LLM認識ドリフト
LLM認識ドリフト（LLM perception 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サーフェスを名指す。この用語が解釈ガバナンスに属するのは、単発の誤りを記述するだけでなく、カノン、出力、読解の文脈、安定性の軌跡のあいだの関係を記述するからである。
このページは、gautierdorval.comのコーパスにおけるLLM認識ドリフトの意味を安定させる。フランス語の用語Dérive de perception LLMとあわせて読むことができるが、この現象をAI可視性の指標に還元するものではない。
簡潔な定義
大規模言語モデル（LLM）と生成型の回答エンジンのテキスト出力に観察される認識の変動。
中心的な問いは「エンティティは現れているか？」だけではない。より厳しい問いは、「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、宣言された限界に沿って再構成されているか？」である。
ブランドは、AIの回答の中で可視性を保ちながら、その回答が生み出す認識においてドリフトしていることがある。引用されていても、誤って分類されていることがある。誤った理由で推奨されていることがある。自らの古い版、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語りと結びつけられていることがある。
この用語が意味しないもの
LLM認識ドリフトは、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、ばかげていたり、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、もっともらしく、再現可能で、読み手、回答エンジン、エージェントに利用されるほど十分に整合的に見えるため、より危険でありうる。
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できても、表現が忠実であることを証明しない。ドリフトについて語るには、出力を参照ソースと比較し、その変動を時間を通じて、モデル間で、またはクエリの文脈間で観察しなければならない。
観察可能なシグナル
よくあ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、引き続き記述を構造づけている
- 競合や意味的に近いものが、支配的な比較の枠組みになる
- 推奨が、別のユースケース、対象者、価値へと移る
- 複数のモデルが、同じエンティティについて両立しない版を再構成する
- 回答は好意的なままだが、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、ソース階層が記録されていなければ、これらはドリフトを証明しない。
測定の条件
ドリフトは、基準となる状態が存在する場合にのみ測定できる。その基準状態は、正規ページ、定義のコーパス、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、その伝播を検出し、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システムによって言及されているかを問うだけでは、もはや十分ではない。問わなければならないのは、エンティティが、適格で、境界づけられ、最新で、検証可能な版を通じて再構成されているかどうかである。
gautierdorval.comのコーパスでは、この用語を次のもの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、観察されたギャップ、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
LLM認識ドリフトは、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、基準状態に照らして観察できる場合にのみ用いること。あらゆるAIの誤りに対する漠然とした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、カノンからどれだけ離れて、どれだけの修正能力をもって安定させているのか？」である。