La variabilité interprétative désigne, dans le vocabulaire Pagup, la dispersion observable de la manière dont les systèmes IA décrivent, classent, citent ou recommandent une organisation selon les systèmes, les requêtes, les formulations, les sources récupérées, les moments ou les contextes de test.
Pourquoi ce terme compte
Une organisation peut obtenir une réponse favorable dans un contexte et une réponse plus faible dans un autre. Le problème n’est donc pas seulement de savoir si elle est visible, mais si son interprétation reste stable lorsque l’environnement de réponse change.
La variabilité interprétative permet de repérer les zones où une marque reste lisible et les zones où elle devient fragile : catégorie déplacée, mauvais concurrents, preuve absente, ancienne offre, recommandation instable ou confusion avec une autre entité.
Différence avec la dérive de perception IA
La variabilité observe d’abord la dispersion. La dérive de perception IA qualifie ensuite un écart avec une baseline ou une source canonique.
Autrement dit : toutes les dérives supposent une variation, mais toutes les variations ne sont pas des dérives.
Quand la stabilité devient suspecte
La variabilité interprétative ne couvre pas seulement les réponses qui changent. Elle force aussi à interroger les réponses qui ne changent pas. Une stabilité apparente peut provenir d’une fixation de couche de livraison ou d’une fixation stochastique, lorsque la réponse livrée par une application ne reflète plus nécessairement une génération fraîche.
Comment Pagup l’utilise
Pagup l’utilise comme dimension de diagnostic dans l’audit de dérive de perception IA, la stabilisation de représentation IA et la surveillance de perception IA.
Pour la définition doctrinale primaire, voir gautierdorval.com. Pour la qualification normative, voir interpretive-governance.org.