Evidence Media

Au printemps 2025, j’ai lancé Evidence Media, une plateforme innovante qui automatise la curation et la publication de nouvelles indépendantes en ligne, diffusant des publications sourcées sur X et des articles détaillés sur Substack. Né de ma volonté de contrer la désinformation, ce projet solo a évolué d’une idée personnelle vers une ressource essentielle pour informer le public nord-américain.

Evidence Media est un pipeline d'information entièrement automatisé et propulsé par l'IA, conçu pour sélectionner, agréger et diffuser les actualités provenant de sources indépendantes en ligne. Il génère quotidiennement des publications sourcées sur X et des articles sur Substack.

Depuis la pandémie de COVID-19, la confiance envers les médias traditionnels a été profondément ébranlée, en raison de la collusion manifeste entre institutions, gouvernements et organes de presse. Cette convergence a donné naissance à un discours uniformisé, associé à une censure systémique orchestrée par ce qu’on appelle aujourd’hui le censorship industrial complex. Face à cette réalité, un nombre croissant de citoyens ont choisi de se tourner vers des sources d’information indépendantes : journalistes autonomes, newsletters spécialisées, podcasts alternatifs et réseaux sociaux comme X.

Mais dans ce paysage décentralisé, rester réellement informé est devenu une tâche extrêmement chronophage. Il faut croiser, vérifier et filtrer un volume croissant d'informations éparses, ce que peu de gens ont le temps de faire.

C’est précisément là qu’intervient Evidence Media : sa mission est de filtrer et d’agréger les actualités indépendantes les plus importantes pour les Nord-Américains (Canada et États-Unis). Le projet couvre les thématiques suivantes : affaires et économie, actualités générales, environnement, santé, affaires internationales, politique, science et technologie, et société.

Chaque information relayée est accompagnée de sa source primaire, permettant au lecteur d’en juger la pertinence, d’en vérifier l’exactitude ou d’approfondir ses recherches s’il le souhaite. Contrairement aux médias traditionnels, souvent inféodés à une ligne éditoriale imposée, ou à certains médias indépendants peu rigoureux sur la traçabilité de leurs contenus, Evidence Media se distingue par sa transparence, sa fiabilité et son engagement méthodologique.

Le projet a été initié au début du printemps 2025, et sa version 1 a été lancée à la fin du printemps de la même année.

Evidence Media est un projet que j’ai mené 100 % en solo, de la vision initiale jusqu’à l’exécution finale :

• Chef de produit : définition des fonctionnalités en fonction des besoins du client (correction, relecture, suggestions, recherche d’éditeurs).
• Développement backend : j’ai conçu tous les scripts d’automatisation en Python, structuré une architecture modulaire, et mis en place les flux de traitement des données.
• Intégration de l’IA : j’ai orchestré un pipeline multi-modèles utilisant les API d’OpenAI, Perplexity et xAI, afin de générer des contenus contextualisés, sourcés, et accompagnés de leurs médias associés.
• Automatisation avancée : j’ai intégré GitHub Actions pour déclencher chaque étape clé du système de manière autonome, sécurisé l’ensemble des données sensibles du projet avec HashiCorp Vault, et bâti un socle technique capable d’absorber la croissance sans compromis.

Du concept à l’itération, de la première ligne de code à la ligne éditoriale, j’ai assumé chaque décision avec un objectif clair : créer une plateforme d'information automatisée, résiliente et digne de confiance, au service du bien commun.

La création d’Evidence Media est née d’un constat limpide : rester correctement informé est devenu une tâche complexe et chronophage. Ce déficit informationnel laisse les politiciens, institutions et acteurs d’influence agir sans réel contre-pouvoir — un danger majeur pour toute société démocratique. Jadis, le journalisme faisait office de rempart. Aujourd’hui, les médias traditionnels sont détenus par ceux qu’ils sont censés surveiller, brisant irrémédiablement le lien de confiance.

Evidence Media est une réponse directe à ce déséquilibre, fondée sur trois piliers : une observation personnelle, un besoin tangible de clarté dans un paysage médiatique fragmenté, et une impulsion créative visant à structurer l’information indépendante de manière accessible et crédible.

Mon parcours à HEC Montréal a façonné la vision stratégique et le modèle d’affaires du projet, tandis que mes expériences avec Wise Duck Dev GPTs et Jean The Writer m’ont permis d’acquérir l’expertise en intelligence artificielle et en automatisation nécessaire pour construire une solution à la fois robuste, fiable et entièrement scalable.

Evidence Media est né d’une mission claire : offrir une information indépendante, sourcée, fiable et pertinente, avec un signal maximal et un bruit minimal. J’ai démarré par un MVP fonctionnel (Version 1) centré sur l’automatisation, la qualité du contenu et l’intégrité éditoriale.

Plutôt que de construire autour de personas prédéfinis ou de suivre les tendances algorithmiques, j’ai conçu le média que j’aurais aimé trouver : aligné avec mes principes, affranchi du vacarme médiatique traditionnel, et respectueux de l’intelligence du lecteur.

Cette approche centrée produit et guidée par mes valeurs m’a naturellement conduit à définir une doctrine politique unique, qui est devenue la colonne vertébrale éditoriale du projet, garantissant la cohérence, l’honnêteté et la responsabilité civique de chaque contenu diffusé.

Les workflows opérationnels ont été pensés en fonction des contraintes des plateformes utilisées. L’API gratuite de X limite à 17 publications quotidiennes, une contrainte qui a façonné le rythme éditorial journalier. Substack, de son côté, s’est imposé comme canal idéal pour des articles plus longs et quotidiens, couvrant huit grandes catégories essentielles. L’objectif : aider les lecteurs à construire une vision transversale, contextuelle et éclairée de l’actualité.

Plutôt que de courir après les métriques classiques de croissance, j’ai préféré viser des jalons stratégiques : atteindre 500 abonnés vérifiés et 5 millions d’impressions sur X en un an pour activer la monétisation, puis investir dans l’API payante. Côté Substack, j’ai choisi de rendre le contenu entièrement gratuit pendant un an, afin de bâtir la confiance avec les lecteurs avant de proposer un modèle premium.

La méthodologie suivie fut agile et itérative, avec une amélioration continue des formats, du ton éditorial et des logiques d’automatisation, guidée par les observations personnelles, les retours utilisateurs, les commentaires, et les signaux algorithmiques.

Enfin, le système a été pensé pour la résilience et la scalabilité : 100 % automatisé, agent-ready, et structuré pour évoluer au rythme des capacités offertes par les APIs des plateformes.

• Langages / Frameworks : Python, Flask
• IA : OpenAI, Perplexity, Xai
• APIs : X API v2, API Xai, API Perplexity, API OpenAI, API Google
• Automatisation : GitHub Actions
• Sécurité : HashiCorp Vault
• Scraping : BeautifulSoup, Selenium
• Autres : Tweepy, PyVirtualDisplay

J’ai choisi Python pour la richesse de son écosystème en automatisation (notamment avec Selenium et BeautifulSoup). C’était une nouvelle aventure technique, qui s’est rapidement transformée en véritable coup de cœur. Toutes les technologies utilisées sont fiables, bien documentées, gratuites (à l’exception des APIs IA) et parfaitement adaptées aux scripts automatisés.

L’intégration de l’IA (Xai, etc.) et l’automatisation sécurisée (GitHub Actions, Vault) sont au cœur du projet.

Evidence Media ne possède pas d’interface utilisateur classique : son expérience repose entièrement sur le contenu produit. J’ai concentré mes efforts sur la création d’un format lisible, fiable et reconnaissable, inspiré des comptes X et Substack les plus efficaces. Chaque publication est conçue pour offrir une clarté immédiate et une crédibilité traçable, en citant systématiquement les sources d’origine, à la manière de notes de bas de page académiques, afin que les lecteurs puissent soit juger rapidement de la fiabilité d’une information, soit approfondir s’ils le souhaitent.

Le principal défi UX résidait dans les hallucinations des modèles IA et leur instabilité sur les sujets politiquement sensibles. J’ai réduit ce phénomène grâce à une ingénierie de prompt rigoureuse et des contraintes personnalisées, ce qui a considérablement limité les dérives factuelles. Certains sujets restent néanmoins complexes à traiter avec les modèles actuels, ce qui renforce l’importance de sourcer chaque publication.

Pour favoriser la découvrabilité et l’adoption progressive, j’ai introduit une structure cohérente : des posts courts, sourcés et percutants sur X ; des articles plus longs, catégorisés et contextualisés sur Substack. Ce double format renforce la confiance, fidélise les lecteurs, et soutient l'engagement dans le temps.

Evidence Media repose entièrement sur une base de code hébergée sur GitHub, avec des automatisations orchestrées via GitHub Actions, déclenchées de manière planifiée ou événementielle. Bien qu’il ne s’appuie pas sur des plateformes de déploiement classiques (comme Vercel ou AWS), son architecture est pensée pour être résiliente, modulaire et infiniment scalable.

Chaque composant fonctionnel, de l’extraction de contenu à la génération via IA, jusqu’à la publication, est encapsulé dans des scripts indépendants, pouvant être scalés horizontalement ou déclenchés séparément, selon les besoins.

L’intégration continue (CI/CD) est assurée par GitHub Actions, tandis que le suivi des performances et l’analytique s’effectuent directement via les tableaux de bord natifs de X et Substack. Les seules véritables limites proviennent des quotas des API (OpenAI, Perplexity, X API, etc.), qui définissent le débit, mais l’architecture en elle-même permet une publication continue 24/7 à l’échelle industrielle avec un minimum d’ajustements.

En résumé, ce pipeline n’est pas seulement automatisé : il est conçu pour croître.

• V1 : Lancement du pipeline d’information pour X (posts courts et sourcés).
• V2 : Refonte du contenu, amélioration du rythme et du format.
• V3 : Intégration de Substack (articles quotidiens sourcés).
• V4 : Vers un pipeline 100% autonome fonctionnant 24/7.

Prochaine étape : passer d’une architecture basée sur le raisonnement en chaîne (Chain of Thoughts) à une intelligence agentique. Une fois un corpus suffisamment riche et vérifié, l’objectif est de fine-tuner un modèle sur ce dataset afin d’améliorer la mise en contexte historique et les connexions transversales entre les actualités.

Le compte X d’Evidence Media a rapidement dépassé les 500 abonnés organiques, avec une croissance constante portée par un contenu de qualité, sourcé et pertinent. L’adoption sur Substack progresse plus lentement, mais de manière régulière. Les retours du public reflètent la polarisation actuelle dans la consommation médiatique : beaucoup saluent la transparence, la fiabilité et la rigueur de la curation assistée par IA (notamment la figure éditoriale d’Evidence), tandis que d’autres restent méfiants envers l’implication de l’IA dans les médias.

L’engagement varie selon les sujets traités, mais l’accueil global confirme la mission du projet : offrir une information indépendante, vérifiable, dans une ère marquée par la méfiance envers les institutions. Le succès du système démontre que l’automatisation, la traçabilité des sources et l’itération rapide sont les piliers essentiels pour construire la confiance et l’impact dans les médias numériques.

Evidence Media n’a pas été un simple projet d’automatisation, c’était une plongée en profondeur dans la création, de A à Z, d’un média vivant, automatisé, propulsé par l’IA. Il a affûté toutes les dimensions de ma boîte à outils technique : Python, scraping web, prompt engineering, intégrité des données, pipelines CI/CD, orchestration d’APIs et cybersécurité avec HashiCorp Vault. J’ai bâti des systèmes non seulement rapides et scalables, mais aussi résilients, vérifiables et transparents, des qualités essentielles dès lors qu’on touche à la diffusion d’information.

J’ai appris à dompter les grands modèles d’IA dans des contextes éditoriaux sensibles, à corriger les hallucinations, les biais et les incohérences grâce à des stratégies de prompt en couches et à des filtres de contenu dynamiques. J’ai développé des méthodes pour que l’IA soutienne la compréhension humaine, au lieu de la déformer, en préservant la véracité et la traçabilité via un sourcing rigoureux, à la manière des publications académiques.

Mais au-delà de la tech, ce projet m’a ancré une conviction forte : ce qui est vraiment utile ne naît pas nécessairement des tendances ou des métriques d’audience, mais de la résolution d’un problème personnel, à grande échelle. J’ai construit le média que je cherchais. Celui dont j’avais besoin, mais qui n’existait pas.

Et surtout, j’en ressors avec une règle que j’applique partout désormais : itérer vite vaut mieux que viser la perfection. Livrer rapidement, observer les retours réels, améliorer en continu, c’est le chemin le plus sûr vers des systèmes fiables et à fort impact.

Leçon fondamentale : Pense librement. Itère rapidement. Automatise sans relâche. Crée des solutions que tu utiliserais toi-même, et d’autres suivront.