モデル間ドリフト
モデル間ドリフト（cross-model drift）は、生成システムがエンティティ、ブランド、人物、オファー、ドクトリンをどのように再構成するかに関わる概念的サーフェスを指す。この用語が解釈ガバナンスに属するのは、それが単発の誤りを記述するだけではないからである。この用語は、カノン、出力、読解のコンテキスト、安定性の軌跡のあいだの関係を記述する。
本ページは、gautierdorval.comのコーパスにおけるモデル間ドリフトという用語を安定させる。フランス語の用語Dérive cross-modelとあわせて読むことができるが、AI可視性の指標に還元すべきではない。
簡潔な定義
同一の正規対象について観測される、異なるモデル間または異なる回答エンジン間の表現ギャップ。
中心的な問いは、「そのエンティティは現れるか？」だけではない。より強い問いは、「そのエンティティは、その正確な役割、実際のペリメーター、正しいカテゴリー、適格な証拠、宣言された限界に従って再構成されているか？」である。
ブランドは、AIの回答のなかで可視であり続けながら、その回答が生み出す認識のなかではドリフトしていることがある。引用されながら、誤って分類されることがある。誤った理由で推奨されることがある。自らの古いバージョン、競合、過度に汎用的なカテゴリー、あるいは支配的になった外部のナラティブと結びつけられることもある。
この用語が意味しないもの
モデル間ドリフトは、ハルシネーションの同義語ではない。ハルシネーションは、孤立していたり、不合理であったり、明らかに誤っていたりすることがある。認識や表現のドリフトは、それよりもはるかに危険でありうる。もっともらしく、反復可能で、読者、回答エンジン、エージェントが利用できるほど整合的に見えるからである。
また、単なるGEOスコア、シェア・オブ・ボイスの指標、引用数でもない。これらの測定は症状を検出することはあっても、表現が忠実であることを証明するものではない。ドリフトについて語るには、出力を参照ソースと比較し、その変動を、時間の経過のなかで、モデル間で、またはクエリのコンテキスト間で観測しなければならない。
観察可能なシグナル
よく見られるシグナルには、次のものがある。
- 正規の根拠なしに、エンティティのカテゴリーが変わる
- 実際の差別化要素が回答から消える
- 古いオファーやアイデンティティが、記述を構造づけ続ける
- 競合や、意味的に近接する別のエンティティが、支配的な比較の枠組みになる
- 推奨が、別の用途、対象者、価値へと移っていく
- 複数のモデルが、同じエンティティについて両立しないバージョンを再構成する
- 回答は肯定的なままだが、宣言されたカノンへの忠実性が低下する
これらのシグナルは、証拠の手がかりとして扱わなければならない。ベースライン、ソースコーパス、ソース階層が文書化されていなければ、それらはドリフトを証明しない。
測定の条件
ドリフトは、参照状態が存在する場合にのみ測定できる。その参照状態は、正規ページ、定義コーパス、エンティティグラフ、ドクトリンのマニフェスト、サービスページ、オファーシート、ポリシー、あるいはソースの管理された組み合わせでありうる。
原則は単純である。カノンがなければ、変動の印象があるだけである。カノンがあれば、カノンと出力のギャップを評価し、その反復を測定し、伝播を検出し、修正をコンテンツ、セマンティックアーキテクチャ、曖昧性解消、証拠、サーフェス間のリンクのどこで行わなければならないかを判断できるようになる。
ガバナンス上の含意
ガバナンス上の含意は、単なる可視性から認識の安定性へと移行することである。エンティティがAIシステムに言及されるかどうかを問うだけでは、もはや足りない。そのエンティティが、適格で、範囲が限定され、最新で、検証可能なバージョンを通じて再構成されているかどうかを問わなければならない。
gautierdorval.comのコーパスにおいて、この用語は次の概念とあわせて読まなければならない。
これらのリンクは、正規ソース、生成された出力、観測されたギャップ、時間的な変動、解釈リスク、修正、そして解消という読解ルートを構造づける。
読み方のルール
モデル間ドリフトという用語は、表現、カテゴリー、推奨可能性、フレーミング、忠実性の変化を参照状態に照らして観測できる場合にのみ用いる。あらゆるAIの誤りに付ける曖昧なラベルとして用いてはならない。
正しい問いは、「AIは間違っているか？」ではない。正しい問いは、「AIはどの表現を、どのソースから、カノンとどれだけの距離をもって、どの程度の修正可能性とともに安定させているのか？」である。