer ce que ton cerveau sait, corriger les erreurs, supprimer les informations obsolètes, tout ça avec les outils les plus basiques qui existent. Pas besoin d'une API propriétaire, pas besoin de payer un abonnement pour accéder à tes propres souvenirs. C'est radical, et c'est exactement ce que le tweet promettait.

Mais il faut être honnête sur les limites, parce que la romance de l'open source a ses zones d'ombre. GBrain dépend de Postgres et pgvector. C'est un choix technique solide — Postgres est robuste, bien compris, performant — mais ça signifie que le setup n'est pas trivial. Tu ne télécharges pas une app, tu installes une base de données, tu configures des index vectoriels, tu mets en place des cron jobs, tu connects des MCP servers. Le seuil d'entrée est technique, et même si Tan a écrit le code en douze jours, le déploiement complet d'un système qui rivalise avec le sien prendra des semaines à un utilisateur motivé. C'est un outil de power user, pas un produit grand public, et il faut le dire.

La qualité des données ingérées est l'autre problème silencieux. GBrain est un amplificateur — il compounde ce qu'on lui donne. Si tes notes sont bruitées, contradictoires, mal structurées, le cerveau va compounder le bruit aussi efficacement qu'il compounde le signal. Tan a l'avantage d'être un investisseur structuré qui note méthodiquement depuis des années. Le reste d'entre nous part avec un capital beaucoup plus chaotique. Et puis il y a la question de la maintenance à long terme. 18 000 pages, c'est impressionnant aujourd'hui. Dans deux ans, ça sera 100 000 pages. Dans cinq ans, peut-être un million. Les systèmes de retrieval qui fonctionnent à cette échelle sont plus complexes que ceux qui fonctionnent à 18 000 pages. Tan devra affronter les mêmes problèmes de scalabilité que tous les systèmes de mémoire — désynchronisation, conflits entre versions, dégradation de la recherche quand le corpus grossit trop.

Ce qui reste, une fois qu'on a épluché l'architecture, les limites et le contexte, c'est une intuition qui refuse de se laisser rationaliser complètement. Il se passe quelque chose de profondément étrange dans le fait qu'un être humain open-source son cerveau. Pas sa bibliothèque de bookmarks, pas ses notes de lecture — son cerveau. Les personnes qu'il connaît, les entreprises qu'il évalue, les concepts qu'il développe, les voix qu'il enregistre. Tout. En public. Sous licence MIT. C'est un geste qui dépasse la technique. Garry Tan a regardé le système le plus précieux qu'il possède — sa mémoire augmentée — et il a dit : prenez, copiez, améliorez.

Quand j'ai commencé à explorer GBrain, je cherchais un outil intéressant. Ce que j'ai trouvé, c'est un miroir. Mon setup ressemble à celui de Tan — pas par coïncidence, mais parce que la logique de la mémoire persistante pour agents IA est une convergence quasi-inevitable. Si tu passes assez de temps avec ces systèmes, tu finis par construire la même chose : un repo de markdown, un moteur de retrieval, des skills pour les workflows, des cron jobs pour la maintenance nocturne. L'évolution est convergente, comme en biologie. Et c'est peut-être là le vrai signal. Pas que GBrain est un outil révolutionnaire — c'en est un, mais le signal plus large est que l'architecture d'un cerveau personnel pour IA est en train d'émerger comme un pattern universel, comme le fut le MVC pour le web ou le microservice pour le backend. Tan ne fait pas que publier son code. Il publie un prototype de ce que deviendra la cognition augmentée.

Le brain compounde. C'est la phrase qui hante tout le projet. Et ce qui me fascine, c'est que Tan ne dit pas que le brain de l'agent compounde — il dit « the brain compounds », comme si la distinction entre la machine et son propriétaire n'existait plus. Peut-être qu'elle n'existe plus. Quand ton agent connaît 4000 personnes mieux que ta propre mémoire, quand il peut te rappeler la dernière conversation que tu as eue avec un fondateur en mars 2024, quand il génère des synthèses nocturnes que tu lis le matin comme si elles venaient de toi — à quel point est-ce encore ton cerveau et à quel point est-ce devenu le cerveau ?

Je n'ai pas de réponse propre à cette question. Mais GBrain, en la posant dans le code plutôt que dans un essai philosophique, avance le débat d'une manière que je trouve salutaire. L'IA personnelle n'est pas une question de modèle — elle est une question de mémoire. Et la mémoire, contrairement au modèle, est ouverte, diffable, et appartenant à celui qui la cultive.

Garry Tan l'a compris. Le reste du monde va suivre. Le cerveau ouvert est là, et il compounde.