1. Entendre « MCP » et demander d’abord : « Ça peut lire les publications directement ? »
Un proche explique que D-Lab vient de lancer MCP pour faciliter la connexion avec ChatGPT. Au lieu de demander seulement la définition, la première question est : « On peut faire quoi ? Lui faire lire directement les publications ? » L’hypothèse de workflow précède le vocabulaire : l’IA peut-elle récupérer elle-même les informations dans le service sans copier-coller ? L’intuition est proche de la fonction réelle, D-Lab présentant MCP comme un accès direct à ses connaissances depuis ChatGPT, Claude et d’autres assistants.
2. La vraie force n’est pas de tout savoir, mais de formuler vite une bonne hypothèse
Service externe connecté à l’IA → l’IA peut peut-être accéder au contenu → le copier-coller disparaît → elle peut lire les publications. C’est une pensée orientée processus. Certains lisent le manuel d’un nouvel outil ; d’autres demandent « quelle étape manuelle puis-je supprimer ? » Le second profil est souvent très fort en automatisation.
3. GitHub cesse d’être « l’endroit où l’on fait des sites » et devient l’entrepôt d’une usine à IA
Si quelqu’un dit « GitHub, c’est bien pour faire des sites ? », répondre par un cours sur le contrôle de version distribué serait fatal à la conversation. Plus utile : « imagine un entrepôt de données ». Ensuite : données → IA → contrôle automatique → correction → mise à jour → programmation. ChatGPT devient un composant du système. L’application GitHub officielle dans ChatGPT est surtout en lecture/analyse ; les modifications et push passent par des workflows comme Codex.
4. « Faire récupérer les preuves » transforme l’IA en équipe de recherche
Pour la santé, la psychologie, l’apprentissage ou la cognition, l’IA peut consulter PubMed, PMC, les éditeurs, les études originales et les revues. Elle devient moteur de recherche + filtre de publications + résumeur + comparateur + contradicteur. Une étude récente peut apparaître avant un résumé dans une autre langue. PMC contient toutefois aussi des manuscrits d’auteurs et des prépublications : design, peer review, échantillon et limites doivent être vérifiés.
5. Que vend réellement D-Lab MCP ?
Au 30 août 2026, DaiGo coûte 2 199 yens/mois et D-Lab Pro 989 yens/mois ; Pro nécessite DaiGo et MCP est inclus dans Pro. Total simple : 3 188 yens. Mais ce n’est pas un accès à des papers : DaiGo sélectionne → explique → transforme en action → accumule dans plus de 4 000 vidéos et archives → rend cette base interrogeable par l’IA. Le produit est un système de connaissances filtré par une personne.
6. Puis vient la pensée interdite : « ChatGPT Plus ne suffit pas ? »
ChatGPT Plus coûte 20 dollars/mois et offre davantage de modèles/outils, l’analyse de fichiers et Deep Research. Pour quelqu’un qui sait chercher des études : D-Lab = recherche → DaiGo → D-Lab → MCP → ChatGPT → moi ; direct = web/bases académiques → ChatGPT → moi. Les produits ne sont pas identiques, mais si l’objectif est une réponse étayée plutôt que l’explication de DaiGo, la voie directe peut remplacer beaucoup d’utilité.
7. D-Lab devient logique comme « cotisation au fan-club de DaiGo »
Deux personnes peuvent lire la même étude et créer des expériences différentes selon la sélection, les exemples, l’ordre, le rythme et l’humour. La valeur de l’information et celle du narrateur sont distinctes. D-Lab peut donc être vu comme frais d’explication, de curation, d’édition et, avec affection, comme cotisation au fan-club de DaiGo. Personne ne dit à un spectateur de concert : « Pourquoi payer ? La chanson est en streaming. » L’expérience est le produit.
8. Le détecteur de marge intermédiaire est trop sensible
« Quelle valeur ajoute cette couche ? Puis-je aller directement à la source ? Quel travail est-ce que je paie pour supprimer ? Si je peux le faire en cinq minutes, pourquoi m’abonner ? » Ce n’est pas seulement de l’avarice, mais une analyse automatique des coûts de transaction. Plus quelqu’un maîtrise recherche, IA et workflows, moins certains intermédiaires ont de valeur relative. Mais si une petite somme supprime une heure de travail pénible, elle achète du temps. L’alarme devrait sonner seulement quand presque rien n’est économisé : BIP BIP BIP.
9. Malgré tout, DaiGo reste impressionnant — surtout le « 2× sans appuyer sur 2× »
Mentalisme, cartes, contrôle de l’attention, timing et narration ne s’acquièrent pas simplement en lisant le paper original. Et il existe une UX forte : inutile d’activer le 2× parce qu’il parle déjà vite. Si le « matériel biologique » tourne à environ 1,7×, le bouton devient décoratif. Optimisation volontaire ? Probablement pas. Il parle simplement vite. Mais pour les amateurs d’informations denses à haut débit, c’est une partie du charme.
10. Le paywall juste avant la réponse centrale et la valeur qui reste à l’ère de l’IA
Une vidéo gratuite qui construit la curiosité puis coupe juste avant « alors, qu’est-ce que je dois faire ? » peut frustrer. Le problème n’est pas le paiement mais le point de coupure. Une séparation agréable serait gratuit = réponse au titre ; payant = études supplémentaires, exceptions et mise en pratique. Si la réponse centrale est derrière le mur, l’utilisateur cherche l’étude originale. Plus MCP rapproche l’IA des sources, moins la simple possession d’informations vaut ; plus la sélection, l’interprétation, l’explication et l’action comptent. ChatGPT peut remplacer beaucoup de recherche de preuves, mais pas le style de DaiGo. Et si 1× ressemble déjà à 2× et que cela plaît, on est officiellement dans le fandom.
