Archetype 41 — Post de curation argumentée

Source

Template communautaire « Post curation de contenu » (source.md #11).

Définition

Sélectionner N œuvres / contenus / créateurs (livres, articles, podcasts, comptes, talks) autour d'un thème précis et expliquer pourquoi chacun a sa place dans la sélection. La curation est une prise de position : le lecteur retient ce que tu as exclu autant que ce que tu as inclus.

⚠️️ Variante de 20_curation (existant). Différence : 20 est la curation au sens large (formats variés). 41 insiste sur le thématique précis — N items autour d'une question.

Pattern syntaxique

[Question / thème, 1 phrase]
[Pourquoi ce thème m'occupe en ce moment, 1-2 phrases]

1. **[Œuvre]** par [auteur]. [Pourquoi c'est dans la liste, 1-2 lignes]
2. **[Œuvre]** par [auteur]. […]
3. **[Œuvre]** par [auteur]. […]
[…]

[Ce que j'ai *exclu* et pourquoi, 1-2 lignes — la moitié de la valeur du post]
[CTA léger : ce que vous ajouteriez]

Exemples

• *Quelle "lecture sur l'IA appliquée" je recommande à un CTO non-data — 5 livres choisis sur 30+ lus en 2 ans :

En ce moment je vois beaucoup de CTOs déléguer leur compréhension de l'IA à leur data team. Mauvaise idée. Voici 5 livres qui font le pont :

1. "You Look Like a Thing and I Love You" — Janelle Shane. Vulgarisation joyeuse, sans condescendance. Lecture week-end, retour assuré.
2. "Weapons of Math Destruction" — Cathy O'Neil. Pour comprendre pourquoi un modèle qui marche peut être dangereux. Manque dans 90 % des décisions tech.
3. "Designing Machine Learning Systems" — Chip Huyen. Le seul vrai manuel d'architecture ML que je connaisse. Lis-le avec un crayon.
4. "Building LLMs for Production" — Louis-François Bouchard et al. Pratique, à jour. Section "eval" particulièrement solide.
5. "Atlas of AI" — Kate Crawford. Pour le contexte macro (data centers, mine de terres rares, infra invisible).

Ce que j'ai exclu et pourquoi : - Les livres de "Prompting" — vieillissent en 6 mois. - "Life 3.0" de Tegmark — bon livre mais pas un CTO survival kit. - Les biographies d'OpenAI / Anthropic — légères en savoir actionnable.

Vous y ajouteriez quoi ?*

Anti-patterns

• ❌ Sélection consensuelle où tu mets tout ce que tout le monde cite — du "Sapiens" obligatoire, du "Lean Startup" qui sent le tour de table. Si la liste n'a aucune sortie de chemin, elle n'a aucune valeur.
• ❌ Sélection sans justification individuelle — la liste brute sans le pourquoi est juste une bibliographie sans signal.
• ❌ Pas de "ce que j'ai exclu" — c'est ce qui prouve que tu as réfléchi.
• ❌ Recommandations payées non déclarées — affilié, ami auteur, livre que tu as écrit toi-même.
• ❌ Top 100 — au-delà de 10, le lecteur saute. 3-7 est l'optimum.

Combo piliers

• ✅ Tous piliers, à condition que la curation soit sur un sujet aligné.
• ⭐ Pilier "transmission / formation" — la curation argumentée est leur formule.

Combo analogies

• ⚠️️ Pas d'analogie. La curation parle par les œuvres elles-mêmes.

Cadence recommandée

≤ 4 par an, sur des thèmes différents à chaque fois. Une curation trimestrielle sur le même thème = compte de critique.

Source-discipline

• Lis vraiment ce que tu cites. Le lecteur peut te tester en commentaire (« qu'as-tu pensé du chapitre 7 ? »).
• Précise l'année de lecture pour les livres qui datent. « Lu en 2018 — toujours actuel » ou « Lu cette année » change le statut.
• Pas d'auto-citation déguisée (« et bien sûr, mon propre livre / podcast / formation ») — si tu inclus ta propre œuvre, dis-le explicitement et mets-la en dernier.