> For the complete documentation index, see [llms.txt](https://weekly-essay.mikey.wang/llms.txt). Markdown versions of documentation pages are available by appending `.md` to page URLs; this page is available as [Markdown](https://weekly-essay.mikey.wang/fr/2025/w19-notebooklm-deepwiki-and-ai-products.md).

# W19-NotebookLM, DeepWiki et les produits d'IA

J'utilise récemment des outils d'organisation de l'information comme NotebookLM et DeepWiki. NotebookLM est conçu comme un espace de travail, avec quelque chose d'un IDE. Transposé au travail, un espace capable d'intégrer librement les sources internes dx, ones, code et km pourrait, à mon avis, multiplier notre efficacité. J'ai étudié la méthode OODA. L'IA accélère en réalité cette boucle, surtout dans ses phases Observe et Orient, observation et interprétation. Elle aide à extraire et comprendre plus vite les informations clés, à construire un cadre mental, puis à ajuster les stratégies et décider plus fréquemment. Pour un compte rendu COE, par exemple, la personne qui analyse l'incident ne devrait se concentrer que sur la cause et les leçons. Les éléments comme la chronologie seraient remplis automatiquement. Chacun pourrait approfondir un incident à tout moment : voilà une vraie étude de cas.

Je recommande l'épisode de Lenny's Podcast avec le CPO d'OpenAI, riche en analyses du point de vue produit. Pour gagner du temps, on peut passer par NotebookLM. Trois idées m'ont marqué.

1. La pile technique sur laquelle les produits reposent change. Nous passons de systèmes de règles avec entrées et sorties déterminées à des sorties probabilistes fondées sur des modèles. Et les modèles progressent très vite : tous les deux mois, l'ordinateur sait faire quelque chose de nouveau. Le modèle utilisé aujourd'hui sera forcément le moins performant de ceux que vous utiliserez à l'avenir. La réflexion produit et son rythme doivent constamment s'ajuster.
2. Les évaluations deviennent une compétence centrale des chefs de produit. Comme dans la « seconde mi-temps des LLM » décrite par Yao Shunyu, elles servent à mesurer la performance de tout un système technique sur un problème précis, pas seulement celle du modèle. Il faut adapter l'intégration du modèle aux problèmes réels, sans attendre qu'il soit prêt à tout.
3. L'IA ne génère pas d'un clic l'idée ultime. Elle accélère sa réalisation tout au long du processus. Elle propose vite plusieurs solutions que le créateur peut tester, combiner et affiner. Le véritable gain de productivité vient précisément de cette boucle de création entre l'humain et l'IA.