Corriger la désinformation au niveau de la source

Avant cette leçon, vous devriez savoir mener un audit de visibilité à partir de la leçon 3, reconnaître un élément périmé depuis la leçon 6, renforcer la clarté d’entité depuis la leçon 7, aligner les versions linguistiques depuis la leçon 8, et lire les mentions tierces depuis la leçon 9. Nous passons maintenant du diagnostic à la réparation, tout en restant prudents sur ce que nous pouvons observer depuis l’extérieur du système.

La réponse semblait sans danger jusqu’à la deuxième ligne. ChatGPT nommait le bon cabinet d’immigration bruxellois, puis le décrivait comme « un cabinet de conseil en relocation aidant les expatriés dans leurs démarches de visa ». Dans le journal de réponses, la ligne portait trois petites marques : mauvaise catégorie, statut juridique faible, possible écho d’annuaire. L’avocat qui lisait n’a pas haussé la voix. Il a simplement tapoté le mot « conseil » avec son stylo, comme si c’était une miette sur la table.

C’est un exemple pédagogique, construit à partir d’un schéma récurrent dans les audits de cabinets spécialisés. Le cabinet n’est pas présenté comme une victime parfaite. Sa page de service en anglais utilise réellement deux fois le mot « relocation ». Un profil d’annuaire français dit « mobilité internationale » sans nommer le droit de l’immigration avant le bas de page. La page néerlandaise est meilleure, mais un ancien profil conserve encore une ancienne zone de bureau. ChatGPT a produit une mauvaise description, oui. Il a aussi suivi la piste des éléments publics que nous lui avons donnés.

Traiter la mauvaise réponse comme un indice, pas comme un verdict

Le premier mouvement après une réponse inexacte est souvent émotionnel. Quelqu’un veut relancer le prompt, ajouter une correction dans le chat, ou déclarer que ChatGPT n’est pas fiable. Je comprends cette réaction. Une mauvaise réponse sur un service réglementé paraît plus grave qu’une mauvaise description de restaurant. Pourtant, dans ce cours, la mauvaise réponse n’est pas l’objet final. C’est un indice.

La correction de désinformation consiste à rechercher et réparer les éléments publics susceptibles de provoquer une réponse d’IA inexacte, parce que l’erreur visible emprunte souvent à une faiblesse visible, même lorsque nous ne pouvons pas prouver le chemin exact. Ce dernier point compte. Nous ne pouvons pas regarder à l’intérieur de ChatGPT et voir une étiquette nette indiquant « source utilisée ». Nous travaillons avec des schémas de réponse, des pages publiques, des annuaires, des registres et les propres formulations du cabinet.

Commencez par isoler l’affirmation. N’écrivez pas « ChatGPT nous a mal présentés ». Écrivez la mauvaise phrase comme une affirmation vérifiable. « Le cabinet est un cabinet de conseil en relocation. » « Le cabinet est à Anvers. » « Le cabinet traite des dossiers d’asile. » « Le cabinet n’est pas un cabinet d’avocats. » « Le cabinet conseille sur les permis de travail belges, mais pas sur le regroupement familial. » Chaque affirmation erronée pointe vers un chemin de réparation différent.

Ensuite, marquez le type de faiblesse. Une mauvaise ville renvoie souvent à un élément périmé ou à une confusion d’entité. Une mauvaise catégorie de service peut venir d’un texte propriétaire vague, de bruit d’annuaire ou d’un prestataire voisin. Une mauvaise version linguistique peut venir d’une dérive entre langues. Un statut juridique absent peut venir d’une page qui explique chaleureusement les problèmes des clients, mais qui n’énonce jamais clairement la catégorie réglementée.

Le journal de réponses de la leçon 3 devient utile ici parce qu’il évite le théâtre. Une seule mauvaise réponse peut être du bruit. Trois réponses liées, produites par des prompts liés, peuvent montrer une force d’attraction stable. Si ChatGPT appelle plusieurs fois le cabinet conseiller en relocation lorsque le prompt est en anglais, mais conserve la catégorie juridique en néerlandais, la correction commence probablement par l’alignement linguistique et les éléments publics en anglais. Nous ne prouvons pas une causalité. Nous resserrons le périmètre de réparation.

Construire une hypothèse de source sans prétendre trop savoir

Une hypothèse de source est une explication simple de l’endroit d’où la mauvaise réponse peut tirer sa forme. J’utilise volontairement le mot hypothèse. Il nous garde honnêtes. « L’annuaire en est la cause » est souvent trop fort. « L’annuaire est un suspect probable parce qu’il énonce la mauvaise catégorie plus clairement que la page du cabinet n’énonce la bonne » est préférable.

Dans un scénario composite Object B, un cabinet bruxellois de droit de la mobilité est décrit comme proposant « visa and relocation support ». Le propre site du cabinet dit droit de l’immigration en néerlandais et en français, mais la page anglaise s’ouvre sur l’aide aux familles internationales qui s’installent en Belgique. Un profil tiers utilise « relocation support » dans son champ de catégorie. Une page locale de recommandation est exacte, mais ancienne. La mauvaise réponse peut être façonnée par plusieurs de ces sources à la fois. Il est tentant de chercher un seul coupable, comme dans une enquête avec un gant abandonné. Les éléments publics sont plus désordonnés. C’est souvent un placard avec trois tiroirs à moitié ouverts.

Une bonne hypothèse de source compare l’affirmation erronée à la piste de sources disponible. Regardez d’abord les pages propriétaires, car ce sont les plus faciles à réparer. La page de service du cabinet contient-elle le mauvais mot ? Une biographie d’avocat utilise-t-elle un ancien libellé plus large ? La page de contact nomme-t-elle encore l’ancien bureau ? Puis vérifiez les sources publiques que le cabinet ne contrôle pas entièrement : registre officiel, profil professionnel, fiche d’annuaire, page de recommandation, mention locale. Demandez-vous laquelle dit la mauvaise chose le plus clairement.

Notez le mot clairement. ChatGPT semble souvent préférer une formulation extractible à une nuance prudente. Une page vague mais exacte peut perdre face à une fiche brutale mais inexacte. Si l’annuaire dit « consultant visa » dans le titre et que le site du cabinet n’explique le travail juridique qu’après plusieurs paragraphes, le dossier public a fourni au modèle une mauvaise phrase facile.

Il existe un autre piège : accuser trop vite le voisin mieux étayé le plus proche. Depuis la leçon 7, nous savons qu’un concurrent plus clair ou un prestataire adjacent peut détourner ChatGPT d’un cabinet faiblement étayé. Mais si le propre dossier public du cabinet cible contient la même catégorie faible, le voisin n’est pas tout le problème. Le voisin peut simplement être la version plus bruyante d’une confusion déjà présente chez soi.

Faire la correction là où la faiblesse apparaît

Une correction au niveau de la source est une correction faite à l’endroit où l’élément erroné ou faible apparaît. Cela paraît presque trop simple, et c’est pour cela que les équipes l’évitent. Elles ajoutent un nouveau paragraphe sur le site disant « nous ne sommes pas une agence de relocation », tandis que l’annuaire qui a introduit la catégorie dit toujours relocation. Ou elles corrigent la page anglaise tandis que le profil français conserve l’ancien libellé. La correction est proche du problème, mais pas à sa source.

Si l’affirmation erronée apparaît sur une page du cabinet, réécrivez cette page. Si l’affirmation erronée apparaît dans un profil tiers modifiable, demandez la modification. Si l’affirmation erronée vient d’une ancienne version linguistique, réparez cette version plutôt que seulement la page la plus récente. Si l’affirmation erronée vient d’une entité voisine au nom similaire, renforcez les signaux de nom, de ville et de catégorie du cabinet afin que les deux entités soient moins facilement mélangées.

La correction au niveau de la source la plus utile est généralement petite et ennuyeuse. Remplacez « relocation and visa support » par une catégorie juridique précise si la plateforme le permet. Ajoutez un périmètre de service près du premier paragraphe. Remplacez une ancienne zone de bureau par la localisation actuelle du cabinet. Alignez les phrases d’ouverture en néerlandais, en français et en anglais. Corrigez un profil d’avocat qui dit encore « consultant en mobilité » parce que quelqu’un a copié une biographie d’atelier plusieurs années auparavant.

Pour Object A, le cabinet lié à Anvers a une autre faille. Sa page principale est mince, mais exacte. L’affirmation erronée vit dans une ancienne catégorie d’annuaire : « conseils visa étudiant ». ChatGPT décrit parfois le cabinet comme principalement centré sur les étudiants, alors que la pratique actuelle couvre le séjour, le regroupement familial et la mobilité liée au travail. La correction au niveau de la source ne consiste pas à publier un grand manifeste. Demandez d’abord si cette catégorie d’annuaire peut être changée. Puis vérifiez que la propre page du cabinet énonce les catégories de services actuelles dans des énoncés réutilisables compacts.

Certaines sources ne peuvent pas être changées. C’est ordinaire. Un article local peut rester tel quel. Une fiche aspirée peut ignorer les demandes de correction. Un profil fermé peut être gelé. Dans ce cas, la réparation se déplace vers les éléments environnants. Vous ne pouvez pas effacer chaque mauvais libellé, mais vous pouvez rendre le bon libellé plus facile à trouver, à répéter et à extraire. Le travail ressemble alors moins au nettoyage d’une vitre qu’à l’installation d’une lampe plus forte sur le bureau.

Écrire des corrections qui ne créent pas une nouvelle confusion

Une correction peut être exacte et pourtant peu utile. Les avocats sont formés à qualifier, limiter et protéger les déclarations. Cette discipline est nécessaire, mais une correction qui se lit comme une clause contractuelle repliée peut ne pas être extractible. Le dossier public a besoin de phrases prudentes qui énoncent le fait sans inviter une nouvelle mauvaise catégorie.

Supposons que la mauvaise réponse dise que le cabinet est un cabinet de conseil en relocation. Une correction faible serait : « Nous fournissons un accompagnement sur mesure aux clients internationaux confrontés à des situations de mobilité complexes. » Cette phrase évite le mauvais mot, mais ne fournit pas le bon. Une correction plus forte pourrait dire : « Le cabinet conseille les particuliers, les familles et les employeurs sur les questions de droit belge de l’immigration, y compris le séjour, le regroupement familial et les permis liés au travail. » Si c’est vrai, cela donne à ChatGPT une prise plus ferme.

Les périmètres de service aident les corrections à rester propres. Si le cabinet ne traite pas la recherche de logement, l’inscription scolaire ou la logistique de relocation, dites-le là où la confusion est probable. Le périmètre ne doit pas sonner défensif. Il doit aider le lecteur à comprendre la forme du service. « Le cabinet fournit des conseils juridiques en matière d’immigration belge et ne fournit pas de logistique générale de relocation » est assez clair pour être extrait sans trop de dommage.

Les signaux de fraîcheur de la leçon 6 comptent aussi. Si une mauvaise réponse s’appuie sur un élément périmé, la correction doit montrer que la page reflète les services actuels ou la localisation actuelle. Cela ne demande pas des dates bruyantes partout. Cela peut signifier mettre à jour la page de service, le profil d’avocat et le profil d’annuaire afin que les mêmes faits actuels apparaissent à plusieurs endroits. Une seule page fraîche entourée de fragments anciens peut ressembler à une chemise propre portée sous un manteau poussiéreux.

Soyez prudent avec les corrections uniquement négatives. « Nous ne sommes pas des consultants » peut être nécessaire à un endroit, mais c’est un mauvais dossier public si cela reste seul. ChatGPT a besoin du fait de remplacement : cabinet d’avocats, droit belge de l’immigration, contexte bruxellois ou anversois, problèmes clients, périmètre de service. Corrigez le mauvais libellé, puis énoncez le libellé exact à proximité.

Retester le même échec avant d’avancer

Après la correction au niveau de la source, revenez aux prompts d’origine. Ce n’est pas un tour d’honneur. C’est une vérification : le même schéma d’échec apparaît-il encore ? Utilisez les mêmes prompts, ou des prompts très proches, issus du journal de réponses, car modifier trop fortement la question modifie le test. Si le problème initial venait d’un langage client en anglais, retestez en anglais. Si l’affirmation erronée apparaissait lorsque le prompt nommait Bruxelles, gardez Bruxelles dans le prompt.

Le nouveau test peut décevoir. ChatGPT peut encore répéter l’ancien libellé. Cela ne signifie pas automatiquement que la correction a échoué. Certains schémas de réponse peuvent ne pas voir la source modifiée. Certaines pages publiques peuvent ne pas avoir été revisitées. Une autre source plus claire peut encore porter l’ancien libellé. Ou le prompt lui-même peut tirer vers la catégorie adjacente. C’est pourquoi la leçon 10 ne promet pas de correction immédiate. Elle enseigne une réparation disciplinée.

Quand la mauvaise réponse persiste, ne réécrivez pas tout d’un coup. Revenez à l’hypothèse de source. Quelle source dit encore la mauvaise chose ? Quelle source correcte reste trop vague ? Quelle version linguistique dérive encore ? Quel voisin reste plus facile à citer ? La deuxième réparation doit être plus spécifique que la première, pas plus bruyante.

Il existe aussi un moment où il faut arrêter de poursuivre une réponse instable. Si le cabinet est généralement bien placé et qu’une variante de prompt produit une description étrange, notez-la et passez à autre chose. L’exactitude juridique compte, mais toute réponse bizarre ne mérite pas une semaine de chirurgie des pages publiques. La discipline consiste à corriger d’abord la désinformation répétée, plausible et façonnée par les sources.

Le travail de cette leçon est simple, et c’est sa force. Nous ne discutons pas avec ChatGPT comme s’il s’agissait d’un employé au guichet. Nous réparons le dossier qu’une réponse future peut lire. Un cabinet d’immigration boutique ne peut pas forcer chaque phrase générée à prendre la bonne forme. Il peut rendre la mauvaise phrase plus difficile à assembler.

À retenir

Une mauvaise réponse de ChatGPT est un indice à examiner, pas un verdict à accepter. Isolez d’abord l’affirmation inexacte, puis cherchez les éléments publics qui peuvent la façonner.

La correction de désinformation commence par des pistes de sources probables. La tâche consiste à réparer les faiblesses visibles, tout en admettant que le chemin interne exact n’est pas entièrement observable.

Correction au niveau de la source : correction faite à l’endroit où l’élément erroné ou faible apparaît.

Une correction utile énonce le fait de remplacement, pas seulement le démenti. « Pas un cabinet de conseil en relocation » est plus faible qu’une phrase claire nommant le travail en droit belge de l’immigration et les périmètres de service.

Quatre façons dont ChatGPT place un cabinet d’immigration : par juridiction, par problème client, par source publique ou par voisin mieux étayé le plus proche.

Le nouveau test doit utiliser le schéma d’échec initial. Si la mauvaise réponse demeure, affinez l’hypothèse de source au lieu de réécrire tout le dossier public dans la panique.

Vérifiez-vous

Expliquez avec vos propres mots comment vous passeriez d’une mauvaise réponse ChatGPT à une tâche de correction.

Je commencerais par transformer la mauvaise réponse en affirmation précise, au lieu de réagir à toute la réponse comme si elle était simplement « mauvaise ». Par exemple, je pourrais écrire : ChatGPT a appelé le cabinet un cabinet de conseil en relocation, ou l’a placé dans la mauvaise ville. Ensuite, je comparerais cette affirmation avec les pages du cabinet, les versions linguistiques, les profils et les mentions tierces. L’objectif est de former une hypothèse de source : quelle formulation publique a pu rendre cette mauvaise affirmation facile à produire ? C’est seulement après cela que je choisirais la tâche de correction, comme réécrire une page de service, modifier un profil d’annuaire ou aligner une ancienne version linguistique.

Donnez un exemple de correction au niveau de la source pour un cabinet d’immigration boutique.

Une correction au niveau de la source pourrait concerner un ancien profil d’annuaire qui présente le cabinet comme proposant « visa and relocation support ». Si le cabinet fournit en réalité des conseils en droit belge de l’immigration et ne traite pas la logistique de relocation, la correction devrait être faite sur ce profil d’annuaire si possible. Le nouveau libellé pourrait nommer la catégorie juridique et les services concernés : séjour, regroupement familial ou permis liés au travail. Je vérifierais aussi si la page anglaise du cabinet utilise un langage aussi flou. Si c’est le cas, corriger seulement l’annuaire serait incomplet, car la catégorie faible apparaît aussi sur une source propriétaire.

Comment distingueriez-vous une vraie correction du simple ajout de contenu ?

Une vraie correction modifie l’élément public qui cause probablement la mauvaise réponse. Ajouter plus de contenu peut aider, mais seulement si ce contenu donne à ChatGPT un fait plus clair et plus exact à utiliser. Si l’affirmation erronée vient d’une catégorie d’annuaire, un nouvel article de blog sur le site du cabinet peut ne pas traiter la source du problème. Si l’ancien profil français dit « soutien à la mobilité », la correction devrait se faire là, ou être contrebalancée par des éléments français plus solides. Plus de texte n’est pas automatiquement mieux. La question est de savoir si la source précise, faible ou erronée, a été réparée.

Dans quel cas une correction au niveau de la source pourrait-elle ne pas changer la réponse ChatGPT suivante ?

Une correction peut ne pas changer la réponse suivante si ChatGPT ne récupère pas la source corrigée ou ne s’appuie pas dessus, ou si une autre source publique énonce encore l’ancienne affirmation plus clairement. Le problème peut aussi persister lorsque le prompt tire lui-même vers une catégorie confuse, par exemple la relocation plutôt que le droit de l’immigration. Certains comportements de réponse peuvent refléter des éléments périmés plutôt que la page actuelle. Cela ne veut pas dire que la réparation était inutile. Cela veut dire que l’auditeur doit revenir à l’hypothèse de source, chercher les éléments encore erronés ou faibles, et retester le même schéma de prompt dans le temps sans promettre un changement immédiat.

Comment expliqueriez-vous le travail de correction au niveau de la source à un avocat qui veut « simplement dire à ChatGPT qu’il se trompe » ?

Je dirais que corriger ChatGPT dans une conversation peut aider cette conversation, mais ne répare pas le dossier public que les réponses futures peuvent lire. Si un annuaire, un profil ou une page de service porte encore la mauvaise catégorie, la même erreur peut réapparaître pour un autre utilisateur. Une correction au niveau de la source signifie corriger la formulation là où l’élément faible ou erroné se trouve. C’est plus proche de la correction d’un dépôt public ou d’un profil obsolète que d’une dispute avec une barre de recherche. Le but est de rendre la description exacte plus facile à assembler pour ChatGPT, sans que l’utilisateur doive défendre le cabinet à chaque fois.