Infinite Brain : le graphe de connaissances IA qui a remplacé PARA

Infinite Brain : le graphe de connaissances IA qui a remplacé PARA

J'ai passé trois ans à construire un coffre-fort PARA. Projets, domaines, ressources, archives. Six cent quarante-deux fichiers de démarques. La vue graphique ressemblait à une galaxie. J'en étais fier, tout comme vous êtes fier d'un jardin où poussent principalement des mauvaises herbes que vous avez décidé d'appeler des fleurs sauvages.

Ensuite, j'ai exécuté un seul benchmark qui a mis fin à ma relation avec PARA en quatre-vingt-dix secondes environ.

J'ai posé à Claude Opus 4.7 la même question contre deux versions des mêmes connaissances : mon coffre-fort PARA existant et une version restructurée que je testais tranquillement depuis six semaines. La requête PARA a consommé 8 847 jetons d'entrée pour produire une réponse médiocre mêlant trois projets sans rapport en une seule recommandation confuse. La version restructurée répondait à la même question avec 612 jetons – et la réponse était plus précise, citait les bonnes sources et faisait apparaître un lien entre deux notes que j'avais écrites à huit mois d'intervalle et dont j'avais complètement oublié l'existence.

Même connaissance. Même modèle. 14,5 fois moins de jetons. Meilleure réponse.

C'est à ce moment-là que j'ai compris ce que la plupart des acteurs du monde de la productivité vont comprendre douloureusement au cours des dix-huit prochains mois : PARA a été conçu pour les humains qui naviguent. Il est structurellement hostile à AI qui récupère. Et l’écart entre ces deux cas d’utilisation est désormais suffisamment grand pour vous coûter de l’argent réel chaque jour où vous continuez à alimenter un contexte médiocre en un modèle qui pourrait faire un travail brillant.

Le système qui a remplacé mon coffre-fort PARA est ce que le créateur d'origine appelle le Infinite Brain : un graphique de connaissances personnalisé construit sur seize types de notes atomiques et dix bords typés. Cela semble bureaucratique lorsque vous le décrivez sur papier. En pratique, c'est la première architecture de connaissances que j'ai utilisée dans laquelle le AI cesse de se sentir comme un touriste et commence à avoir l'impression de vivre réellement dans mes notes.

Je vais vous expliquer exactement ce qui a changé, pourquoi les calculs imposent le changement, que cela vous plaise ou non, et les étapes de conversion précises que j'ai utilisées pour migrer un coffre-fort PARA de 642 fichiers vers un graphique Infinite Brain en environ deux week-ends. Il y a un moment spécifique dans cet article – quelque part autour de la section des bords tapés – où vous hocherez la tête et commencerez à planifier votre conversion, ou vous fermerez l'onglet. Je n'essaierai pas de vous convaincre. Les numéros de jetons le font tout seuls.

Pourquoi PARA sabote silencieusement chaque requête AI que vous exécutez

Je veux être prudent ici. La méthode PARA de Tiago Forte n'est pas un mauvais système. Pour les preneurs de notes humains en 2017, c'était véritablement révolutionnaire : une façon d'organiser une montagne d'informations par actionnabilité plutôt que par sujet, ce qui est une décision judicieuse lorsque le goulot d'étranglement est votre propre attention.

Mais le goulot d'étranglement a cessé d'attirer votre attention vers la fin de 2024. Le goulot d'étranglement est devenu la manière dont un LLM peut récupérer, raisonner et synthétiser les connaissances que vous avez collectées. Et une fois que c'est la contrainte, chaque décision de conception PARA commence à jouer contre vous.

Voilà ce que je veux dire, concrètement.

Les notes PARA sont volumineuses. Le modèle dominant dans les coffres-forts de style BASB est un « document de projet » de quelques milliers de mots qui regroupe les notes de réunion, les décisions, les liens, les recherches brutes et les commentaires personnels dans un seul fichier. Lorsqu'un agent AI récupère cette note, il obtient l'intégralité du bundle. La plupart de ces jetons sont du bruit par rapport à la question posée.

Les liens PARA ne sont pas typés. Lorsque vous écrivez [[client-onboarding-v2]] dans une note de projet, Obsidian crée un lien. Mais le lien ne dit rien au AI sur pourquoi les deux notes sont connectées. Est-ce une dépendance ? Une contradiction ? Une citation de source ? Un précédent ? Le modèle doit lire les deux notes dans leur intégralité pour comprendre cela, ce qui coûte des jetons et produit souvent une mauvaise inférence.

Les dossiers PARA sont des limites arbitraires. Un dossier « Projet » a du sens pour votre planification matinale d'un trimestre. Cela n'a aucun sens pour un LLM d'essayer de répondre « qu'ai-je appris sur la tarification pour chaque engagement client ». Le modèle doit maintenant analyser quatre à dix dossiers de projet, ingérer des centaines de notes non pertinentes et espérer que le bon contexte flotte en haut de sa fenêtre d'attention.

Je ne fais pas de théorie ici. J'ai reconstruit la même requête avec les mêmes connaissances dans deux structures et j'ai observé la différence de coût apparaître.

C'est la partie que la plupart des défenseurs de PARA manquent lorsqu'ils agitent la main et disent "mais vous pouvez utiliser AI sur PARA". Oui, vous pouvez. Vous pouvez également utiliser un marteau pour installer une vis. La question intéressante n’est pas de savoir si c’est possible – mais combien vous payez en jetons, en latence et en qualité de réponse pour avoir le privilège de forcer deux conceptions incompatibles ensemble.

Les benchmarks GraphRAG de l'année dernière rendent cela concret à grande échelle. Les résultats publiés par Microsoft Research montrent que GraphRAG nécessitait entre 26 % et 97 % de jetons en moins que les approches alternatives RAG pour la même qualité de requête, selon le type de question. Plus la question est difficile et lourde de synthèse, plus l’écart est grand. Le travail de connaissances personnelles est extrêmement lourd de synthèse : "quelle est la ligne directrice entre ces six clients", "qu'ai-je décidé à ce sujet au printemps dernier", "quelle de mes hypothèses a le plus de preuves derrière elle". Ce sont exactement les requêtes pour lesquelles la récupération de documents plats saigne le plus les jetons.

Le Infinite Brain est essentiellement ce qui se passe lorsque vous prenez les informations structurelles derrière GraphRAG et que vous le reconstruisez en tant que système de démarques personnel dans lequel vous pouvez réellement vivre. Pas de base de données vectorielles. Aucun pipeline d’indexation. Juste des fichiers markdown, des liens tapés et une discipline architecturale sur la granularité des notes qui s'amortit dès le premier jour où vous y connectez un LLM.

Mais avant d’aborder l’architecture, vous devez voir les mathématiques. Parce que c’est le calcul qui rend la conversion non facultative.

Le calcul des jetons 9 000 contre 600 a été correctement effectué

Permettez-moi de vous présenter la comparaison exacte que j'ai effectuée, car je veux que vous voyiez d'où proviennent réellement les économies. Ce n'est pas magique. C'est la conséquence naturelle d'avoir la bonne granularité.

J'ai choisi une question à laquelle je voulais vraiment répondre : « Au cours de mes douze derniers engagements clients, quelle est la raison la plus courante pour laquelle la portée de la découverte explose avant le lancement ? »

Dans mon ancien coffre-fort PARA, le contexte pertinent était dispersé dans :

• 12 dossiers de projet, chacun avec une rétrospective de lancement de 1 200 à 3 000 mots
• 4 notes "Zones" sur les opérations de mon agence
• 1 note "Ressources" où j'avais déposé une réflexion à moitié terminée sur cette question précise l'automne dernier
• Un nombre indéterminé de notes quotidiennes faisant référence à ces projets

Pour répondre à la question, Claude a dû soit ingérer beaucoup de contexte au sens large (coûteux), soit effectuer plusieurs récupérations étroites et les assembler (également coûteuses, plus latence). Je laisse l'agent faire le grand tirage parce que c'est ce que font la plupart des gens dans la pratique. Entrée totale : 8 847 jetons. La réponse était moyenne : elle a correctement identifié deux des trois modèles réels et a manqué le plus important parce que les preuves pertinentes ont été enfouies dans une note "Ressources" et la récupération a été classée faible.

Dans la version Infinite Brain, les mêmes connaissances avaient été atomisées. Chaque rétrospective de lancement était déjà décomposée en :

• 1 note de décision ("Décidé d'ajouter un sprint de pré-découverte de 5 jours" — 80 lignes)
• 1 à 3 notes de modèle (« Modèle : les clients sous-estiment le nombre de parties prenantes en B2B » — 120 lignes chacune)
• 1 note d'hypothèse ("Hypothèse : l'explosion du périmètre est en corrélation avec les parcours d'achat axés sur le marketing")
• Quelques notes d'information (citations spécifiques des appels de lancement, 30 à 60 lignes chacune)
• Le concept note que les modèles liés via les bords Supports et Contradicts

Lorsque j'ai posé la même question, l'agent a parcouru le graphique au lieu de parcourir les fichiers. Il a d'abord extrait les notes du modèle, suivi les arêtes Supports jusqu'à l'hypothèse, tracé les arêtes Derived from jusqu'aux faits sous-jacents et assemblé une fenêtre contextuelle étroite contenant exactement les tranches dont elle avait besoin. Entrée totale : 612 jetons. La réponse a fait apparaître les trois modèles réels et a signalé l'hypothèse comme ayant la trace de preuves la plus solide, ce qui est véritablement ce que j'avais conclu après un an de gestion de ces projets.

Au tarif publié de Claude Opus 4.7 de 5 $ par million de jetons d'entrée, la différence de coût par requête est d'environ 0,044 $ contre 0,003 $. Cela représente une réduction de 14,5 fois sur une seule requête. Si vous exécutez un agent AI sur votre base de connaissances dix fois par jour, chaque jour, la différence annuelle est significative mais ne change pas la vie : appelez-la 150 $ par an. Ce n'est pas le titre.

Le titre est ce que le coût inférieur du jeton vous permet de faire et que vous ne pouviez pas faire auparavant. Lorsqu’une requête sur votre graphe de connaissances coûte moins d’un tiers de centime, vous arrêtez de rationner. Vous commencez à exécuter de vastes requêtes ambiantes : "à quoi dois-je penser cette semaine", "quelles questions non résolues sont restées le plus longtemps dans mon graphique", "quelles hypothèses ai-je générées et sur lesquelles je n'ai jamais donné suite" - qui sembleraient inutiles aux coûts des jetons PARA. La récupération rapide et bon marché change le genre de réflexion que vous faites avec votre deuxième cerveau. C'est la partie que la feuille de calcul ne capture pas.

Bien. Les mathématiques se vendent. Maintenant, laissez-moi vous montrer l'architecture qui le produit.

Les seize types de notes atomiques et pourquoi chacun mérite sa place

Le Infinite Brain dispose de seize types de notes atomiques. La première fois que j'ai lu la liste, j'ai roulé des yeux – j'avais l'impression de faire de la sur-ingénierie pour le bien d'un cadre. J'ai eu tort. Chaque type existe parce qu'il répond à une question à laquelle PARA ne peut pas répondre : quel genre de chose est cette note et comment le AI doit-il la traiter.

Voici la liste complète avec un exemple réel de mon propre coffre-fort pour chacun.

1. Piliers. Étoiles du Nord à long terme. La poignée de choses que vous essayez d'être vraies dans votre vie ou votre travail au fil des années. J'en ai huit. Un exemple : "Créez un revenu à effet de levier qui ne nécessite pas mon attention horaire d'ici 2027." Les piliers sont référencés par presque tout le reste et presque jamais édités.

2. Décisions. Choix spécifiques faits à des moments précis avec un raisonnement explicite. "Le 14/03/2026, j'ai décidé d'abandonner le côté WordPress de l'agence et de confier ce travail à un partenaire. Raison : la marge brute était de 23 % contre 61 % sur le travail de Laravel." Les décisions constituent le type de note le plus précieux pour la récupération de AI, car elles compressent des arcs de délibération entiers en atomes interrogeables.

3. Concepts. Définitions de choses pour lesquelles je veux une signification cohérente. "Atomic Note" est en soi une note conceptuelle. Il en va de même pour « Discovery Sprint », « Buyer Journey », « Token Budget ». Les concepts donnent au AI un vocabulaire stable au lieu de le forcer à déduire votre terminologie à chaque fois.

4. Questions. Les choses auxquelles je veux des réponses, enregistrées sous forme de notes autonomes avec leur propre identité. « Pourquoi les déploiements de systèmes de conception stagnent-ils à 60 % d'adoption ? » Les questions se présentent sous forme de nœuds dans le graphique afin que je puisse y joindre des preuves au fur et à mesure qu'elles s'accumulent, plutôt que de poser à nouveau la même question tous les six mois.

5. Playbooks. Procédures répétables avec étapes. «Livre de jeu de lancement du client». « Manuel de migration de coffre-fort ». Différent d'une Décision (qui est un choix ponctuel) et différent d'un Concept (qui est une définition). Un Playbook est une séquence que je vais exécuter à nouveau.

6. Tâches. Unités de travail atomiques. La plupart des gens les placent dans un gestionnaire de tâches, pas dans un graphique de connaissances. Je les garde dans le graphique pour ceux qui sont liés de manière significative à d'autres connaissances – une tâche issue d'une décision ou une tâche qui teste une hypothèse. Les tâches jetables « acheter du lait » vivent ailleurs.

7. Événements. Choses qui se sont produites à un moment précis. Rencontres, conférences, lancements. Les rétrospectives de lancement que j'ai mentionnées plus tôt sont des événements. Ils constituent le point d'attache naturel des faits découlant de l'événement et des décisions qui en ont résulté.

8. Modèles. Observations récurrentes sur plusieurs événements ou faits. "Modèle : chaque fois que je propose un prix fixe lors d'un sprint de découverte, la dérive de la portée ajoute plus de 30 % au délai de livraison." Les modèles sont le lieu où vit la sagesse. Il s'agit également du type de note qu'il est presque impossible de récupérer proprement à partir d'un coffre-fort PARA, car le modèle émerge de nombreux documents distincts qui n'ont rien qui signale structurellement leur connexion.

9. Hypothèses. Croyances que vous avez mais que vous n'avez pas confirmées. "Hypothèse : les acheteurs B2B axés sur le marketing sous-estiment le nombre de parties prenantes de 2 à 3 fois." Marqué avec des bords qui pointent vers des faits étayant et des preuves contredisant à mesure qu'elles s'accumulent. Les hypothèses vous permettent de rendre vos croyances falsifiables au lieu de simplement flotter dans votre tête.

10. Faits. Allégations spécifiques vérifiées avec les sources. Une citation directe d’un entretien avec un client. Un numéro de référence tiré d’un article publié. Un chiffre d'affaires provenant de vos livres. Les faits constituent le principal type de « preuve » – la plupart des autres types de notes renvoient finalement à des faits.

11. Sources. Documents externes — articles, articles, livres, podcasts. Les métadonnées de la source ainsi que quelques phrases sur sa contribution. Distinct d'un signet (qui est juste une URL que vous souhaiterez peut-être plus tard) et d'une note (qui est votre propre écriture).

12. Favoris. URL que vous souhaiteriez peut-être lire mais que vous ne l'avez pas encore fait. Une zone de transit, en fait. Sans type de signet, chaque lien intéressant que vous enregistrez pollue votre graphique avec du bruit non synthétisé.

13. Notes. Votre propre écriture brute – pensées, brouillons, idées à moitié formées. Pas encore assez structuré pour être un Concept ou une Hypothèse. Les notes sont le point de départ des idées ; ils sont promus à d'autres types à mesure qu'ils se cristallisent.

14. Contacts. Personnes. Lié via les bords Authored by sur les sources et les bords Tagged as sur les événements.

15. Références. Pointeurs vers des ressources externes que vous réutiliserez : un extrait de code, un fichier de configuration, un modèle de code, une bibliothèque d'invites. Le type « artefact réutilisable ».

16. Types personnalisés. La trappe de secours pour les éléments dont votre domaine a besoin. J'ai ajouté un type « Expérience de tarification » pour mon travail d'agence et un type « Modèle d'invite » pour mon travail d'ingénierie AI. Utilisez-le avec parcimonie : chaque type personnalisé que vous ajoutez est une nouvelle chose que vous devez maintenir conceptuellement.

La discipline qui fait que cela fonctionne est la règle de la note atomique : chaque note comporte entre 50 et 300 lignes. Pas des mots – des lignes. Ce sol et ce plafond comptent. En dessous de 50 lignes, vous n’avez généralement pas assez de contenu pour valoir la peine d’être récupéré. Au-dessus de 300 lignes, vous regroupez plusieurs idées dans une seule unité de récupération, ce qui correspond exactement au mode d'échec PARA auquel vous essayez d'échapper.

La première fois que je me suis assis pour atomiser une rétrospective de projet de 4 200 mots en bons morceaux, cela m'a pris quarante minutes et m'a semblé absurde. La cinquième fois, cela a duré huit minutes et cela m’a semblé évident. La compétence est réelle et se transmet rapidement.

Mais les types de notes ne sont pas à eux seuls ce qui fait chanter le AI. Les bords oui. Et c’est sur les bords que la plupart des systèmes de graphes de connaissances échouent, car ils traitent tous les liens comme équivalents.

Bords typés : la partie qui fait réellement raison le AI

Les liens Obsidian ne sont pas typés par défaut. Lorsque vous écrivez [[B2B Stakeholder Patterns]], Obsidian enregistre que deux notes sont liées. Il n'enregistre pas pourquoi.

Cette ambiguïté vous coûte des jetons à chaque récupération, car le LLM doit lire les deux notes dans leur intégralité pour déterminer le type de relation qu'il examine. Multipliez cela sur un coffre-fort de mille billets et l'inefficacité se transforme en une sorte de gonflement des jetons qui a transformé ma requête PARA en 8 847 jetons de bouillie.

Les bords tapés corrigent ce problème. Chaque lien dans une note Infinite Brain est annoté avec l'un des dix types de relation, et l'annotation est intégrée dans la démarque afin que tout agent LLM puisse l'analyser sans outils spéciaux.

Voici les dix types de bords avec la syntaxe en ligne que j'utilise :

• Prend en charge — [[fact-stakeholder-count]] supports [[hypothesis-b2b-stakeholders]]
• Contradictions — [[fact-march-2026-pricing-test]] contradicts [[hypothesis-fixed-price-discovery]]
• Dépend de — [[task-rebuild-discovery-deck]] depends on [[decision-drop-wordpress]]
• Dérivé de — [[pattern-scope-creep]] derived from [[event-march-kickoff]] [[event-april-kickoff]] [[event-may-kickoff]]
• Lié à — [[concept-discovery-sprint]] related to [[playbook-client-kickoff]]
• Partie de — [[task-update-pricing-page]] part of [[decision-drop-wordpress]]
• Précédé de — [[event-april-kickoff]] preceded by [[event-march-kickoff]]
• Suivi de — [[decision-drop-wordpress]] followed by [[task-rewrite-services-page]]
• Écrit par — [[source-cagan-empowered]] authored by [[contact-marty-cagan]]
• Marqué comme — [[event-may-kickoff]] tagged as [[concept-fixed-price]] [[concept-b2b-saas]]

La syntaxe en ligne est importante. Vous n'avez pas besoin d'une base de données graphique, d'un plugin ou d'une infrastructure spéciale. Démarquage simple. Le LLM lit « prend en charge » ou « contredit » ou « dérivé de » dans le cadre de la prose autour du lien, et il peut naviguer dans le graphique en suivant le type de bord pertinent pour la question posée.

Voici un exemple réel de mon coffre-fort. Il s'agit d'une véritable note de modèle, légèrement expurgée :

## Observations
Pour chaque engagement SaaS B2B que nous avons mené depuis le troisième trimestre 2025, le
la liste initiale des parties prenantes du client capture 30 à 45 % des
des personnes qui doivent réellement peser sur les décisions relatives à la portée
avant le coup d'envoi.

## Preuve
- [[fact-march-kickoff-stakeholder-count]] prend en charge
- [[fact-april-kickoff-stakeholder-count]] prend en charge
- [[fact-may-kickoff-stakeholder-count]] prend en charge
- [[fact-june-pmo-pushback]] prend en charge
- [[fact-october-finance-veto]] prend en charge

## Contre-preuve
- [[fact-feb-clean-kickoff]] contredit
  (remarque : ce client avait déjà exécuté notre processus de découverte)

## Dérivé de
[[événement-mars-coup d'envoi]] [[événement-avril-coup d'envoi]]
[[event-may-kickoff]] [[event-juin-pmo-meeting]]
[[événement-octobre-finance-call]]

## Prise en charge
[[hypothèse-parties prenantes-cartographie-pré-découverte]]

## Concepts associés
[[concept-découverte-sprint]] [[concept-acheteur-parcours]]
[[carte-concept-parties prenantes]]

## Remarques
Le prédicteur le plus clair que j'ai trouvé : si l'approvisionnement et
les finances ne sont pas nommées lors de l'appel d'introduction initial, attendez-vous à
Plus de 30 % de désabonnement avant la signature du SOW. Ce modèle
apparaît bien plus dans les parcours d'achat axés sur le marketing que
ceux axés sur le produit.

Cela fait 152 lignes dans le fichier réel. C'est une unité atomique complète de connaissances synthétisées. Un agent AI peut extraire cette seule note et disposer du modèle complet, des preuves, des contre-preuves et des liens avec les idées environnantes. 152 lignes, peut-être 600 jetons. Comparez avec cinq rétrospectives complètes de projets totalisant 12 000 mots pour donner au modèle la même compréhension.

La note de modèle ci-dessus n'a pas été écrite à partir de zéro. Il a été promu à partir d'un paragraphe enfoui dans une ancienne note « Rétrospective du quatrième trimestre 2025 » que je n'aurais jamais interrogée dans PARA car le fichier était un évier de cuisine de 4 800 mots. C’est l’atomisation qui a rendu ces connaissances accessibles.

Remarque complémentaire : lorsque j'ai commencé à écrire des bords tapés à la main, je pensais que ce serait suffisamment fastidieux pour tuer le système. Ce n'est pas le cas. Après environ une semaine, la syntaxe devient une mémoire musculaire de la même manière que [[wikilinks]]. Et l'agent basé sur Claude que j'ai construit (plus d'informations ci-dessous) suggère automatiquement des types de bords lorsque je crée de nouveaux liens, de sorte que la surcharge cognitive réelle par note est d'environ cinq secondes supplémentaires. Pour une réduction de 14 fois les jetons sur chaque requête future, c'est un accord que je prendrai toute la journée.

La conversion : deux week-ends de PARA à Infinite Brain

Laissez-moi vous montrer le véritable playbook. Pas en théorie – la séquence exacte que j’ai utilisée sur mon propre coffre-fort de 642 fichiers. Si vous utilisez Obsidian et que vous disposez d'un abonnement Claude ou ChatGPT, vous pouvez exécuter cette même conversion.

Week-end 1 : Fondation et triage

Étape 1 — Mettre en place la nouvelle structure (30 minutes).

J'ai créé un nouveau dossier de niveau supérieur appelé _brain/ parallèlement à mes dossiers PARA existants. À l'intérieur, seize sous-dossiers correspondant aux types de notes : _brain/decisions/, _brain/concepts/, _brain/patterns/, etc. Le trait de soulignement de début maintient le dossier brain épinglé visuellement en haut de l'arborescence des fichiers, ce qui compte plus que vous ne le pensez lorsque vous travaillez quotidiennement dans le système.

J'ai également créé un seul _brain/_index.md qui répertorie chaque type de note avec une description en une phrase et un décompte. Cet index est ce que l'agent AI lit en premier pour s'orienter lorsqu'il répond aux requêtes.

Étape 2 — Tuez d'abord la décharge des signets (45 minutes).

J'avais 387 coupures Web dans les dossiers de ressources PARA, la plupart d'entre elles n'ayant jamais été lues. Les trier dans le nouveau système a été le nettoyage le plus efficace que j'ai effectué. Trois seaux :

• Lire et synthétiser → promouvoir en note source avec un résumé de 60 lignes
• Lire mais pas encore synthétisé → laisser comme note de signet pour plus tard
• Je ne lirai jamais → supprimer

Décompte honnête : 41 sont devenus des sources, 89 sont devenus des signets, 257 ont été supprimés. Cela représente les deux tiers de mes « connaissances » disparues en 45 minutes, et la qualité de mes graphiques a augmenté.

Étape 3 — Identifiez vos piliers (20 minutes).

Ceux-ci sont faciles à reconnaître une fois que vous savez ce que vous recherchez. Des objectifs à long terme, des valeurs persistantes, des étoiles du nord sur lesquelles vous écrivez depuis des années. J'en avais huit. Chacun a sa propre note atomique dans _brain/pillars/, entre 80 et 200 lignes. Ceux-ci changent rarement, mais ce sont les puits de gravité sur le reste des orbites du graphique.

Étape 4 — Exécutez une passe « Decision Mining » (3 heures).

Il s’agit de la tâche de conversion la plus précieuse et celle que la plupart des gens ignorent. J'ai parcouru mes douze derniers mois de notes de projet, de notes quotidiennes et de rétrospectives et j'ai extrait chaque décision explicite dans sa propre note de décision. Format :

# Décision : [Choix spécifique en une phrase]

## Date
2026-03-14

## Contexte
[Quelle est la situation qui a forcé ce choix]

## Options envisagées
- Option A : ...
- Option B : ...
- Option C : ...

## Choix
Option B.

## Raisonnement
[Pourquoi cette option a gagné. Soyez précis sur les compromis.]

## Marqué comme
[[concept-x]] [[concept-y]]

## Suivi par
[[tâche-z]] [[événement-w]]

I extracted 73 Decision notes from the past year. Each one is now independently retrievable. When Claude needs to answer "why did I make that pricing change last spring," it pulls the relevant Decision note — 100 lines, maybe 400 tokens — instead of grepping through my entire Areas/Business folder.

Weekend 2: Atomization and Edge Wiring

Step 5 — Atomize project retrospectives (4-5 hours).

This is the hardest step and the one that separates a real Infinite Brain from a half-converted PARA vault. Each old project retrospective gets pulled apart into its component atomic notes:

• The events that happened → Event notes
• The decisions that were made → Decision notes (already done in Step 4 if applicable)
• The patterns that emerged → Pattern notes
• The hypotheses you formed → Hypothesis notes
• The specific facts and quotes → Fact notes
• The concepts you defined → Concept notes

I had a working rule: if I touched a retrospective and didn't extract at least three atomic notes from it, I wasn't reading carefully enough. The lowest-yield retrospective produced three notes; the highest produced eleven.

Step 6 — Wire up typed edges (2-3 hours).

This is where Claude becomes a force multiplier. I built a small Claude prompt that takes one of my new atomic notes as input and suggests typed edges to other notes in the graph. The prompt looks like this:

Vous câblez des bords dans un graphe de connaissances Infinite Brain.

Voici une nouvelle note : [coller le contenu de la note]

Voici l'index des notes existantes par type : [paste _index.md]

Pour chaque connexion potentielle, proposez :
- La note cible
- Le type de bord (Supports / Contradictions / Dépend de /
  Dérivé de / Lié à / Partie de / Précédé de /
  Suivi par / Rédigé par / Marqué comme)
- Une justification en une phrase

Suggérez uniquement les bords où la relation est claire et
spécifique. Ignorez les liens vagues "liés à" à moins qu'il n'y ait
pas de meilleur type de bord.

Je l'exécute sur chaque nouvelle note atomique. Claude propose 4 à 12 arêtes. J’en accepte peut-être 60 à 70 % – le modèle est plus souvent vrai que faux, mais il arrive parfois qu’il soit trop connecté. L'acceptation est d'une frappe par bord dans ma configuration Obsidian.

Étape 7 — Créez la passe de nettoyage (1 heure).

Dernière étape : exécutez une requête sur le graphique demandant à l'agent d'identifier les piliers, les concepts ou les hypothèses qui ont zéro fronts entrants provenant d'autres notes. Ce sont les orphelins. Soit l'orphelin est véritablement déconnecté (et vous devriez vous demander s'il mérite sa place), soit vous avez manqué de le câbler.

J'ai eu 23 orphelins après le premier passage de câblage. Après le nettoyage, j'en avais 4 – et trois de ces quatre se sont avérés être des concepts que j'avais définis mais jamais réellement utilisés, que j'ai supprimés.

Durée totale du week-end : environ 18 heures réparties sur deux week-ends. C'est le vrai coût. La récompense est que chaque requête AI que j'exécute pendant le reste du temps où j'utilise ce coffre-fort est structurellement moins chère, plus rapide et plus précise que la requête PARA équivalente.

Si vous êtes un grand utilisateur de la base de connaissances AI – et si vous lisez jusqu'ici, c'est presque certainement le cas – ces mathématiques s'avèrent payantes en quelques semaines, et non en mois.

Ce que je me suis trompé et ce qui est vraiment difficile à ce sujet

Je veux être honnête sur les problèmes que cette approche ne résout pas, car j'ai lu trop de messages "J'ai changé mon système et cela a changé ma vie" qui passent sous silence les compromis.

La taxe d'atomisation est réelle. Écrire un brain dump de 4 000 mots et le déposer dans un dossier de projet prend dix minutes. Écrire le même contenu que 8 à 12 notes atomiques avec un câblage de bord approprié prend 25 à 40 minutes les premières fois. Après quelques mois, cela devient plus rapide – appelez cela 50 % plus lent que l'approche du brain-dump, et non 4 fois plus lente – mais cela ne sera jamais gratuit. Vous payez d'avance en friction de capture pour économiser dès le départ sur les coûts de récupération. Si vous êtes quelqu'un qui n'interroge vos notes qu'occasionnellement, ces calculs pourraient ne pas fonctionner pour vous. Pour moi, qui exécute plus de 30 requêtes AI par jour sur mon coffre-fort, ce n'est pas proche.

La règle de la note atomique est plus difficile qu'il n'y paraît. « Entre 50 et 300 lignes » ressemble à une ligne directrice douce jusqu'à ce que vous regardiez une note de 700 lignes qui ne se décompose vraiment pas proprement. La capacité de voir où une note devrait se diviser est quelque chose que je développe encore depuis six mois. Le modèle que j'ai trouvé et qui aide : si j'écris un titre de section à l'intérieur d'une note, cette section mérite probablement d'être sa propre note avec un bord approprié.

L'étalement des bords est un véritable mode d'échec. Au début de ma conversion, je suis devenu fou des bords et j'ai câblé toutes les connexions plausibles. Le graphique est devenu trop dense pour être utile : chaque note était connectée à quarante autres, et le AI ne pouvait pas dire quelles connexions étaient porteuses. La solution était une discipline que j'applique maintenant sans pitié : chaque bord doit être celui qu'un futur moi traverserait réellement. Si la connexion est intéressante mais que je ne la suivrais jamais pour répondre à une vraie question, elle ne mérite pas sa place.

Le système récompense certains types de travail plus que d'autres. Si votre travail de connaissances est fortement axé sur la synthèse (recherche, stratégie, conseil, rédaction), le Infinite Brain rapporte énormément. Si votre travail est fortement axé sur l'exécution et que vos « notes » sont pour la plupart un suivi de tâches léger, les frais généraux sont plus difficiles à justifier. PARA a été conçu pour le deuxième cas d'utilisation. Ne remplacez pas votre gestionnaire de tâches par ceci ; ce n'est pas pour ça.

Il n'existe pas encore de plugin communautaire qui rend cela trivial. J'ai créé mes propres extraits de modèle Obsidian et invites Claude. La communauté des créateurs d'origine propose des invites et des modèles de conversion, et ce sont des points de départ solides, mais vous devez vous attendre à créer des outils personnalisés pour votre flux de travail spécifique. Il ne s'agit pas encore d'un système de téléchargement d'applications. Ce sera peut-être dans un an.

La bonne nouvelle est qu’aucun de ces compromis ne change les calculs sous-jacents. La réduction des jetons 14x est réelle. L’amélioration de la qualité de la récupération est réelle. L'expérience "AI a l'impression de vivre réellement dans mes notes" est réelle. Ce que vous échangez contre ces gains, c'est une discipline initiale dans la façon dont vous écrivez, et cette discipline devient moins chère avec le temps à mesure que le muscle se développe.

Où les économies de jetons apparaissent réellement

Je veux terminer avec quelque chose de concret, car le cadrage abstrait « moins de jetons » ne rend pas vraiment compte de ce qui change au jour le jour.

Trois mois après avoir utilisé mon Infinite Brain, voici ce que je fais maintenant et que je n'aurais littéralement pas pu me permettre dans mon coffre-fort PARA :

Requêtes ambiantes matinales. Chaque matin, j'exécute une commande Claude qui demande : "En regardant mon graphique à ce jour, quelle est l'hypothèse non résolue la plus importante que j'ai, et que faudrait-il pour la confirmer ou la tuer ?" Cette requête me coûte environ 1 800 jetons d’entrée, soit moins d’un centime. Dans PARA, la même question aurait nécessité plus de 25 000 jetons de contexte pour bien répondre. Je ne l'aurais jamais lancé.

Chasses de modèles inter-domaines. Une fois par semaine, je lance : "Regardez chaque note de modèle étiquetée à la fois avec concept-pricing et concept-b2b. Quel est le lien le plus fort entre eux et quelle est la plus grande contradiction ?" Ce sont ces questions qui donnent l’impression qu’une base de connaissances est vivante. Ce sont également des questions qui sont devenues abordables lorsque les bords typés ont remplacé la récupération à plat.

Archéologie des décisions. "Trouvez toutes les décisions que j'ai prises au cours des 12 derniers mois marquées avec concept-agency-pricing. Triez par date. Dites-moi celles que j'ai annulées et lesquelles sont toujours valables." Cette requête a pris 480 jetons et 4 secondes. Cela a fait apparaître une tendance dans ma propre stratégie de tarification sur laquelle je faisais la même erreur depuis neuf mois.

Les calculs derrière le Infinite Brain sont ce qui convainc les ingénieurs. L'expérience quotidienne d'avoir une base de connaissances sur laquelle votre AI peut réellement raisonner - à moindre coût, rapidement et avec précision - est ce qui convainc tout le monde.

Dans trois ans, je pense que nous reviendrons sur les systèmes de notes à dossiers plats de style PARA de la même manière que nous reviendrons sur l'organisation des fichiers par département dans un lecteur partagé des années 1990. Fonctionnel, éventuellement douloureux, remplacé par quelque chose qui correspond aux contraintes réelles du travail moderne. Les contraintes ont changé. Les architectures doivent changer avec eux.

Si vous voulez savoir si cela vaut vos deux week-ends : ouvrez votre coffre-fort actuel, choisissez la question la plus synthétique que vous avez posée à un AI sur vos propres connaissances au cours du mois dernier et comptez les jetons nécessaires pour obtenir une réponse décente. Si ce chiffre vous embarrasse, vous avez déjà votre réponse.

Le mien m'a embarrassé. Je n'y retourne pas.

Questions fréquemment posées

Quelle est la différence entre un Infinite Brain et un Zettelkasten ?

Un Infinite Brain est un sur-ensemble strict de Zettelkasten avec deux ajouts clés : une taxonomie fixe de 16 types de notes atomiques (Zettelkasten est indépendant du type) et 10 arêtes typées (les liens Zettelkasten ne sont pas typés). Le résultat est un graphique dans lequel un LLM peut parcourir sémantiquement sans lire chaque note dans son intégralité. Pour l'architecture complète, voir la section sur les types de seize notes ci-dessus.

Ai-je besoin d'une base de données vectorielles pour cela ?

Non. Le fait est que les bords typés et la granularité des notes atomiques remplacent ce que la récupération vectorielle essayait de faire. L'agent parcourt le graphique en suivant la syntaxe de bord en ligne dans une simple démarque : pas d'intégration, pas de pipeline d'indexation, pas de décisions de regroupement. L'esprit est plus proche de GraphRAG que du vecteur traditionnel RAG.

Combien de temps prend réellement la conversion de PARA vers Infinite-Brain ?

Deux week-ends de travail ciblé pour un coffre-fort de 600 fichiers, répartis à peu près 50-50 entre l'atomisation et le câblage périphérique. Le playbook de conversion ci-dessus correspond à la séquence exacte que j'ai utilisée. Attendez-vous à 12 à 20 heures au total en fonction de la taille du coffre-fort et de l'agressivité avec laquelle vous supprimez ou convertissez.

Puis-je l'utiliser avec ChatGPT au lieu de Claude ?

Oui. Le Infinite Brain est natif de markdown : tout agent LLM capable de lire des fichiers fonctionne. J'utilise Claude Opus 4.7 car les requêtes de navigation graphique bénéficient d'un raisonnement solide, mais l'architecture est indépendante du modèle. ChatGPT, Gemini et les modèles locaux fonctionnent tous avec la même structure de coffre-fort.

Qu'arrive-t-il à mon coffre-fort PARA lors de la conversion ?

Le mien restait intact dans ses dossiers d'origine pendant que je construisais la nouvelle structure _brain/ à côté. Une fois que le nouveau système fonctionnait pour les requêtes quotidiennes, j'ai archivé les anciens dossiers PARA dans un répertoire _archive/ et j'ai arrêté d'y écrire. Je ne les ai pas supprimés – ils constituent une solution de secours si jamais j'ai besoin de reconstruire quelque chose – mais je ne les ai pas non plus ouverts depuis deux mois.

Travaillons ensemble

Vous cherchez à créer des systèmes AI, à automatiser les flux de travail ou à faire évoluer votre infrastructure technologique ? J'aimerais aider.

• Fiverr (versions et intégrations personnalisées) : fiverr.com/s/EgxYmWD
• Portefeuille : mejba.me
• Ramlit Limited (solutions d'entreprise) : ramlit.com
• ColorPark (conception et image de marque) : colorpark.io
• xCyberSecurity (services de sécurité) : xcybersecurity.io