31 500 dollars. C'est ce qu'aurait coûté, au tarif public de l'API, la lecture qui se cache derrière cet article : au moins 25 milliards de tokens. J'ai payé un abonnement mensuel.
En août, je suis parti en vacances avec un seul document : l'acte de naissance de mon grand-père, numéro 418 de 1926, à l'état civil d'Estremoz. Onze semaines plus tard, je peux ouvrir un baptême écrit le 10 août 1666 et y lire les noms de personnes dont je descends.
Je ne suis allé dans aucun dépôt d'archives. Je n'ai pas appris la paléographie. L'essentiel s'est fait depuis un téléphone.
Archives ouvertes, écritures hermétiques
Les archives portugaises sont extraordinaires, et peu de gens le savent. Dès le XVIe siècle, les prêtres ont consigné baptêmes, mariages et sépultures. Les notaires ont conservé leurs actes. Les tribunaux des orphelins ont inventorié les biens des défunts qui laissaient des héritiers. L'armée tenait une page sur chacun de ses soldats, jusqu'à la couleur de leurs yeux. Les archives de district et les archives nationales en ont photographié une très grande partie et l'ont mise en ligne, en consultation libre.
Les images sont là. Ce qui manquait, c'était un moyen de les lire à grande échelle. Un baptême de 1690, c'est la photographie d'une écriture à la main, avec des abréviations, des taches d'eau et une graphie qui change à chaque nouveau prêtre.
Ce que disaient les pages
C'est la partie qui ressemble à un voyage dans le temps. Pas des noms et des dates, mais des pièces, des visages et des silences.
- Un lieutenant d'artillerie est mort à Estremoz en 1796 sans testament. Le tribunal des orphelins a parcouru sa maison et l'a décrite sur cent cinquante pages : quatre pièces à l'étage et quatre en bas, dans la Rua do Mau Foro, des vignes payant une redevance en moût de raisin à la Maison de Bragance, une chaîne en or, six cuillères en argent, une génisse de deux ans. Lui savait écrire. Sa veuve, non : elle a demandé à un voisin de signer pour elle.
- Un fils de charpentier s'est engagé à dix-sept ans, le 27 janvier 1764. Le registre de l'armée décrit ses cheveux, ses yeux et sa taille : quatre pieds dix pouces, selon l'ancienne mesure. Il énumère aussi ses guerres : les campagnes du Roussillon et de Catalogne, de 1793 à 1795, contre la France révolutionnaire. Il a pris sa retraite comme major en 1810, quarante-six ans après son serment.
- Le 13 septembre 1875, à cinq heures du matin, un bébé a été déposé dans le tour d'abandon d'Alter do Chão, enveloppé dans un vieux linge, sans billet ni signe de reconnaissance. Aucun parent n'a jamais été inscrit. Cette lignée s'arrête à la porte d'une église, et l'acte le dit.
- Le 1er novembre 1755, le grand tremblement de terre a détruit Lisbonne. On a lu, pour cet automne-là, les registres de quatre paroisses de l'Alentejo où vivait la famille. Pas un prêtre n'en a écrit un mot. Une absence, lue à grande échelle, est aussi une découverte.
- Mon arrière-grand-père était employé de bureau, et il composait. La société portugaise des auteurs recense 110 œuvres à son nom, et le catalogue de la bibliothèque nationale ne recense aucune partition publiée de lui. Sept manuscrits conservés par la famille ont été transcrits en partition et convertis en audio, et vous pouvez les écouter sur le site. Personne dans la famille n'en avait jamais entendu une note.
Les chiffres
- 360 ans : le plus ancien acte daté de l'arbre est un baptême du 10 août 1666.
- 12 générations en ligne directe, 479 personnes dans l'arbre.
- 77 987 images de pages, 64 Go, issues de 727 unités d'archives : registres paroissiaux, dossiers de tribunaux ecclésiastiques, inventaires d'orphelins, actes notariés, registres militaires, registres d'état civil.
- 2 369 fichiers de transcription des pages qui comptaient, certains couvrant plusieurs images.
- Au moins 25 milliards de tokens de lecture, en plus de 132 000 requêtes.
- Environ 31 500 dollars au tarif public de l'API, soit à peu près 40 cents la page. Avec un abonnement mensuel, cela a coûté l'abonnement.
La stack, pour les geeks
Claude Code tournait dans un conteneur Docker sur un petit VPS, dans une session tmux que je rejoignais en SSH depuis mon téléphone. Pas d'IDE, pas de notebook : un terminal, un dépôt git et beaucoup de Markdown.
- Pourquoi un téléphone suffit. Rien ne tourne sur le téléphone. Il ouvre une connexion SSH, avec une clé, vers une session tmux sur le serveur, envoie une consigne et lit la réponse. Claude télécharge, découpe, lit et écrit sur le serveur. Les 64 Go d'images ne passent jamais par le téléphone.
- Une connexion coupée ne change rien. Quand le réseau tombe, dans un tunnel ou sur la plage, tmux garde la session et ses agents en marche. La connexion suivante reprend exactement là où la précédente s'était arrêtée.
- Des tâches longues, des passages courts. Un balayage des marges d'un registre entier ou un lot de quatre agents tourne seul pendant une heure ou plus. Depuis le téléphone, la boucle est simple : lire le rapport, répondre à une question, lancer le lot suivant.
- Récupérer. Des scripts Python appellent l'API digitarq des archives nationales portugaises et rapatrient des livres entiers, image par image, dans un dossier par unité d'archives. Les images FamilySearch passent par le jeton de la session connectée elle-même. Les archives historiques de l'armée refusent curl et les navigateurs headless : un Brave avec fenêtre tourne donc en débogage distant, et un script Node télécharge chaque feuillet depuis l'intérieur de la page, via le websocket DevTools.
- Lire. Pas d'OCR : il ne servait à rien sur ces écritures. ImageMagick recadre et agrandit, le modèle lit l'image par vision, puis rédige une transcription en Markdown, abréviations développées et mots douteux marqués [?].
- Laisser le code découper. La facture, ce sont les tokens de vision : le modèle écrit donc du code pour les économiser. Les prêtres inscrivaient le nom de l'enfant ou du couple dans la marge, à côté de chaque acte. Un script shell découpe cette colonne de marge sur les deux pages de chaque double page, normalise le contraste et colle les bandes côte à côte en une seule image. Une seule lecture d'image indexe alors toute une série de pages au lieu d'une. On ouvre l'acte complet quand une marge nomme quelqu'un que l'on cherche, et chaque acte sans note marginale est lu en entier, car l'index ne peut pas l'écarter. C'est devenu une règle permanente après qu'un agent de lecture a passé trois heures sur 147 images complètes d'un seul livre.
- Calibrer d'abord. Avant tout balayage, on vérifie à l'œil deux ou trois entrées connues. Une marge qui abrège peut omettre précisément le nom que l'on cherche, et un balayage jamais calibré fabrique un faux négatif : un livre entier déclaré vide à tort.
- Répartir. Les longues lectures mécaniques vont à des sous-agents, quatre à la fois. Treize d'un coup : la limite de session partagée en a tué onze.
- Modèles. Opus 5 a fait l'essentiel de la lecture, Fable 5 et 5.1 les feuillets les plus difficiles, Sonnet 5 les balayages de masse. Neuf dixièmes des tokens sont des lectures de cache : un seul long contexte, relu à chaque étape, avec une nouvelle page ajoutée à chaque fois.
- Deuxième avis. Un modèle GPT relit les mots contestés. Sa réponse est un conseil, jamais un verdict : chaque affirmation est renvoyée à l'image.
- Une seule source de vérité. Un unique fichier GEDCOM contient l'arbre, et chaque fait y cite sa source. FINDINGS.md est le cahier de laboratoire : 18 574 lignes. NEGATIVES.md, 7 564 lignes, consigne chaque recherche restée vaine, pour que rien ne soit cherché deux fois.
- Publier. Un script Python transforme le GEDCOM en site statique en quatre langues, déployé sur Cloudflare Pages. La musique passe de la notation ABC au MIDI, puis par timidity et ffmpeg jusqu'au MP3, avec un fichier de repères pour que la partition suive le son.
Une seule règle a tenu l'ensemble. Chaque fait de l'arbre cite sa source, et la plupart renvoient à une image de page que l'on peut ouvrir. Les autres disent sur quoi ils reposent : une description de catalogue, une estimation ou un témoignage familial.
Pourquoi le second modèle compte, et où il s'arrête
Sur une paire de baptêmes, de 1875 et 1878, les deux modèles se sont accordés sur deux noms et opposés sur deux autres. L'accord est une confiance bon marché. Les désaccords étaient la partie utile : ils désignaient les mots exacts à revérifier. Sur les deux, le second modèle avait tort. Et la propre conclusion de Claude sur l'un d'eux, bâtie sur un acte notarié de 1916, s'est révélée à l'envers : un troisième baptême, de 1883, a montré que le patronyme appartenait au mari, pas à l'épouse.
Un second lecteur vaut la peine. Ce n'est pas un oracle. L'arbitre est toujours un autre document.
Les archives ont leurs propres pièges, et un modèle seul y tombe. À Barbacena, en 1747, il y a deux hommes nommés Manoel Gomes, tous deux mariés à une Isabel Lopes, à trois doubles pages d'écart dans le même livre. Un rapprochement par les noms choisit le mauvais. Le baptême d'une sœur cadette, qui nomme ses grands-parents, a permis de savoir lequel était le nôtre.
Ce que cela rend possible
Ma famille est un cas d'essai, et la méthode a ses limites : certains livres n'ont pas d'index en marge, ou un index trompeur, et doivent être lus page par page. Mais les archives sont déjà en ligne, et les mêmes outils peuvent être pointés vers d'autres paroisses et d'autres villes.
- Lire un village entier, pas une seule famille. Les baptêmes, mariages et sépultures d'une paroisse sur trois siècles, comme un jeu de données : population, épidémies, migrations, âge au mariage, enfants trouvés.
- Mesurer l'alphabétisation par les signatures. Actes notariés et inventaires indiquent qui a signé et qui a demandé à quelqu'un de signer à sa place. Trois siècles de qui savait écrire, rue par rue.
- Relier des archives qui ne se sont jamais parlé. Registres militaires, registres paroissiaux, actes notariés et dossiers judiciaires décrivent les mêmes personnes sous quatre angles. Du côté de ma mère, ils retracent une lignée de dix femmes, et un seul acte de naissance a fait tomber une candidate que l'arbre portait depuis des mois.
- Offrir à la diaspora un chemin de retour. Des millions de personnes descendent de villages portugais, en France, au Brésil, partout. Beaucoup des pages de leurs ancêtres sont déjà en ligne. Ce qui leur manquait, c'était un lecteur.
- Reconstituer des scènes à partir des actes, pas de l'imagination. Chaque scène du film que je prépare pour les enfants de la famille part d'une page qui existe. La narration reprend les phrases mêmes des prêtres. La bande-son est la musique de mon arrière-grand-père. Rien dans l'histoire qui ne figure dans un acte.
Ce qui a changé
Les archives ont été ouvertes il y a des années. Le goulet d'étranglement, c'était la lecture, et son coût s'est effondré : les images sont consultables gratuitement, et la lecture m'a coûté un abonnement et mes soirées. Ce qui reste à l'humain, c'est la part qui a toujours eu le plus de valeur : vérifier les identités, résoudre les contradictions et dire clairement ce que l'on ne sait pas.
Si vous travaillez sur le patrimoine, les archives ou les données ouvertes au Portugal, j'aimerais échanger avec vous. L'arbre, les documents et la musique sont sur family.aiteklabs.com.
Images d'archives : Arquivo Distrital de Évora et Arquivo Distrital de Portalegre (DGLAB).