Pourquoi les documents deviennent le vrai terrain de l’IA
Au début, beaucoup d’utilisateurs ont découvert l’IA comme un simple espace de conversation.
On posait une question.
L’assistant répondait.
On demandait une reformulation.
Il proposait une version plus claire.
On voulait une idée.
Il générait une liste.
C’était déjà utile.
Mais en 2026, l’usage le plus important de l’IA n’est plus seulement de discuter avec un modèle. C’est de travailler avec ses propres documents.
PDF, notes, rapports, articles, contrats, scripts, transcriptions, tableaux, fiches, présentations, vidéos, emails, documentation projet, brouillons, dossiers de recherche : la vraie valeur se trouve souvent dans la matière déjà accumulée.
Le problème n’est pas le manque d’information.
Le problème est la dispersion.
Un document est dans Drive.
Un PDF est dans un dossier local.
Un script est dans un notepad.
Une source est dans un navigateur.
Une capture est dans un moodboard.
Une synthèse est dans un chat.
Une version traduite est ailleurs.
Une idée importante est perdue dans une conversation.
L’IA devient vraiment intéressante lorsqu’elle aide à relier ces éléments.
Elle peut lire, résumer, comparer, extraire, reformuler, classer, questionner, transformer et préparer.
Mais elle ne doit pas devenir une machine à produire des réponses hors sol.
Pour bien travailler avec des documents, il faut garder une règle simple :
L’IA doit partir des sources, pas les remplacer.
Travailler avec des documents n’est pas seulement “uploader un PDF”
Importer un document dans une IA est facile.
Le comprendre correctement est une autre affaire.
Un outil peut résumer un PDF, mais cela ne garantit pas qu’il a identifié les passages les plus importants. Il peut répondre à une question, mais cela ne veut pas dire qu’il a lu tout le corpus avec la même précision. Il peut citer une source, mais il faut vérifier si la citation correspond vraiment au propos. Il peut produire une synthèse très fluide, mais oublier une nuance essentielle.
Travailler avec des documents demande donc une méthode.
Il faut distinguer :
- la lecture rapide ;
- la recherche d’information ;
- la comparaison de sources ;
- la synthèse ;
- l’extraction de données ;
- la transformation en contenu ;
- la vérification ;
- l’archivage ;
- la réutilisation dans un projet.
Chaque usage demande une manière différente de questionner l’IA.
Demander “résume-moi ce document” n’est pas toujours suffisant.
Il vaut mieux demander :
Quels sont les points principaux, les limites, les données importantes, les passages à vérifier et les questions que ce document soulève ?
Avec cette approche, l’IA devient un assistant de lecture, pas un remplaçant de la lecture.
Les grandes familles d’outils pour travailler avec ses documents
On peut classer les outils IA documentaires en plusieurs familles.
La première famille est celle des notebooks de sources. NotebookLM est l’exemple le plus clair. On y ajoute un corpus de documents, puis on interroge ce corpus, on produit des synthèses, des guides, des résumés audio, des cartes mentales ou d’autres formats.
La deuxième famille est celle des projets IA généralistes. ChatGPT Projects ou Claude Projects permettent de regrouper des conversations, des fichiers, des instructions et un contexte de travail autour d’un projet long.
La troisième famille est celle des assistants intégrés aux suites bureautiques. Gemini dans Drive, Microsoft Copilot dans Microsoft 365 ou d’autres outils similaires permettent de travailler directement dans les fichiers, dossiers, emails, documents et espaces collaboratifs existants.
La quatrième famille est celle des outils de recherche et de vérification. Perplexity, Elicit, Consensus ou Semantic Scholar ne servent pas forcément à gérer vos documents personnels, mais ils peuvent compléter un travail documentaire en allant chercher des sources externes.
La cinquième famille est celle des workflows locaux et open-source. Des outils autour d’Ollama, LM Studio, Open WebUI, AnythingLLM, Dify, Obsidian ou des systèmes RAG permettent de travailler avec des documents en gardant plus de contrôle technique.
La sixième famille est celle des workspaces créatifs. C’est là que Panaches s’inscrit : réunir documents, notes, médias, fichiers, code, moodboards, articles, images et IA dans un environnement plus cohérent.
Le bon choix dépend donc du besoin.
Voulez-vous lire un corpus ?
Gérer un projet long ?
Travailler dans Drive ou Microsoft 365 ?
Explorer des sources scientifiques ?
Garder vos documents en local ?
Relier documents, notes et création ?
Chaque réponse mène vers un outil différent.
NotebookLM : le carnet de sources augmenté
NotebookLM est l’un des outils les plus importants pour comprendre l’évolution du travail documentaire avec l’IA.
Son principe est simple : vous ajoutez des sources, puis vous travaillez à partir de ces sources.
Ce n’est pas seulement un chatbot.
C’est un carnet de recherche augmenté.
NotebookLM est particulièrement utile pour :
- importer un dossier de sources ;
- résumer plusieurs documents ;
- poser des questions à un corpus ;
- retrouver une information ;
- comparer plusieurs textes ;
- générer un briefing ;
- préparer une étude ;
- produire un plan ;
- transformer des documents en podcast audio ;
- créer des supports de révision ;
- préparer une synthèse éditoriale.
Sa grande force est de ramener l’IA vers un ensemble défini de documents.
Cela change beaucoup de choses.
Au lieu de demander à l’IA de répondre depuis sa connaissance générale, on lui demande de travailler sur un corpus précis. Pour un étudiant, un chercheur, un formateur, un consultant ou un rédacteur, c’est un vrai gain de méthode.
NotebookLM est très adapté lorsque la question est :
Voici mes sources. Aide-moi à les comprendre.
Il est moins adapté si l’on veut gérer un projet créatif complet avec beaucoup de types de fichiers, de médias, de versions, de scripts, de visuels et d’exports.
NotebookLM est donc excellent pour la lecture et la synthèse documentaire.
Mais il ne remplace pas tout un espace de production.
ChatGPT Projects : organiser un travail long avec fichiers, chats et instructions
ChatGPT Projects répond à un besoin différent.
L’objectif n’est pas seulement de travailler sur un corpus de sources. L’objectif est de rassembler plusieurs conversations, fichiers et instructions autour d’un même effort.
Un projet peut contenir :
- des fichiers de référence ;
- des chats liés à un même sujet ;
- des consignes spécifiques ;
- une mémoire de contexte ;
- des tâches répétées ;
- des versions successives ;
- des contenus produits dans le temps.
C’est très utile pour les travaux longs.
Un dossier éditorial.
Un projet de développement.
Un plan marketing.
Une série d’articles.
Un cours.
Une stratégie.
Un livre.
Un workflow de production.
Un assistant personnalisé pour un client ou une marque.
La force de ChatGPT Projects est la continuité.
Au lieu de repartir de zéro à chaque discussion, le projet garde un contexte : documents, consignes, objectifs, style, contraintes, historique de travail.
Pour un créateur, cela peut devenir un vrai poste de production.
On peut y préparer un article, générer une infographie, traduire, reformuler, créer un script vidéo, faire un tableau de suivi, analyser un fichier, réfléchir à une stratégie ou produire des déclinaisons sociales.
Mais un projet IA reste un environnement conversationnel.
Il ne remplace pas forcément une vraie arborescence de fichiers, un gestionnaire de documents, un dossier local, un moodboard ou un logiciel de production.
ChatGPT Projects est donc très fort pour organiser une collaboration avec l’IA.
Mais il faut encore gérer les fichiers, les exports, les versions et les sources avec rigueur.
Claude Projects : contexte long, documents et travail structuré
Claude Projects joue un rôle proche, mais avec une sensibilité différente.
Claude est souvent apprécié pour les textes longs, la synthèse, la clarté et le raisonnement. Dans un projet, ces qualités deviennent particulièrement utiles.
Un Claude Project peut servir à :
- regrouper des documents ;
- garder des instructions ;
- travailler sur un dossier long ;
- analyser un corpus ;
- structurer une réflexion ;
- rédiger avec cohérence ;
- améliorer un style ;
- comparer plusieurs sources ;
- préparer une documentation ;
- accompagner un projet éditorial ou technique.
L’intérêt de Claude Projects est fort lorsque la qualité de lecture, d’écriture et de synthèse est centrale.
Pour un auteur, un rédacteur, un chercheur, un consultant ou un formateur, c’est un bon environnement pour transformer une masse de notes en structure claire.
Claude est aussi intéressant pour les documents denses : rapports, textes longs, briefs, notes stratégiques, documentation, contenus pédagogiques.
Mais comme toujours, il faut cadrer le travail.
Un projet doit avoir :
- un objectif ;
- des documents bien nommés ;
- des instructions claires ;
- une structure de conversation ;
- des limites ;
- des règles de vérification ;
- une méthode de sortie.
Sinon, même un bon projet IA peut devenir un grand tiroir désordonné.
Claude Projects est donc très utile pour travailler avec des documents longs et des raisonnements complexes.
Mais il doit être organisé comme un vrai dossier de travail.
Gemini Drive et Workspace : travailler là où sont déjà les fichiers
Gemini dans Google Drive et Google Workspace répond à une autre logique : ne pas sortir les documents de leur environnement.
Pour beaucoup d’utilisateurs, le travail est déjà dans Google.
Docs.
Sheets.
Slides.
Drive.
Gmail.
Calendar.
Meet.
PDF partagés.
Dossiers d’équipe.
Dans ce cas, le meilleur assistant n’est pas forcément celui où l’on importe les documents. C’est parfois celui qui peut travailler directement là où les documents existent déjà.
Gemini dans Drive peut aider à :
- résumer un fichier ;
- poser une question sur un dossier ;
- retrouver une information ;
- comparer des documents ;
- analyser plusieurs fichiers ;
- extraire des points importants ;
- vérifier une réponse avec des citations ;
- préparer une synthèse depuis des sources Workspace.
C’est très utile pour les équipes Google-first.
Le gain principal est la proximité.
Il n’est pas nécessaire de déplacer les fichiers vers un autre outil. L’IA peut aider dans le contexte de travail existant.
Mais cette logique a aussi une limite.
Plus un assistant est intégré à un écosystème, plus il dépend de cet écosystème. Si votre travail est réparti entre dossiers locaux, PDF, outils créatifs, code, images, vidéos, notes Markdown et exports, un assistant Drive ne suffira pas toujours.
Gemini Workspace est donc très pertinent pour les organisations qui vivent déjà dans Google.
Mais il ne remplace pas forcément un workspace créatif plus large.
Microsoft Copilot : les documents dans l’environnement de l’entreprise
Microsoft Copilot joue un rôle similaire dans l’écosystème Microsoft.
Son intérêt vient de son intégration avec Word, Excel, PowerPoint, Outlook, Teams, OneDrive, SharePoint et les environnements professionnels.
Pour une entreprise, travailler avec des documents ne signifie pas seulement résumer un PDF.
Cela signifie aussi respecter :
- les permissions ;
- les identités ;
- les dossiers partagés ;
- les emails ;
- les réunions ;
- les versions ;
- les fichiers Office ;
- les politiques de sécurité ;
- les règles de conformité ;
- la collaboration entre équipes.
Copilot est utile pour :
- résumer des réunions ;
- préparer des emails ;
- analyser des fichiers Excel ;
- transformer un document Word en présentation ;
- retrouver des informations internes ;
- travailler avec des fichiers partagés ;
- aider à produire des contenus d’équipe ;
- organiser des éléments dispersés dans Microsoft 365.
Sa force est l’intégration.
Mais pour un créateur solo, un artiste, un écrivain ou un développeur indépendant, cette force peut être moins centrale si le travail ne vit pas dans Microsoft 365.
Copilot est donc un excellent outil documentaire d’entreprise.
Il est moins forcément le meilleur choix pour un workflow créatif local-first.
Perplexity, Elicit et Consensus : compléter les documents internes avec des sources externes
Travailler avec ses documents ne suffit pas toujours.
Parfois, il faut aussi vérifier, compléter ou confronter avec des sources externes.
C’est là que des outils comme Perplexity, Elicit, Consensus ou Semantic Scholar deviennent utiles.
Ils permettent de :
- trouver des sources web ;
- vérifier une information ;
- repérer des documents officiels ;
- explorer la littérature scientifique ;
- comparer des points de vue ;
- chercher une donnée récente ;
- renforcer un article ;
- éviter de rester enfermé dans son propre corpus.
Cette étape est essentielle.
Un corpus personnel peut être incomplet, ancien, biaisé ou trop limité. L’IA peut très bien résumer vos documents, mais si vos documents sont faibles, la synthèse le sera aussi.
Le bon workflow consiste donc à alterner :
- sources internes ;
- sources externes ;
- vérification ;
- synthèse ;
- production.
Un article sérieux ne repose pas uniquement sur ce que l’on a déjà.
Il doit aussi vérifier ce qui a changé, ce qui manque et ce qui contredit le corpus.
IA locale et RAG : garder le contrôle sur ses documents
Une autre voie devient de plus en plus importante : travailler avec ses documents en local ou dans une infrastructure contrôlée.
Cette logique intéresse surtout :
- les développeurs ;
- les équipes techniques ;
- les organisations sensibles à la confidentialité ;
- les indépendants qui veulent maîtriser leurs données ;
- les utilisateurs avancés ;
- les projets local-first ;
- les workflows open-source.
Avec des outils comme Ollama, LM Studio, Open WebUI, AnythingLLM, Dify, LlamaIndex, LangChain ou des systèmes RAG personnalisés, il devient possible de créer un assistant qui interroge une base documentaire.
Le principe du RAG est simple à comprendre.
Au lieu de demander au modèle de tout connaître, on lui fournit des passages pertinents tirés de vos documents. Le modèle répond ensuite à partir de ces éléments.
Cette approche peut servir à :
- interroger une documentation interne ;
- chercher dans des notes ;
- créer un assistant projet ;
- analyser des PDF ;
- travailler avec des fichiers locaux ;
- construire un chatbot documentaire ;
- garder plus de contrôle ;
- réduire l’exposition de données sensibles.
Mais le RAG n’est pas magique.
Il dépend de la qualité :
- des documents ;
- du découpage ;
- de l’indexation ;
- de la recherche ;
- du modèle ;
- des prompts ;
- de l’interface ;
- de la vérification ;
- des citations.
Un mauvais RAG peut donner une impression de précision tout en récupérant les mauvais passages.
L’IA locale et les workflows RAG sont donc très puissants, mais ils demandent une vraie méthode technique.
Obsidian, Notion, Readwise et les bases personnelles de connaissance
Travailler avec ses documents, ce n’est pas seulement utiliser des PDF.
C’est aussi organiser sa connaissance personnelle.
Notes, extraits, citations, idées, lectures, brouillons, plans, références, liens, cartes mentales : tout cela forme une base de pensée.
Des outils comme Obsidian, Notion, Readwise, Heptabase, Reflect ou Tana peuvent jouer un rôle important dans cette logique.
L’IA peut aider à :
- retrouver une note ;
- relier des idées ;
- résumer une série d’extraits ;
- transformer des notes en plan ;
- préparer un article ;
- créer une synthèse ;
- reformuler une réflexion ;
- organiser une base de connaissance ;
- faire émerger des connexions.
Mais il faut faire attention à un piège.
Une base de connaissance n’est pas utile parce qu’elle contient beaucoup de notes. Elle est utile parce qu’elle permet de penser mieux.
L’IA peut accélérer la recherche dans les notes, mais elle ne remplace pas le travail de sélection, de hiérarchie et de formulation.
Le vrai enjeu est de transformer l’accumulation en structure.
La méthode simple : collecter, classer, questionner, vérifier, produire
Pour bien travailler avec ses documents grâce à l’IA, une méthode simple suffit souvent.
1. Collecter
Rassembler les documents utiles.
PDF, notes, articles, liens, transcriptions, scripts, captures, tableaux, rapports, fichiers, emails, images, vidéos.
À ce stade, il faut éviter de tout jeter dans un même espace sans réfléchir. Le corpus doit correspondre au sujet.
2. Classer
Nommer, trier et organiser.
Un fichier intitulé document-final-v3-bis.pdf n’aide personne. Une IA peut parfois s’en sortir, mais un bon nommage améliore tout le workflow.
Il faut identifier :
- les sources principales ;
- les sources secondaires ;
- les documents obsolètes ;
- les versions ;
- les langues ;
- les formats ;
- les priorités.
3. Questionner
Ne pas demander seulement un résumé.
Poser de vraies questions :
- Quelles sont les idées fortes ?
- Quels points se répètent ?
- Qu’est-ce qui manque ?
- Quelles contradictions apparaissent ?
- Quelles informations sont datées ?
- Quels passages faut-il citer ?
- Quels éléments méritent une vérification ?
- Quel plan peut émerger du corpus ?
4. Vérifier
Ouvrir les documents.
Lire les passages importants.
Comparer les sources.
Vérifier les citations.
Regarder les dates.
Confirmer les chiffres.
Identifier les incertitudes.
L’IA peut aider à pointer les éléments à vérifier, mais elle ne doit pas être la seule étape de vérification.
5. Produire
Une fois la matière comprise, l’IA peut aider à produire :
- article ;
- synthèse ;
- FAQ ;
- script ;
- infographie ;
- carrousel ;
- vidéo ;
- documentation ;
- rapport ;
- traduction ;
- plan d’action.
Mais la production doit venir après la compréhension.
Sinon, on génère vite, mais on produit fragile.
Les bonnes questions à poser à une IA documentaire
La qualité du travail dépend beaucoup des questions posées.
Au lieu de demander :
Résume ces documents.
Il vaut mieux demander :
Résume ces documents en distinguant les faits, les interprétations, les chiffres, les incertitudes et les points à vérifier.
Au lieu de demander :
Fais-moi un article avec ces sources.
Il vaut mieux demander :
Propose un plan d’article fondé uniquement sur ces sources, puis indique quelles parties nécessitent une recherche complémentaire.
Au lieu de demander :
Quelle est la conclusion ?
Il vaut mieux demander :
Donne trois conclusions possibles, avec les arguments qui les soutiennent et les limites de chacune.
Au lieu de demander :
Trouve les points importants.
Il vaut mieux demander :
Liste les idées qui reviennent dans plusieurs documents, puis les idées présentes dans une seule source mais importantes.
Au lieu de demander :
Explique-moi ce dossier.
Il vaut mieux demander :
Explique ce dossier à trois niveaux : débutant, professionnel pressé, expert qui veut connaître les limites.
L’IA devient beaucoup plus utile quand elle est utilisée comme un outil d’analyse, pas seulement comme un outil de résumé.
Les pièges à éviter
Le premier piège est de confondre source importée et source comprise.
Importer un fichier ne veut pas dire que l’IA l’a correctement exploité.
Le deuxième piège est de mélanger trop de documents sans structure.
Un corpus trop large, mal classé ou contradictoire peut produire des synthèses floues.
Le troisième piège est de ne pas vérifier les citations.
Une citation ou une référence doit toujours être contrôlée dans le document original.
Le quatrième piège est de travailler sur des documents obsolètes.
Dans l’IA, le droit, les prix, les outils, les modèles et les plateformes, une information peut changer très vite.
Le cinquième piège est de croire que l’IA sait ce qui est important pour votre projet.
Elle peut identifier des thèmes, mais elle ne connaît pas toujours vos priorités réelles.
Le sixième piège est de ne pas séparer les documents internes et les sources externes.
Une note personnelle, une documentation officielle, un article d’opinion, un rapport scientifique et une page commerciale n’ont pas la même valeur.
Le septième piège est de perdre les versions.
Quand un document évolue, il faut savoir quelle version a servi à quelle synthèse.
Le huitième piège est de produire trop vite.
L’IA rend la production rapide. Mais un contenu sérieux demande encore sélection, vérification et intention.
Le workflow article : des sources au contenu publié
Pour un média comme Panaches Media, le workflow documentaire peut devenir très efficace.
Un article peut suivre cette chaîne :
- collecter les sources ;
- les classer par type ;
- faire une première synthèse ;
- identifier les points forts ;
- vérifier les informations sensibles ;
- construire un plan ;
- rédiger l’article ;
- créer l’infographie ;
- produire un script vidéo ;
- traduire en EN et ES ;
- préparer les posts sociaux ;
- archiver les sources et les exports.
Cette chaîne transforme un dossier documentaire en système de contenu.
Une source ne sert pas une seule fois.
Elle peut alimenter :
- un article ;
- une FAQ ;
- un tableau comparatif ;
- une infographie ;
- un carrousel ;
- une vidéo courte ;
- une newsletter ;
- une page ressource ;
- une documentation interne.
C’est là que l’IA devient vraiment rentable.
Elle ne sert pas seulement à “faire un résumé”.
Elle sert à transformer la matière documentaire en plusieurs formats cohérents.
Dans Panaches
Panaches a une place très naturelle dans ce sujet.
Parce que le problème du travail documentaire n’est pas seulement l’intelligence du modèle.
Le problème est l’espace de travail.
Aujourd’hui, les créateurs utilisent souvent :
- un navigateur pour chercher ;
- un dossier local pour stocker ;
- un éditeur de texte pour écrire ;
- un outil IA pour résumer ;
- un autre outil pour les images ;
- un autre pour les vidéos ;
- un autre pour les notes ;
- un autre pour les exports ;
- un autre pour le CMS.
Le résultat est une dispersion permanente.
Panaches cherche justement à réduire cette dispersion.
Dans un workspace local, un projet peut réunir :
- articles ;
- notes ;
- PDF ;
- images ;
- moodboards ;
- scripts ;
- traductions ;
- code ;
- médias ;
- exports ;
- sources ;
- assistance IA.
L’IA n’est alors pas seulement un chatbot externe. Elle devient une couche d’aide dans un environnement de travail plus large.
Pour un dossier comme “IA 2026”, cela change tout.
On peut garder les sources, rédiger l’article, préparer l’infographie, écrire le script vidéo, stocker les images, organiser les traductions et conserver les fichiers du projet au même endroit.
Panaches ne remplace pas NotebookLM, ChatGPT Projects ou Claude Projects.
Mais il répond à une autre question :
Où est-ce que tout le travail créatif reste organisé ?
C’est cette question qui devient essentielle quand les projets grossissent.
Conclusion : l’IA documentaire doit renforcer les sources, pas les faire disparaître
En 2026, travailler avec ses documents grâce à l’IA devient l’un des usages les plus importants.
NotebookLM aide à interroger des corpus.
ChatGPT Projects organise les chats, fichiers et instructions autour d’un travail long.
Claude Projects est très utile pour les documents, la synthèse et l’écriture structurée.
Gemini Drive et Microsoft Copilot rapprochent l’IA des fichiers déjà présents dans les écosystèmes Google et Microsoft.
Les workflows locaux et RAG apportent plus de contrôle.
Les workspaces créatifs comme Panaches posent la question de l’organisation globale.
Mais la règle reste la même.
L’IA ne doit pas faire disparaître les sources.
Elle doit aider à les lire, les relier, les vérifier, les transformer et les réutiliser.
Un bon workflow documentaire ne commence pas par une réponse.
Il commence par un corpus clair, des sources visibles, des questions précises et une méthode de vérification.
C’est à cette condition que l’IA devient vraiment utile.
Pas comme une machine à résumer.
Mais comme un atelier pour transformer des documents en compréhension, puis en création.
FAQ
Quel est le meilleur outil IA pour travailler avec ses documents ?
Cela dépend du besoin. NotebookLM est excellent pour interroger un corpus de sources. ChatGPT Projects et Claude Projects sont utiles pour organiser un travail long avec fichiers, conversations et instructions. Gemini Drive et Microsoft Copilot sont plus adaptés si vos documents vivent déjà dans Google Workspace ou Microsoft 365.
Quelle est la différence entre NotebookLM et ChatGPT Projects ?
NotebookLM est surtout centré sur un corpus de sources. ChatGPT Projects est davantage un espace de travail IA qui regroupe fichiers, chats, instructions et contexte autour d’un projet long.
Claude Projects est-il adapté aux documents longs ?
Oui. Claude est particulièrement intéressant pour les textes longs, la synthèse, l’analyse et la structuration. Les projets permettent de garder un contexte documentaire et des instructions dédiées.
Est-ce que l’IA peut remplacer la lecture d’un document ?
Non. Elle peut accélérer la lecture, résumer, extraire des idées et repérer des points importants, mais les passages sensibles doivent toujours être vérifiés dans le document original.
Qu’est-ce que le RAG ?
Le RAG, ou retrieval augmented generation, consiste à donner au modèle des passages pertinents issus d’une base documentaire afin qu’il réponde à partir de ces sources plutôt que depuis sa seule connaissance générale.
Pourquoi travailler en local avec ses documents ?
Le local peut être utile pour la confidentialité, le contrôle, l’expérimentation ou l’intégration dans un workflow spécifique. En revanche, il demande souvent plus de configuration et de méthode technique.
Quel rôle peut jouer Panaches dans le travail documentaire ?
Panaches peut servir d’espace de travail pour rassembler notes, documents, PDF, images, moodboards, scripts, traductions, exports et assistance IA dans un même projet, afin de réduire la dispersion.
