Repérer d’où vient la description d’un cabinet

Prérequis : leçon 1. Vous devriez déjà connaître l’habitude de première lecture de base : noter la requête ordinaire, lire la réponse et classer la façon dont le cabinet a été remodelé. Nous utilisons encore les quatre modes de remodelage du cabinet comme simple outil de lecture, et non comme score ou système de classement.

Dans une scène pédagogique composite, une réceptionniste imprime un profil d’une page pour un petit cabinet parce que l’associé principal veut « voir ce qui circule ». Le site du cabinet indique « Studio Sannaro e Associati », l’annuaire local indique « Sannaro Studio », et un ancien extrait de la chambre de commerce utilise la forme juridique complète avec des initiales que personne ne prononce à voix haute. Sur un site d’avis, un client écrit : « ils nous ont aidés avec la paie après notre déménagement », même si le déménagement a eu lieu des années auparavant. Aucun de ces fragments n’est spectaculaire. Ensemble, ils forment une pile de papiers légèrement de travers.

Imaginez maintenant une réponse d’IA qui essaie de décrire ce cabinet en deux phrases. Elle peut ne pas savoir quel fragment est officiel, lequel est ancien, lequel est familier, et lequel n’est que le souvenir d’un client à propos d’un service précis. La machine sait bien rendre la pile ordonnée. C’est précisément cette impression d’ordre qui nous oblige à apprendre à repérer d’où peut venir une description du cabinet.

La première source n’est généralement pas une seule source

Un petit cabinet comptable considère souvent son identité publique comme une seule chose : « notre site ». C’est compréhensible. Le site est l’endroit que le cabinet peut modifier le plus directement, et il contient généralement la formulation la plus soignée. Mais les systèmes d’IA peuvent rencontrer le cabinet sur de nombreuses surfaces publiques : le site, un profil d’entreprise, des fiches d’annuaires, des registres des chambres de commerce, des extraits d’avis, d’anciennes descriptions copiées, des pages d’associations locales et des pages qui ne mentionnent le cabinet qu’en passant.

Les éléments de preuve publics désignent des matériaux visibles comme les pages du site, les fiches d’annuaires, les registres des chambres de commerce, les avis, les profils et les formulations de services répétées. J’emploie ce terme dans ce sens pratique parce qu’un cabinet peut les inspecter sans ouvrir de dossiers clients ni de correspondance privée. Les éléments de preuve publics sont les papiers laissés sur le comptoir, pas l’armoire fermée à clé derrière le comptoir.

Dans un scénario composite comme l’Objet A, le site du cabinet est plutôt propre. Il donne l’adresse actuelle, nomme les associés et décrit le travail comptable récurrent pour de petites entreprises. Le problème se trouve en dehors de la page bien tenue du cabinet. Un annuaire conserve une ancienne adresse. Un autre raccourcit le nom du cabinet d’une manière qui ressemble presque à une pratique distincte. Un avis utilise trois fois « bulletins de paie » parce que c’était le problème du client, pas parce que la paie constitue toute l’identité du cabinet.

Un lecteur humain de la ville peut réconcilier ces fragments avec du bon sens. Il connaît la rue, le nom de famille, l’ancien bureau. Un modèle ne partage pas cette patience locale. Il voit des régularités de langage et, selon l’outil, peut voir des pages récupérées. Si les formulations publiques répétées penchent vers la paie, la description générée peut pencher dans le même sens.

C’est pourquoi la question « Où l’IA a-t-elle trouvé cela ? » est utile, mais trop étroite. La meilleure question est souvent : « Quels fragments publics ont rendu cette description facile à écrire ? »

Les données d’entraînement sont antérieures à la question

Les étudiants demandent souvent si le modèle a « vu » leur cabinet. La réponse honnête est inconfortable : peut-être, peut-être pas, et la réponse n’est peut-être pas inspectable de l’extérieur. Un grand modèle de langage peut avoir été façonné par de grandes quantités de texte avant même que l’utilisateur pose sa question. Une partie de ces matériaux peut inclure des textes web publics, des descriptions d’entreprises, des pages d’annuaires copiées ou des régularités de langage provenant de cabinets similaires. Nous ne devons pas faire semblant de pouvoir ouvrir le modèle et trouver un reçu.

Les données d’entraînement désignent les matériaux utilisés pour façonner un modèle avant qu’un utilisateur ne pose une question. Dans ce cours, je veux que vous les traitiez comme une couche antérieure, et non comme un dossier visible que l’on peut parcourir. Elles peuvent expliquer pourquoi un modèle possède une idée générale de ce que font les cabinets comptables. Elles ne nous donnent pas, à elles seules, une piste des sources nette.

Voici un exemple pédagogique. Un utilisateur demande : « En quoi un petit cabinet de commercialista aide-t-il généralement ? » La réponse peut mentionner la tenue comptable, les déclarations fiscales, la paie, les formulaires d’entreprise et les conseils aux petites entreprises. Cette réponse peut ne pas venir du tout d’une page en direct au sujet d’un cabinet précis. Il peut s’agir du modèle qui s’appuie sur des régularités apprises très larges à propos du travail comptable. Utile, oui. Spécifique, non.

Lorsque le même utilisateur demande : « Que fait Studio Sannaro dans cette ville ? », la situation devient plus délicate. Si l’outil ne cherche pas en direct, la réponse peut encore s’appuyer sur des régularités générales et sur les traces antérieures disponibles lorsque le modèle a été entraîné. Le résultat peut sonner local même lorsque le support est mince. Une formule assurée comme « connu pour la création d’entreprise » peut être une régularité habillée d’une veste locale.

Cela ne signifie pas que les données d’entraînement sont mauvaises. Elles font partie de ce qui permet à un modèle d’écrire une langue cohérente. La discipline de travail est plus simple : ne traitez pas une réponse issue de régularités stockées comme si elle venait d’inspecter à l’instant le profil actuel du cabinet.

La récupération change le type d’erreur

Certains outils d’IA peuvent intégrer des sources externes dans la réponse au moment de la requête. La récupération désigne le fait d’intégrer des sources externes dans une réponse par la recherche ou par un autre index connecté. Lorsque la récupération est active, le modèle peut consulter des pages actuelles, des citations, des profils d’entreprise ou des matériaux indexés avant d’écrire.

Cela paraît rassurant, et parfois ça l’est. Une page récupérée peut aider un modèle à trouver une adresse plus récente ou la formulation actuelle d’un service. Elle peut aussi introduire une erreur fraîche si la page récupérée est un annuaire faible, une fiche copiée ou une page où le cabinet se trouve à côté d’un autre prestataire. La récupération donne à la réponse un bureau plus récent sur lequel travailler ; elle ne garantit pas que ce bureau soit rangé.

La piste des sources désigne les sources visibles qui peuvent expliquer pourquoi une réponse d’IA a décrit un cabinet d’une certaine manière. Remarquez la prudence dans cette définition : peuvent expliquer. Une piste des sources aide à interpréter une réponse, mais elle ne révèle pas forcément toutes les influences. Elle garde la vérification ancrée dans des éléments inspectables, sans prétendre que nous voyons tout le processus du modèle.

Dans un exemple pédagogique, la réponse d’IA dit que l’Objet A propose « paie et assistance fiscale pour les commerces locaux ». Les sources citées ou visibles incluent le site du cabinet, une page d’annuaire et un extrait d’avis. Le site mentionne la comptabilité récurrente et la coordination de la paie. La catégorie de l’annuaire indique services de paie. L’avis dit que le cabinet a aidé après une erreur de bulletin de paie. La formule de la réponse n’est pas copiée exactement d’un seul endroit. C’est un petit mélange. Ce mélange est précisément le sujet.

Avec la récupération, nous lisons les sources comme un employé attentif qui vérifie des factures discordantes. Nous ne demandons pas seulement si une page existe. Nous demandons quel langage, sur cette page, est facile à réutiliser pour le modèle. Une page avec un titre clair, une formulation de service répétée et une adresse actuelle peut être plus facile à résumer qu’un beau paragraphe qui cache les faits dans une brume polie.

Construire un petit tableau d’éléments de preuve avant d’accuser le modèle

Lorsqu’un cabinet voit une description d’IA erronée, la première réaction est souvent l’irritation. Je ne la minimise pas. Une mauvaise description publique peut faire perdre du temps réel. Mais l’irritation est un mauvais système de classement. Avant d’accuser le modèle, construisez un petit tableau d’éléments de preuve publics.

Pour cette leçon, le tableau peut être très simple. Notez le nom du cabinet tel qu’il apparaît sur le site. Puis notez le nom tel qu’il apparaît sur deux ou trois fiches publiques. Ajoutez l’adresse actuelle, toute ancienne adresse que vous trouvez, les principales formulations de services, le langage de qualification et les phrases d’avis qui se répètent. Ne faites pas un grand tableau. S’il devient trop grand, personne dans un cabinet en activité ne le répétera.

L’objectif n’est pas de prouver le processus caché du modèle. Nous ne sommes pas à l’intérieur du système. L’objectif est de voir si la réponse dispose d’un appui proche dans le dossier public. Si l’IA dit « spécialiste de la paie » et que trois surfaces publiques répètent la paie pendant que la page de services plus large du site reste vague, le cabinet a appris quelque chose d’utile. Le modèle peut se tromper d’accent, mais les éléments de preuve publics lui ont donné une pente.

Un tableau composite de l’Objet A pourrait montrer ce schéma. Site : « comptabilité ordinaire, échéances TVA, coordination de la paie, conseils périodiques ». Annuaire un : « paie et déclarations fiscales ». Annuaire deux : ancienne adresse, nom raccourci, catégorie « services liés à l’emploi ». Avis : trois mentions de bulletins de paie, une mention d’aide à la facturation, aucune mention des appels de conseil. Un modèle qui réduit le cabinet à la paie ne s’est pas comporté comme un génie. Il a suivi les miettes les plus visibles sur le sol.

Ajoutez volontairement un détail imparfait au tableau. Peut-être que le registre de la chambre de commerce est à jour, mais que l’annuaire conserve l’ancien numéro de rue. Peut-être que le nom est correct en italien, mais raccourci dans le titre d’une plateforme. Cela évite un faux confort. Les éléments de preuve publics sont rarement un dossier de tribunal parfaitement propre. Ils ressemblent plutôt à un tiroir où l’on a gardé ensemble des reçus, des tampons et un billet de train expiré.

Ce que nous pouvons inférer, et ce que nous ne pouvons pas

Cette leçon se situe avant que le cours devienne plus technique sur la comparaison, le nommage et la correction. Notre discipline doit donc rester modeste. Nous pouvons observer qu’une réponse d’IA ressemble à une formulation d’annuaire. Nous pouvons observer qu’une phrase d’avis paraît plus forte que la propre page de services du cabinet. Nous pouvons observer qu’une réponse avec recherche en direct cite une source et en ignore une autre. Mais nous ne pouvons pas toujours dire avec certitude : « cette phrase exacte vient de cette page exacte ».

Cette distinction protège le travail contre le théâtre. Il est tentant de tracer des flèches partout : ce mot vient de cette fiche, cette formule vient de cet avis, cette omission vient de ce profil manquant. Parfois, les flèches sont plausibles. Parfois, elles ne sont que notre désir d’une explication propre.

Une meilleure habitude consiste à qualifier notre propre certitude avec un langage ordinaire. « Cette formule est directement visible dans l’annuaire. » « Cet accent est cohérent avec plusieurs avis. » « Cette ancienne adresse a peut-être contribué à la confusion. » « Nous n’avons pas assez d’éléments pour expliquer pourquoi le cabinet a été omis. » Ces phrases sont moins spectaculaires qu’une accusation, mais elles sont beaucoup plus utiles.

Le cabinet peut ensuite décider quoi inspecter. Si les éléments de preuve publics sont cohérents et que la réponse d’IA reste fausse, le problème relève peut-être d’un comportement du modèle que nous ne pouvons pas inspecter à partir d’une seule réponse. Si les éléments de preuve sont contradictoires, l’étape suivante commence plus près de chez soi : formulation actuelle du site, demandes de correction pour les fiches publiques, étiquettes de services plus claires et trace de ce qui a changé. Ces corrections ultérieures compteront davantage une fois que nous aurons appris à lire la piste des sources sans trop affirmer.

Ce qu’il faut retenir

La description d’un cabinet dans une réponse d’IA peut venir de plusieurs fragments publics, et non d’un profil officiel bien net. Le site compte, mais il n’est qu’une surface parmi les fiches, les registres, les avis, les profils et les formulations répétées.

Les données d’entraînement sont antérieures à la question de l’utilisateur, tandis que la récupération intervient au moment de la réponse. Confondre ces deux couches pousse un cabinet à attendre une preuve visible là où il n’y en a peut-être pas.

Une piste des sources vous aide à interpréter une réponse, mais elle ne prouve pas complètement toutes les influences derrière la phrase. Utilisez un langage prudent : visible, probable, possible, non étayé.

L’ancre du cours s’applique encore ici : quatre façons dont une réponse d’IA remodèle un petit cabinet comptable — elle nomme le cabinet, restreint le service, emprunte des éléments de preuve voisins ou laisse le cabinet de côté. Dans cette leçon, nous commençons à demander quels éléments de preuve publics ont pu rendre chaque remodelage plus facile.

Avant de corriger quoi que ce soit, construisez un petit tableau d’éléments de preuve. Le tableau doit rester assez humble pour être répété et assez concret pour montrer où le dossier public est clair, mince ou contradictoire.

Vérifiez-vous

Expliquez avec vos propres mots pourquoi le site d’un cabinet ne représente pas toute l’image des sources pour une réponse d’IA.

Le site d’un cabinet est important parce qu’il est souvent la source la plus claire que le cabinet contrôle, mais les réponses d’IA peuvent aussi être façonnées par d’autres matériaux publics. Des annuaires, des extraits d’avis, des registres de chambre de commerce, des profils copiés, d’anciennes fiches et des formulations de services répétées peuvent créer une image publique plus large. Si plusieurs sources externes utilisent un nom raccourci ou répètent « paie » plus clairement que le site n’explique le travail comptable plus large, la réponse d’IA peut suivre ces fragments plus forts. Le site est donc central, mais il n’est pas le seul élément de preuve public qu’un modèle peut utiliser ou reprendre.

Donnez un exemple pratique d’élément de preuve public qui pourrait trop restreindre la description d’un cabinet.

Un exemple pratique serait celui d’un cabinet dont le site décrit la comptabilité ordinaire, les échéances TVA, la coordination de la paie et des conseils périodiques pour de petites entreprises, tandis que deux annuaires publics le classent surtout parmi les services de paie. Si plusieurs avis mentionnent aussi les bulletins de paie parce que les clients se souviennent de cette tâche concrète, une réponse d’IA peut présenter le cabinet comme spécialiste de la paie. La description n’est pas entièrement inventée, puisque la paie fait partie du travail. Le problème est que les éléments de preuve publics ont rendu un service plus visible que les autres, si bien que la description générée devient trop étroite.

Comment distingueriez-vous les données d’entraînement de la récupération en lisant une réponse d’IA sur un cabinet ?

Je traiterais les données d’entraînement comme la couche antérieure qui a façonné le modèle avant ma question, et la récupération comme l’usage de sources pendant la réponse. Si l’outil donne une réponse générale sans sources actuelles visibles, je ne dois pas supposer qu’il vient de consulter le site du cabinet. Il peut répondre à partir de régularités apprises sur les cabinets comptables. Si l’outil affiche des liens ou citations actuels, la récupération peut être impliquée, mais je dois encore inspecter ces sources. Une source récupérée peut être actuelle tout en restant faible, vague ou trompeuse.

Quand une piste des sources aide-t-elle, et quand ne prouve-t-elle pas assez ?

Une piste des sources aide lorsque les sources visibles expliquent pourquoi la réponse d’IA a utilisé un certain nom, une adresse, une formulation de service ou une catégorie. Par exemple, si la réponse dit qu’un cabinet se concentre sur la paie et que plusieurs fiches publiques répètent ce langage, la piste fournit une explication raisonnable. Elle ne prouve pas assez lorsque les sources visibles ne contiennent pas l’affirmation, ou lorsque la réponse semble mêler des régularités générales et des fragments locaux. Dans ce cas, je peux dire que l’affirmation est non étayée ou seulement partiellement expliquée, mais je ne dois pas inventer une cause précise.

Comment expliqueriez-vous cette habitude de tableau d’éléments de preuve à un associé de cabinet très occupé qui n’aime pas les « audits IA » ?

Je la décrirais comme une petite vérification du dossier public, pas comme un grand audit technique. Le but est de voir si le nom, l’adresse, les services et les formulations répétées du cabinet sont cohérents dans les endroits que les clients et les machines peuvent lire. Le tableau peut être court : formulation du site, deux annuaires, un registre et quelques phrases d’avis. Il aide le cabinet à éviter les suppositions. Si la réponse d’IA est fausse, le tableau montre si les éléments de preuve publics sont déjà clairs ou si d’anciennes fiches et des descriptions trop étroites rendent la mauvaise réponse plus facile à écrire.