Artefacts de gouvernance
Fichiers de gouvernance mobilisés par cette page
Cette page est arrimée à des surfaces publiées qui déclarent l’identité, la préséance, les limites et les conditions de lecture du corpus. Leur ordre ci-dessous donne la séquence de lecture recommandée.
Canon de définitions
/canon.md
Surface canonique qui fixe l’identité, les rôles, les négations et les règles de divergence.
- Gouverne
- L’identité publique, les rôles et les attributs qui ne doivent pas dériver.
- Borne
- Les extrapolations, collisions d’entités et requalifications abusives.
Ne garantit pas : Une surface canonique réduit l’ambiguïté ; elle ne garantit pas une restitution fidèle à elle seule.
Verrou d’identité
/identity.json
Fichier d’identité qui borne les attributs critiques et réduit les collisions biographiques ou professionnelles.
- Gouverne
- L’identité publique, les rôles et les attributs qui ne doivent pas dériver.
- Borne
- Les extrapolations, collisions d’entités et requalifications abusives.
Ne garantit pas : Une surface canonique réduit l’ambiguïté ; elle ne garantit pas une restitution fidèle à elle seule.
Entrypoint IA canonique
/.well-known/ai-governance.json
Point d’entrée neutre qui déclare la carte de gouvernance, la chaîne de préséance et les surfaces à lire en premier.
- Gouverne
- L’ordre d’accès aux surfaces et la préséance initiale.
- Borne
- Les lectures libres qui contournent le canon ou l’ordre publié.
Ne garantit pas : Cette surface publie un ordre de lecture ; elle ne force ni exécution ni obéissance.
Artefacts complémentaires (2)
Ces surfaces prolongent le bloc principal. Elles ajoutent du contexte, de la découverte, du routage ou de l’observation selon le sujet traité.
Q-Ledger JSON
/.well-known/q-ledger.json
Journal machine-first des observations, baselines et écarts versionnés.
Q-Metrics JSON
/.well-known/q-metrics.json
Surface de métriques descriptives pour observer des écarts, snapshots et comparaisons.
Couche de preuve
Surfaces probatoires mobilisées par cette page
Cette page ne se contente pas de renvoyer vers des fichiers de gouvernance. Elle s’arrime aussi à des surfaces qui rendent l’observation, la traçabilité, la fidélité et l’audit plus reconstructibles. Leur ordre ci-dessous explicite la chaîne probatoire minimale.
- 01Canon et périmètreCanon de définitions
- 02Autorisation de répondreQ-Layer : légitimité de réponse
- 03Observation faibleQ-Ledger
- 04Mesure dérivéeQ-Metrics
Canon de définitions
/canon.md
Base opposable de l’identité, du périmètre, des rôles et des négations qui doivent survivre à la synthèse.
- Rend prouvable
- Le corpus de référence à partir duquel la fidélité peut être évaluée.
- Ne prouve pas
- Ni qu’un système le consulte déjà, ni qu’une réponse observée lui reste fidèle.
- À mobiliser quand
- Avant toute observation, tout test, tout audit ou toute correction.
Q-Layer : légitimité de réponse
/response-legitimacy.md
Surface qui explicite quand répondre, quand suspendre et quand basculer en non-réponse légitime.
- Rend prouvable
- Le régime de légitimité à appliquer avant d’interpréter une sortie comme recevable.
- Ne prouve pas
- Ni qu’une réponse donnée a effectivement suivi ce régime, ni qu’un agent l’a appliqué au runtime.
- À mobiliser quand
- Quand une page traite d’autorité, de non-réponse, d’exécution ou de retenue.
Q-Ledger
/.well-known/q-ledger.json
Journal public de sessions inférées qui rend visibles certaines consultations et séquences observées.
- Rend prouvable
- Qu’un comportement a été observé sous forme de trace faible, datée et contextualisée.
- Ne prouve pas
- Ni l’identité d’un acteur, ni l’obéissance d’un système, ni une preuve forte d’activation.
- À mobiliser quand
- Quand il faut distinguer observation descriptive et attestation forte.
Q-Metrics
/.well-known/q-metrics.json
Couche dérivée qui rend certaines variations plus comparables d’un snapshot à l’autre.
- Rend prouvable
- Qu’un signal observé peut être comparé, versionné et contesté comme indicateur descriptif.
- Ne prouve pas
- Ni la vérité d’une représentation, ni la fidélité d’une sortie, ni un pilotage réel à elle seule.
- À mobiliser quand
- Pour comparer des fenêtres, prioriser un audit et documenter un avant/après.
Surfaces probatoires complémentaires (1)
Ces artefacts prolongent la chaîne principale. Ils servent à qualifier un audit, un niveau de preuve, une citation ou une trajectoire de version.
IIP report schema
/iip-report.schema.json
Interface publique d’un rapport d’intégrité interprétative : périmètre, métriques et taxonomie de dérives.
Le mauvais cadrage qui domine encore
La conversation publique sur les IA parle surtout de présence.
On cherche à savoir si une marque apparaît, combien de fois elle est citée, quels fournisseurs la mobilisent, ou quelles URLs sont utilisées en arrière-plan d’une réponse.
Ces questions ne sont pas absurdes. Elles restent incomplètes.
Elles observent surtout l’exposition d’une entité. Elles ne suffisent pas à gouverner la version de cette entité que les systèmes d’IA finissent par reconstruire.
La distinction qui change tout
Le premier écart observé par le marché est souvent le suivant :
- URLs consultées ≠ URLs citées.
C’est un constat utile, mais encore superficiel.
Le second écart, plus décisif, est celui-ci :
- marque publiée ≠ marque reconstruite.
C’est ce second écart qui doit maintenant devenir central. Une organisation peut être présente dans les réponses, tout en étant :
- catégorisée trop largement ;
- réduite à une sous-partie de son offre ;
- étendue vers des services non publiés ;
- définie par un tiers plus structurant que sa propre source ;
- stabilisée autour d’une version plausible, mais fausse au regard du canon.
Les IA ne relaient pas seulement. Elles arbitrent.
Dans un environnement génératif, les systèmes ne se contentent pas de relayer des pages. Ils arbitrent entre des formulations concurrentes, des sources partielles, des proximités de catégorie et des hiérarchies d’autorité souvent implicites.
Ils compressent, lissent, substituent, généralisent et comblent les vides.
Le résultat n’est pas un simple reflet du site. C’est une reconstruction probabiliste.
Cette reconstruction peut rester fidèle. Elle peut aussi dériver sans bruit, surtout lorsque :
- le canon est faible ou peu explicite ;
- les limites sont publiées trop bas dans la hiérarchie ;
- des tiers sont mieux structurés ou plus comparables ;
- l’architecture favorise une lecture partielle ;
- les systèmes rencontrent surtout des formulations moyennes plutôt que des bornes fortes.
Pourquoi « visibilité » ne suffit plus
Le terme « visibilité » a encore une utilité descriptive. Il ne suffit plus à nommer le problème.
Une marque peut être visible sans être correctement comprise.
Une source peut être citée sans que ses limites soient conservées.
Une réponse peut sembler favorable tout en consolidant un périmètre erroné.
C’est exactement pourquoi le site maintient une séparation entre visibilité LLM, preuve de fidélité, écart canon-sortie et auditabilité interprétative.
Le bon terme public : écart de représentation
Le terme écart de représentation permet de nommer le problème avec plus de précision.
Il désigne l’écart entre :
- ce que l’organisation publie sur son identité, son offre, son champ et ses limites ;
- ce que les systèmes d’IA retiennent, déduisent et répètent.
Sur ce site, ce terme reste un vocabulaire d’entrée. Il ne remplace pas l’écart canon-sortie, qui demeure l’objet canonique plus strict.
Mais il a une force stratégique : il déplace la conversation du simple suivi de présence vers la gouvernance de la reconstruction.
Ce que cela change pour une organisation
Lorsqu’une équipe parle encore seulement de monitoring, elle regarde surtout des effets :
- citations ;
- parts de présence ;
- changements de fréquence ;
- apparitions comparées.
Lorsqu’elle commence à parler d’écart de représentation, elle pose enfin les bonnes questions :
- quelle version de notre marque est reconstruite ;
- quels attributs critiques sont conservés ou perdus ;
- quelle source fait réellement autorité dans les réponses ;
- quelles limites disparaissent sous synthèse ;
- quelle part du problème relève du site, des tiers, du canon ou de l’architecture.
Le diagnostic devient immédiatement plus actionnable.
Ce que le marché doit cesser de confondre
Le marché confond encore trop souvent :
- visibilité et fidélité ;
- citation et compréhension ;
- observation et preuve ;
- bonne restitution locale et stabilité système ;
- dashboard utile et gouvernance réelle.
La conséquence est simple : on corrige ce qui se voit, alors que le problème se forme plus en amont, dans la sélection des sources, la hiérarchie de l’autorité, la solidité du canon et le niveau de reconstruction libre laissé aux systèmes.
Le bon déplacement doctrinal
Le bon déplacement n’est donc pas :
comment être plus visible dans les IA ?
Le bon déplacement est :
comment réduire l’écart entre la marque publiée et la marque reconstruite ?
À partir de là, les couches du site retrouvent leur ordre :
- Écart de représentation pour nommer le problème publiquement ;
- Écart de représentation vs écart canon-sortie pour clarifier le vocabulaire ;
- Écart canon-sortie pour mesurer ;
- Preuve de fidélité pour qualifier ;
- Audit d’écart de représentation pour agir.
Conclusion
Le marché n’a pas tort de mesurer la présence. Il reste simplement un étage trop bas.
Le vrai sujet n’est pas seulement de savoir si une marque est visible dans les IA.
Le vrai sujet est de savoir quelle version d’elle-même les IA sont en train de fabriquer.