Quand vous posez une question à un modèle avec la recherche web activée, vous obtenez une réponse. Quand vous posez la même question avec la recherche web désactivée, vous obtenez une réponse différente. Ce ne sont pas deux versions de la même chose — ce sont deux récits fondamentalement différents, façonnés par des mécanismes différents, porteurs de risques différents. La Deep Narrative Intelligence mesure les deux, parce qu'une image complète de votre récit IA exige de comprendre les deux.
Les deux modes d'interrogation
Les assistants d'IA modernes offrent deux modes de fonctionnement. En mode sans recherche, le modèle répond uniquement à partir de ses données d'entraînement — la représentation statique intégrée dans ses poids au moment de l'entraînement. En mode avec recherche web, le modèle augmente ses données d'entraînement avec une récupération en temps réel depuis le web, introduisant des articles, pages et sources courants avant de générer sa réponse. La plupart des utilisateurs ne choisissent pas consciemment entre ces modes ; le modèle peut privilégier l'un ou l'autre selon la requête, la plateforme ou les paramètres de l'utilisateur. Mais d'un point de vue DNI, les deux modes produisent des récits qui peuvent diverger significativement, et les deux doivent être interrogés.
Récit latent vs. récupération en direct
La réponse sans recherche révèle le récit latent : ce que le modèle croit sur la seule base de ses données d'entraînement. C'est le récit qui persiste à travers les sessions, qui est cohérent pour chaque utilisateur qui pose la même question sans recherche, et qui ne change que lorsque le modèle est réentraîné. C'est le récit profond — le plus résistant à la correction, parce qu'il vit dans les poids, pas dans une source récupérable. La réponse avec recherche web révèle le récit de récupération en direct : ce que le modèle assemble à partir des sources web courantes au moment de la requête. Ce récit est plus volatil — il peut changer du jour au lendemain à mesure que le contenu web change — mais il est aussi plus corrigeable, parce qu'il répond aux changements de la couche source en temps réel.
Vous ne savez pas ce que dit l'IA de vous aujourd'hui ?
Un audit SetRecord interroge les modèles d'IA pris en charge sur votre organisation et mesure l'écart avec les faits vérifiables — en cinq jours ouvrés.
Ce que chaque mode révèle
Chaque mode expose un risque différent. Le récit latent est le risque d'une distorsion profonde et persistante — une fausseté ou un fait obsolète intégré au modèle et qui ne changera qu'au prochain cycle d'entraînement. Si le modèle croit que votre PDG a démissionné l'an dernier (alors qu'il ne l'a pas fait), cette croyance apparaîtra dans chaque réponse sans recherche jusqu'au réentraînement du modèle, indépendamment de ce que vous publiez aujourd'hui. Le récit de récupération en direct est le risque d'une distorsion volatile et pilotée par les sources — une fausseté qu'une source web récente a introduite et que le modèle amplifie parce qu'il fait confiance à la source. Si un agrégateur de faible qualité publie une affirmation fausse sur votre entreprise aujourd'hui, le mode avec recherche web peut la faire apparaître demain. Ce sont deux risques différents exigeant deux stratégies de correction différentes : le récit latent exige des interventions au niveau du cycle d'entraînement, tandis que le récit de récupération en direct exige des interventions au niveau des sources.
Pourquoi il vous faut les deux
Une organisation qui ne mesure que le récit sans recherche comprend son exposition profonde mais manque les distorsions en direct que les utilisateurs avec recherche web rencontrent. Une organisation qui ne mesure que le récit avec recherche web comprend son exposition de surface courante mais manque les distorsions persistantes qui survivront à toute source web individuelle. Il vous faut les deux parce que vos parties prenantes utilisent les deux modes — certains délibérément, la plupart sans le savoir — et le récit qu'elles reçoivent dépend du mode utilisé par le modèle. Un programme DNI qui ne mesure qu'un mode ne mesure que la moitié du tableau. SetRecord exécute des panels d'interrogation double comme pratique standard, parce que l'écart entre les deux modes est lui-même un signal diagnostique : là où les récits latent et en direct concordent, la distorsion est profonde et stable ; là où ils divergent, la distorsion est récente et potentiellement corrigeable par une intervention au niveau des sources.
Comment le DNI structure l'interrogation double
L'interrogation double est méthodologiquement simple mais opérationnellement précise. Chaque requête du panel d'interrogation est exécutée deux fois : une fois avec recherche web activée, une fois sans. Les deux réponses sont enregistrées, comparées et scorées par rapport au registre vérifiable. La comparaison produit trois résultats : le score du récit latent (sans recherche), le score de récupération en direct (avec recherche web) et la métrique de divergence (l'écart entre les deux). La métrique de divergence est particulièrement précieuse — elle identifie les sujets où le récit des données d'entraînement et le récit de récupération du modèle sont en tension, ce qui est là où les efforts de correction sont les plus susceptibles de produire du mouvement. Une divergence élevée sur un sujet critique est un signal que la couche source et la couche d'entraînement nécessitent des interventions différentes, et que la stratégie de correction doit être à double voie pour être efficace.