Nous avons construit une banque de connaissances IA en un après-midi

Lundi après-midi. Jozo voulait un newsfeed sur notre site. Pas un blog — nous en avons déjà un. Une collection curée de contenu IA. Vidéos, conférences, interviews. Les trucs que notre équipe regarde réellement pour rester à jour.

"Pouvons-nous l'avoir d'ici la fin de la journée ?"

Deux heures plus tard : 11 pièces de contenu. Recommandations travaillant. En direct sur le site.

Voici ce qui s'est réellement passé.

Le défi : Surcharge d'informations

Chaque semaine, des douzaines de vidéos IA importantes tombent. Conférences Stanford. Interviews de fondateurs. Plongées techniques profondes. Analyse de l'industrie.

Notre équipe les regardait individuellement. Partage des liens dans Slack. Perdre une trace de ce que nous avions couvert.

Le problème n'était pas de trouver du contenu. C'était de l'organiser.

Nous avions besoin d'un endroit central où :

• Le contenu IA conservé vie permutée
• Chaque pièce a du contexte (pourquoi elle importe, les principaux points à emporter)
• Le contenu associé fait surface automatiquement
• N'importe qui de l'équipe peut découvrir ce qu'il a manqué

Les solutions traditionnelles signifiaient des semaines de planification. Systèmes de gestion de contenu. Workflows éditoriaux. Outils de planification.

Nous n'avions pas de semaines. Nous avions un après-midi.

La solution : Construction rapide assistée par l'IA

Au lieu de construire une plateforme de contenu, nous avons construit une banque de connaissances.

L'approche était simple : Commencez avec une vidéo. Rendez-le fonctionner. Puis échellez.

Ce que nous avons construit

1. Feed conservé à /ai/ — Une liste chronologique du contenu IA que nous recommandons
2. Contexte riche — Chaque vidéo a une section "Perspective" expliquant pourquoi elle importe et les principaux points à emporter
3. Recommandations intelligentes — Les articles associés font surface en fonction de la similarité réelle du contenu, pas seulement les balises
4. Correspondance transparente — Les utilisateurs voient pourquoi les articles sont associés ("87% match" vs "52% match")

Comment nous l'avons fait

Claude a fait le travail intensif :

• Extraction de transcription — Tirez le texte complet de n'importe quelle vidéo YouTube
• Génération de perspective — Analysez la transcription et écrivez des informations authentiques
• Traitement parallèle — Ajoutez plusieurs vidéos simultanément en utilisant les sous-agents IA
• Moteur de recommandation — Calculez la similarité du contenu et faites surface des pièces associées

Pas de réécritures de code. Pas de nouveaux cadres. Juste l'IA remplissant les lacunes.

L'expérience : Ce que c'était réellement

La première vidéo a pris environ 15 minutes. Stanford CS230 sur les agents IA. Nous avons tiré la transcription, généré une perspective, ajoutée au flux.

Puis nous avons frappé notre premier vrai problème : la vidéo ne s'enroberait pas. Stanford a désactivé l'enrobage externe.

Au lieu d'abandonner, nous avons construit un secours. Les vidéos avec enrobage désactivé affichent une miniature avec une superposition "Regarder sur YouTube". Les utilisateurs savent exactement ce qu'ils cliquent.

Problème résolu en 5 minutes.

Mise à l'échelle

Une fois que le modèle a fonctionné, nous avons ajouté des vidéos en parallèle. Jozo a continué de lâcher des liens YouTube :

• Entrevue Demis Hassabis avec Axios
• Jensen Huang sur l'infrastructure IA
• Peter Diamandis cassant GPT 5.2
• Yann LeCun sur les modèles mondiaux
• Boris Cherny sur la construction de Claude Code
• Rio Lou sur les concepteurs devenant des codeurs

Six agents IA travaillant simultanément. Chacun d'eux :

1. Récupération la transcription
2. Génération d'une perspective
3. Création d'une entrée de contenu

Résultat : 6 vidéos traitées dans le temps qu'il faudrait pour faire 1 manuellement.

L'info transparence

À mi-chemin, Jozo a demandé à propos de la section "Articles associés".

"Pourquoi ces articles s'affichent-ils ? Quelle est la connexion ?"

La pratique standard serait de cacher l'algorithme. Montrez simplement les recommandations et faites confiance aux utilisateurs pour cliquer.

Nous avons fait le contraire. Nous avons ajouté des pourcentages de correspondance.

• 87% match — sujets hautement associés
• 52% match — connecté, toujours pertinent
• 34% match — tangentiel, pourrait être intéressant

Les utilisateurs voient pourquoi nous recommandons quelque chose. Pas de boîte noire. Pas d'algorithme mystérieux.

Il s'avère que la transparence construit la confiance. Même quand l'appariement n'est pas parfait.

Qu'avons-nous expédié

D'ici la fin de la journée, le newsfeed était en direct à teamday.ai/ai.

11 vidéos curées couvrant :

• Cours de Stanford sur les transformateurs et les agents
• Interviews de fondateurs (Hassabis, Huang, Brin)
• Analyse de l'industrie (rupture GPT 5.2, concurrence IA)
• Débats techniques (LeCun vs DeepMind sur la compréhension)
• Informations de carrière (créateur de Claude Code, leader de conception Cursor)

Chaque vidéo inclut :

• Perspective générée par l'IA sur pourquoi elle importe
• Les points à emporter clés pour la numérisation rapide
• Liens de canal pour découvrir plus
• Contenu associé avec appariement transparent

Zéro flux de travail éditorial. L'ajout de nouveau contenu signifie créer un fichier Markdown. C'est ça.

Points clés

1. Commencez par un, puis échellez

Ne construisez pas la plateforme en premier. Rendez une pièce de contenu parfait. Le modèle devient clair. L'escalade est la partie facile.

2. Laissez l'IA remplir les lacunes

Nous n'avons pas appris l'édition vidéo ou ne construisons les moteurs de recommandation. Nous avons utilisé l'IA pour gérer ce que nous ne pouvions pas faire rapidement nous-mêmes. Le résultat était meilleur que si nous l'avions fait manuellement.

3. La transparence bats le mystère

Montrer les pourcentages de correspondance semblait risqué. Et si les utilisateurs questionnaient les bas matchs ? Il s'avère qu'ils apprécient de savoir pourquoi le contenu est recommandé. La confiance vient de l'honnêteté, pas de la qualité.

4. Le travail parallèle change tout

Une personne ajoutant des vidéos séquentiellement = lent. Plusieurs agents IA travaillant en parallèle = rapide. Le même principe s'applique à tout le travail répétitif du savoir.

5. Assez bon navires, le parfait ne le fait pas

Le newsfeed n'est pas parfait. Certaines perspectives pourraient être plus profondes. Certains allumettes pourraient être plus serrés. Mais c'est en direct. C'est utile. Il est utilisé.

Fait bats parfait.

Quoi de neuf

La banque de connaissances est en direct et grandit. Nous ajoutons du nouveau contenu hebdomadaire - des discours, des interviews, des décompositions de recherche.

Vous voulez le voir ? Vérifiez le Newsfeed IA

Construire quelque chose de similaire ? Le modèle fonctionne pour tout contenu conservé :

• Flux d'actualités de l'industrie
• Bibliothèques de recherche
• Ressources de formation
• Renseignements concurrentiels

L'idée clé : l'IA ne fasse pas juste écrire du contenu. Il organise, connecte et le fait surface.

C'est l'avenir du travail de savoir.

P.S. — Nous avons ajouté une vidéo de plus pendant la session : Rio Lou du Cursor parlant de transformer les concepteurs en codeurs. Son point principal ? L'IA remplit les lacunes de mise en œuvre pour que les gens puissent se concentrer sur ce qu'ils sont doués. Exactement ce que nous avons connu en construisant ce newsfeed.