Projet · En service
Fellow, une veille IA en service
Fellow est la veille de l’intelligence artificielle en français que j’ai conçue et construite, et que j’édite : chaque jour, il lit les articles de sources choisies une à une, les traduit, les classe et les juge selon une grille publique. Il s’adresse à qui veut suivre l’IA sans tout lire, et à qui écrit sur le sujet.
Le relevé
Relevé sur fellow.news le , à 3 h 35, heure de Paris. Chaque chiffre renvoie à la page qui le donne.
- Sources lues
- 4522 flux RSS ou Atom, 11 newsletters, 6 API, 6 pages index fellow.news/methodologie
- Éditions par jour
- 4à 9 h, 13 h, 17 h et 22 h, heure de Paris fellow.news/methodologie
- Édition en tête du site
- N° 638celle du 9 novembre 2026 fellow.news, en tête de page
- Première édition
- 20 avril 2026le N° 1, au matin fellow.news/methodologie
- Articles en 35 jours
- 1 580 fellow.news, pied de page
- Jugement des articles
- depuis fin août 2026 fellow.news/llms.txt
Le besoin
Le point de départ tient dans le manifeste de Fellow, en une phrase : « L’IA a fait s’effondrer le coût de production du contenu… et pas celui de votre attention. » Il n’y a jamais eu autant à lire sur l’IA, et chaque titre est écrit pour être cliqué.
Suivre le sujet demande donc de tout lire, puis de trier en disant pourquoi. Je l’ai construit pour faire ce travail chaque jour, en montrant chaque jugement.
La chaîne
Six étapes, selon la méthodologie publique de Fellow :
- Les sources. 45 sources choisies une à une : 22 flux RSS ou Atom, 11 newsletters lues pour leurs liens, 6 API (arXiv, Hacker News, Hugging Face) et 6 pages de labs sans flux, relevées par un agent.
- La collecte. Quatre fois par jour, les sources sont lues en parallèle et les doublons écartés par adresse.
- L’enrichissement. Chaque article passe par un modèle Claude, avec Mistral en secours, qui rend un JSON strict : titre et résumé en français, classement, étiquettes et trois notes. Les reprises d’une même annonce sont ensuite regroupées par le sens ; dans le doute, un juge les sépare.
- La passe éditoriale. Trente minutes plus tard, le modèle relit le corps réel de l’article, quand le site l’autorise, et rend un verdict (majeur, notable, léger ou bruit) avec une phrase qui cite le critère décisif. Un titre qui affirme plus que l’article est marqué « titre à nuancer ».
- La publication. Quatre éditions par jour, le direct, la newsletter de 9 h 45, les archives et un serveur MCP pour les assistants.
- La révision. Un verdict peut changer ; chaque changement est daté et dit d’où il vient. L’avis signé « La rédaction de Fellow » est relu par un humain avant de paraître.
Les choix
- Une grille écrite par un humain, appliquée par une IA. Les critères sont publics et contestables (manifeste).
- Deux passes, la seconde sur le texte entier quand le site l’autorise. « On lit le corps de l’article, jamais seulement le titre » (manifeste).
- Un JSON strict. Le modèle remplit des champs nommés ; pour les pages de labs, seules les adresses présentes sur la page sont acceptées (méthodologie).
- Le doute profite au titre. « Mieux vaut un flag manqué qu’un flag injustifié » (méthodologie).
- Un robot qui se nomme. FellowBot ne se fait jamais passer pour un navigateur ; avant de lire la page d’un autre site, il vérifie robots.txt et les refus adressés aux robots d’IA, et une page qui le refuse n’est pas lue (notre robot).
- Le bruit marqué, pas caché. « Le bruit supprimé, vous ne pouvez pas vérifier qu’on a bien jugé » (manifeste).
- Un serveur MCP ouvert. Gratuit, sans compte, en lecture seule (fellow.news/mcp).
Les limites
Le manifeste le dit lui-même : « Fellow n’a pas accès à la vérité. Nos verdicts sont rendus par une IA, avec une grille écrite par un humain : c’est un jugement situé, révisable, et parfois faux. »
La méthodologie nomme une « limite connue », la chaleur d’un article, une estimation subjective du modèle ; et aucune décision humaine n’entre dans la boucle de collecte : « des erreurs sont inévitables ».
Ce que ça montre
Fellow est un projet personnel, mais c’est le même travail que pour une entreprise : partir d’un besoin réel, ici un flux trop gros pour être lu, et construire une chaîne qui tourne chaque jour, avec ses garde-fous. C’est le cœur du développement de solutions IA.
Décider où l’IA tranche et où un humain garde la main, c’est du conseil. Comprendre ce que fait un modèle, ce qu’il ne fait pas, et écrire des règles assez claires pour qu’on puisse les discuter, c’est ce que je transmets en formation.