← Tous les articles

Blog / Signal Inference Optimization

Sédimentation interprétative : comment une représentation infidèle peut survivre à sa correction

Une information peut être corrigée à sa source sans que la représentation construite à partir d'elle disparaisse.

· 14 min de lecture

Quelqu’un interroge ChatGPT sur votre entreprise.

La réponse est fluide, cohérente. Elle présente correctement votre secteur, situe votre activité et reprend plusieurs informations disponibles publiquement. Aucun fait manifestement inventé. Aucune hallucination évidente.

Pourtant, quelque chose manque.

Votre spécialité a disparu. Une distinction essentielle entre votre entreprise et ses concurrents a été effacée. Votre activité est décrite dans des termes tellement généraux qu’ils pourraient convenir à des dizaines d’autres organisations.

L’utilisateur n’a aucune raison immédiate de contester cette réponse. Elle est plausible. Vous-même pourriez la trouver acceptable à première lecture.

Le problème devient plus sérieux lorsque cette représentation réapparaît, quelques semaines plus tard, dans un autre contexte. Puis dans d’autres réponses. Elle se retrouve également dans des comparatifs, des synthèses ou des contenus tiers qui reprennent cette caractérisation approximative.

Entre-temps, vous avez pourtant précisé votre positionnement, actualisé votre site et publié des informations beaucoup plus explicites.

La version approximative demeure.

C’est ce phénomène de persistance que j’appelle sédimentation interprétative.

1. Une représentation peut devenir infidèle sans être manifestement fausse

Soit une entreprise québécoise qui développe des logiciels d’ordonnancement d’atelier destinés aux fabricants industriels.

Une IA générative la présente ainsi :

« Une entreprise québécoise spécialisée dans les logiciels pour l’industrie. »

Tout est exact. L’entreprise est québécoise. Elle développe des logiciels. Sa clientèle appartient au secteur industriel.

Mais sa spécialité a disparu.

Les logiciels d’ordonnancement répondent à des besoins précis de planification et d’organisation de la production. Les présenter simplement comme des « logiciels pour l’industrie » revient à les intégrer dans une catégorie qui peut aussi désigner des outils de maintenance, de comptabilité industrielle, de gestion documentaire ou de supervision.

La réponse n’est pas nécessairement fausse. Elle est devenue insuffisamment distinctive pour restituer fidèlement l’activité concernée.

Cet écart correspond à une généralisation, l’une des cinq opérations de variance utilisées dans le cadre du Signal Inference Optimization (SIO).

D’autres transformations sont possibles. Une information peut être tronquée, rapprochée abusivement d’une autre, remplacée par une catégorie voisine ou prolongée par une attribution qui n’appartient pas à l’organisation. Ces opérations peuvent intervenir séparément ou se combiner.

Leur point commun n’est pas de produire systématiquement une erreur factuelle.

C’est de modifier, parfois très discrètement, ce qu’une réponse permet de comprendre d’une organisation.

Il faut cependant distinguer une simplification légitime d’une perte de fidélité. Une réponse courte n’a pas vocation à restituer toute la documentation d’une entreprise. L’écart devient significatif lorsque l’information omise ou transformée est nécessaire à la question posée, à l’identification de l’organisation ou à la compréhension de son activité.

C’est pourquoi la fidélité de reconstruction ne se réduit pas à vérifier si chaque phrase est vraie. Elle suppose de comparer la représentation produite à un référentiel canonique : les informations, distinctions, relations et limites que l’organisation reconnaît comme constitutives de son identité.

Une réponse peut être factuellement correcte et néanmoins infidèle à ce référentiel.

À ce stade, nous observons un écart de reconstruction. Pas encore une sédimentation.

2. De la reconstruction ponctuelle à la sédimentation interprétative

Une réponse infidèle produite à un moment donné ne permet pas, à elle seule, de conclure à un phénomène durable.

Les systèmes d’IA générative peuvent produire des formulations différentes selon la question, le contexte, les informations récupérées, la configuration du modèle et les conditions de génération.

Une représentation approximative peut apparaître une fois, puis disparaître. Elle peut également se reproduire dans des contextes similaires sans qu’aucun mécanisme particulier de consolidation soit à l’œuvre.

La question change lorsque cette représentation retrouve une certaine stabilité dans le temps, circule entre plusieurs supports ou continue d’apparaître après la correction de l’information initiale.

J’emploie le terme sédimentation interprétative pour désigner cette installation progressive ou cette persistance d’une représentation issue de transformations du sens, au point qu’elle continue d’orienter la compréhension d’un objet malgré l’existence d’informations plus fidèles.

La métaphore géologique reste utile, mais elle doit être comprise dans ses limites.

En géologie, les sédiments s’accumulent en couches. Dans l’écosystème numérique, les représentations peuvent également se superposer : une description initiale, une reformulation, une synthèse, une classification sectorielle, une reprise dans un document ultérieur.

Ces couches ne sont pas nécessairement identiques. Elles peuvent conserver les mêmes approximations tout en leur donnant des formulations différentes.

Et contrairement à une accumulation géologique, une représentation informationnelle ne suit pas obligatoirement une progression continue. Elle peut s’atténuer, réapparaître, être concurrencée ou disparaître selon les systèmes et les contextes.

La sédimentation n’est d’ailleurs pas née avec les LLM.

Une entreprise peut avoir changé d’activité depuis plusieurs années et continuer à être présentée selon son ancien métier. Une personnalité peut rester associée à une fonction qu’elle n’exerce plus. Une institution peut être définie par une controverse ancienne, alors que ses missions actuelles sont différentes.

La presse, les répertoires professionnels, les archives, les usages linguistiques et les représentations collectives participent depuis longtemps à ces phénomènes.

Les systèmes d’IA générative introduisent toutefois une particularité : ils peuvent assembler plusieurs de ces représentations au sein d’une réponse nouvelle, sans nécessairement restituer au lecteur la provenance et l’histoire de chacune.

Une approximation ancienne peut ainsi réapparaître dans une formulation parfaitement contemporaine.

Et c’est précisément ce qui complique sa détection.

3. Les différentes couches de persistance

Pour comprendre pourquoi une représentation continue de circuler, il faut distinguer les endroits où elle peut subsister.

Ces environnements communiquent parfois entre eux, mais ils ne fonctionnent pas de la même manière.

La persistance dans les sources

Une organisation modifie son site web. Ses offres sont clarifiées, son positionnement actualisé, ses anciennes descriptions remplacées.

Mais les informations qu’elle a produites au fil des années ne disparaissent pas de l’ensemble de l’écosystème numérique.

D’anciens communiqués demeurent accessibles. Des annuaires conservent une précédente classification. Des partenaires utilisent encore une ancienne présentation. Des articles de presse reproduisent des informations qui étaient exactes à leur date de publication.

La correction du site officiel n’entraîne pas automatiquement celle des sources tierces.

Certaines descriptions peuvent donc continuer à circuler, non parce qu’elles ont été inventées, mais parce qu’elles correspondent à un état antérieur de l’organisation.

La difficulté tient alors à leur validité temporelle.

Une information peut avoir été vraie en 2022, être devenue inexacte en 2026 et rester disponible sans indication suffisamment claire sur son ancienneté.

Si elle intervient dans une reconstruction actuelle, elle peut contribuer à produire une représentation dépassée.

La persistance dans les reconstructions

Une même caractérisation peut réapparaître dans les réponses de plusieurs systèmes d’IA.

Cela constitue un fait observable, mais son interprétation demande de la prudence.

Deux modèles peuvent produire des réponses proches parce qu’ils ont rencontré des sources communes, mobilisé des catégorisations similaires ou récupéré les mêmes documents. D’autres variables peuvent également contribuer à cette convergence.

Il serait donc abusif de conclure que les modèles se transmettent nécessairement leurs erreurs, ou qu’une réponse répétée a été progressivement inscrite dans leurs paramètres.

On peut observer une récurrence sans connaître exactement ce qui la produit.

La répétition d’une représentation n’établit pas son mécanisme de persistance. Elle établit d’abord un phénomène observable qu’il faut qualifier.

Cette distinction est importante pour le SIO.

Il ne suffit pas de constater que plusieurs systèmes décrivent une organisation de manière similaire. Encore faut-il déterminer si cette description est fidèle, si elle correspond à des sources identifiables et si elle persiste dans des conditions d’observation comparables.

La persistance dans la restitution applicative

Un troisième niveau intervient lorsque l’utilisateur n’accède pas directement à une génération nouvelle du modèle, mais à une réponse produite et conservée par un dispositif intermédiaire.

C’est notamment le cas de certaines applications utilisant un cache sémantique.

Le système peut alors restituer une réponse déjà enregistrée à une nouvelle question jugée suffisamment proche de la première.

Une représentation peut donc continuer à être servie alors même que les sources disponibles, voire le comportement actuel du modèle, ont évolué.

Cette persistance ne relève plus nécessairement de la récupération documentaire ni de l’entraînement.

Elle intervient dans la couche qui détermine ce que l’utilisateur reçoit effectivement.

4. La fixation stochastique : lorsqu’une réponse est conservée à la restitution

Dans mon article de juillet 2026, Semantic Caching: How Stochastic Fixation Freezes LLM Reconstruction Errors, j’ai étudié une forme particulière de persistance : la fixation stochastique.

Le principe est relativement simple.

Dans une application dotée d’un cache sémantique de réponses, une première requête ne trouve pas de correspondance suffisamment proche dans le cache. Le modèle génère alors une réponse, que l’application enregistre.

Lorsqu’une autre requête est considérée comme sémantiquement similaire, l’application peut restituer cette réponse enregistrée sans solliciter de nouvelle génération.

Lorsque la sortie initiale résulte d’une génération non déterministe, le cache conserve une réalisation particulière parmi plusieurs réponses possibles.

Cette réalisation n’est pas nécessairement la plus fidèle.

Elle peut contenir une généralisation, une omission ou une attribution approximative. Si elle est réutilisée, l’écart initial peut être distribué à plusieurs utilisateurs sans que le modèle ait l’occasion de produire une autre formulation.

J’appelle fixation stochastique ce cas particulier dans lequel une réalisation non déterministe est conservée et réutilisée comme réponse à un ensemble de requêtes jugées suffisamment proches.

Il faut néanmoins préciser deux choses.

Premièrement, tous les caches ne conservent pas des réponses complètes. La mise en cache d’éléments intermédiaires de calcul ou de préfixes de requêtes ne produit pas nécessairement le même phénomène.

Deuxièmement, certains dispositifs de cache prévoient des contrôles de validité, des durées de conservation, des mécanismes d’invalidation ou une vérification des réponses. Le risque dépend donc de l’architecture et de sa configuration.

La fixation stochastique n’est pas une propriété universelle des interfaces d’IA générative.

Elle constitue un mécanisme possible de persistance, particulièrement intéressant parce qu’il montre qu’une représentation infidèle peut continuer à être distribuée sans être nouvellement générée.

Son rapport à la sédimentation doit cependant rester précis.

La fixation d’une réponse n’est pas, en elle-même, la preuve d’une sédimentation interprétative. Elle peut en prolonger les effets, contribuer à maintenir une représentation déjà installée ou participer à sa diffusion.

Elle oblige surtout à distinguer ce que le modèle serait susceptible de produire aujourd’hui de ce qu’une application délivre réellement à ses utilisateurs.

5. Corriger l’information ne signifie pas corriger sa reconstruction

L’entreprise spécialisée dans les logiciels d’ordonnancement d’atelier constate qu’elle est fréquemment présentée comme un simple éditeur de logiciels industriels. Elle intervient sur les informations qu’elle maîtrise.

Elle précise son positionnement sur son site. Elle harmonise la terminologie de ses offres. Elle clarifie ses domaines d’application et les activités qu’elle ne couvre pas.

Le référentiel documentaire est désormais plus explicite.

Pourtant, certaines réponses continuent à la décrire de manière générique.

Il serait tentant d’en conclure que les modèles ont conservé l’ancienne représentation dans leurs paramètres.

C’est une possibilité dans certains contextes. Ce n’est pas la seule.

Les réponses peuvent encore s’appuyer sur d’anciennes sources tierces. Un système de récupération peut sélectionner des passages qui ne reflètent pas les dernières modifications. Une application peut restituer une réponse enregistrée précédemment.

Le problème peut également tenir à la formulation même de la requête ou au niveau de précision attendu par le système.

Une correction documentaire et une correction effectivement observable dans les réponses sont deux événements distincts.

C’est ici que la sédimentation prend toute sa dimension opérationnelle.

Une organisation peut avoir rétabli une information correcte sur ses supports sans avoir encore modifié les représentations auxquelles les utilisateurs sont exposés.

Et plus une description approximative est présente sur des supports nombreux, autonomes ou difficiles à actualiser, plus le travail nécessaire pour intervenir sur l’ensemble de ces surfaces peut devenir important.

Ce n’est pas forcément une question de volume de contenu à publier.

C’est aussi une question de provenance, de circulation, de temporalité et de capacité d’intervention.

Une organisation ne peut pas modifier directement tous les documents tiers qui la décrivent. Elle ne contrôle ni les cycles de mise à jour de tous les systèmes, ni les modèles que les applications utilisent, ni les politiques de conservation de leurs éventuels caches.

Publier davantage n’est donc pas une réponse suffisante en soi.

Encore faut-il comprendre où l’écart se manifeste, quelles sources restent disponibles et quelles parties de l’écosystème numérique sont réellement gouvernables.

Cela ne signifie pas qu’une représentation sédimentée devient irréversible.

Cela signifie que sa correction ne peut pas être déduite de la seule publication d’une information plus exacte.

6. Observer la sédimentation sans prétendre connaître les mécanismes internes

Comment identifier une sédimentation interprétative ?

La première exigence consiste à disposer d’un référentiel canonique.

Sans point de comparaison, une réponse simplement différente peut être interprétée comme une dérive, alors qu’elle correspond parfois à un autre niveau de détail ou à une autre intention de recherche.

Ce référentiel doit permettre de distinguer les informations constitutives de l’organisation, leurs relations, leurs limites et leur validité dans le temps.

La deuxième exigence est d’observer plusieurs reconstructions.

Une réponse isolée peut révéler un écart. Elle ne suffit pas à documenter sa persistance.

Il faut donc comparer les résultats de plusieurs interrogations, dans des contextes définis, sur différents systèmes lorsque cela est pertinent.

La troisième exigence est temporelle.

Les observations doivent pouvoir être rapprochées des modifications du corpus, des corrections effectuées, des évolutions des sources accessibles et, lorsque l’information existe, des changements intervenus dans les systèmes interrogés.

Soit une série d’observations.

En janvier, plusieurs réponses décrivent l’entreprise dans une catégorie trop générale.

En février, elle publie une nouvelle présentation détaillée de ses activités.

En mars, certaines réponses reprennent la nouvelle spécialité, tandis que d’autres maintiennent l’ancienne catégorie.

En avril, une application continue à restituer la présentation générique, alors qu’une interrogation directe du modèle produit une description plus précise.

Ces résultats constitueraient une matière intéressante pour l’analyse.

Ils ne démontreraient pas automatiquement une sédimentation inscrite dans les paramètres des modèles.

En revanche, ils permettraient de documenter la persistance d’une représentation, la coexistence de plusieurs versions et un éventuel écart entre reconstruction directe et restitution applicative.

Cette distinction rejoint les travaux sur le thésaurus machine natif et le thésaurus machine délivré : le premier vise à caractériser la reconstruction obtenue dans les conditions d’interrogation directe retenues pour l’audit ; le second concerne la représentation réellement fournie à travers une application, avec ses couches intermédiaires.

Dans la pratique, l’accès à une interrogation véritablement dépourvue de toute médiation n’est pas toujours possible, particulièrement avec des systèmes propriétaires. Les conditions d’observation doivent donc être documentées plutôt que supposées.

C’est précisément l’intérêt d’une méthode fondée sur l’observabilité.

Elle permet de comparer, de qualifier et de suivre des reconstructions sans faire croire que l’on dispose d’un accès complet aux mécanismes internes des systèmes.

Les cinq opérations de variance servent à caractériser les transformations du sens. La comparaison au référentiel canonique permet d’apprécier la fidélité de reconstruction. Les observations répétées dans le temps renseignent sur la persistance, l’évolution ou la disparition des écarts.

La sédimentation interprétative devient alors un objet d’analyse : non pas une explication automatique de toute réponse répétée, mais un phénomène dont on peut chercher les manifestations et les conditions de maintien.

L’objectif n’est pas de proclamer qu’une représentation est définitivement installée.

Il est de comprendre pourquoi elle continue à apparaître, malgré quelles corrections, et dans quelles conditions elle évolue.

7. Une organisation ne corrige pas instantanément l’image que les systèmes reconstruisent d’elle

Une entreprise peut décider de changer de métier, de repositionner une offre ou d’abandonner une activité.

Elle peut modifier ses déclarations, réorganiser ses contenus et publier de nouveaux documents de référence.

Ce qu’elle ne peut pas décider unilatéralement, c’est le moment où toutes les représentations antérieures cesseront de circuler.

Cette limite n’est pas propre à l’intelligence artificielle.

Elle accompagne depuis longtemps la circulation des informations et des réputations. Les LLM ajoutent cependant des conditions particulières : récupération de contenus, reconstruction probabiliste, pluralité des systèmes et, parfois, conservation applicative des réponses.

Une information devenue obsolète peut rester accessible. Une représentation simplifiée peut continuer à être produite. Une réponse enregistrée peut être redistribuée.

Ces phénomènes sont distincts, mais leurs conséquences peuvent se rejoindre : l’utilisateur reçoit une version de l’organisation qui ne correspond plus, ou ne correspond que partiellement, à ce qu’elle déclare aujourd’hui.

La question de la fidélité de reconstruction ne peut donc pas être limitée à l’exactitude des documents publiés.

Elle concerne également la manière dont ces documents, ainsi que les informations tierces, participent aux représentations effectivement restituées.

C’est tout l’enjeu de la sédimentation interprétative.

Une représentation n’a pas besoin d’être entièrement fausse pour s’installer. Et une information n’a pas besoin d’être encore vraie pour continuer à circuler.

Entre la transformation du sens, sa persistance et sa restitution, plusieurs mécanismes peuvent intervenir. Aucun ne doit être présumé à partir de la seule répétition d’une réponse.

Mais cette répétition mérite d’être examinée, particulièrement lorsqu’elle survit à des corrections documentées.

L’organisation ne peut pas garantir ce que chaque système reconstruira d’elle. Elle peut en revanche documenter son référentiel, gouverner les signaux qu’elle maîtrise, observer les écarts et vérifier dans le temps les effets de ses interventions.

Car corriger ce que l’on déclare n’est pas encore corriger ce qui est reconstruit.

Et c’est dans cet intervalle que la sédimentation interprétative devient un problème de gouvernance informationnelle.


Cet article approfondit la réflexion publiée le 17 mars 2026, « Sédimentation interprétative : l’erreur que personne ne voit finit par définir votre entreprise dans les LLM », et la complète par les travaux du 5 juillet 2026 sur la fixation stochastique et le cache sémantique, archivés sur Zenodo.

CONCEPTS ABORDÉS

PREMIÈRE LECTURE

Vous ne savez pas ce que les IA reconstruisent de votre organisation ?

Mélanie Maquet

L'AUTRICE

Mélanie Maquet — autrice de la doctrine Signal Inference Optimization (SIO) et fondatrice de SEMANTIKIA, cabinet d'intelligence inférentielle. Elle travaille les conditions structurelles dans lesquelles les systèmes d'IA reconstruisent une organisation : structurer le signal plutôt que courir après la visibilité. Elle écrit sur le signal informationnel des organisations et la fidélité de reconstruction IA.