LLM Wiki 2.0 organise les bases de connaissances qui vivent

LLM Wiki 2.0 propose une manière plus rigoureuse de travailler avec l’IA sur des sujets qui évoluent: une base de connaissances où chaque conclusion reste reliée à ses sources, à ses hypothèses et à ses révisions. Pensé par Andrej Karpathy dans le cadre de Product OS, ce système répond à un problème très concret pour les équipes produit, recherche ou veille: comment éviter que l’IA recycle des idées devenues fausses sans prévenir. La réponse passe par une mémoire structurée, mise à jour au fil des nouveaux documents. Et, oui, cela évite de traiter une note de l’an dernier comme si elle sortait du four ce matin.

Une mémoire qui garde les preuves, pas seulement les réponses

Le principe de LLM Wiki 2.0 est simple à énoncer, moins simple à faire tenir en pratique: chaque conclusion est conservée avec le matériel qui l’a produite, les pages liées, les citations et les éléments qui la confirment ou la contredisent. Dans la source, un exemple revient souvent: une phrase comme « Клиентам слишком дорого » ne vaut rien si l’on ne sait pas qui l’a dite, dans quel contexte, et si elle concernait tous les acheteurs ou un segment précis [à vérifier].

Cette approche change la logique habituelle des assistants documentaires. Plutôt que de répondre à une question en lisant seulement quelques fragments, l’agent IA parcourt les documents, relie les thèmes et conserve les raisons d’un jugement. Si de nouvelles données arrivent, il ne remplace pas tout d’un bloc: il réévalue ce qui a déjà été écrit, puis marque ce qui doit être corrigé. Le système cherche donc moins à produire une synthèse brillante qu’à maintenir une trace exploitable dans le temps.

Pourquoi l’architecture en trois couches compte

La source distingue trois niveaux: les matériaux d’origine, les enregistrements séparés et les vues de synthèse. Ce découpage paraît austère, mais il règle un point décisif: un bon résumé ne doit jamais effacer l’endroit d’où il vient. Les interviews, par exemple, restent stockées sans modification; les notes extraites sont isolées dans des enregistrements dédiés; les revues thématiques agrègent ensuite les conclusions sans mélanger les niveaux de preuve.

Dans ce cadre, l’IA peut travailler comme un agent outillé, avec des programmes qui savent lire, écrire, retrouver une note, vérifier une règle ou mettre à jour un résumé. Les exemples cités dans le texte mentionnent Codex et Claude Code comme agents capables de manipuler des fichiers. Cela reste une architecture de travail, pas un produit figé: le contenu peut être adapté selon la version, les permissions et les outils installés.

Des usages pensés pour la recherche, le produit et la veille

LLM Wiki 2.0 vise surtout les contextes où une équipe revient souvent sur la même matière: étude de marché, analyse de clients, comparaison de fournisseurs, recherche technique ou capitalisation interne. La source insiste sur un point précis: la base devient utile quand les données changent, que les hypothèses se contredisent parfois et qu’il faut pouvoir revoir un raisonnement sans repartir de zéro. Le système peut ainsi aider à répondre à une question du type « pourquoi avons-nous décidé cela ? » en remontant du verdict vers les sources exactes.

Le cœur du dispositif s’appuie aussi sur RAG, acronyme de retrieval-augmented generation, soit une méthode où le modèle s’aide d’un moteur de recherche sur les documents avant de répondre. Ici, cette logique sert à la fois à interroger l’archive et à produire des revues liées à des thèmes. La base ne remplace pas une base de données classique, mais elle ajoute une couche d’interprétation et de traçabilité que les tables de paiement, de commandes ou de stock ne donnent pas spontanément.

Le vrai coût d’une base “intelligente”

Le texte rappelle toutefois qu’une telle organisation demande de la discipline. Il faut décider ce qui mérite une fiche séparée, ce qui doit être vérifié, et comment revenir sur d’anciennes synthèses quand de nouvelles informations arrivent. Pour une tâche ponctuelle, ce travail peut sembler excessif. Pour une équipe qui suit un sujet pendant des semaines, il devient vite la différence entre une mémoire utile et un cimetière de notes bien rangées.

Autre limite, plus classique: l’IA peut encore mal comprendre un document ou produire une mauvaise conclusion. Les sources, les liens et l’historique réduisent le risque, mais ne garantissent pas l’exactitude. Le système met donc l’accent sur la vérification humaine, avec une interface pensée pour lire, comparer, corriger et valider. En pratique, la promesse n’est pas de supprimer le doute; elle consiste plutôt à le rendre visible avant qu’il ne se transforme en vérité de bureau.