Matrice de stabilité de perception IA
Cette matrice qualifie la stabilité d’une représentation sans exiger des réponses identiques. Elle suit les invariants matériels d’une marque à travers les modèles, les langues, les régions, les intentions et le temps.
Précondition : une baseline datée
La stabilité n’existe qu’en relation avec un état de référence. La baseline doit séparer :
- identité et identifiants;
- catégorie et niveau de spécialisation;
- périmètre, publics et exclusions;
- différenciateurs prouvables;
- relations et affiliations;
- état temporel;
- claims externes qui ne relèvent pas du canon de la marque.
Axes
| Axe | Stable | Fragile | Dérivé |
|---|---|---|---|
| Identité | Entité correcte dans les conditions testées | Dépend du nom exact | Fusion ou attribution erronée |
| Catégorie | Rôle et spécialisation préservés | Catégorie large mais compatible | Mauvais marché ou généralisation matérielle |
| Périmètre | Offre et limites respectées | Omission mineure | Offre inventée, ancienne ou hors public |
| Différenciation | Invariants reconnaissables | Partiels | Marque interchangeable |
| Sources | Autorités compétentes par claim | Attribution incomplète | Mauvaise classe de source |
| Temporalité | État actuel et dates préservés | Ambiguïté | Ancien état présenté comme actuel |
| Relations | Affiliations et concurrents exacts | Voisinage fluctuant | Mauvaise entité ou relation |
| Recommandabilité | Cas d’usage alignés | Motifs faibles | Mauvais usage ou exclusion injustifiée |
| Cross-model | Variations compatibles | Un système diverge | Versions incompatibles persistantes |
| Cross-langue | Parité des invariants | Lacunes localisées | Identité ou catégorie différente |
Niveaux
- Absence exploitable : pas assez de matière pour qualifier la représentation.
- Présence fragile : portrait dépendant de prompts très guidés.
- Représentation partielle : identité correcte, mais plusieurs invariants manquent.
- Fidélité conditionnelle : portrait correct dans un sous-ensemble documenté.
- Stabilité inter-systèmes : invariants préservés entre plusieurs modèles et intentions.
- Stabilité gouvernable : variations observables, écarts classables et réobservation versionnée.
Échantillonnage
Tester au minimum les familles : définition, comparaison, recommandation, problème, alternatives, vérification et risque. Séparer prompts avec marque nommée et prompts génériques. Pour un corpus international, couvrir les langues et régions matérielles.
Chaque cellule doit conserver le nombre d’observations et le niveau de confiance. Une moyenne globale ne doit pas masquer une confusion critique dans une langue ou un cas d’usage.
Lecture des résultats
- stabilité élevée + faible fidélité : erreur répétée, priorité de correction;
- faible stabilité + fidélité moyenne : variabilité, protocole à élargir;
- visibilité élevée + catégorie dérivée : succès de présence, échec de positionnement;
- sentiment positif + périmètre faux : indicateur flatteur mais dangereux;
- sources officielles visibles + tiers structurants : gouvernance exogène à analyser.
Limites
La matrice ne prédit pas les réponses futures et ne prouve pas l’effet d’une correction. Elle ne pénalise pas les formulations diverses lorsqu’elles préservent les invariants. Elle ne transforme pas le canon officiel en autorité sur la réputation externe.
Elle sert à décider où approfondir, quelle dérive classer et quelles conditions reproduire lors de la réobservation.