L'article de presse est une relique, votre archive est une mine d'or

J'étais assis en face du directeur numérique d'un journal historique — un que vous avez forcément lu — lorsqu'il a ouvert un graphique sur son ordinateur portable et l'a tourné vers moi. Le trafic organique, mois après mois, sur les dix-huit derniers mois. On aurait dit que quelqu'un avait poussé un rocher du haut d'une falaise.

« On fait tout comme il faut », a-t-il dit. « Plus d'articles, un meilleur référencement, des pages qui se chargent plus vite. Et on perd du terrain. »

Il n'avait pas tort sur l'exécution. Il avait tort sur le jeu. Le jeu avait changé sous ses pieds pendant qu'il optimisait pour l'ancien. Et cette conversation — qui a eu lieu autour d'un café tiède dans une salle de réunion avec vue sur un parking à étages — est la raison pour laquelle j'ai passé les mois suivants à construire quelque chose qui, j'en suis convaincu, redéfinira la façon dont les entreprises médias survivent.

L'idée centrale est simple, presque douloureusement simple : les entreprises médias doivent cesser de vendre des articles et commencer à vendre des réponses. Le fil d'actualité est mort. L'archive est vivante. Et la technologie pour combler ce fossé — pour transformer cinquante ans de journalisme en un moteur d'intelligence conversationnelle — existe déjà. Il nous suffit de la construire correctement.

J'ai rédigé une analyse interactive approfondie de toute cette thèse si vous voulez le tableau complet. Mais laissez-moi vous raconter comment nous en sommes arrivés là, car les chiffres à eux seuls ne rendent pas le vertige de voir craquer les fondations de tout un secteur.

Pourquoi plus personne ne clique-t-il ?

Voici le fait qui empêche les dirigeants des médias de dormir : 60 % des recherches Google se terminent désormais sans le moindre clic vers un site web. Sur mobile, c'est 77 %. Google est devenu la destination, et non la porte d'entrée. Le moteur de recherche qui a bâti l'économie de l'édition numérique est discrètement devenu son plus grand concurrent.

Et l'ampleur des dégâts est stupéfiante. Au premier semestre 2025, l'éditeur médian a connu une baisse de trafic de 10 % sur un an. Mais « médian » masque le carnage. CNN a chuté de 27 % à 38 %. Forbes et Business Insider ont reculé de près de 50 %. HubSpot — une entreprise qui a pour ainsi dire inventé le marketing de contenu moderne — a perdu 70 à 80 % de son trafic organique.

Le coupable, ce sont les AI Overviews. Lorsque le résumé généré par l'IA de Google apparaît en tête des résultats de recherche — ce qui se produit désormais pour environ 13 % des requêtes — les taux de clic vers les liens organiques s'effondrent d'environ 47 %. L'IA lit les articles pour que l'utilisateur n'ait pas à le faire.

Je me souviens que mon équipe et moi fixions ces chiffres lors d'une séance de travail tard le soir. Quelqu'un a lancé : « Donc les éditeurs créent le contenu, l'IA de Google le dévore, et l'utilisateur ne visite jamais le site ? » C'est exactement ça. Et ça empire.

Le moteur de recherche n'est plus un apporteur de trafic. C'est un concurrent pour l'attention.

Le trafic vers les plateformes d'IA générative — ChatGPT, Perplexity, Claude — croît 165 fois plus vite que le trafic vers la recherche traditionnelle. Les utilisateurs posent des questions plus longues et plus complexes. Les recherches de cinq mots ou plus progressent 1,5 fois plus vite que les requêtes courtes par mots-clés. Les gens ne veulent pas dix liens bleus. Ils veulent une bonne réponse.

L'article est une relique (et je le dis avec tendresse)

Je dois faire attention ici, car j'aime sincèrement le journalisme de fond. J'en lis constamment. Mais je dois aussi être honnête sur ce qu'est réellement le format de l'article : un contenant conçu pour la distribution imprimée.

Réfléchissez-y. On imprimait un article de 800 mots dans un journal parce qu'on ne pouvait pas imprimer 800 réponses individuelles. La distribution physique était coûteuse et sporadique, alors on regroupait l'information dans des récits. Cela avait parfaitement du sens en 1975. Cela avait un sens correct en 2005, lorsque l'article a migré en ligne mais que les habitudes de lecture sont restées à peu près les mêmes.

Cela n'a presque plus aucun sens en 2025.

Un utilisateur qui cherche « Quelle est la position du maire sur le logement ? » ne veut pas un reportage de 1 000 mots sur l'histoire du zonage urbain. Il veut la position du maire sur le logement. Le modèle traditionnel le force à franchir un parcours du combattant : Recherche → Clic → Défilement → Balayage → Lecture → Extraction. Chaque étape est une friction. Chaque étape est une occasion de le perdre.

J'ai eu ce débat avec une amie journaliste qui a vivement objecté. « Tu réduis le journalisme à des faits », a-t-elle dit. « Les récits comptent. Le contexte compte. La narration compte. » Elle a tout à fait raison — pour les tribunes d'opinion, les enquêtes, les portraits, les reportages. Ce sont des formes d'art. Mais l'immense majorité de ce qui remplit un fil d'actualité n'est pas de l'art. C'est de l'information piégée dans un format inefficace. Et les utilisateurs votent par leur comportement : ils préfèrent interroger une IA plutôt que de s'en dépatouiller.

Et si l'archive n'était pas un cimetière ?

C'est là que la conversation avec ce directeur numérique est passée du déprimant à l'électrisant.

Je lui ai demandé combien d'articles contenait leur archive. Il a marqué une pause. « Sans doute... quelques millions ? Remontant jusqu'aux années soixante-dix ? » Il l'a dit comme si c'était un fardeau — un coût de serveur, un casse-tête de maintenance.

Je lui ai dit que c'était l'actif le plus précieux que possédait son entreprise. Plus précieux que la marque. Plus précieux que le fichier des abonnés. Parce que ces millions d'articles, couvrant cinq décennies de politique locale, d'économie, de faits divers, de culture — c'est un jeu de données qu'aucune entreprise d'IA sur terre ne peut reproduire sans sa permission.

Le problème n'est pas la donnée. Le problème, c'est qu'elle est enfermée dans des blocs de texte non structurés, déconnectés les uns des autres. L'article A mentionne que la personne X travaille chez l'entreprise Y. L'article B, publié trois ans plus tard, mentionne que l'entreprise Y est mêlée au scandale Z. Aucun article isolé ne relie la personne X au scandale Z. Mais le lien existe — enfoui à travers l'archive, invisible pour n'importe quelle barre de recherche, attendant que quelqu'un le reconstitue.

Les éditeurs qui voient leur produit uniquement comme des « articles » fabriquent des fouets de charrette à l'ère de l'automobile.

Cette reconstitution, c'est ce que nous construisons chez Veriprajna. Pas des chatbots. Pas des surcouches de GPT. Des moteurs d'intelligence.

La question du maire qui a tout changé

Rendons cela concret. Imaginez un utilisateur — un chercheur en politiques publiques locales, un citoyen concerné, un journaliste d'un média concurrent — qui veut comprendre comment la position du maire sur le logement a évolué depuis 2010.

Dans l'ancien modèle, il cherche « position maire logement » sur le site du journal. Il obtient cinquante résultats. Il ouvre l'article de 2010 : « Le maire s'oppose à la construction de tours ». Il ouvre l'article de 2015 : « Le maire assouplit sa position face à la crise de l'abordabilité ». Il ouvre l'article de 2022 : « Le maire défend le projet de loi Construire Maintenant ». Il synthétise mentalement l'évolution. Cela lui prend quarante-cinq minutes s'il est rapide.

Dans le modèle que nous construisons, il tape la question. Le système la décompose en sous-requêtes temporelles. Il parcourt un graphe de connaissances — sans se contenter de chercher des mots-clés, mais en suivant les relations entre l'entité Maire et l'entité Développement du logement à travers des arêtes horodatées. Il repère le glissement de position, du négatif (2010) au neutre (2015) jusqu'au positif (2022). Il génère un récit avec des citations renvoyant aux articles d'origine. Il produit une visualisation en chronologie.

Dix secondes.

Ce n'est pas un chatbot. C'est un produit d'intelligence. Et c'est le genre de chose pour laquelle des professionnels — lobbyistes, analystes, avocats, stratèges d'entreprise — paieraient une somme rondelette.

Pourquoi ne peut-on pas simplement lancer GPT sur une archive ?

J'aimerais bien qu'on le puisse. Cela me faciliterait grandement la tâche.

Nous avons essayé l'approche naïve au début. Prendre des articles, les découper en tronçons de 500 mots, les vectoriser en plongements, faire une recherche par similarité, transmettre les résultats à un LLM. C'est ce que font la plupart des implémentations de « chatbot IA ». Et pour de simples recherches d'un fait unique dans une documentation statique, ça fonctionne bien.

Pour les archives d'actualité, cela échoue de manières subtiles et dangereuses.

Il perd le fil. Le découpage brise les arcs narratifs. Un tronçon évoquant un verdict se retrouve séparé du tronçon décrivant le crime. Le système est littéralement incapable de suivre une histoire qui se déroule à travers plusieurs articles sur plusieurs années.

Il est aveugle au temps. La similarité vectorielle ne sait pas en quelle année on est. Un article de 2010 disant « le marché immobilier s'effondre » est sémantiquement identique à un article de 2024 disant la même chose. Le système confond la réalité passée avec la réalité actuelle. Il ne peut pas distinguer ce qui était vrai de ce qui est vrai.

Il ne peut pas relier les points. Si la personne X et le scandale Z n'apparaissent jamais dans le même article, la récupération naïve ne trouvera jamais le lien — même si l'entreprise Y les relie. Le système ne dispose pas de ce que les chercheurs appellent le « raisonnement multi-sauts ».

Il hallucine pour combler les lacunes. Lorsque la récupération manque un contexte pertinent, le LLM ne dit pas « je ne sais pas ». Il invente. Il fabrique des citations. Il crée des événements qui n'ont jamais eu lieu. Dans le journalisme, ce n'est pas un rapport de bug. C'est un procès.

Nous avons appris tout cela à nos dépens. Il y a eu un test précis — je ne nommerai pas la publication — où le système naïf a attribué avec assurance une citation à un homme politique qui n'avait jamais rien dit de la sorte. La citation semblait plausible. Elle était grammaticalement cohérente avec la manière dont s'exprimait cet homme politique. Elle était totalement inventée. C'est à ce moment-là que j'ai su qu'il nous fallait une architecture fondamentalement différente.

Comment construire un moteur d'intelligence qui fonctionne vraiment ?

L'architecture que nous avons développée chez Veriprajna comporte trois couches, chacune résolvant un mode de défaillance précis. Je vais les esquisser brièvement ici — pour le détail technique complet, voir notre article de recherche.

Couche un : GraphRAG. Au lieu de traiter l'archive comme un sac de tronçons de texte déconnectés, nous en extrayons un graphe de connaissances — des entités (personnes, organisations, lieux, événements) et les relations entre elles. « Elon Musk » → a acquis → « Twitter ». Celles-ci sont stockées dans une base de données de graphes où chaque article est interconnecté. Lorsqu'un utilisateur pose une question complexe, le système ne se contente pas de chercher des mots-clés. Il parcourt le graphe, sautant de nœud en nœud, trouvant des connexions qui s'étendent sur des décennies et des milliers d'articles.

Les résultats sont spectaculaires. Sur les tâches de raisonnement multi-sauts, GraphRAG a montré des gains d'exhaustivité de 72 à 83 % par rapport aux approches purement vectorielles. Il peut répondre à « Quels sont les grands thèmes de cinq années de couverture climatique ? » — une question que le RAG naïf ne peut même pas aborder.

Couche deux : Temporal RAG. Chaque tronçon et chaque arête du graphe est étiqueté avec des métadonnées de temps de validité. Les relations sont versionnées — l'arête « PDG d'Apple » pour Steve Jobs a des bornes temporelles différentes de celle pour Tim Cook. Lorsqu'un utilisateur pose une question évolutive, le système la décompose en sous-requêtes temporelles et assemble les résultats de manière chronologique. L'archive devient une machine à remonter le temps.

Couche trois : les workflows agentiques. Le LLM ne se contente pas de récupérer et de répondre. Il planifie. Un agent Planificateur décompose une requête complexe (« Rédige un rapport de due diligence sur l'entreprise X ») en sous-tâches. Un agent Chercheur exécute des requêtes ciblées. Un agent Critique examine les résultats pour repérer les lacunes et les contradictions avant que l'utilisateur ne voie quoi que ce soit. Un agent Rédacteur synthétise le résultat final avec des citations.

Nous n'enveloppons pas des API. Nous reconstruisons les fondations de l'infrastructure du savoir.

Cet agent Critique est crucial. C'est essentiellement un vérificateur de faits intégré — un second appel au LLM qui compare chaque affirmation générée aux documents sources et élimine tout ce qui n'est pas étayé. Combiné à des instructions strictes d'ancrage et à l'exigence de citations, c'est ainsi que nous maintenons ce que je considère comme une politique de tolérance zéro envers la fabrication.

Que sait le Financial Times que tous les autres ignorent ?

Le FT a lancé « Ask FT » — une interface conversationnelle qui permet à ses abonnés professionnels d'interroger son archive. Chaque réponse est ancrée uniquement dans le journalisme du FT. Chaque affirmation comporte une citation cliquable. C'est conçu pour des flux de travail professionnels précis : préparation de réunions, due diligence rapide, analyse de tendances.

Bloomberg est allé encore plus loin avec BloombergGPT, un LLM spécialisé qui traduit le langage naturel en Bloomberg Query Language. Un analyste peut demander « Montre-moi la croissance du chiffre d'affaires des entreprises technologiques au T3 2024 » et obtenir un tableau formaté. Il peut interroger les transcriptions de conférences de résultats — en demandant le ton d'un PDG sur un facteur de risque précis — au lieu de lire des centaines de pages de façon linéaire.

Ce ne sont pas des expériences. Ce sont des modèles économiques. Et ils indiquent où se trouve réellement l'argent.

D'où vient l'argent ?

Les gens me demandent toujours si ce modèle d'« intelligence en tant que service » peut réellement remplacer les revenus publicitaires. Ma réponse honnête : il n'a pas besoin de remplacer la totalité de ces revenus. Il doit remplacer la part qui est en train de disparaître.

L'économie se décompose en trois paliers.

Premièrement, un abonnement Palier Intelligence — non pas 10 $/mois pour « lire les actualités », mais 1 000 $ et plus par an pour des professionnels qui ont besoin d'un accès approfondi aux archives, de workflows agentiques et de recherches étayées par des citations. Professionnels de la finance, équipes d'intelligence économique, cabinets d'avocats faisant de la recherche réglementaire. Ces utilisateurs existent. Ils paient actuellement des analystes pour faire manuellement ce qu'un système bien conçu fait en quelques secondes.

Deuxièmement, les licences d'API. Au lieu de combattre les robots d'IA avec robots.txt, formalisez l'échange de données. Vendez un accès aux archives propre, vectorisé et structuré en graphe aux plateformes de recherche d'entreprise, aux terminaux financiers et aux développeurs tiers. Facturez à la requête ou au jeton. L'intelligence de l'éditeur vit à l'intérieur du flux de travail du client.

Troisièmement, et c'est la partie que la plupart des gens ratent : le fossé de données lui-même. Dans un monde où n'importe qui peut accéder à GPT-4, le modèle n'est pas l'avantage concurrentiel. C'est la donnée. Une archive de cinquante ans d'actualité locale est un jeu de données qu'OpenAI ne peut pas reproduire. Le graphe de connaissances issu de cette archive — la toile des acteurs de pouvoir locaux, la chronologie des virages politiques, le réseau des relations entre entreprises — est une propriété intellectuelle exclusive dont la valeur se capitalise au fil du temps.

Dans un monde de modèles d'IA banalisés, le fossé n'est pas l'algorithme. C'est l'archive.

Et les journalistes dans tout ça ?

On me pose cette question sans arrêt, et je pense qu'elle mérite une réponse directe plutôt qu'une esquive. Ce virage n'élimine pas le journalisme. Il élimine l'inefficacité de la manière dont le journalisme atteint les gens. Le reporter qui passe trois mois à enquêter sur un scandale de corruption effectue un travail qu'aucune IA ne peut reproduire. Le système que nous construisons rend ce travail plus découvrable, plus interrogeable, plus précieux au fil du temps. Il transforme un article qui se lit pendant une semaine puis se retrouve enterré à la page 47 des résultats de recherche en un nœud permanent et récupérable dans un graphe de connaissances qui refait surface chaque fois que quelqu'un pose une question connexe au cours des cinquante prochaines années.

La menace pour le journalisme, ce n'est pas l'IA conversationnelle. La menace, c'est l'effondrement de l'économie de la recommandation qui finance le journalisme. Si le trafic a disparu — et c'est le cas — alors s'accrocher au modèle du fil financé par la publicité n'est pas de la loyauté envers le métier. C'est du déni.

Que se passe-t-il si les entreprises médias ne pivotent pas ?

Quelque chose de pire que le déclin : l'insignifiance. Leurs archives se font aspirer par les entreprises d'IA, synthétiser en données d'entraînement et resservir aux utilisateurs sans attribution, sans paiement et sans la couche de confiance qu'apportent les standards éditoriaux. L'éditeur devient un fournisseur de contenu non rémunéré au service du produit d'intelligence de quelqu'un d'autre.

Certains éditeurs signent déjà des accords de licence avec OpenAI et d'autres. C'est un début, mais c'est une transaction ponctuelle à faible marge. Vous vendez des matières premières alors que vous pourriez vendre de l'intelligence raffinée. C'est la différence entre exporter du pétrole brut et construire une raffinerie.

L'avenir de la consommation d'actualités, ce n'est pas le fil. C'est la conversation. Nous nous dirigeons vers ce que je considère comme l'Interface Générative — des interfaces qui s'adaptent à la réponse. Demandez une chronologie, obtenez une chronologie. Demandez une comparaison, obtenez un tableau. Demandez une synthèse, obtenez un PDF. Le site web statique se dissout en une toile fluide et adaptative pour l'intelligence.

Les entreprises médias qui maîtriseront les structures de données sous-jacentes — les vecteurs, les graphes, la logique temporelle — définiront cet avenir. Elles ne se contenteront pas de survivre à la mort du fil d'actualité. Elles construiront quelque chose de mieux que ce que le fil n'a jamais été.

L'archive n'est pas un centre de coûts. C'est toute l'entreprise. La seule question est de savoir si vous serez celui qui la déverrouille, ou si vous regarderez quelqu'un d'autre le faire avec vos données.

Cessez de vendre des mots. Commencez à vendre des réponses.