Le « second cerveau » est l'avenir du travail

Je suis plutôt indifférent à la course vers l’intelligence générale artificielle. Nous comprenons à peine la conscience humaine telle qu’elle est – comment pourrions-nous la reconnaître dans une machine ?

Mes ambitions sont plus modestes : je veux d’abord une intelligence spéciale artificielle. Des systèmes capables de gérer les parties répétitives et opérationnelles de mon travail avec le même niveau de qualité, tout en me rendant le temps nécessaire pour affiner les compétences qui comptent vraiment.

La compétence déterminante de l’ère de l’IA sera de préserver la souveraineté cognitive dans un monde de plus en plus bâti sur des systèmes stochastiques.

Ton cerveau a toujours été ton plus grand atout. L’IA ne fait que le rendre évident.

Tu n’as jamais été embauché uniquement pour tes compétences techniques. Tu l’as été pour le jugement qui se cache derrière leur application – le raisonnement, la priorisation, le contexte et l’intuition qui sous-tendent l’exécution.

À mesure que de plus en plus de travail est délégué aux agents d’IA, une question plus profonde se pose :

Comment puis-je enseigner à l’IA ce que je sais ?

Et l’accent mis sur le « je » est important.

La diversité de la pensée humaine est ce qui rend le monde intéressant. Les entreprises se développent par la standardisation, mais elles évoluent grâce aux personnes qui voient le monde différemment. L’IA peut reproduire des schémas, mais l’innovation vient souvent de ceux qui s’en écartent.

La véritable opportunité n’est pas de remplacer la cognition humaine, mais de l’externaliser – construire des systèmes capables de capturer ton contexte, tes heuristiques, ton goût et ta manière de résoudre les problèmes.

Une façon d’y parvenir est de commencer à construire ton propre second cerveau sur mesure dès aujourd’hui.

Pas seulement un référentiel de notes, mais un modèle externalisé de la façon dont tu penses, décides et crées. Car ceux qui prospéreront à l’ère de l’IA ne seront pas ceux qui rivalisent avec les machines – ils seront ceux qui apprendront à décupler leur cognition à travers elles.

Modéliser un cerveau purement logique

Pourquoi pas un RAG ? Parce que c’est une boîte noire opaque. Je ne serais pas à l’aise si je ne pouvais pas expliquer mes pensées et mes actions. Je ne voudrais pas qu’il en soit autrement avec mon cerveau artificiel.

L’ethos et le pathos sont des problèmes profondément difficiles. Le logos est traitable.

L’intelligence humaine repose sur les trois – l’émotion, l’identité, l’intuition, le raisonnement social. Mais dans le domaine spécifique du travail, la logique et le raisonnement structuré créent déjà un levier énorme.

Mon objectif est de construire un second cerveau capable de raisonner logiquement, de compresser les connaissances en abstractions, d’apprendre des schémas par l’usage et d’externaliser ma façon de penser.

Juste une cognition avec des mécanismes inspectables.

Pourquoi RDF, OWL et les ontologies sont parfaitement adaptés

L’élégance de RDF est presque déstabilisante. Il fournit le langage commun pour représenter un concept.

C’est tout.

À partir de cette minuscule grammaire, tu peux modéliser des systèmes de pensée entiers.

Exemple :

OWL ajoute une structure logique par-dessus, également exprimée dans le même langage que RDF.

Tu ne stockes plus des documents.

Tu encodes des relations, des invariants et le raisonnement lui-même.

La simplicité est ce qui le rend puissant.

Contrairement aux embeddings ou aux systèmes neuronaux en boîte noire, chaque fait est inspectable. Chaque inférence est traçable. Chaque conclusion a une provenance.

Un cerveau logique a besoin d’un substrat logique.

RDF ressemble moins à une base de données qu’à une grammaire de la pensée.

Qu’est-ce qui le rend possible aujourd’hui ?

Le concept derrière RDF est assez ancien. Il existe depuis la fin des années 90 et a été curieusement baptisé Web3 (à ne pas confondre avec le rêve fiévreux qu’était le Web3.0), précédant même le Web2.0. Il n’a été utilisé que dans des domaines très spécifiques (Wikipédia, médecine, graphes de connaissances) jusqu’à présent, en raison du processus laborieux qui implique une curation minutieuse des données.

L’IA change la donne. La raison pour laquelle les LLM sont si performants dans le travail de connaissance est qu’ils sont modélisés sur des bases similaires, simplement stockés sous forme de vecteurs plutôt que de triplets. Le processus laborieux du passé peut aujourd’hui être délégué à un LLM avec un grand degré de précision.

La plupart des travaux tolèrent une certaine imprécision, à moins que tu n’écrives du code pour la NASA. Les LLM sont des travailleurs acharnés qui peuvent travailler pour toi sans relâche jusqu’à atteindre une certaine qualité. C’est ce qui est possible aujourd’hui avec des outils comme Claude Code et OpenClaw.

Peut-être que les auteurs de RDF ont été prévoyants en le nommant Web3 – c’était une idée en avance sur son temps.

Il existe de nombreux frameworks open source qui peuvent ingérer et interroger des données RDF pour toi – comme Apache Jena et RDFLib. Brancher un LLM au niveau de l’entrée te permet de traduire du texte brut en une syntaxe stricte qui encode le sens sémantique. De même, un LLM peut également traduire la sortie en une forme plus lisible par l’humain.

Utilise l’architecture LLM pour les choses difficiles – I/O, visualisations Utilise l’architecture classique pour les choses amusantes – logique, inférence

Tu veux que ton second cerveau grandisse avec toi. Tu ne veux pas qu’il stagne ou devienne obsolète. Si tu travailles depuis un terminal Claude Code pour une grande partie de ton travail, tu pourrais configurer des hooks pour ingérer et interroger ton second cerveau dans un agent d’arrière-plan.

Tu pourrais aussi définir des compétences pour ingérer des données provenant de diverses sources en spécifiant ton ontologie personnalisée – c’est-à-dire ta perspective unique sur la façon de former les connexions dans ton second cerveau. Tu pourrais aussi compter sur les référentiels d’ontologies disponibles gratuitement en ligne.

Tu n’as pas besoin d’un diplôme en psychologie ou en neurosciences pour comprendre ton cerveau. Tu es ton propre laboratoire ambulant pour décortiquer le mécanisme de tes pensées.

Voici quelques-unes de mes découvertes préférées qui se traduisent également bien dans ce système.

Évaluation paresseuse via l’inférence

Le cerveau n’est pas un cache.

Il calcule la compréhension à la demande – en synthétisant des triplets à la demande.

Les humains stockent rarement des implémentations complètes. Nous stockons des abstractions capables de reconstruire des implémentations de manière dynamique.

Il compresse des milliers d’expériences en une poignée d’abstractions réutilisables.

Un ingénieur senior ne se souvient pas de chaque classe qu’il a lue dans sa vie. Il se souvient du concept fondamental de la POO, ce qui est suffisant pour comprendre toute nouvelle classe qu’il rencontre.

Donne-moi les axiomes, et je peux déduire le reste.

Correspondance de motifs

Si deux systèmes sont structurellement similaires, la compréhension se transfère instantanément.

C’est pourquoi les personnes expérimentées apprennent plus vite.

Elles reconnaissent des formes qu’elles ont déjà vues auparavant.

L’intelligence est souvent une analogie à grande échelle.

C’est là qu’un système assisté par l’humain fonctionne le mieux pour le second cerveau. Les LLM peuvent trouver des motifs par eux-mêmes, mais ils manquent souvent les connexions évidentes pour un humain.

Apprentissage hebbien

Les neurones qui s’activent ensemble se connectent ensemble.

Les connaissances consultées ensemble se renforcent ensemble.

Le cerveau repondère continuellement l’importance en fonction de :

• la fréquence
• la récence
• la cooccurrence contextuelle

La compréhension est dynamique, pas statique.

Apprendre par l’échec

Les erreurs ne sont pas du bruit. Ce sont des données d’entraînement.

Le cerveau conserve les expériences ratées car savoir ce qu’il ne faut pas faire fait partie de l’intelligence.

Les bonnes heuristiques sont souvent une douleur compressée.

Renforcement contextuel

Les concepts se renforcent lorsqu’ils sont rencontrés dans plusieurs domaines.

Pythagore en géométrie. En physique. En infographie. En traitement du signal.

La véritable compréhension émerge lorsque les abstractions survivent au changement de contexte.

Provenance et confiance

Les humains font confiance aux connaissances différemment selon la source, la confiance et l’expérience antérieure.

Un second cerveau logique a besoin de la même chose :

• d’où cela vient-il ?
• pourquoi est-ce cru ?
• à quelle fréquence a-t-il été validé ?
• qu’est-ce qui le contredit ?

La transparence est obligatoire pour la délégation.

Alignement cognitif

Je n’ai pas besoin que l’IA soit surhumaine.

J’ai besoin qu’elle raisonne de manière prévisible.

L’objectif n’est pas l’intelligence dans l’abstrait.

L’objectif est l’alignement avec mes abstractions, mes heuristiques et mes modèles mentaux.

Pas une IA qui pense à ma place.

Une IA qui pense comme moi.

Bonjour cher lecteur. Si tu as réussi à lire jusqu’au bout, j’ai une nouvelle pour toi. Je vais bientôt publier une version alpha de ce système. Envoie-moi un message privé si tu souhaites en savoir plus.