Dans un article précédent, j'expliquais pourquoi le second cerveau — un réseau de notes atomiques reliées entre elles — n'était pas adapté au product management. Trop de propagation d'erreurs, trop de bruit, pas assez de contrôle.

Mais il y a un domaine où cette approche fonctionne : la connaissance "by the book". Les normes, la réglementation, le vocabulaire métier, les bonnes pratiques établies depuis des décennies. De l'information "factuelle", stable, qui ne change pas d'une opportunité à l'autre.

C'est exactement ce dont j'avais besoin pour la maintenance industrielle (mon domaine métier). Et c'est ce qui m'a amené à construire un Wiki IA.

Le problème de départ

Ce qui différencie les bons PM des mauvais, c'est la compréhension fine du contexte. Pas les généralités. La connaissance précise des enjeux clients, du terrain, des règles métier.

Le problème, c'est que cette connaissance est dispersée : dans des livres, des articles, des normes, des retours terrain, des documents internes. On ne peut pas tout retenir. Et on ne peut pas tout relire à chaque fois qu'on en a besoin.

La première réaction, c'est de se tourner vers un LLM. On charge des documents, on pose des questions. Le RAG classique — NotebookLM, ChatGPT avec des fichiers uploadés — fonctionne comme ça : l'IA cherche les morceaux pertinents dans vos documents, puis synthétise une réponse.

Le problème : elle repart de zéro à chaque requête. Pas de capitalisation. Pas de mémoire structurée. Une question subtile qui nécessite de croiser cinq documents oblige l'IA à tout retrouver et recomposer à chaque fois. Les idées restent "faibles" : extraites individuellement de chaque document, sans avoir été consolidées.

L'idée vient de Karpathy

Andrej Karpathy est un chercheur en IA, ancien Director of AI chez Tesla, membre fondateur d'OpenAI, récemment passé chez Anthropic. C'est aussi un des meilleurs pédagogues du domaine — ses cours à Stanford et ses vidéos YouTube sont une référence.

En mai 2025, il a publié un gist décrivant un pattern qu'il appelle "LLM Wiki". L'idée est simple mais puissante : au lieu de faire du RAG sur des documents bruts, on demande à l'IA de construire progressivement un wiki persistant.

Quand une nouvelle source arrive, l'IA ne se contente pas de l'indexer. Elle la lit, en extrait les informations clés, met à jour les pages existantes du wiki, crée des liens entre concepts, signale les contradictions, enrichit les synthèses. Le savoir est compilé une fois, puis maintenu à jour — pas redécouvert à chaque question.

La différence est fondamentale : le wiki est un artefact cumulatif. Les synthèses, les liens, les contradictions existent déjà avant la prochaine question.

Ce qu'est un Wiki IA

Concrètement, un Wiki IA fonctionne sur trois couches :

1. Les sources brutes : livres, articles, PDF, normes. Elles sont immuables et restent la source de vérité.
2. Le wiki : des fichiers Markdown générés par le LLM — notes atomiques, glossaire, fiches de normes, synthèses thématiques, index.
3. Les instructions : un fichier (type CLAUDE.md) qui explique à l'agent comment maintenir le wiki — nommer les fichiers, ingérer une source, classifier, relier les concepts.

Quand on pose une question, l'IA ne repart pas des PDF originaux. Elle lit d'abord le wiki, trouve les notes pertinentes, et produit une réponse sourcée à partir de connaissances déjà consolidées.

Et quand on ajoute une source, une seule ingestion peut toucher 10 à 15 notes du wiki : mise à jour de définitions, ajout de nuances, création de liens, détection de contradictions.

Wiki IA et Zettelkasten : le parallèle et la différence

Le Zettelkasten — la méthode inventée par le sociologue Niklas Luhmann — repose sur le même principe de notes atomiques reliées entre elles. Une idée par note, des liens entre les notes, un réseau qui grandit.

Le parallèle est évident : le Wiki IA produit aussi des notes atomiques interconnectées. Mais la nature est différente.

Le Zettelkasten / second cerveau est orienté liens. Il reflète votre propre pensée, vos expériences, vos intuitions. Il vous oblige à creuser votre sillon, à confronter des idées, à formuler vos propres thèses. C'est un outil de réflexion personnelle.

Le Wiki IA est orienté proximité. L'information est "factuelle", non orientée. Il sert de source structurée, "objective". C'est une base de connaissances, pas un système de pensée.

Les deux sont complémentaires. Le Wiki IA fournit les faits ; le second cerveau les interprète. Le wiki vous dit "voici ce que dit la norme NF X 60-010 sur la maintenance préventive". Votre second cerveau vous dit "cette norme est mal appliquée dans tel contexte parce que…".

Mon expérience : maintenance industrielle

J'ai appliqué ce pattern à la maintenance industrielle — le domaine de mon produit CMMS. Un domaine "by the book" par excellence : des normes (NF, ISO, EN), de la réglementation, du vocabulaire métier précis, des processus documentés depuis des décennies.

À partir d'une douzaine de sources — livres de référence, normes, articles techniques — l'IA a extrait et structuré 950 notes atomiques : des définitions de glossaire, des fiches de normes, des notes sur les processus, les habilitations, les indicateurs de performance.

Le calibrage : l'IA, c'est bête et méchant

Le plus gros travail n'a pas été l'extraction. C'est le calibrage.

En V0 (le POC), j'étais trop permissif. Détection trop large, trop de notes générées, qualité insuffisante. L'IA captait tout — y compris du bruit.

En V1, j'ai durci les filtres. La qualité est devenue excellente. Mais certaines notes pertinentes (présentes dans le POC) étaient ignorées — trop restrictif.

L'enjeu, c'est de trouver le point de bascule entre exhaustivité et pertinence. Et ça ne se fait pas en deux lignes de prompt. Les instructions d'ingestion font plusieurs dizaines de lignes : définition précise de chaque type de note, critères de validité, règles de détection des références réglementaires, passe terminologique finale.

La méthode que j'ai utilisée pour itérer : demander à V1 d'analyser les notes de V0. Comprendre ce qu'il avait raté, pourquoi, et ajuster les règles sans perdre la rigueur de classification. Une validation croisée entre deux versions du même système.

Pour quoi faire ?

Une fois le wiki construit, les usages sont multiples.

Recherche et proximité sémantique. Avec une base vectorielle (LanceDB dans mon cas), on peut faire des recherches par concept — pas juste par mot-clé. Chercher "maintenance réglementaire" retourne aussi les fiches sur les contrôles périodiques, les habilitations et les normes NF X 60-010, même si aucune ne contient exactement cette expression.

Révision et auto-apprentissage. J'ai construit un système de flash cards au-dessus du wiki. 10 minutes par jour pour renforcer ma connaissance des fondamentaux métier. Mémoriser les normes, les processus, les définitions — pas pour les réciter, mais pour les avoir en tête quand il faut prendre une décision produit.

Source pour d'autres projets LLM. Le wiki devient une brique réutilisable. Quand j'étudie une opportunité produit, je peux interroger le wiki en complément de mes autres sources : code source, veille concurrentielle, connaissance produit. Le contexte métier est déjà structuré et prêt à être injecté.

Les limites

Tout ça ne fonctionne que si on a déjà un certain background dans le domaine.

L'IA ne change rien à cette réalité : on ne pouvait pas faire confiance à un prestataire sans connaître le domaine métier. C'est la même chose avec un Wiki IA. Si vous n'avez pas la compétence pour valider ce que l'IA extrait, vous construisez sur du sable.

Le Wiki IA structure et capitalise la connaissance. Il ne la remplace pas.

Sources

• LLM Wiki — Andrej Karpathy : https://gist.github.com/karpathy/442a6bf555914893e9891c11519de94f
• Méthode Zettelkasten : https://en.wikipedia.org/wiki/Zettelkasten
• Le second cerveau est une impasse pour le product management : https://malorean.net/articles/2026-05-03-le-second-cerveau-est-une-impasse-pour-le-product-management.html