I was planning to write another blog post. I may still write it – or not. But as I opened my computer, I had a pile of open tabs. I’d clicked on a bunch of articles of Daniel Miessler’s blog for possible further reading. Daniel is the guy behind LifeOS (previously PAI), a personal AI framework (infrastructure) I have written about and spent many (many!) hours battling with since April.

It had been a pleasant surprise to discover Daniel’s blog was active, and even more that it was readable, as most of what I’ve seen “from him” these last months is in the GitHub repo or PAI/LifeOS documentation and rather AI-sloppy, sometimes even to the extent that it sounds like his DA (Digital Assistant) posting on his behalf. (I say this with all due respect, the thinking behind PAI/LifeOS is genius.)

Not so with the blog, clearly well-written by a human (see, by the way, his AI Influence Level system, something in the same vein as AI Labels).

So I fell in the trap of looking at the topmost open tab before closing it, and I started reading, and I was even more pleasantly (ephorically?) surprised to read this:

I value text because I see it as one step away from thought.

I believe thinking is the one thing we should be careful not to outsource, and I worry what this idea smuggles in is a major step toward making our creations opaque to humans. Not just AI’s creations, but ours as well.

The reason I value Paul Graham so much is because of the idea compression work that goes into writing super clean prose. It’s difficult to write clearly because it requires thinking clearly.

Daniel Miessler, “Text is Thought, and Thought is Holy“

I worry that if we vibe-think to AI and have it spit out amazing HTML, we’re instantly disconnected from the idea. Like where did the idea go? It started as vibes and got put through a woodchipper and turned into someone else’s HTML.

I see this happen so much. A lot of writing is a way of thinking, it’s not “path to an output”. And I think that when thinking is missing in the process, we feel it, which is why AI Slop and even many “decently AI-generated texts” are so distasteful to read.

Because the “thought” they contain is not coherent, not organic, and we cannot access it comfortably through the text we’re reading. We need to do extra work to try to get at it – and sometimes it’s not even there. Just like “over-optimised” administrative processes end up outsourcing a large part of the work they’re supposed to do to the people they should be serving, “over-optimised” text production outsources part of its work to the reader.

We could maybe apply this analysis to badly constructed, hastily-written reports whose sections have been copy-pasted to death and which lack overall integrity and structure.

Jens-Christian wrote about this too in “Keep Your Voice“.

Daniel again:

I just feel like if you didn’t put the hard thinking and writing work into the original idea, and then maintain it in a format that’s easy for humans to read and edit, then you have somehow surrendered something Holy to the machines. I say this as a total AI maximalist.

This reminds me of two things that came upon my radar recently.

The first is this post by Alex Hillman about how generative AI has broken the social contract by upending the balance of effort from producing to consuming content. What used to be expensive (writing, creating a song, shooting a video, etc.) is now super cheap, in terms of effort (if not tokens). Sure, we used to have content farms and the like, but it was still a lot of manual labour. Now I can feed a one-line prompt to an AI model, leave the computer running and come back to a whole book of content. Sloppy, but a lot of words.

Over time, the world we live in has shifted more and more in the direction of “too much content, not enough brain time to absorb it”. It’s something humans have been complaining of since before the internet. But like everything, it’s speeding up like a hockey stick. The democratisation of online publishing, and social media on its heels, has brought in another height of cognitive overload and collective anguish about there being “too much stuff out there”. And now that more and more of this stuff is produced by machines that never need to sleep or eat (except a prompt or two), the overall quality of what is out there is going down as fast as its quantity is going up.

This reminds me somewhat of my thoughts about audio and video versus text, back in the day. If you record a 30-minute video and post it online, it took you 30 minutes, but it will also take each person who watches it 30 minutes. If you spend 30 minutes writing up your message, it will take the people reading it much less time.

Because what has not changed is the finitude of human existence. Not only is our time limited, but also our energy and ability to read, watch, learn, concentrate. This is, now more than ever, our bottleneck. Producing something today is pretty much worthless. Producing more is senseless. What has value is: does it enter somebody’s mind in a meaningful way?

There is a link between this and the AI brain fry explanation that I referenced some time back. AI has no limits on the concurrent projects it can work on, and no limits on how much content it can produce. But we have limits on how much delegation we can supervise, how many open loops we can stand, and how much content we can absorb.

And this brings me to the second thing: understanding cannot be outsourced. Andrej Karpathy now famously said you can outsource thinking, but not understanding. A lot of what AI produces does not help us understand anything. It gives the illusion of opening the door to that, but it’s more often than not just word froth. Reading is about understanding. It’s about meaning. There is no shortcut to that. Only you can learn and understand so that you later know.

When Karpathy says you can outsource thinking: well, some of it. But what we writers-as-thinkers know very well is that the thinking that we do when we write is the kind of thinking that leads to understanding. Saying that thinking can be outsourced is a slippery slope because it drags down a chunk of understanding with it.

Writing is thinking is understanding.

Well, that was the first open tap. 27 more to go. (Just kidding. I’m going to close them. I might write my Paléo Festival blog post tomorrow.)

Même si je ne suis pas en train de vibe-coder à tour de bras, j’ai bien sauté dans le train côté IA. Depuis deux ans environ, je dis que ce que je ressens concernant l’importance et le potentiel de l’IA générative est quelque chose que je n’ai pas senti depuis ma découverte d’internet il y a 20-25 ans.

Et là mes amis, j’ai l’impression de m’être pris un train en pleine figure. Enfin, je le vois arriver depuis un moment, le train, mais là il est sur moi. Mon vieux pote Jens-Christian vient de me montrer, en live (bon, par visio) à quoi ressemblait son assistant IA et l’infrastructure (PAI) qui le rendait possible. Je vais vous expliquer tout ça en français, ne vous en faites pas, mais sachez déjà qu’en gros, le fameux “assistant IA” qui est véritablement capable de nous aider à organiser nos vacances, choisir un menu pour ce soir, nous briefer pour préparer notre journée, garder le fil de nos multiples projets et évidemment, automatiser notre administratif récurrent, sans juste faire semblant qu’il en est capable – eh bien on y est.

Je précise d’emblée, parce que le dégueulis d’IA – je sais pas comment traduire mieux “AI slop” – envahit non seulement le web, les réseaux, nos conversations WhatsApp et les blogs, que j’écris ce texte avec mes dix petits doigts sur mon clavier. Le jour où je vous refile un truc “écrit avec IA”, je vous le dirai, et je vous dirai aussi “combien écrit avec l’IA” c’est.

OK. Maintenant j’explique pourquoi je suis en train de vous dire que l’ordinateur de Star Trek, c’est déjà aujourd’hui. Enfin avant, un petite digression préalable.

On le sait bien: ce qu’on appelle aujourd’hui “une IA”, c’est en fait un “LLM” (Large Language Model). C’est une intelligence artificielle (un type de programme) qui produit des mots. En très simplifié, c’est du texte prédictif dopé. Le LLM, il ne fait qu’une chose, à la base: il regarde le “contexte” (le texte déjà écrit) et fait une prédiction statistique sur le prochain mot. Et le prochain. Et le prochain. L’IA (le LLM) ne “sait” rien. C’est juste une machine à aligner des mots. Mais ce qui est dingue, c’est que cette machine est capable de produire du texte que l’on reconnaît comme “discours”, et qui nous donne le sentiment d’être en train de parler à une vraie personne. C’est le côté “chatbot” ou “interface conversationnelle”. Ça veut dire que pour faire faire des choses à une machine, aujourd’hui, on peut simplement lui expliquer avec nos mots – pas besoin de cliquer sur tel bouton, donner telle commande, utiliser un langage de programmation. On dit quelque chose, et quelque chose se passe.

Si vous avez déjà l’habitude de fréquenter Claude ou ChatGPT, vous savez comme ça va. On chatte avec, et on est tour à tour bluffé (quand ça marche) et désespéré (quand ça marche pas). On se casse vite le nez sur les limites du truc, il nous dit un truc qui est faux, et on se dit qu’il est bien con et que l’IA, ça ne marche pas si bien que ça. On pense aux rêves qu’on avait de pouvoir dire à notre IA “fais ma déclaration d’impôts” ou “planifie mon projet” (pourquoi pas “fais mon job”, pendant qu’on y est), ou plus modestement, “envoie les factures vétérinaires à l’assurance pour qu’ils remboursent”. L’IA nous promet monts et merveilles mais ne livre pas toujours – d’autant plus si on se contente de lui parler dans une conversation qui s’allonge à l’infini, qu’on ne comprend comment travailler avec la fenêtre de contexte, que les skills ça nous dépasse, qu’on ne maîtrise pas les subtilités du prompting et qu’on n’a pas encore fait le pas d’organiser nos interactions en projets ou d’essayer Cowork. On entend bien ceux qui développent des trucs incroyables à l’aide de l’IA, mais bon, on n’est pas tous développeurs, et franchement les résultats médiocres qu’on obtient nous laissent penser que c’est beaucoup de hype, toute cette histoire. On est d’accord?

Et là au milieu, je suis en train de vous dire (je vous promets j’ai pas fumé) qu’en fait oui, l’IA est bien capable de nous offrir cet “assistant digital” dont on rêve. Je crois franchement qu’on y est. Mais c’est pas “en chattant avec Claude”. Et il n’y a pas besoin non plus d’apprendre à programmer pour y arriver.

La clé, c’est cette infrastructure mentionnée en début d’article: PAI. C’est pas une “alternative” à Claude ou ChatGPT ou Gemini. C’est un système qui se construit dessus. Une collection d’instructions pour IA et de scripts (comme des mini-programmes) qui vont tourner sur l’ordinateur.

Comme dit plus haut, une IA ne “sait” rien. On peut lui donner une liste de tâches en début de conversation, en rajouter 3 nouvelles, parler de la pluie et du beau temps, et lui redemander les tâches 10 minutes plus tard, et il y a fort à parier qu’il y aura une erreur dans la liste. Qu’elle reconnaîtra de bonne grâce quand on la lui fera remarquer. Par contre, si au début de la conversation on lui demande de créer un fichier contenant cette liste, et que deux jours plus tard on lui demande nous lire la liste qui est sur le fichier, là, ça marche. Suivant quelle est votre expérience dans l’utilisation de l’IA, vous avez peut-être fait ce constat de vous-même: c’est vachement plus fiable de faire mettre des infos dans des fichiers, de faire écrire des scripts pour extraire de l’information d’un document ou d’un tableau de données. Et d’ailleurs, aujourd’hui, votre “Claude chatbot” le fera spontanément ou vous le proposera, suivant ce que vous lui demandez.

Donc: l’assistant IA de nos rêves, c’est pas “juste” une IA, c’est surtout des tas de scripts et des fichiers contenant des informations. Et bien sûr quand même une IA, pour interagir avec nous (la fameuse “interface conversationnelle”) et faire évoluer le système en fonction de nos besoins.

Vous êtes encore là? Soyons un peu concrets. PAI c’est donc un truc qu’on télécharge sur son ordi et qui une fois lancé, va premièrement installer ce dont il a besoin (y compris Claude Code si on ne l’a pas déjà). Ensuite, quand on le lance, il va nous prendre par la main (via l’interface conversationnelle, donc en discutant déjà avec l’IA) pour le configurer et démarrer avec. Oui, il faut taper un truc dans la ligne de commande, il y a un premier pas ou deux un peu geek, mais après, c’est “juste du blabla” comme on a l’habitude de faire normalement avec une IA.

Ce qui fait que PAI c’est pas “juste une IA”, c’est que c’est un système prévu pour créer ce dont vous avez besoin de votre assistant. On ne vous livre pas une voiture: on met à votre disposition tout ce qu’il faut pour concevoir et produire la voiture qui correspond exactement à vos besoins – les ingénieurs, les designers, les mécanos, l’usine de production, et aussi le chef de projet qui va vous prendre par la main pour vous aider à décrire la voiture dont vous avez besoin. PAI c’est ça.

L’infrastructure comprend un système et une structure pour stocker des infos de contexte vous concernant – pas juste la façon dont vous aimez que l’IA vous parle, mais aussi vos valeurs, vos domaines d’expertise, vos préoccupations et buts dans la vie. Et pas sous forme de laborieux champs texte à remplir. L’IA va vous interviewer, ou dans mon cas, avaler mon blog, et en tirer les informations pertinentes. Ou pas, si on veut pas. L’infrastructure comprend aussi des processus: en particulier, comment développer un système dont vous avez besoin.

Un exemple en guise de démo (on a fait ça en direct avec Jens-Christian et son assistant pendant notre visio): un truc dont je rêve, perso, ce serait un système qui est au courant de ce que j’ai dans mon frigo et mes armoires, de ce que j’aime manger et cuisiner, et qui puisse me dire “ah ben ce soir, tu pourrais te faire ceci ou cela”. Pour de vrai, c’est une grosse charge mentale chez moi ce genre de truc. Donc hop, on soumet cette idée à l’assistant. J’ai deux ou trois idées en plus: si je donne à l’assistant mes tickets de caisse de courses, il pourrait savoir ce que j’ai acheté comme nourriture. Et si je lui montre ce que je mange ou me cuisine, il pourrait en déduire ce que j’ai utilisé. Peut-être de temps en temps il faut lui faire une photo du frigo ou de l’armoire pour vérifier si son inventaire est à jour. Et il pourrait aussi avoir à dispo une collection de recettes que j’ai faites, et d’idées-repas (j’ai commencé à compiler ça, manuellement). On donne donc ces infos à l’assistant, et on observe. Honnêtement, c’est là que je me suis retrouvée sur le cul.

PAI comprend donc un processus, ou une méthode, pour approcher ce genre de demande: clarifier à quoi ressemblerait le système fini, puis, selon une logique similaire au “rétro-planning” (du reverse-engineering, en fait) il produit un concept, les différentes parties du système à créer, évalue de quelle façon les créer (scripts, IA, quels outils sont à disposition, parce que bien sûr il sait quels outils on a sur l’ordi et ce qu’on a l’habitude d’utiliser), à quoi ressemblerait une version minimale fonctionnelle du système (le “MVP”=minimum viable product du jargon dev/business), et (après feu vert bien entendu) produit un prototype. En dix minutes, on avait un prototype interactif à qui je pouvais demander quoi manger ce soir, après avoir rempli une liste bidon de ce qui était dans mon frigo – et surtout, un plan pour développer le reste du système.

Avant aujourd’hui, j’avais prévu d’écrire un article sur ce que j’étais en train de faire avec l’IA en ce moment. Je me suis mise à Cowork, et je suis en train de créer un système qui m’aide à garder le fil de mes multiples projets en cours. Pas juste à savoir où j’en étais et quelle était la prochaine chose à faire quand je reprends un dossier trois semaines après l’avoir laissé en plan, mais aussi à avoir une vue d’ensemble du “portfolio de projets”. Dans mon système, il y a un fichier dans lequel je note les unes derrières les autres toutes les idées qui me passent par la tête, et ensuite il y a un script (et un peu d’IA) qui avale ce fichier et qui dispatche chaque idée ou info dans une sorte de boîte de réception pour le projet en question.

Exemple (parce que c’est mieux les exemples). J’ai trois tonnes de fichiers d’archives pas mal en bordel sur deux disques durs externes. Ça prend beaucoup de place, et je sais qu’il y a du contenu dupliqué, mais pas où et lequel. Je suis donc en train d’utiliser Claude pour m’aider à faire ça de façon méthodique. Donc ça c’est un de mes projets avec Claude. Mettons que pendant qu’on est en train d’avancer dans ce projet, je me retrouve dans le dossier qui contient les sauvegardes des vidéos live que j’ai faites sur Facebook. Il y a celles des chats diabétiques, mais aussi des vidéos sur d’autres sujets et dont je voudrais faire un article dans le blog. Comme je suis en grande conversation avec Claude, je mentionne ça, et peut-être que j’évoque les 3-4 articles que j’ai en tête, pour qu’il en prenne note. Il va noter ça (parce que je lui ai donné des instructions dans ce sens à l’aide d’un skill) dans le fichier “de sortie” du projet, prêt à être importé dans le fichier d’entrée du projet “idées pour le blog”. Ou alors, je suis en train de faire à manger et une idée de génie pour l’aménagement de mon balcon me traverse le cerveau: je la note rapidement dans mon fichier central, sachant que Claude rangera cette info au bon endroit.

Donc créer ce genre de système, avec Cowork, c’est possible, mais je fais beaucoup manuellement. Je micro-manage beaucoup. Je dois être directive, parce que sinon Claude me dit “ouais ouais c’est bon je m’en charge, c’est super simple” et en fait… non.

Avec PAI, il y a déjà des instructions et des “compétences” (skills) dans l’infrastructure exprès pour que créer ce genre de système se fasse bien et simplement. C’est donc une boîte à outils, accessible via le chat, qui nous permet de “forger” le système dont nous avons besoin – créer l’assistant qui va simplifier les tâches à peu de valeur ajoutée de notre quotidien, ou celles qui sont difficiles pour nous, qui va nous permettre d’avoir plus d’énergie à disposition pour les choses qui comptent pour nous.

Je vais gentiment prendre congé de vous pour aujourd’hui, parce que ça devient un article-fleuve (qui plus est pas super bien structuré et clair peut-être) et que mon cerveau n’a plus beaucoup de batterie. On va en reparler quand je sauterai le pas (dès que j’ai un peu de temps à dispo) pour installer PAI chez moi.

Juste deux mots de prudence avant de clore:

• Claude Code, Cowork, PAI: des outils puissants mais qui présentent également des risques côté sécurité. Ce n’est pas une bonne idée, aujourd’hui, de laisser votre IA contrôler votre navigateur web, de lui donner libre accès à vos fichiers ou à votre e-mail, surtout si vous ne comprenez pas bien les enjeux sécuritaires
• faire tourner quelque chose comme PAI “coûte” en termes d’utilisation d’IA – tout comme ça coûte de faire produire des images par l’IA, des pages de code, de manipuler des fichiers sur un disque dur, de lire des PDFs de 500 pages… sur un plan gratuit, oubliez; même un plan à 20.-, c’est probablement bien chaud

Quelques liens (en vrac parce que je suis trop raide):

• https://invisible.ch/2025/12/three-weeks-with-claude-code-building-a-personal-ai-infrastructure/
• https://invisible.ch/2026/01/135000-lines-of-ai-assisted-code-a-month-with-claude-code/
• https://sporage.substack.com/p/ai-as-assistive-technology-with-pai
• https://substack.com/home/post/p-179528752
• https://danielmiessler.com
• https://github.com/danielmiessler/Personal_AI_Infrastructure?tab=readme-ov-file#readme (lisez le readme qui se trouve sous la liste de fichiers, c’est lisible par des humains, promis)