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.
Vocabulaire-pont
/bridge-vocabulary.json
Registre des termes de marché et de leurs routes vers les concepts, clarifications et limites appropriés.
- Gouverne
- La traduction lexicale entre branding, réputation, visibilité et gouvernance interprétative.
- Borne
- La canonisation automatique des termes de marché et les inférences non soutenues.
Ne garantit pas : Le routage lexical ne crée ni preuve, ni contrôle de modèle, ni réputation favorable.
serp-ownership.json
/serp-ownership.json
Surface publiée de gouvernance machine-first.
- Gouverne
- Une partie des conditions de lecture du corpus.
- Borne
- Une zone d’inférence qui resterait sinon implicite.
Ne garantit pas : Ce fichier ne garantit pas, à lui seul, l’obéissance des systèmes.
Routeur sémantique
/semantic-router.json
Surface qui oriente la lecture vers les bonnes zones du corpus selon le type d’intention.
- Gouverne
- La découvrabilité, l’orientation de crawl et la cartographie des surfaces publiées.
- Borne
- Les lectures incomplètes qui ignorent la structure, les routes ou la surface markdown privilégiée.
Ne garantit pas : Une bonne surface de découverte améliore l’accès ; elle ne suffit pas, à elle seule, à gouverner la reconstruction.
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.
- 01Artefact probatoirefamily-proof-requirements.json
- 02Artefact probatoiresource-weighting-policy.json
family-proof-requirements.json
/family-proof-requirements.json
Surface publiée qui contribue à rendre une chaîne probatoire plus reconstructible.
- Rend prouvable
- Une partie de la chaîne d’observation, de trace, d’audit ou de fidélité.
- Ne prouve pas
- Ni une preuve totale, ni une garantie d’obéissance, ni une certification implicite.
- À mobiliser quand
- Lorsqu’une page doit expliciter son régime de preuve.
source-weighting-policy.json
/source-weighting-policy.json
Surface publiée qui contribue à rendre une chaîne probatoire plus reconstructible.
- Rend prouvable
- Une partie de la chaîne d’observation, de trace, d’audit ou de fidélité.
- Ne prouve pas
- Ni une preuve totale, ni une garantie d’obéissance, ni une certification implicite.
- À mobiliser quand
- Lorsqu’une page doit expliciter son régime de preuve.
ChatGPT décrit mal mon entreprise : huit causes à distinguer avant de corriger
Lorsqu’une réponse décrit mal une entreprise, le réflexe est souvent de conclure à une hallucination ou à un manque de contenu. Ces diagnostics sont parfois exacts, mais une correction efficace commence par identifier le mode de défaillance.
Publier dix pages supplémentaires ne corrigera pas une confusion d’homonyme. Modifier le slogan ne résoudra pas une source tierce obsolète. Demander un ton positif ne réparera pas un périmètre faux.
1. Confusion d’entité
Le système fusionne deux entreprises, un produit et sa société, une filiale et le groupe, ou deux personnes portant le même nom.
Indices : coordonnées incompatibles, services appartenant à un homonyme, pays différent, avis mal attribués.
Correction : identifiants, sameAs, données d’organisation, relations explicites, pages d’entité et exclusions.
2. Catégorie trop large
L’entreprise spécialisée est rangée dans une catégorie générique plus fréquente.
Indices : description correcte mais interchangeable, concurrents généralistes, différenciateur absent.
Correction : preuves de spécialisation, architecture par problème, comparaisons bornées et cas d’usage.
3. Ancienne identité dominante
Le système privilégie le nom, l’offre ou le positionnement historique.
Indices : ancien logo verbal, services abandonnés, pages archivées ou annuaires non mis à jour.
Correction : chronologie, redirections, consolidation des sources, dates et pages de transition.
4. Hiérarchie inversée
Tous les faits sont vrais, mais une activité secondaire devient centrale.
Indices : « offre aussi » appliqué au cœur de métier, page très populaire sur un sujet périphérique.
Correction : hiérarchie des hubs, maillage, titres, preuves et cohérence des surfaces structurantes.
5. Périmètre mal borné
La réponse ajoute un service, un public, un territoire ou une promesse que l’entreprise n’assume pas.
Indices : B2B présenté B2C, territoire étendu, fonctionnalités déduites, conseil transformé en certification.
Correction : pages de portée, exclusions explicites, données structurées et non-implications.
6. Source tierce structurante
Le site officiel est visible, mais une source externe gouverne la catégorie ou le claim.
Indices : formulations reprises d’un annuaire, d’un article ou d’un profil ancien; citation officielle sans influence apparente sur la synthèse.
Correction : identifier la source, évaluer sa compétence, la mettre à jour si possible ou renforcer les sources canoniques sans chercher à supprimer une critique légitime.
7. Prompt ou contexte inadéquat
La réponse dépend de la question, de la langue, de la région, de la navigation ou d’une mémoire de session.
Indices : résultat correct dans une nouvelle session, divergence entre français et anglais, catégories différentes selon l’intention.
Correction : protocole comparable, familles de prompts, séparation des conditions et baseline.
8. Hallucination factuelle
Le système invente un prix, une certification, un dirigeant ou un événement.
Indices : aucun support dans une source compétente, combinaison de fragments appartenant à d’autres entités.
Correction : documenter le claim, corriger la source compétente, signaler lorsque possible et réobserver. Éviter de noyer l’erreur sous du contenu générique.
Arbre de décision
| Question | Si oui | Si non |
|---|---|---|
| Le claim appartient-il à la bonne entité ? | Continuer | Confusion d’entité |
| Le fait est-il soutenu ? | Examiner le cadrage | Hallucination ou source faible |
| La catégorie principale est-elle correcte ? | Examiner le périmètre | Dérive catégorielle |
| L’état est-il actuel ? | Examiner les relations | Dérive temporelle |
| Les limites sont-elles préservées ? | Examiner les sources | Dérive de périmètre |
| L’écart se répète-t-il ? | Escalader le diagnostic | Incident à surveiller |
Ce qu’un bon correctif doit contenir
- preuve du problème avant correction;
- source ou couche compétente;
- modification bornée;
- hypothèse attendue;
- protocole de réobservation;
- critères d’arrêt;
- absence de promesse sur le comportement futur du modèle.
Ne pas corriger le symptôme avec l’outil du mauvais métier
Un problème de branding peut être une erreur d’entité. Un problème de SEO peut être une autorité externe. Un problème réputationnel peut être une critique exacte. Un problème de monitoring peut venir du protocole.
La première compétence n’est donc pas d’optimiser. C’est de désambiguïser le problème. L’audit de représentation de marque IA commence par cette séparation avant toute recommandation.