J'ai juste externalisé ma façon de travailler. Le reste est venu tout seul — ou presque.
Franchement, si tu me demandes d'où vient KontexVoX, la réponse honnête, c'est pas "les photos". Et c'est pas non plus l'atelier en bazar de mon père, même si tout le monde croit que c'est ça.
Le vrai départ, c'est ma façon de penser. Je suis quelqu'un qui a toujours été obsédé par le rangement, l'organisation, l'optimisation. Sauf que ranger, c'est chronophage. Et tout ce qui est chronophage, on le repousse. On procrastine. Moi le premier.
Donc à un moment j'en ai eu marre de procrastiner, et je me suis débrouillé autrement. C'est de là que tout est parti. Pas d'une photo. D'un problème que j'avais avec moi-même.
Depuis à peu près un an, j'ai arrêté d'écrire à l'IA. Je lui parle. Speech-to-text, tout le temps.
Pourquoi parce que écrire c'est lent, et surtout parce que quand je parle je déroule ma pensée sans perdre le fil. J'ai plein d'idées, elles partent dans tous les sens, et le fait de les dire à voix haute ça me permet de tout sortir. Ensuite l'agent IA recadre, réorganise, synthétise. Ma pensée brute plus un agent pour la mettre en forme — c'est comme ça que je bosse sur quasiment tout aujourd'hui.
Et à force de faire ça, il y a un truc qui m'a sauté aux yeux : le contexte, c'est la base de tout. Un agent IA, il est bon si tu lui donnes du contexte. Sinon il devine, et il devine mal. Ça a l'air simple dit comme ça, mais c'est vraiment le cœur de l'histoire.
Petite précision au passage, parce que c'est important pour moi : quand je dis "agent", je parle pas d'un chat où tu poses une question. Un agent, ça agit, ça fait des trucs pour toi. C'est pas pareil.
À un moment j'ai voulu que mon assistant range mes fichiers, mes photos, tout ça. Un vrai Jarvis, avec un cerveau numérique qui contient mes données.
Sauf que je me suis heurté à un truc concret : ça consomme énormément. Quand tu donnes une image brute à un agent, il "voit" des pixels avant de comprendre ce qu'il regarde. C'est lourd, ça coûte des tokens, et les tokens c'est de l'argent.
Le vrai problème il était là. Et la solution, elle était juste devant moi : si au lieu de le laisser deviner, je décris l'image moi-même — à la voix, donc transcrite en texte — alors je l'aide à comprendre, et il peut faire le boulot. Notamment le tri, le classement. En gros je fais la moitié du chemin pour lui, et lui il fait ce qu'il fait de mieux.
Voilà le geste fondateur. Ajouter du contexte, avec la voix, pour qu'un agent puisse enfin faire quelque chose d'utile. Tout KontexVoX est né de cette intuition-là.
Et puis il y a eu le moment concret. Ma mère me tend son téléphone : plus de 21 Go de photos, la mémoire saturée, elle peut plus rien prendre.
Je lui propose de tout basculer sur mon Mac pour libérer de la place. Et je lui dis un truc du genre "ce serait bien d'en faire quelque chose quand même, c'est dommage d'avoir autant de photos qui vont juste dormir". Elle me répond "j'ai pas le temps". Et elle a raison. Trier, contextualiser des milliers de photos à la main, personne a le temps pour ça.
Du coup je me suis dit : il me faut un outil qui ajoute du contexte à une photo, et le plus rapide c'est la voix. Je parle, et ça s'écrit direct dans les métadonnées de la photo. J'ai fait une première version sur Mac, pas sur téléphone.
Et là une autre idée est arrivée : et si on faisait ça comme les applis de rencontre, avec le swipe ? Comme ça tu enrichis tes photos dans les transports, tranquille, et le soir tu confies le tout à ton agent IA. Le lendemain t'as un bel album, une vraie histoire, à imprimer et à offrir à ta famille. Parce qu'un album dans une bibliothèque, ça raconte quelque chose. Ça garde une trace.
C'est comme ça qu'est né le mode Classique.
Le mode Capture, lui, je l'ai pas imaginé dans ma tête. Je l'ai découvert en testant.
Quand j'ai pitché l'idée autour de moi, j'ai commencé à voir tous les autres usages : le rangement, l'inventaire, l'atelier. Et comme mon prototype classique tournait déjà — vite fait en une journée, avec plein de dette technique mais ça marchait — je suis allé tester sur le terrain.
J'ai pris une centaine de photos dans un atelier, et je suis rentré les décrire à mon bureau. Sauf que là je me suis rendu compte d'un truc : décrire une photo après coup, c'est pas du tout pareil que de raconter au moment où tu la prends. À froid, tu as déjà oublié la moitié. Le contexte, il veut être capté à chaud.
Donc j'en ai conclu que ça devait être un mode à part entière. Un mode où tu photographies et tu décris dans le même geste, sur place. C'est devenu le mode Capture.
Et c'est là que c'est chouette : une fois que t'as compris le principe, tu le vois partout. C'est jamais qu'un seul geste — mettre du contexte à chaud, à la voix — décliné sur des terrains différents.
Il y a le versant mémoire : les souvenirs, les albums de famille. Et il y a le versant travail : l'inventaire qu'un expert-comptable de mon entourage doit produire chaque année pour le fisc, l'état des lieux, la déclaration de sinistre pour l'assurance, l'architecte qui aujourd'hui prend ses photos et annote au stylet sur le côté alors que la voix irait dix fois plus vite, l'audit d'entreprise.
Et ça, l'audit, je sais de quoi je parle. Ma première boîte, In Safety We Trust, j'en étais dirigeant, et je faisais des audits de sécurité et de sûreté. Concrètement : prendre des dizaines de photos sur site, puis rentrer et pondre un rapport. Sans IA à l'époque. Aujourd'hui je sais qu'en contextualisant mes photos au moment de la prise, j'aurais pu déléguer la moitié de ce rapport à un agent. J'ai vécu le problème avant d'avoir la solution.
Pareil pour la vidéo. J'ai fait du montage, une chaîne, des heures à dérusher après un tournage. Et le boulot avant de passer au monteur, c'est quoi ? Regarder les rushes et noter les timecodes qu'on veut garder. Au lieu de l'écrire, tu le dis, à voix, calé sur le timecode. Et tu peux même faire un premier dérushage avec un agent avant d'impliquer le monteur. C'est pas là pour remplacer le monteur — c'est là pour lui enlever le chronophage, pour qu'il passe son temps sur le motion design, sur ce qui a de la valeur.
Bon, et il faut que je sois honnête, parce que sinon on se demande "mais en quoi c'est nouveau ?". La réponse, c'est : c'est pas nouveau. Et c'est très bien comme ça.
KontexVoX ne fait pas de magie. C'est un workflow plus rapide, point. Parler est fluide, écrire est long — c'est tout. En vrai c'est le même principe que le dictaphone qui transcrit une réunion pour t'en sortir un compte-rendu. Sauf qu'ici c'est appliqué à tes photos et bientôt à tes vidéos.
Et il faut être clair sur qui fait quoi. KontexVoX, il produit la matière : tes photos enrichies, avec ta description transcrite en texte, gravée dans les métadonnées EXIF. Pas de fichier audio, jamais — c'est le mot "Vox" pour la voix, mais le résultat c'est du texte. Le livrable final — le tableur d'inventaire, le rapport, le pré-montage — c'est un agent IA qui le génère ensuite, à partir de cette matière et d'un bon prompt. Et les prompts, on te les donne, gratuitement, sur le blog.
Voilà. C'est pas révolutionnaire. C'est juste une manière plus simple et plus rapide de faire un truc que tu fais déjà mal, ou pas du tout parce que ça te gonfle. Et honnêtement, c'est exactement pour ça que ça marche.
Commence par tes propres photos, ou va voir les prompts qu'on partage pour transformer tout ça en albums, en tableurs, en rapports.