Le deuxième passage : remettre en question la recherche en IA

Une source n'est pas synonyme de certitude

Voir des citations est rassurant, mais un simple badge de citation ne rend pas une affirmation vraie.

Il y a au moins quatre questions distinctes qui méritent d'être posées :

1. La source existe-t-elle réellement ?
2. Est-ce la bonne source pour ce sujet ?
3. Appuie-t-elle réellement l'affirmation spécifique qui est faite ?
4. Existe-t-il une autre source crédible qui la contredit ?

Opis traite déjà la provenance des sources comme faisant partie de l'objet de recherche plutôt que comme des notes de bas de page décoratives. Les constats peuvent contenir des références de source, le système conserve les sources fondamentales qui étaient réellement disponibles pour l'exécution, et la couche d'assurance qualité des résultats vérifie les problèmes tels que les références invalides et les schémas de sources suspects.

Pour vous, en tant qu'opérateur, le comportement doit être tout aussi délibéré.

Lorsqu'un constat est important, ouvrez la source.

Ne demandez pas « ce rapport a-t-il des citations ? »

Demandez « serais-je à l'aise de défendre cette affirmation auprès d'un client en utilisant cette preuve ? »

C'est un standard beaucoup plus élevé.

Les quatre signaux d'incertitude à apprendre

Opis distingue plusieurs types d'incertitude car ils exigent des réponses différentes.

Hypothèse

Une hypothèse est quelque chose que l'analyse a dû traiter comme provisoirement vrai pour avancer.

Exemple :

« L'entreprise semble cibler les PME d'après le langage et les offres affichés sur son site web. »

Cela peut être une interprétation raisonnable, mais peut-être savez-vous que 70 % de ses revenus proviennent en réalité de contrats avec de grandes entreprises.

Ce n'est pas un problème de recherche web. C'est un problème de contexte.

Ambiguïté

Une ambiguïté existe lorsque le matériel disponible laisse plus d'une interprétation raisonnable.

Par exemple, un fournisseur indique « livraison au Royaume-Uni » sur sa page d'accueil, mais une page d'expédition ne mentionne que l'Angleterre continentale et le Pays de Galles.

L'information existe. Sa signification n'est pas claire.

Contradiction

Une contradiction est plus forte. Deux éléments de preuve indiquent des directions incompatibles.

Une page d'entreprise peut qualifier un produit de « résiliable à tout moment » tandis que les conditions actuelles décrivent un engagement de 12 mois.

Cela ne doit pas être silencieusement moyenné pour aboutir à une conclusion confiante.

Lacune

Une lacune signifie que la recherche ne contient pas actuellement suffisamment de preuves pour répondre à une question importante.

Peut-être la quantité minimale de commande en gros n'est-elle jamais divulguée. Peut-être aucune source crédible n'établit la durée d'activité d'un fournisseur. Peut-être la tarification actuelle du concurrent n'est-elle tout simplement pas publique.

Une lacune n'est pas un rapport échoué.

C'est une carte de ce qui doit se passer ensuite.

C.I.C. : corriger l'interprétation sans tout recommencer

La Correction Interactive Contextuelle (C.I.C.) est la partie d'Opis conçue pour les moments où les preuves publiques ne racontent pas toute l'histoire.

L'idée importante est que votre intervention a un type.

Ajouter du contexte

Utilisez le contexte lorsque vous connaissez un fait ou une contrainte pertinente qu'Opis ne pouvait raisonnablement pas connaître.

« Notre équipe commerciale a confirmé que ce fournisseur fabriquera des commandes sous marque de distributeur à partir de 500 unités. »

Ajouter une instruction

Utilisez une instruction lorsque vous souhaitez que l'analyse priorise ou gère les informations existantes différemment.

« Pour cette décision, la fiabilité de la livraison est plus importante que le prix unitaire affiché. »

Poser une question

Utilisez une question lorsque vous souhaitez interroger ce qui est déjà présent.

« Les preuves actuelles établissent-elles que la garantie s'applique aux clients commerciaux ? »

Les questions sont particulièrement importantes car Opis ne doit pas fabriquer une réponse simplement parce que vous l'avez demandé.

Si le matériel existant ne peut pas répondre à la question, le résultat correct est une lacune.

Cette lacune peut alors devenir un objectif de recherche.

La C.I.C. et les nouvelles recherches sont des opérations délibérément différentes

Cette distinction est subtile, mais elle est fondamentale pour la manière dont le système est censé se comporter.

Supposons que votre première analyse concurrentielle indique :

« Le concurrent A dessert principalement les consommateurs. »

Vous savez, suite à une récente conversation commerciale, que l'entreprise a pivoté il y a six mois et se concentre désormais sur les contrats de bureau.

Vous ajoutez cela via la C.I.C. comme contexte faisant autorité.

Opis peut réviser l'interprétation en utilisant ce que vous avez fourni. Il n'a pas besoin de prétendre qu'il a découvert indépendamment votre connaissance privée sur le web.

Maintenant, supposons que vous demandiez :

« Quel pourcentage de son activité est liée aux entreprises ? »

Ni la preuve originale ni votre clarification ne contiennent ce chiffre.

La réponse honnête n'est pas un pourcentage généré.

C'est une lacune.

Le chemin de comblement des lacunes d'Opis peut prendre les lacunes non résolues et effectuer des recherches ciblées de fondation pour de nouvelles preuves. Le matériel nouvellement trouvé est ajouté à la recherche plutôt que d'être silencieusement confondu avec les informations du premier passage.

Considérez les deux boucles comme suit :

La C.I.C. demande : « Le système a-t-il bien compris la situation ? »

Le comblement des lacunes demande : « Avons-nous besoin de plus de preuves ? »

Vous avez souvent besoin des deux.

Un exemple pratique : la recherche de fournisseurs

Imaginez que vous recherchez un produit pour un client.

Le premier passage identifie quatre fournisseurs et évalue des domaines tels que le prix, le délai de livraison, les avis et l'ancienneté de l'entreprise. Les sources sont jointes aux constats pertinents, le cas échéant.

Le fournisseur B est très bien classé.

Avant de le recommander, vous remarquez deux problèmes :

• le prix apparent est tiré d'une page de produit de détail ;
• la quantité minimale en gros n'est pas vérifiée.

Au lieu d'accepter le classement, vous interagissez avec lui.

D'abord, ajoutez du contexte :

« Nous avons besoin d'un approvisionnement en gros pour des commandes récurrentes d'environ 2 000 unités par trimestre. La tarification de détail n'est pas utile pour la décision. »

Puis demandez :

« Les sources actuelles prouvent-elles que le fournisseur B propose des conditions de gros pour ce volume ? »

Si ce n'est pas le cas, cela devient une lacune digne d'être recherchée.

Une fois qu'une meilleure preuve ou un contexte utilisateur faisant autorité modifie un critère utilisé par un mode de recherche noté, la couche de notation déterministe peut recalculer le résultat.

C'est un flux de travail très différent de celui qui consiste à demander à un chatbot de « refaire un essai ».

Vous savez ce qui a changé et pourquoi.

Pourquoi la piste d'affinage est importante

La recherche commerciale évolue.

Les gens apprennent de nouveaux faits. Les sites web sont mis à jour. Les clients corrigent les briefs. Les hypothèses qui semblaient raisonnables le lundi deviennent évidemment fausses le jeudi.

Une piste d'affinage donne à ces changements une histoire.

Au lieu de traiter la prose la plus récente comme si elle était apparue de nulle part, Opis peut conserver la séquence de clarification et d'affinage qui l'a produite.

Pour les consultants et les agences, c'est utile sur le plan opérationnel.

Imaginez qu'un client demande :

« Pourquoi cette recommandation est-elle différente de l'ébauche que vous nous avez montrée hier ? »

Une mauvaise réponse est :

« L'IA l'a changée. »

Une réponse professionnelle est :

« Hier, l'analyse supposait que leur zone de service s'arrêtait au West Yorkshire. Vous avez confirmé ce matin qu'ils desservent désormais aussi le Nord-Ouest. Nous avons intégré cette information et recalculé la comparaison pertinente. »

C'est à cela que ressemble un processus de recherche.

Ne corrigez pas tout

La C.I.C. n'est pas une invitation à forcer la recherche à être d'accord avec vous.

Si un résultat remet en question votre conviction antérieure et que les preuves sont solides, changer le contexte jusqu'à ce que vous receviez la réponse souhaitée va à l'encontre de l'objectif.

Une discipline utile consiste à distinguer trois états :

• Je sais que c'est faux — corrigez-le et indiquez la base de votre connaissance.
• Je soupçonne que c'est faux — posez une question ou créez une lacune de recherche.
• Je n'aime pas cette conclusion — laissez-la telle quelle jusqu'à ce que vous ayez des preuves.

Cette limite est particulièrement importante dans le travail de conseil. L'expertise humaine améliore la recherche de l'IA uniquement lorsque l'humain est également prêt à être remis en question.

Votre exercice de deuxième passage

Prenez un rapport Opis complété et ne le réexécutez pas immédiatement.

Au lieu de cela :

1. Choisissez une conclusion qui affecterait matériellement une décision.
2. Ouvrez les sources qui y sont rattachées.
3. Lisez les hypothèses, les ambiguïtés, les contradictions et les lacunes autour du rapport.
4. Ajoutez un élément de contexte que vous savez être vrai.
5. Posez une question dont vous ne connaissez pas sincèrement la réponse.
6. Si la recherche actuelle ne peut pas y répondre, laissez-la devenir une lacune.
7. Utilisez la recherche ciblée des lacunes si nécessaire.
8. Comparez le résultat révisé avec l'original.

L'objectif n'est pas de produire plus de texte.

Il est d'améliorer la qualité de la décision.

Le principe derrière la fonctionnalité

Une bonne IA ne devrait pas exiger que les humains abandonnent leur jugement.

Et un bon jugement humain ne devrait pas exiger que les preuves cèdent à l'opinion.

L'arrangement le plus utile est une conversation contrôlée entre les deux.

Opis fournit la structure de recherche. Les preuves publiques offrent une vue externe. Votre expérience fournit un contexte que le web pourrait ne jamais contenir. La couche d'incertitude vous indique où les jonctions sont faibles.

Le résultat peut alors s'améliorer au lieu de simplement se régénérer.

C'est la différence entre demander une réponse à l'IA et travailler avec un processus d'intelligence.

Suite de la série : comment les modes de recherche individuels deviennent beaucoup plus précieux lorsque les preuves et le contexte traversent un flux de travail.