Mélanie Maquet
Fidélité du sens dans les LLM : pourquoi les organisations perdent le contrôle de leur reconstruction
Mélanie Maquet travaille sur la fidélité du sens dans la reconstruction LLM en mode web ouvert.
Fondatrice de Semantikia, elle développe le Signal Inference Optimization (SIO), un cadre méthodologique pour structurer le signal qu'une organisation rend disponible aux LLM, afin que la reconstruction du sens reste fidèle à ce que l'organisation cherche à porter.
Une organisation existe sur le web à travers ses contenus.
Les LLM ne restituent pas fidèlement leur sens. Ils reconstruisent, sans intervention de l'organisation, ce que les contenus rendent encore interprétable après transformation.
Le problème des LLM n'est pas la génération. Le problème est la fidélité du sens après reconstruction.
Le référentiel déclaratif du site rassemble les structures canoniques utilisées pour stabiliser les relations entre reconstruction probabiliste, fidélité du sens, systèmes symboliques et continuité sémantique à travers les différentes surfaces du corpus. Il agit comme une surface de cohérence reliant les territoires conceptuels portés par Mélanie Maquet, Semantikia et Signal Inference Optimization (SIO).
La fidélité du sens dans les LLM est devenue un problème business
Les organisations perdent des clients, de la réputation et s'exposent légalement, non pas parce qu'elles communiquent mal, mais parce que les LLM reconstruisent mal ce qu'elles ont publié.
Les LLM sont devenus des intermédiaires. Entre une organisation et ses clients. Entre une marque et sa réputation. Entre un produit et la décision d'achat. Entre une garantie et la confiance du consommateur.
Quand un client demande à un LLM de comparer trois fournisseurs, la réponse qu'il reçoit n'est pas une copie des sites officiels. C'est une reconstruction probabiliste produite à partir de fragments dispersés. Si cette reconstruction est fidèle, l'organisation est correctement représentée. Si elle dérive, l'organisation perd une opportunité qu'elle ne verra jamais passer, parce qu'elle n'apparaît dans aucun tableau de bord.
Une reconstruction fluide ne garantit jamais une reconstruction fidèle. Et lorsque la reconstruction dérive, les conséquences deviennent réelles.
01
RISQUE COMMERCIAL
Une organisation dont le sens est mal reconstruit perd des opportunités de vente. Un LLM qui la décrit comme généraliste alors qu'elle est spécialisée élimine la distinctivité qui justifie le prix, la confiance, la préférence. Les clients ne choisissent pas ce qu'ils ne reconnaissent pas. La perte est silencieuse, invisible, cumulative.
02
RISQUE RÉPUTATIONNEL
Une organisation dont l'identité dérive dans les LLM perd le contrôle de son image publique. Un LLM qui fusionne deux entités, qui attribue un service à un concurrent, qui simplifie une expertise en catégorie générique, ça ne se corrige pas avec un communiqué de presse. La reconstruction devient la référence. Et plus elle se sédimente, plus elle coûte à corriger.
03
RISQUE
LÉGAL
Un consommateur interroge un LLM sur une garantie, un service, une obligation contractuelle. Le LLM reconstruit une réponse plausible mais inexacte. Le consommateur agit sur cette information. L'organisation se retrouve en position d'exposition légale, non pas parce qu'elle a mal communiqué, mais parce que le LLM a mal reconstruit ce qu'elle avait publié. Le signal était là. La fidélité de la reconstruction ne l'était pas.
Ces trois risques ne sont pas théoriques. Ils sont la conséquence directe d'un environnement où les LLM deviennent des intermédiaires de confiance pour des millions de consommateurs.
Et en tant que consommatrice, je pose la même question depuis l'autre côté.
Quand j'interroge un LLM sur un produit, un service, une organisation, je veux de l'information fidèle. Pas fluide. Pas plausible. Fidèle. Et si les LLM ne sont pas capables de reconstruire fidèlement ce qu'une organisation a publié, alors l'outil lui-même perd sa valeur. Pour les organisations comme pour les consommateurs, la fidélité du sens dans la reconstruction LLM n'est pas un luxe. C'est une condition de confiance.
Comment les LLM reconstruisent le sens et pourquoi il dérive
Chaque étape du pipeline d'inférence (ingestion, vectorisation, retrieval, compression, génération) est un point où le sens se dégrade. Un LLM en mode web ouvert ne lit pas un site. Il traverse des fragments.
Il ingère des morceaux de pages, des résidus de publications, des métadonnées dispersées sur le web. Il les projette dans un espace de représentation où la proximité entre deux positions code une similarité sémantique. Il sélectionne les fragments les plus proches de la requête. Il les compresse. Il les repondère. Il les assemble.
Ce qui sort n'est jamais le sens d'origine. C'est une version probabiliste, produite à partir de ce qui a survécu à chaque étape de transformation du pipeline.
Le sens ne disparaît pas brutalement. La reconstruction dérive progressivement à travers le pipeline.
La dérive est rarement spectaculaire. Elle apparaît sous une forme fluide, cohérente en surface. Une terminologie devient plus vague. Un concept distinctif se dissout dans une catégorie générique. Une identité perd progressivement sa stabilité interprétative. Le LLM continue à produire des réponses plausibles, tout en s'éloignant du sens réel de l'entité qu'il reconstruit.
Ce qui conditionne la dérive, c'est la qualité structurelle du signal disponible
ou en d'autres mots, de la qualité des contenus publiés.
Un corpus fragmenté, terminologiquement dispersé, sémantiquement surchargé, produit mécaniquement une reconstruction dégradée. L'IA ne se trompe pas. Elle reconstruit la version la plus probable à partir de ce qu'elle traverse. Et quand le signal est dégradé, la version la plus probable n'est pas la version fidèle.
Les LLM ne préservent pas le sens d’origine. Ils préservent ce qui résiste au pipeline de transformation.
Ce qui possède une cohérence terminologique suffisante. Ce qui maintient des structures de sens persistantes malgré la compression. Ce qui développe une densité sémantique assez forte pour survivre au pipeline.
Deux organisations peuvent utiliser les mêmes mots-clés, parler des mêmes sujets, produire les mêmes volumes — et ne pas survivre de la même manière dans les LLM. Certaines développent une stabilité interprétative forte. D'autres deviennent absorbables, génériques, fusionnables, permutables.
La différence ne vient pas du volume. Elle vient des structures qui portent le sens.
Pourquoi le Signal Inference Optimization (SIO)
Je ne travaille pas sur l'agentique. Je ne travaille pas sur les assistants autonomes. Je travaille sur la fidélité du sens dans les LLM en mode web ouvert.
Je ne suis pas arrivée à cette question par la philosophie. J'y suis arrivée par le terrain.
Pendant des années, j'ai travaillé dans le domaine de la vente et du marketing, sur l'automatisation des environnements numériques. J'ai coordonné plus de cent cinquante projets de transformation numérique. J'ai structuré des architectures CRM, des pipelines de données, des architectures organisationnelles complexes.
Ce travail m'a appris une chose fondamentale : la fidélité d'un système ne dépend pas de sa puissance. Elle dépend de la qualité structurelle de ce qu'on lui donne. Un CRM mal structuré produit des interprétations faussées. Un pipeline alimenté par des données incohérentes compromet la cohérence interprétative de tout ce qui en sort. La sophistication de l'outil ne compense jamais la dégradation du signal.
Quand je me suis intéressée aux LLM, j'ai retrouvé exactement le même problème, à une échelle radicalement différente. Les LLM reconstruisent le sens à partir de fragments. Et la fidélité de cette reconstruction dépend entièrement de la qualité structurelle du signal. Pas de l'architecture de l'IA. Du signal, de sa densité, de sa cohérence, de sa distinctivité, de sa stabilité terminologique.
En observant la mécanique du pipeline (ingestion, vectorisation, retrieval, compression, génération) j'ai compris où et comment le sens se dégrade. En documentant les pathologies du signal (obésité sémantique, fragmentation terminologique, content overload) j'ai compris pourquoi la dérive est structurelle. En confrontant ces observations aux données empiriques, j'ai compris que personne ne travaillait sur cette couche.
Le SEO travaille sur la visibilité. Le GEO travaille sur la citation. Les knowledge graphs travaillent sur les faits vérifiables. Mais la fidélité du sens reconstruit, savoir si ce que les LLM produisent préserve réellement la signification que l'organisation cherche à porter, peu de praticiens s'en occupent.
Le Signal Inference Optimization est né de cette observation. Le SIO ne cherche pas à contrôler ce que les LLM produisent. Il structure ce qui précède la reconstruction, les conditions structurelles du signal qui déterminent comment le sens sera sélectionné, pondéré et reconstruit.
Le diagnostic SIO repose sur l'analyse des écarts entre trois thésaurus : le thésaurus projeté (le sens que l'organisation pense émettre), le thésaurus exprimé (ce que le corpus porte réellement), et le thésaurus machine (ce que le LLM reconstruit). L'écart entre ces trois niveaux révèle où le sens se fragmente, où la cohérence se perd, où la stabilité s'effondre.
La correction passe par la structuration du signal, cohérence terminologique, hiérarchie conceptuelle, densité sémantique, sobriété éditoriale. Pas publier plus. Publier pour que le sens tienne à travers le pipeline.
SEMANTIKIA est l’application opérationnelle du Signal Inference Optimization
SEMANTIKIA aide les organisations à renforcer la cohérence de leur marque dans les LLM.
Concrètement :
-
diagnostic des écarts entre identité projetée par une marque, identité exprimée dans les contenus publiés et reconstruction des LLM
-
création d’un référentiel éditorial et terminologique
-
gouvernance rédactionnelle adaptée aux environnements LLM
-
formation des équipes à la structuration rédactionnelle pour environnements LLM
-
agent de rédaction assistée pour maintenir la cohérence des contenus dans le temps et outiller les équipes pour une rédaction structurée sans dérive
L’objectif n’est pas de produire davantage de contenu.
L’objectif est de produire un signal suffisamment cohérent, stable et dense pour réduire les dérives de reconstruction dans les LLM.
Travaux doctrinaux et réflexions de Mélanie Maquet
Ces travaux explorent les mécanismes par lesquels les systèmes probabilistes reconstruisent le sens à partir des structures informationnelles qu’ils traversent.
Ils posent les fondations conceptuelles, méthodologiques et opératoires du Signal Inference Optimization.
Pourquoi le signal linguistique est devenu instable. Les trois pathologies qui fragmentent le sens, obésité sémantique, content overload, fragmentation terminologique. Les quatre principes de stabilisation. L'émergence du web interprétable
Le seuil entre sens opératoire et sens vécu. Le gradient de reconstructibilité, du lexical à l'existentiel. Ce que le langage permet de reconstruire fidèlement, et ce qui reste structurellement hors de portée.
Ce que le SIO est, ce qu'il n'est pas, et pourquoi il fallait le nommer. La distinction entre visibilité, citation et fidélité du sens.
41 articles, 10 blocs thématiques. Des pathologies aux mécanismes, des mécanismes à la méthode, de la méthode à la discipline, de la discipline aux limites, des limites aux données terrain, des données au positionnement comparatif, du positionnement à la gouvernance des risques.
White Paper : Signal Inference Optimization
Version de référence. Architecture du pipeline d'inférence. Pathologies du signal. Taxonomie des déformations, généralisation, amalgame, troncature, substitution, projection, contamination. Diagnostic des trois thésaurus. Protocoles de correction.
Cadre conceptuel publié et daté. Définitions fondamentales. Concepts structurants.