Protocole de mesure de la dérive de perception IA
Ce protocole définit une manière minimale de mesurer une dérive de perception IA sans la réduire à un score de visibilité. Il s’applique lorsqu’une entité, une marque, une personne, une offre ou une doctrine doit être observée dans les réponses de plusieurs systèmes génératifs.
Phase 1 : établir le canon
La première étape consiste à identifier les sources admissibles :
- définition canonique de l’entité
- page de rôle ou de positionnement
- pages de preuve
- pages de service ou d’offre
- définitions liées
- exclusions et limites explicites
- relations entre entités, marques, produits et doctrines
Sans cette étape, l’audit ne mesure qu’une impression. Le canon rend l’écart mesurable.
Phase 2 : créer une baseline
La baseline documente l’état initial de perception IA. Elle doit enregistrer :
- les modèles ou moteurs interrogés
- les requêtes exactes
- la date d’observation
- les paramètres visibles
- la langue
- les sources citées ou utilisées
- le résumé généré
- les catégories attribuées
- les concurrents ou voisins mentionnés
- les absences significatives
La baseline n’est pas une photographie neutre. C’est un point de comparaison gouverné.
Phase 3 : qualifier l’écart canon-sortie
Chaque sortie est comparée au canon selon cinq axes :
- identité : qui ou quoi est reconstruit ?
- catégorie : dans quel marché ou cadre l’entité est-elle placée ?
- périmètre : quelles activités, limites ou exclusions sont préservées ?
- preuve : quelles sources soutiennent la réponse ?
- recommandabilité : l’entité est-elle proposée, ignorée ou déplacée ?
Un écart isolé doit être noté. Un écart répété doit être qualifié. Un écart qui se stabilise devient un signal de dérive.
Phase 4 : observer la variation
La dérive doit être observée selon au moins un axe :
- variation dans le temps
- variation entre modèles
- variation entre langues
- variation entre requêtes
- variation entre intentions
- variation entre sources citées
- variation entre réponses avec et sans navigation
Cette étape distingue une erreur ponctuelle d’une trajectoire.
Phase 5 : décider de la correction
La correction ne doit pas être automatique. Elle peut viser :
- le contenu canonique
- le maillage interne
- la désambiguïsation
- les preuves externes
- la clarification d’un périmètre
- le traitement d’une source contaminante
- l’ajout d’une page définitionnelle
- le renforcement d’un graphe d’entités
Le protocole ne promet pas la correction immédiate par les modèles. Il mesure plutôt la capacité de résorption après modification du corpus.
Sortie attendue
Une mesure utile produit au minimum :
- une baseline
- une carte des écarts
- une classification des dérives
- une priorité de correction
- une hypothèse de cause
- un plan de réobservation
- une indication de risque interprétatif
Le résultat n’est pas seulement un tableau de visibilité. C’est une lecture gouvernée de la représentation générée.