Carnet de labo : construire son assistant IA de gestion de tâches

Contexte

Je suis indépendant data/IA. Je jongle entre projets clients, développement produit, business dev et veille technique.

Le problème n'était pas le temps de travail. C'était la charge mentale.

Avant de construire ce système, voici où partait mon énergie quotidienne :

Décider quoi faire : 20%
Me rappeler où j'en étais : 30%
Planifier la semaine : 15%
Actualiser les statuts : 10%

Total : 75% d'énergie dépensée avant de commencer à produire.

Pour un profil neuroatypique (HPI/TDAH), cet charge mentale génère des effets mesurables :fatigue décisionnelle en fin de semaine, procrastination par paralysie du choix, dispersion sur cinq fronts sans avancer vraiment.

Coût estimé : 10 heures par semaine de productivité perdue. Plus une charge mentale permanente.

Observation : ce que les outils classiques ne règlent pas

J'ai testé plusieurs approches avant d'arriver à ce système.

Todoist + Zapier (3 semaines)

Hypothèse : des règles d'automatisation devraient suffire.

Réalité : trop rigide. Chaque exception nécessite une nouvelle règle. Le temps perdu dans la configuration dépasse le bénéfice.

Pattern révélé : les systèmes de règles ne s'adaptent pas aux contextes changeants.

Notion + AI (1 mois)

Hypothèse : l'IA intégrée peut suggérer des tâches.

Réalité : suggestions génériques. Pas de compréhension du contexte métier. Micro-management constant de la structure de pages.

Pattern révélé : les IA embarquées dans les outils sont limitées par l'UI du produit.

Planning détaillé slot par slot

Erreur : vouloir que l'IA génère un planning de deux heures, créneau par créneau.

Problème : trop prescriptif. Ne respectait pas les imprévus.

Pivot : passer à "trois actions maximum" avec guidage, pas prescription.

Pattern révélé : laisser de la flexibilité fonctionne mieux que sur-planifier.

Décodage : la logique invisible

Le nœud n'est pas dans l'outil. Il est dans l'architecture de l'information.

Les outils SaaS génériques échouent parce qu'ils ne s'adaptent pas au contexte métier réel. Ils imposent leur structure. On finit par servir l'outil au lieu que l'outil nous serve.

La question n'est pas "quel outil utiliser". C'est "quelle architecture permet à une IA de comprendre mon contexte".

Hypothèse de travail :

Un système IA local capable de lire mon contexte — projets, agenda, historique — et de suggérer les bonnes actions au bon moment peut réduire drastiquement la surcharge cognitive.

Contraintes de conception :

Autonomie totale (pas de SaaS, données locales)
Adapté aux cycles énergétiques (pas un système rigide)
Markdown-first (lisible humain + IA, versionnable, pérenne)
Pragmatique (ROI immédiat, pas de sur-ingénierie)

Exécution : l'architecture du système

Architecture DamIA - Gestion de Tâches Le système repose sur 4 composants : un cerveau LLM qui orchestre, des fichiers markdown comme source de vérité, des compétences métier (skills), et des outils connectés (agenda, filesystem).

Stack technique

Obsidian : interface humaine + base de connaissances
Claude Code : interface IA + accès filesystem
Google Calendar (MCP) : contexte temporel + Agenda
Markdown : format de note universel

Structure fichiers

Inspiration : méthode PARA adaptée aux neuroatypiques.

Actions/
├── ROADMAP.md              # liste des projets et des tâches
├── CLAUDE.md               # Mode d'emploi pour l'IA
├── projets/
│   ├── Client_X/
│   ├── DamIA/
│   └── ...
├── areas/
│   ├── business.md
│   └── ...
├── archives/
│   └── 2025-Q4/
├── backlog.md              # Idées en attente
├── focus_semaine.md        # Max 3 priorités
└── energy_log.md           # Tracking énergie

Principes :

ROADMAP.md = Source de vérité unique
focus_semaine.md = règle des 3 priorités maximum
CLAUDE.md = contexte permanent (rythmes, anti-patterns, description du contexte métier, règles d'application)
energy_log.md = tracker l'énergie pour prendre des décisions éclairées

Pourquoi markdown : lisible sans outil, versionnable (git), interopérable, pérenne. Aucun lock-in.

Les skills (capacités métier)

Chaque skill encode une logique métier spécifique.

Skill 1 : planning-jour

Déclencheur : "Qu'est-ce que je fais aujourd'hui ?"

Logique :

Lit Google Calendar → rendez-vous du jour
Lit ROADMAP.md → projets en cours
Lit focus_semaine.md → priorités semaine
Considère le jour (jeudi = fatigue → tâches légères)
Output : 3 actions impactantes maximum

Exemple de sortie :

Mardi 10h (pic focus)
1. POC Client X - Module extraction (3h deep work)
2. Préparer questions RDV Client Y 14h (30 min)
3. Quick win DamIA - doc skill (1h)

Skill 2 : focus-semaine

Déclencheur : "Quelle est ma priorité cette semaine ?"

Parse ROADMAP.md, croise avec deadlines Google Calendar, applique la règle des 3 priorités. Met à jour focus_semaine.md automatiquement.

Skill 3 : tache-faite

Déclencheur : "J'ai terminé la tâche X"

Trouve la tâche dans ROADMAP.md, coche, ajoute date de réalisation, met à jour le statut.

Skill 4 : review-taches

Déclencheur : "Faire le bilan de la semaine"

Génère un fichier de review avec framework Plus/Moins/Next. Met à jour les statuts ROADMAP.md selon la review.

Exemple : 6 semaines de données

Période : mi-octobre à fin novembre 2025

Métriques d'adoption

Taux d'utilisation : 5 jours sur 7 en moyenne
Skills les plus utilisés :
- planning-jour : quotidien (matin)
- tache-faite : 3-5 fois par jour
- focus-semaine : hebdo (lundi matin)
- review-taches : 1 fois par semaine (vendredi)

Impact mesuré

Gain de temps :

Planification hebdo : 1h → 10 min (économie : 50 min/semaine)
Planning quotidien : 20 min → 5 min (économie : 1h45/semaine)
Total : 2 heures par semaine récupérées

Réduction charge mentale (estimations) :

Décisions "qu'est-ce que je fais maintenant" : -80%
Anxiété "est-ce que j'oublie quelque chose" : -70%
Surcharge "trop de choses en tête" : -60%

Indicateurs qualitatifs :

Jeudi : respect effectif du planning "tâches légères" (avant : je forçais et payais le lendemain)
Moins de dispersion (focus sur 3 priorités tenu)
Migraines liées au stress : fréquence réduite

ROI global estimé : 2h/semaine de productivité recouvrée et plus de clarté mentale.

Limites actuelles

Ce système reste un MVP. Voici ce qui manque.

Pas de détection automatique de contexte : je dois invoquer les skills manuellement. L'idéal serait que le système détecte "Damien n'a pas fait son planning aujourd'hui" et propose automatiquement.

Energy log manuel : je track mon énergie à la main. Vision future : détection automatique via patterns (jeudi = fatigue systématique).

Pas de feedback loop automatisé : les reviews sont manuelles. Pas encore d'analyse des patterns de procrastination.

Mono-utilisateur : le système est hyper-personnalisé. Pas encore généralisable facilement.

Synthèse

Un système de gestion de tâches efficace n'est pas plus intelligent. Il est mieux architecturé.

La complexité n'est pas dans le modèle IA. Elle est dans la structure de l'information que tu lui donnes.

Ce qui a fonctionné :

Système > Volonté : le système s'adapte à mon énergie, pas l'inverse
Externalisation cognitive : ma tête ne stocke plus "qu'est-ce que je dois faire". Elle crée.
Markdown = Liberté : aucun lock-in. Si demain l'outil n'existe plus, mes fichiers restent.

Ce que j'en retiens :

Partir d'une douleur chiffrée (75% overhead) → pas "je veux de l'IA"
POC rapide (2-3 skills de base) → itérer selon ce qui marche
Mesurer l'adoption réelle → pas les promesses théoriques

Ce projet m'a aussi confirmé que construire un système IA fonctionnel ne demande pas des mois ni une infrastructure complexe. Quelques semaines, des outils accessibles, une approche rigoureuse.

Tu veux réagir ou suivre les prochaines itérations ? Connectons-nous sur LinkedIn.

Ceci est un carnet de laboratoire. DamIA est un projet en construction active. Les chiffres partagés sont des estimations réalistes basées sur un usage quotidien.

Build in public. Learn in public.