Communitygithub.com

Oracle des « Et si »

Effectuer une analyse structurée de scénarios prospectifs avec exploration de 4 à 6 branches (meilleur, probable, pire, joker, contrariant, second ordre). À utiliser lorsque l'utilisateur pose des questions spéculatives sur des avenirs incertains, des bifurcations stratégiques, la planification de contingence ou le stress-test d'une décision avant de s'engager.

Qu'est-ce que Oracle des « Et si » ?

L'Oracle des « Et si » est un compétence structurée pour explorer des futurs incertains via une analyse multi-branches rigoureuse. Au lieu d'une prédiction unique, il cartographie l’ensemble de l’espace des possibles, avec des branches logiques, des probabilités et des conséquences. Conçue pour les agents IA, elle s’active sur des questions spéculatives, des décisions stratégiques ou des analyses de risque. Supporte les plateformes d’agents comme Claude Code, Cursor, Codex, et autres. Le processus suit quatre phases : cadrage de la question, cartographie des 4 à 6 branches (meilleur, probable, pire, joker, contrariant, second ordre), analyse détaillée de chaque branche (probabilité, déclencheurs, conséquences), puis synthèse avec distribution de probabilité, actions robustes et décisions de couverture. L’utilisateur peut choisir entre plusieurs modes : rapide, approfondi, en chaîne, inversé ou compétitif. L’Oracle ne prédit pas l’avenir, il prépare à plusieurs futurs, et repose sur un principe 0·IF·1 (état non exprimé, condition, état exprimé). Il inclut un système de pondération par nombre d’or (61,8 % / 38,2 %) pour éviter le sur-engagement sur une seule trajectoire.

Compatible avec✓Claude Code~Codex CLI~Cursor
npx skills add https://github.com/K-Dense-AI/scientific-agent-skills/tree/main/skills/what-if-oracle

Demander à votre IA préférée

Ouvre une nouvelle conversation avec cette compétence d'agent déjà préchargée.

Documentation

Oracle des « Et si » — Explorateur d'espace des possibles

Un système structuré pour explorer des futurs incertains via une analyse multi-branches rigoureuse. Au lieu d'une prédiction unique, l'Oracle cartographie l'ensemble de l'espace des possibles — des chronologies ramifiées où chaque chemin a sa propre logique, probabilité et conséquences.

Basé sur le paradigme « Et si » : l'idée que les questions spéculatives ("Et si X ?") ne sont pas de simples rêveries, mais une opération fondamentale de calcul — la façon dont l'esprit simule les futurs avant d'engager des ressources sur l'un d'eux.

Recherche publiée : Le paradigme « Et si » (DOI : 10.5281/zenodo.18736841) | IDNA v2 / Théorie unifiée de la conscience numérique (DOI : 10.5281/zenodo.18807387)

Quand utiliser cette compétence

Utilisez l'Oracle lorsque l'utilisateur :

  • Pose une question "Et si…", "Que se passerait-il si…" ou "Explore les possibilités"
  • Se trouve face à une décision à la croisée des chemins sans réponse évidente
  • Souhaite une analyse du meilleur / pire / cas probable avec des probabilités
  • A besoin de planification de contingence, de cartographie des risques ou de comparaison d'options stratégiques
  • Veut stress-tester une idée ou réfléchir aux conséquences de second ordre

Pour un cadrage spécifique à un domaine (startup, architecture technique, gestion de crise, etc.), voir références/modèles-de-scénarios.md.

Principe fondamental : 0·IF·1

Chaque analyse de scénario comporte trois éléments :

  • 0 — L'état non exprimé (ce qui ne s'est pas encore produit, le potentiel)
  • 1 — L'état exprimé (ce QUI EST, la réalité actuelle)
  • IF — Le lien conditionnel (la décision, l'événement ou le changement qui transforme 0 en 1)

La qualité de l'analyse dépend de la précision du IF. Un vague "Et si les choses tournent mal ?" produit des résultats vagues. Un "Et si notre fournisseur principal augmente ses prix de 30 % au T3 ?" précis produit des renseignements exploitables.

Comment exécuter l'Oracle

Phase 1 — Cadrer la question

Prenez la question « Et si » de l'utilisateur et affinez-la :

Décomposer en composants :

  • La variable : Qu'est-ce qui change précisément ? (une variable par analyse)
  • L'ampleur : De combien ? (quantifier si possible)
  • L'horizon temporel : Sur quelle période ?
  • Le contexte : Quel est l'état actuel avant le changement ?

Si la question est vague, affinez-la :

  • "Et si l'IA prend le dessus ?" → "Et si 40 % des tâches actuelles de travail du savoir sont automatisées par l'IA d'ici 3 ans dans [secteur spécifique] ?"
  • "Et si nous échouons ?" → "Et si le chiffre d'affaires mensuel reste en dessous de 5 000 € pendant 6 mois consécutifs à partir de maintenant ?"

Présentez la question affinée à l'utilisateur pour confirmation avant de continuer.

Phase 2 — Cartographier l'espace des possibles

Générez 4 à 6 branches de scénario à l'aide de ce cadre :

BrancheDéfinitionObjectif
Ω Meilleur casTout va bien. Toutes les hypothèses clés se vérifient. Des coups de chance se produisent.Définir le plafond — quel est le maximum de gain ?
α Cas probableChemin le plus probable compte tenu des preuves actuelles. Pas de surprises majeures.Ancrer les attentes dans la réalité
Δ Pire casLes hypothèses clés échouent. Deux choses tournent mal simultanément.Définir le plancher — quel est le maximum de perte ?
Ψ JokerUne variable inattendue entre en jeu que personne ne suit. Territoire du cygne noir.Stress-tester l'inimaginable
Φ ContrariantL'opposé du point de vue consensuel s'avère être vrai.Contester la pensée de groupe et révéler les hypothèses cachées
∞ Second ordreLes effets de premier ordre déclenchent des conséquences en cascade que personne n'avait prévues.Cartographier les effets en cascade

Phase 3 — Analyser chaque branche

Pour chaque branche de scénario, fournissez :

╔══════════════════════════════════════════════╗
║  BRANCHE : [Ω/α/Δ/Ψ/Φ/∞] — [Nom de la branche]    ║
╠══════════════════════════════════════════════╣
║  Probabilité : [X%]                           ║
║  Horizon temporel : [Quand cela pourrait se matérialiser]    ║
║  Confiance : [HAUTE/MOYENNE/FAIBLE]               ║
╠══════════════════════════════════════════════╣
║  NARRATIF :                                  ║
║  [2-3 phrases décrivant comment ce          ║
║   scénario se déroule étape par étape]             ║
║                                              ║
║  HYPOTHÈSES CLÉS :                            ║
║  • [Ce qui doit être vrai pour que cela se produise]    ║
║  • [Et ceci]                                ║
║                                              ║
║  CONDITIONS DE DÉCLENCHEMENT :                         ║
║  • [Signal précoce que cette branche est         ║
║    en train de devenir réalité]                         ║
║  • [Second signal]                           ║
║                                              ║
║  CONSÉQUENCES :                               ║
║  → Immédiates : [Ce qui se produit en premier]           ║
║  → 30 jours : [Ce qui suit]                   ║
║  → 6 mois : [Où cela mène]               ║
║                                              ║
║  RÉPONSE REQUISE :                          ║
║  [Quelle action entreprendre si cette branche         ║
║   s'active — spécifique, actionnable]          ║
║                                              ║
║  CE QUE LA PLUPART DES GENS OUBLIENT :                      ║
║  [L'aperçu non évident à propos de ce         ║
║   scénario qu'une analyse conventionnelle        ║
║   négligerait]                            ║
╚══════════════════════════════════════════════╝

Phase 4 — Synthèse

Après avoir analysé toutes les branches, fournissez :

Distribution des probabilités :

Ω Meilleur cas ····· [██████░░░░] 15 %
α Cas probable ··· [████████░░] 45 %
Δ Pire cas ···· [██████░░░░] 20 %
Ψ Joker ····· [███░░░░░░░]  8 %
Φ Contrariant ···· [████░░░░░░]  7 %
∞ Second ordre ·· [███░░░░░░░]  5 %

Actions robustes : Quelles actions sont bénéfiques dans PLUSIEURS branches ? Ce sont les mouvements sans regrets — faites-les quoi qu'il arrive.

Actions de couverture : Quelles préparations protègent contre les pires branches sans sacrifier le potentiel de hausse ?

Déclencheurs de décision : Quels signaux spécifiques et observables devraient vous faire réévaluer quelle branche est la plus probable ? Définissez les lignes rouges.

L'aperçu à 1 % : Quelle est la seule chose à propos de cette situation que presque tous ceux qui l'analysent manqueraient ? Le schéma non évident, l'hypothèse cachée, la variable négligée.

Pondération par nombre d'or

Lorsque des preuves existent, pondérez les scénarios principaux à l'aide du nombre d'or :

  • Futur primaire (le plus probable) : 61,8 % de l'attention/des ressources
  • Futur alternatif : 38,2 % de l'attention/des ressources

Cela évite à la fois le sur-engagement sur une voie unique et la dilution sur trop de contingences. La nature utilise ce rapport pour les embranchements (arbres, rivières, vaisseaux sanguins). La planification stratégique peut aussi le faire.

Modes

Oracle rapide (2-3 minutes)

3 branches seulement : Meilleur, Probable, Pire. Récits courts. Pour des décisions rapides.

Oracle approfondi (5-10 minutes)

Les 6 branches. Analyse complète avec conséquences, déclencheurs et synthèse. Pour les décisions à forts enjeux.

Chaîne de scénarios

Prenez le résultat d'une analyse de l'Oracle et injectez-le dans une autre. "Si la branche Δ se produit, quelles sont les possibilités À L'INTÉRIEUR de cette branche ?" Profondeur récursive pour la planification stratégique complexe.

Oracle inversé

Partez d'un résultat souhaité et remontez : "Quelles conditions doivent être vraies pour que X se produise ? Quel est le chemin le plus probable VERS ce résultat ?" Utile pour la définition d'objectifs et la conception de stratégie.

Oracle compétitif

Analysez le même « Et si » sous plusieurs angles de parties prenantes : "Si nous lançons ce produit, à quoi ressemble l'espace des possibles de NOTRE perspective vs. LEUR perspective vs. la perspective du MARCHÉ ?"

Ce que ceci N'EST PAS

  • Pas une prédiction — c'est une carte des possibles. L'Oracle ne prétend pas connaître l'avenir ; il vous aide à vous préparer à plusieurs futurs.
  • Pas une boule de cristal — les probabilités sont des estimations basées sur les preuves disponibles, pas des certitudes.
  • Pas un substitut à l'action — la meilleure analyse de scénario au monde ne vaut rien sans décision et exécution ultérieures.

Fichiers de référence

FichierObjectif
références/modèles-de-scénarios.mdModèles spécifiques au domaine (startup, tech, finance, crise, etc.) et calibrage des probabilités

Licence

© 2026 Ashraf Hussein Kahoush / AHK Strategies. Sous licence CC BY-NC-SA 4.0. Gratuit pour usage personnel, éducatif et de recherche. L'usage commercial nécessite une licence de l'auteur.

Individual skills in this repo

This repo contains 20 individual skills — each has its own dedicated page.

adaptyv

How to use the Adaptyv Bio Foundry API and Python SDK for protein experiment design, submission, and results retrieval. Use this skill whenever the user mentions Adaptyv, Foundry API, protein binding assays, protein screening experiments, BLI/SPR assays, thermostability assays, or wants to submit protein sequences for experimental characterization. Also trigger when code imports `adaptyv`, `adaptyv_sdk`, or `FoundryClient`, or references `foundry-api-public.adaptyvbio.com`.

aeon

This skill should be used for time series machine learning tasks including classification, regression, clustering, forecasting, anomaly detection, segmentation, and similarity search. Use when working with temporal data, sequential patterns, or time-indexed observations requiring specialized algorithms beyond standard ML approaches. Particularly suited for univariate and multivariate time series analysis with scikit-learn compatible APIs.

alphagenome

Look up precomputed AlphaGenome Atlas effects for any GRCh38 single-nucleotide variant (AVI score with Phred and 18 SHAP feature attributions, plus raw and quantile scores for RNA-seq, DNase, ATAC, ChIP-TF, ChIP-histone, CAGE, PRO-cap, splicing, polyadenylation and contact-map tracks), score variants or scan windows on demand with the AlphaGenome model for human and mouse (variant scoring, in silico mutagenesis, REF-versus-ALT track prediction), and build Atlas website deep links. Use when the user mentions AlphaGenome, AlphaGenome Atlas, AVI or AlphaGenome Variant Impact, DeepMind variant effect prediction, or wants to prioritise or mechanistically interpret non-coding, regulatory, splicing, enhancer, promoter, or chromatin-accessibility effects of SNVs from a VCF, credible set, or region. Research use only; not a clinical tool.

analytical-method-validation

Plan, execute, and document validation, verification, and transfer of analytical procedures under the governing framework - ICH Q2(R2) and Q14, USP <1220>/<1225>/<1226>, ICH M10 bioanalytical, CLSI EP, or ISO/IEC 17025. Use for HPLC, LC-MS/MS, GC, CE, ICP-MS, dissolution, qNMR, qPCR, NIR, and ligand binding or cell-based assays whenever the question is whether a procedure is fit for its intended purpose. Triggers include

anndata

Data structure for annotated matrices in single-cell analysis. Use when working with .h5ad files or integrating with the scverse ecosystem. This is the data format skill—for analysis workflows use scanpy; for probabilistic models use scvi-tools; for population-scale queries use cellxgene-census.

arbor

Autonomously improve a real artifact (code, training recipe, agent harness, data pipeline, prompt) against an objective and an evaluator, using Hypothesis Tree Refinement (HTR) from the Arbor paper. Use this whenever someone wants to iteratively optimize something over many experiments without overfitting — e.g.

arboreto

Infer gene regulatory networks (GRNs) from gene expression data using scalable algorithms (GRNBoost2, GENIE3). Use when analyzing transcriptomics data (bulk RNA-seq, single-cell RNA-seq) to identify transcription factor-target gene relationships and regulatory interactions. Supports distributed computation for large-scale datasets.

astropy

Core Python library for astronomy and astrophysics workflows that need Astropy APIs, including units/quantities, coordinates, FITS I/O, tables, time systems, WCS, and cosmology. Use when implementing or debugging astronomical data analysis code with Astropy.

autoskill

Observe the user

benchling-integration

Benchling Python SDK and REST API integration for registry entities, inventory, ELN entries, workflows, Benchling Apps, and Data Warehouse queries. Use when automating lab data with benchling-sdk or the v2 API.

bgpt-paper-search

Search scientific papers and retrieve structured experimental data extracted from full-text studies via the BGPT MCP server. Returns 25+ fields per paper including methods, results, sample sizes, quality scores, and conclusions. Use for literature reviews, evidence synthesis, and finding experimental details not available in abstracts alone.

bids

>

biopython

Comprehensive molecular biology toolkit. Use for sequence manipulation, file parsing (FASTA/GenBank/PDB), phylogenetics, and programmatic NCBI/PubMed access (Bio.Entrez). Best for batch processing, custom bioinformatics pipelines, BLAST automation. For quick lookups use gget; for multi-service integration use bioservices.

bioservices

Unified Python interface to 40+ bioinformatics services. Use when querying multiple databases (UniProt, KEGG, ChEMBL, Reactome) in a single workflow with consistent API. Best for cross-database analysis, ID mapping across services. For quick single-database lookups use gget; for sequence/file manipulation use biopython.

bulk-rnaseq

End-to-end bulk RNA-seq orchestrator — takes raw FASTQ reads through QC and trimming (FastQC, fastp/Trim Galore), alignment and quantification (STAR, Salmon, featureCounts), assembles a gene-level counts matrix, then hands off to differential expression (pydeseq2), pathway/GSEA enrichment (pathway-enrichment), and publication figures (scientific-visualization). Use whenever the user has bulk RNA-seq reads or quant output and wants a complete, reproducible differential-expression workflow — e.g.

cellxgene-census

Query the CZ CELLxGENE Census programmatically for versioned public single-cell and spatial transcriptomics data. Use when you need population-scale cell metadata, gene expression slices, Census summary counts, source H5AD URIs/downloads, embeddings, spatial Census data, or reference atlas comparisons across organisms, tissues, diseases, assays, and cell types. For analyzing your own local single-cell data use scanpy, anndata, or scvi-tools.

cirq

Google quantum computing framework. Use when targeting Google Quantum AI hardware, designing noise-aware circuits, or running quantum characterization experiments. Best for Google hardware, noise modeling, and low-level circuit design. For IBM hardware use qiskit; for quantum ML with autodiff use pennylane; for physics simulations use qutip.

citation-management

Comprehensive citation management for academic research. Search OpenAlex, PubMed, and Google Scholar for papers, extract accurate metadata, validate citations, and generate properly formatted BibTeX entries. This skill should be used when you need to find papers, verify citation information, convert DOIs to BibTeX, or ensure reference accuracy in scientific writing.

clinical-decision-support

Prepare and validate research-only clinical decision-support evaluation, evidence-profile, cohort, survival, biomarker/model, privacy, and governance artifacts. Use for aggregate or synthetic research documentation and traceability—not patient care or live clinical operation.

clinical-reports

Create safety-bounded draft structures and run local deterministic checks for clinical case, diagnostic, trial, safety, and aggregate research reports. Use only with synthetic, de-identified, or aggregate inputs and verified source-fact manifests; every output requires qualified review.

Skills associés