Décision d’intervention
Comment reconnaître que cet axe doit être mobilisé
Utiliser cette page comme une page de décision. L’objectif n’est pas seulement de comprendre le concept, mais d’identifier les symptômes, les erreurs de cadrage, les cas d’usage et les surfaces à ouvrir pour corriger le bon problème.
Symptômes typiques
- La même question produit des réponses matériellement différentes dans le temps.
- Une correction semble fonctionner brièvement, puis s’affaiblit ou s’inverse.
- Des systèmes différents conservent le vocabulaire, mais déplacent périmètre ou autorité.
- La variation devient assez fréquente pour qu’il soit impossible de distinguer baseline et dérive.
Erreurs de cadrage fréquentes
- Traiter toute variation comme une dérive sans baseline déclarée.
- Regarder seulement les sorties en ignorant canon, périmètre et conditions de réponse.
- Supposer qu’une correction est complète parce qu’un snapshot s’est amélioré.
- Confondre tableau de bord d’observabilité et preuve de fidélité.
Cas d’usage
- Suivi d’un corpus corrigé après publication.
- Pilotage de stabilité après release, rebrand ou changement de périmètre.
- Détection de dérives récurrentes entre systèmes, prompts ou langues.
- Priorisation des corrections avant que la dérive ne durcisse en dette.
Ce qui est corrigé concrètement
- Publication d’une baseline et d’une fenêtre de test.
- Séparation entre variance bénigne et dérive réellement canonique.
- Suivi du délai de correction et de la récurrence.
- Escalade de l’observation vers l’audit lorsque des seuils sont franchis.
Artefacts machine-first concernés
Ces surfaces bornent le problème avant la correction détaillée.
Fichiers de gouvernance à ouvrir d’abord
Surfaces probatoires utiles
Ces surfaces permettent de relier diagnostic, observation, fidélité et audit.
Références à ouvrir d’abord
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.
Q-Ledger JSON
/.well-known/q-ledger.json
Journal machine-first des observations, baselines et écarts versionnés.
- Gouverne
- La description des écarts, des dérives, des snapshots et des comparaisons.
- Borne
- La confusion entre signal observé, preuve de fidélité et pilotage réel.
Ne garantit pas : Une surface d’observation documente un effet ; elle ne vaut pas, seule, comme garantie de représentation.
Q-Metrics JSON
/.well-known/q-metrics.json
Surface de métriques descriptives pour observer des écarts, snapshots et comparaisons.
- Gouverne
- La description des écarts, des dérives, des snapshots et des comparaisons.
- Borne
- La confusion entre signal observé, preuve de fidélité et pilotage réel.
Ne garantit pas : Une surface d’observation documente un effet ; elle ne vaut pas, seule, comme garantie de représentation.
Artefacts complémentaires (1)
Ces surfaces prolongent le bloc principal. Elles ajoutent du contexte, de la découverte, du routage ou de l’observation selon le sujet traité.
Changelog IA
/changelog-ai.md
Journal des changements de gouvernance, d’identité et de surfaces machine-first.
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.
- 01Observation faibleQ-Ledger
- 02Mesure dérivéeQ-Metrics
- 03Rapport d’auditIIP report schema
- 04Mémoire et versionChangelog IA
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.
IIP report schema
/iip-report.schema.json
Interface publique d’un rapport d’intégrité interprétative : périmètre, métriques et taxonomie de dérives.
- Rend prouvable
- La forme minimale d’un rapport d’audit reconstructible et comparable.
- Ne prouve pas
- Ni les poids privés, ni les heuristiques internes, ni la réussite d’un audit concret.
- À mobiliser quand
- Quand une page parle d’audit, de livrable probatoire ou de rapport opposable.
Changelog IA
/changelog-ai.md
Journal public qui rend les évolutions des surfaces IA plus datables et plus auditables.
- Rend prouvable
- Qu’un état probatoire peut être replacé dans une trajectoire de version explicite.
- Ne prouve pas
- Ni la résorption effective d’une dérive, ni la consultation du changement par un tiers.
- À mobiliser quand
- Quand une page traite de snapshots, de rectification, de retrait ou de supersession.
Détection de dérive sémantique
Cette page capte un label à visée servicielle. Sur ce site, la « détection de dérive » signifie repérer quand une variation devient une divergence significative par rapport au canon, à la baseline ou au régime de réponse déclaré.
Le label est utile, mais seulement si la dérive n’est pas réduite à des « changements de modèle » vagues ou à une volatilité de tableau de bord.
Ce qui compte ici comme dérive
Toute différence n’est pas une dérive.
Une différence devient une dérive lorsqu’elle compte au regard :
- du périmètre canonique ;
- de la source d’autorité préservée ;
- des conditions de réponse qui auraient dû borner la réponse ;
- de l’état de baseline ou de release qui devrait encore gouverner.
La détection de dérive appartient donc à l’observabilité interprétative, à l’écart canon-sortie, à la dette interprétative, et à la soutenabilité interprétative.
Quand ce point d’entrée devient utile
La détection de dérive devient particulièrement utile lorsque :
- une correction doit être suivie après publication ;
- un rebrand, une fusion ou un changement de périmètre vient d’être publié ;
- les réponses cross-modèles restent instables alors que le site paraît cohérent ;
- les mêmes erreurs reviennent après des correctifs partiels.
La détection exige une baseline
Sur ce site, la détection de dérive n’est jamais traitée comme un score flottant.
Elle exige au minimum :
- une baseline déclarée ;
- une fenêtre de test ou de récurrence ;
- une famille de requêtes ;
- un canon déclaré ou une hiérarchie de sources prévalente ;
- une séparation entre observation et preuve.
Sans cette discipline, on n’accumule que du bruit.
Sorties typiques
Un travail de détection de dérive oriente généralement vers :
- une baseline et une fenêtre de comparaison ;
- une qualification de ce qui relève d’une variance stable ou d’une dérive réelle ;
- des signaux de récurrence et de délai de correction ;
- un chemin d’escalade vers l’audit lorsque nécessaire ;
- un ordre de priorité de correction.
Ce que ce label ne remplace pas
La détection de dérive ne remplace pas :
- le canon ;
- la preuve de fidélité ;
- la gouvernance de correction ;
- la discipline de release.
Elle constitue une fonction amont de visibilité. Elle dit qu’une divergence compte. Elle ne tranche pas, à elle seule, ce qui devrait prévaloir.
Carte doctrinale
Sur ce site, la « détection de dérive » se redistribue vers :
- Observabilité interprétative
- Observabilité interprétative : métriques, journaux, preuves
- Correction interprétative et résorption de dette
- Soutenabilité interprétative : budget de correction et gouvernance LTS
- SEO interprétatif
Lectures associées
- Indice de dérive : mesurer la variance des formulations dans le temps
- Accumulation de dette interprétative
- Inertie de la correction interprétative
Retour à la carte : Expertise.