Idée principale

Un outil de graphe découpe un wiki de 1 013 notes marketing en 22 groupes : un autour du Mom Test, un sur l'influence et les principes de Cialdini, un sur le chasm, un sur le customer success. Le découpage lui-même est un calcul : un algorithme regroupe les notes plus liées entre elles qu'avec le reste, sans rien lire de leur contenu. Il tourne en une fraction de seconde et ne demande aucun modèle.

Les groupes sortent pourtant anonymes : « Community 0 », « Community 1 »… Leur donner un nom suppose de lire les notes qu'ils contiennent et de décider ce qu'elles ont en commun. L'outil sait le faire en appelant une IA — c'est-à-dire en réintroduisant exactement le coût que le reste de la chaîne évitait.

Le partage passe donc à l'intérieur d'une même fonctionnalité : la structure se calcule, la signification se juge.

Pourquoi c'est important

Cela donne un critère pour décider où placer l'appel à un modèle dans une chaîne d'analyse : non pas sur la fonctionnalité entière, mais sur l'étape qui exige d'interpréter. Le reste peut être déterministe, gratuit et reproductible.

Cela dit aussi ce qui reste au lecteur humain d'un graphe calculé : l'interprétation des groupes. C'est un travail réel, qui ne disparaît pas parce que le découpage est automatique.

Nuances et limites

Le nom d'un groupe est moins utile quand le groupe est mal formé : si le découpage suit les livres plutôt que les idées, le nommer revient à retrouver le titre de l'ouvrage.

Et l'interprétation manuelle ne passe pas à l'échelle : sur quelques dizaines de groupes elle se fait en lisant, sur plusieurs centaines elle redevient un travail qu'on aurait envie de déléguer.

Questions ouvertes

• À partir de combien de groupes le coût de les nommer par IA redevient-il inférieur au temps de les interpréter soi-même ?