Matrice de stabilité de perception IA
La matrice de stabilité de perception IA sert à qualifier la qualité d’une représentation générée. Elle ne mesure pas seulement si l’entité est visible. Elle mesure si l’entité est reconstruite avec assez de fidélité pour rester reconnaissable, comparable et gouvernable.
Axes de lecture
| Axe | Question | Signal de stabilité | Signal de dérive |
|---|---|---|---|
| Identité | Qui est reconstruit ? | L’entité est nommée correctement | Fusion, confusion, attribution ambiguë |
| Catégorie | Dans quel cadre ? | Le marché ou rôle est exact | Catégorie trop large ou incorrecte |
| Périmètre | Que fait l’entité ? | Les limites sont préservées | Offre ancienne ou inventée |
| Preuve | Sur quoi repose la réponse ? | Sources canoniques ou admissibles | Sources secondaires dominantes |
| Temporalité | Quelle version ? | Version actuelle | Version obsolète persistante |
| Recommandabilité | Pourquoi proposer l’entité ? | Motifs alignés au canon | Motifs faibles ou déplacés |
| Convergence | Les modèles convergent-ils ? | Portrait stable entre systèmes | Versions incompatibles |
Niveaux de stabilité
Niveau 0 : absence exploitable
L’entité n’apparaît pas ou apparaît sans éléments suffisants pour produire une représentation utile.
Niveau 1 : présence fragile
L’entité est visible, mais la réponse dépend fortement de formulations précises, de sources secondaires ou de requêtes très guidées.
Niveau 2 : représentation partielle
L’identité est correcte, mais la catégorie, le périmètre ou la preuve sont incomplets.
Niveau 3 : représentation fidèle
La réponse préserve l’identité, le rôle, la catégorie, les preuves principales et les limites.
Niveau 4 : stabilité inter-systèmes
Plusieurs modèles ou moteurs convergent vers une représentation fidèle malgré des requêtes différentes.
Niveau 5 : stabilité gouvernable
La représentation reste fidèle dans le temps, les écarts sont observables, et la correction peut être suivie après modification du canon.
Utilisation
Cette matrice peut servir à prioriser les corrections. Une entité au niveau 1 n’a pas besoin du même travail qu’une entité au niveau 3. Une dérive de catégorie demande souvent un travail d’architecture sémantique. Une dérive de temporalité demande plutôt une correction de fraîcheur, de désambiguïsation historique ou de hiérarchie des sources.
La matrice doit être utilisée avec la baseline de perception IA et l’écart canon-sortie.