Andrew Tulloch rejoint Anthropic après avoir quitté Meta en moins d’un an

Andrew Tulloch rejoint Anthropic après avoir passé environ 11 mois chez Meta, selon des informations publiées le 10 septembre. Ce départ reste non confirmé par Tulloch, Meta ou Anthropic. Son calendrier pose néanmoins un problème immédiat à la coûteuse campagne de recrutement en IA de Meta.

Tulloch était revenu chez Meta en octobre 2025 après avoir cofondé Thinking Machines Lab avec l’ancienne dirigeante d’OpenAI Mira Murati. Son recrutement avait suscité une attention inhabituelle, Meta lui ayant, selon certaines informations, proposé un package de rémunération pouvant dépasser un milliard de dollars. Meta a contesté les estimations les plus élevées associées à cette offre.

Le départ d’Andrew Tulloch vers Anthropic, tel qu’il est rapporté, renverse désormais le récit entourant son arrivée. Meta a recruté avec succès un ingénieur systèmes très réputé, mais n’aurait apparemment pas réussi à le retenir pendant une année complète. Anthropic, de son côté, gagnerait un ingénieur dont la carrière couvre l’entraînement de modèles, l’infrastructure et l’inférence à grande échelle.

Ce renversement compte au-delà de la décision professionnelle d’un seul chercheur. Meta a fait du recrutement de profils d’élite un élément central de sa tentative de combler son retard sur les laboratoires de pointe. Anthropic s’apprêterait maintenant à recruter l’une des prises les plus visibles de cet effort.

Le départ rapporté attend toujours une confirmation officielle

Le fait central est un départ rapporté, et non une annonce publique finalisée de l’une ou l’autre entreprise.

The Wall Street Journal a rapporté que Tulloch quittait Meta pour Anthropic, citant des personnes proches du dossier. Un départ rapporté distinct indiquait qu’il avait travaillé chez Meta pendant environ 11 mois.

Le rapport faisait suite à un récit antérieur selon lequel Tulloch avait démissionné de Meta sans expliquer publiquement sa décision. Meta a refusé de commenter son départ, tandis que Tulloch n’a pas répondu aux demandes de commentaires. Anthropic n’avait pas non plus annoncé publiquement sa nomination lorsque ces informations sont parues.

Ces éléments imposent une formulation prudente. Tulloch prévoirait de rejoindre Anthropic, mais son rôle, sa date de prise de fonction, sa ligne hiérarchique et les conditions de son contrat restent inconnus. Une source a indiqué à une couverture contemporaine qu’il travaillerait au sein de l’équipe d’inférence et de performance d’Anthropic.

L’inférence désigne le processus par lequel un modèle d’IA entraîné produit des réponses pour les utilisateurs. L’ingénierie de performance réduit le temps de calcul, l’utilisation de mémoire et le coût matériel nécessaires à ce processus. Ces enjeux sont devenus essentiels alors que les laboratoires proposent des modèles toujours plus capables à des bases de clients plus vastes.

La destination rapportée correspond donc au parcours technique de Tulloch. Son site personnel indique qu’il a travaillé sur des systèmes de machine learning chez Meta et contribué à l’entraînement de GPT-4o, GPT-4.5 et o3 chez OpenAI. Il l’identifie également comme cofondateur de Thinking Machines Lab.

Cependant, sa propre biographie le présentait encore au sein de TBD Lab de Meta après l’apparition des informations sur sa démission. Cette incohérence n’invalide pas les informations publiées. Elle montre que les données publiques disponibles n’avaient pas encore rattrapé le changement d’emploi rapporté.

L’absence de confirmation limite également les conclusions sur ses motivations. Aucune source vérifiée n’a établi si Tulloch est parti en raison de la rémunération, du leadership, de l’orientation de la recherche, de la structure organisationnelle ou d’un autre facteur. Toute explication catégorique dépasserait les éléments disponibles.

Le récit le plus défendable est plus circonscrit. Meta a recruté Tulloch fin 2025 pour sa nouvelle organisation dédiée à la superintelligence. Moins d’un an plus tard, des médias établis ont rapporté qu’il avait démissionné et rejoindrait Anthropic.

Cette séquence crée la véritable tension de l’article. La campagne de recrutement de Meta a montré que d’immenses ressources pouvaient attirer des chercheurs très recherchés. Le départ rapporté de Tulloch suggère que ces ressources seules ne garantissaient pas une rétention durable.

Pourquoi le départ d’Andrew Tulloch vers Anthropic met Meta sous pression

Le départ rapporté de Tulloch transforme une victoire de recrutement célébrée en test de la capacité de Meta à retenir des dirigeants techniques spécialisés.

Meta a recruté Tulloch au sein de TBD Lab, une unité de Meta Superintelligence Labs dirigée par Alexandr Wang. L’organisation est devenue un élément central des efforts de Mark Zuckerberg pour renforcer la position de Meta dans l’IA avancée.

Tulloch n’était pas un recrutement ordinaire. Il avait auparavant passé plus de dix ans chez Facebook et Meta, où il travaillait sur l’infrastructure de machine learning. Il a ensuite rejoint OpenAI et contribué à l’entraînement de plusieurs modèles majeurs avant de cofonder Thinking Machines Lab.

Ce parcours a rendu son retour chez Meta en 2025 particulièrement précieux. Il connaissait déjà l’infrastructure et la culture d’ingénierie de l’entreprise. Il apportait également une expérience récente d’OpenAI et d’un nouveau laboratoire créé par d’anciens dirigeants d’OpenAI.

Un récit antérieur sur son recrutement indiquait que Tulloch avait rejoint TBD Lab après avoir décliné une première offre. Le même récit indiquait que son package final était inférieur à l’estimation la plus largement relayée.

Meta a publiquement rejeté les affirmations selon lesquelles l’offre antérieure pouvait atteindre le montant le plus élevé rapporté. Ce désaccord importe car les estimations de rémunération dépendaient des incitations, des périodes d’acquisition et d’une éventuelle appréciation des actions. Elles n’étaient pas équivalentes à des paiements immédiats en espèces.

Néanmoins, le montant précis importe moins que la stratégie qu’il représentait. Meta était prête à formuler des offres très inhabituelles aux chercheurs capables d’accélérer ses programmes de modèles et d’infrastructure. Tulloch est devenu le symbole le plus clair de cette approche.

Son départ rapporté exerce désormais une pression sur trois volets de la stratégie de Meta.

Premièrement, Meta doit préserver la continuité au sein de TBD Lab. Le développement de modèles avancés dépend d’un travail coordonné entre entraînement, données, évaluation, inférence et matériel. La perte d’un ingénieur systèmes senior peut interrompre ces connexions, même si l’équipe élargie reste intacte.

Deuxièmement, Meta doit protéger sa réputation auprès des futurs recrutés. Les candidats évaluent plus que la rémunération. Ils prennent également en compte l’autorité technique, l’accès aux ressources de calcul, la stabilité du leadership, la liberté de publication et la probabilité que leur travail atteigne les utilisateurs.

Troisièmement, Meta doit démontrer que son opération IA réorganisée peut transformer ses recrutements en produits. L’embauche de chercheurs reconnus crée des attentes, mais les utilisateurs et les développeurs jugent les modèles publiés, leur fiabilité et leurs capacités utiles.

Tulloch aurait démissionné peu après la sortie de Muse, l’agent IA de Meta destiné à accomplir des tâches en ligne. Un autre rapport a affirmé qu’il avait attendu que le produit soit livré avant de partir. Cette affirmation n’a pas reçu de confirmation publique de Tulloch ou de Meta.

Même si ce calendrier est exact, il n’établit pas la raison de son départ. Il crée toutefois un point de transition net. Un chercheur peut contribuer à finaliser une sortie de produit tout en décidant qu’un autre laboratoire offre un meilleur projet pour la suite.

Le départ d’Andrew Tulloch de Meta met donc Meta sous pression au stade de la rétention, et non simplement au stade du recrutement. L’entreprise a prouvé qu’elle pouvait le faire revenir. La question non résolue est de savoir pourquoi cette relation aurait duré moins d’un an.

La victoire de recrutement de Meta est devenue l’opportunité d’Anthropic

Le renversement ne tient pas au fait que Meta n’aurait pas réussi à attirer Tulloch, mais au fait qu’Anthropic l’aurait recruté après que Meta eut déjà remporté ce concours.

La poursuite initiale de Meta s’est inscrite dans une compétition intense pour recruter des chercheurs venus d’OpenAI, Google, Apple et de laboratoires plus récents. Zuckerberg a personnellement participé au recrutement alors que Meta constituait son groupe dédié à la superintelligence.

Dans le cas de Tulloch, Meta a d’abord approché un cofondateur de Thinking Machines Lab. Cette startup avait réuni un groupe dense de chercheurs et d’ingénieurs expérimentés chez OpenAI, Meta, Mistral et d’autres laboratoires.

Tulloch avait initialement décliné l’approche de Meta, selon les informations publiées à l’époque. Il a ensuite quitté Thinking Machines et est revenu chez Meta en octobre 2025. Cette décision semblait valider la persistance de Meta et sa volonté de structurer une offre exceptionnelle.

Le départ rapporté vers Anthropic modifie cette interprétation. Il suggère que gagner un concours de recrutement n’est que le début du problème de rétention. Les laboratoires de pointe doivent continuer à donner à des spécialistes rares des raisons de rester une fois l’annonce de leur arrivée passée.

Anthropic représente une opportunité distincte pour quelqu’un ayant le parcours de Tulloch. L’entreprise développe les modèles Claude et vend l’accès à travers des abonnements grand public, des interfaces pour développeurs et des produits d’entreprise. Une inférence efficace affecte directement la vitesse, la fiabilité et l’économie de ces services.

Anthropic a également créé une organisation dédiée à l’ingénierie de performance. Une description officielle de son équipe d’ingénierie de performance indique que ses membres ont contribué au démarrage d’un cluster Amazon Trainium et livré chaque modèle depuis Claude 3 Opus.

Cette source ne confirme pas la nomination de Tulloch. Elle établit que Anthropic considère l’ingénierie de performance comme une fonction opérationnelle liée aux sorties de modèles. Cela rend le rôle rapporté plus plausible qu’un poste consultatif non défini.

Les travaux antérieurs de Tulloch s’alignent également sur ce défi. Il a cosigné une recherche examinant les charges de travail d’inférence dans les centres de données de Facebook. L’article étudiait les caractéristiques de calcul, les optimisations de performance et les implications matérielles pour des systèmes de machine learning déployés.

Ce parcours franchit une frontière de plus en plus importante. La concurrence dans l’IA de pointe s’est autrefois concentrée en grande partie sur l’entraînement des modèles et les résultats aux benchmarks. Le succès commercial dépend désormais également de la capacité à servir ces modèles sans délais ni coûts de calcul excessifs.

Un modèle très performant peut rester difficile à déployer si chaque réponse consomme trop de capacité matérielle. Une inférence lente frustre les utilisateurs, tandis qu’une inférence inefficace limite la disponibilité et pèse sur les marges.

Les ingénieurs de performance travaillent sur les compilateurs, les kernels, les architectures de modèles, l’ordonnancement et l’utilisation du matériel. Leurs changements peuvent rendre un modèle existant sensiblement plus facile à exploiter sans entraîner un système entièrement nouveau.

Tulloch possède également une expérience avec PyTorch, un framework largement utilisé pour créer et exécuter des modèles de machine learning. L’article original sur PyTorch décrivait un système associant une interface Python familière à une accélération matérielle efficace.

Ce profil rend le départ rapporté stratégiquement pertinent pour Anthropic. L’entreprise n’ajouterait pas simplement un nom reconnu. Elle recruterait une personne expérimentée dans la connexion entre les modèles de recherche et les systèmes de production à grande échelle.

Ce mouvement illustre également la façon dont l’expertise circule parmi un petit groupe d’organisations. Tulloch a travaillé chez Meta, est passé chez OpenAI, a contribué à créer Thinking Machines, est revenu chez Meta et prévoirait désormais de rejoindre Anthropic.

Chaque transfert emporte des connaissances techniques, de l’expérience de gestion et des relations professionnelles. Les informations confidentielles restent protégées par les contrats et la loi, mais l’expérience pratique accompagne toujours l’individu.

Cette mobilité favorise les laboratoires qui offrent un travail technique convaincant et un contrôle significatif sur l’exécution. Elle rend aussi la rétention plus difficile pour les entreprises qui considèrent le recrutement comme une transaction achevée plutôt que comme une responsabilité organisationnelle continue.

La rémunération ne peut pas trancher la guerre des talents en IA

Les grandes offres de recrutement peuvent influencer la décision d’un ingénieur, mais elles ne peuvent pas aligner durablement les priorités de recherche, la direction et les conditions de travail.

La valeur rapportée de l’offre initiale de Meta a dominé la couverture médiatique, car elle paraissait extraordinaire même selon les standards du secteur technologique. Meta a contesté l’estimation la plus spectaculaire, et l’enveloppe aurait dépendu de plusieurs années d’incitations.

Se concentrer uniquement sur ce chiffre masque un problème de management plus complexe. Les chercheurs d’élite choisissent souvent parmi plusieurs employeurs disposant de ressources financières considérables. Une fois qu’une rémunération dépasse un seuil élevé, les conditions techniques peuvent devenir déterminantes.

Ces conditions comprennent l’accès à la capacité de calcul, l’autorité sur l’orientation de la recherche, la composition de l’équipe et la confiance dans la direction. Elles incluent aussi la capacité à faire parvenir le travail d’ingénierie jusqu’aux produits sans qu’il soit bloqué par des réorganisations.

L’envergure de Meta apporte de véritables avantages. L’entreprise exploite de grands centres de données, des applications grand public, des systèmes publicitaires et des programmes de modèles ouverts. Un chercheur peut influencer des produits utilisés dans un immense réseau mondial.

Cette envergure peut également engendrer de la complexité. Les grandes organisations ont des priorités concurrentes, des processus de validation formels et des dépendances entre de nombreuses équipes. Un laboratoire nouvellement créé doit asseoir son autorité tout en utilisant l’infrastructure de l’entreprise au sens large.

Anthropic offre un environnement différent. Son activité est centrée sur le développement et la mise à disposition de Claude. Le travail sur les performances des modèles se situe donc près du produit principal de l’entreprise et de ses contraintes commerciales.

Cela ne prouve pas qu’Anthropic offre davantage d’autonomie ou une meilleure gestion. Ni Tulloch ni l’entreprise n’ont expliqué ses raisons de les rejoindre. Le contraste ne fait qu’identifier des facteurs que les chercheurs expérimentés évaluent couramment.

Cet épisode remet aussi en question l’hypothèse selon laquelle une recrue célèbre transfère automatiquement un avantage concurrentiel. Les modèles d’IA naissent d’équipes, d’infrastructures, de processus de données et d’expérimentations répétées. Aucun individu ne peut remplacer l’ensemble de ces systèmes.

Un ingénieur senior peut néanmoins exercer une influence disproportionnée. Certains spécialistes comprennent des combinaisons rares de comportement des modèles, de systèmes distribués, de conception de compilateurs et de matériel de production. Leurs décisions peuvent faire gagner des mois de travail ou éviter des erreurs d’architecture coûteuses.

Cela crée un marché du travail difficile. Les entreprises se disputent intensément un nombre limité de personnes, mais les observateurs extérieurs ne peuvent pas facilement mesurer la contribution de chacune. Les rapports publics sur la rémunération peuvent donc encourager des conclusions exagérées sur la valeur comme sur l’impact.

La stratégie de Meta ne devrait pas être jugée à l’aune d’un seul départ. L’entreprise a recruté d’autres chercheurs de premier plan et continue d’exploiter une grande organisation d’IA. Le départ de Tulloch ne démontre pas que le programme global a échoué.

De même, le recrutement rapporté par Anthropic ne garantit pas des sorties plus rapides de Claude ni des coûts d’exploitation moindres. L’intégration prend du temps, et les améliorations de performance dépendent de l’équipe qui l’entoure. L’entreprise n’a annoncé aucun projet précis lié à Tulloch.

L’interprétation sceptique est simple. Le départ de Tulloch pourrait refléter un choix individuel qui révèle peu de choses sur l’état général de Meta. Les employés seniors changent d’organisation pour des raisons personnelles, techniques ou contractuelles qui ne deviennent jamais publiques.

Un jugement plus solide exige une tendance. D’autres départs de TBD Lab, des produits retardés, une direction changeante ou des réorganisations répétées rendraient le problème de rétention plus significatif. Des lancements stables et une équipe durable affaibliraient cette interprétation.

Pour l’instant, le passage d’Andrew Tulloch chez Anthropic est un signal important plutôt qu’un verdict définitif. Il met en lumière les limites de l’utilisation de grandes offres de recrutement comme preuve d’une force organisationnelle durable.

Le véritable enjeu consiste à transformer les chercheurs en produits fiables

Meta et Anthropic se livrent concurrence par les talents, mais les utilisateurs en perçoivent le résultat à travers la qualité des produits, la rapidité, la disponibilité et la confiance.

L’histoire de l’emploi importe parce que le rôle rapporté de Tulloch se situe près d’un goulet d’étranglement commercial. L’entraînement des modèles produit de nouvelles capacités. L’inférence détermine si les clients peuvent utiliser ces capacités de façon cohérente à grande échelle.

Les développeurs perçoivent la qualité de l’inférence à travers la latence, les limites de débit, les échecs et les comportements imprévisibles. Les acheteurs en entreprise prennent également en compte la sécurité, la gestion des données, la disponibilité du service et la stabilité des interfaces de modèles.

Les travailleurs du savoir vivent cette même concurrence différemment. Ils se soucient de savoir si un assistant peut traiter des documents complexes, préserver le contexte et accomplir des tâches sans corrections fréquentes. Ils savent rarement quel ingénieur a amélioré les systèmes sous-jacents.

Cela crée un écart entre les titres sur les recrutements et la valeur pour les clients. Une entreprise peut annoncer une équipe impressionnante sans livrer un produit fiable. Une autre peut améliorer discrètement son infrastructure et gagner des utilisateurs grâce à de meilleures performances au quotidien.

Meta aborde cette concurrence avec sa distribution. Ses services offrent à l’entreprise de nombreux points de déploiement pour des assistants, des systèmes de recommandation, des outils de génération et des agents autonomes. Muse représente une tentative de transformer des modèles avancés en accomplissement de tâches.

Anthropic l’aborde à travers Claude et sa plateforme pour développeurs. Si Tulloch rejoint le groupe chargé de l’inférence et des performances, son travail soutiendrait probablement les systèmes qui fournissent les réponses de Claude. Aucune mission précise n’a été publiquement vérifiée.

OpenAI et Google ajoutent de la pression depuis des directions différentes. OpenAI maintient un assistant et une activité développeurs largement utilisés, tandis que Google combine recherche de pointe, infrastructure cloud et services grand public établis.

Thinking Machines reste également pertinent. L’entreprise représente la voie de la startup, où des chercheurs expérimentés peuvent bâtir une nouvelle organisation avec moins de contraintes héritées. Le départ de Tulloch vers Meta a montré à quel point ces équipes peuvent être vulnérables au recrutement par de plus grandes entreprises.

Son passage rapporté de Meta à Anthropic montre désormais que cette vulnérabilité fonctionne aussi en sens inverse. D’importants bilans financiers ne créent pas une propriété permanente de l’expertise. Les chercheurs continuent de se diriger vers les projets, les équipes et les structures organisationnelles qu’ils jugent attractifs.

Pour les développeurs, cette mobilité peut affecter les feuilles de route. Un départ concentré peut retarder un modèle, modifier une interface de programmation d’applications ou réorienter les investissements en infrastructure. Toutefois, un seul changement produit rarement un effet visible immédiat.

Les acheteurs en entreprise devraient donc éviter de traiter les nouvelles concernant le personnel comme un indicateur de référence pour les produits. Les signaux plus utiles sont la qualité des lancements, la fiabilité du service, la documentation de sécurité, le soutien à la migration et la capacité du fournisseur à maintenir ses performances sous la demande.

Le même principe s’applique aux équipes qui construisent des flux de travail internes d’IA. Les fournisseurs de modèles continueront de changer de personnel, de politiques et de noms de produits. Les organisations ont besoin de connaissances portables et de critères d’évaluation clairs plutôt que de s’appuyer sur le récit public d’un seul laboratoire.

Une base de connaissances IA consultable peut aider les équipes à préserver les décisions, les évaluations et les enseignements de déploiement malgré les changements de fournisseurs. Ce lien est important lorsque les capacités des modèles et les fournisseurs évoluent rapidement.

Néanmoins, la spécialisation de Tulloch rend ce recrutement rapporté plus significatif qu’une transition générique de cadre dirigeant. L’efficacité de l’inférence façonne la fréquence à laquelle les clients peuvent utiliser un modèle et la rentabilité avec laquelle un fournisseur peut les servir.

Le gain potentiel d’Anthropic est donc concret. La perte potentielle de Meta l’est également. La question sans réponse est de savoir si l’un ou l’autre effet devient visible dans les sorties de modèles, les performances des agents ou le comportement de l’infrastructure.

Trois signaux permettront de tester ce que ce départ signifie réellement

Les prochains éléments de preuve devraient venir de la stabilité de l’équipe, du rôle confirmé de Tulloch et des produits publiés par les deux entreprises.

Le premier signal est une confirmation formelle. Anthropic pourrait annoncer la nomination de Tulloch, tandis que Tulloch pourrait mettre à jour sa biographie ou son profil professionnel. Une date de prise de poste et une affectation d’équipe confirmées résoudraient le manque immédiat de vérification.

La confirmation d’un rôle dans l’inférence renforcerait l’idée qu’Anthropic l’a recruté pour une priorité opérationnelle précise. Un rôle différent exigerait de réviser cette interprétation. Un silence prolongé laisserait des détails importants dépendre de sources anonymes.

Les lecteurs devraient également surveiller si Meta évoque ce départ. L’entreprise pourrait nommer un remplaçant, réorganiser les responsabilités de Tulloch ou simplement poursuivre sans commentaire public. Toute réponse devrait être évaluée à travers les actions plutôt qu’à travers la rhétorique de recrutement.

Le deuxième signal est la stabilité du personnel au sein de TBD Lab chez Meta. Un départ ne définit pas une organisation. Plusieurs départs de cadres seniors sur une courte période fourniraient des preuves plus solides de problèmes liés à la direction, à l’orientation ou à la rétention.

L’issue inverse compte tout autant. Si Meta conserve ses autres recrues de premier plan et continue de livrer les systèmes prévus, le départ de Tulloch paraîtra plus isolé. La stratégie de l’entreprise resterait coûteuse, mais pas nécessairement instable.

La couverture des futures offres de recrutement mérite également un examen attentif. Les estimations de rémunération combinent souvent salaire, actions, incitations et hypothèses optimistes sur les futurs cours boursiers. Les titres peuvent faire apparaître des rémunérations conditionnelles comme des paiements garantis.

Le troisième signal est la performance des produits et de l’infrastructure. Meta doit montrer que son organisation de superintelligence peut produire des agents et des modèles adoptés par les utilisateurs. Anthropic doit montrer que les ajouts à son équipe de performance améliorent la fourniture de Claude à grande échelle.

Les éléments utiles comprennent une latence moindre, une capacité étendue, moins d’interruptions de service et de nouveaux modèles qui conservent leurs performances sous forte demande. Les affirmations des entreprises devraient être comparées aux tests indépendants et à l’expérience des clients.

Muse constitue un point de référence à court terme pour Meta. Le calendrier rapporté de la démission de Tulloch situait son départ près du lancement de ce produit. Les futures mises à jour montreront si l’agent évolue en plateforme durable ou demeure une version limitée.

Les prochaines sorties de Claude par Anthropic fournissent le test correspondant. Si Tulloch rejoint l’équipe de performance, une attribution immédiate resterait inappropriée. Le travail sur l’infrastructure prend souvent des mois avant que les utilisateurs puissent en observer les effets.

Le mot-clé principal associé à cette histoire, Andrew Tulloch rejoint Anthropic, décrit un changement d’emploi rapporté. Son importance durable dépend de la question de savoir si ce changement produit des conséquences organisationnelles ou produit mesurables.

Cette distinction protège contre deux erreurs opposées. La première consiste à écarter les mouvements de personnel comme de simples ragots alors que des ingénieurs spécialisés peuvent influencer des systèmes critiques. L’autre consiste à supposer qu’un seul recrutement détermine l’issue de la compétition en IA de pointe.

Pour Meta, le défi immédiat consiste à retenir l’équipe assemblée grâce à sa campagne de recrutement. Pour Anthropic, le défi consiste à transformer une recrue expérimentée en une fourniture de modèles plus rapide, plus efficace et plus fiable.

Pour les lecteurs, la meilleure réponse consiste à suivre les éléments de preuve après le titre. Surveillez une nomination confirmée, d’autres changements au sein de TBD Lab et des améliorations observables dans les produits des deux entreprises.

Ces signaux établiront s’il s’agissait simplement d’un changement de carrière notable ou d’un transfert significatif de dynamique technique. D’ici là, Andrew Tulloch rejoint Anthropic reste un rapport crédible comportant une lacune de vérification importante et des enjeux stratégiques inhabituellement élevés.