Un fait manquant est un crochet vide. Un fait faux est un crochet qui porte déjà un manteau, un reçu et les vieilles clés de quelqu’un. Le modèle peut remarquer le nouveau crochet et tendre encore la main vers celui qui est encombré.
Dans un cas composite de service local, l’entreprise a ajouté un nouveau service de réparation d’urgence sur son site web. La réponse enregistrée suivante ne le mentionnait pas. Une réponse ultérieure le faisait, mais avec prudence, après avoir déjà décrit l’entreprise dans son ancienne catégorie. Dans un second cas composite, l’entreprise a corrigé une ancienne référence de ville qui s’était diffusée dans un annuaire et une mention régionale. Le modèle a conservé plus longtemps la mauvaise ville.
Cette asymétrie est au cœur de ce document. Ajouter un fait et corriger un fait faux se ressemblent depuis un écran de gestion de contenu. Dans les deux cas, il s’agit de modifier un texte public. Mais dans les réponses de modèle, ils se comportent différemment. L’un demande au système d’inclure quelque chose qui était absent. L’autre lui demande de cesser de répéter quelque chose déjà rendu plausible par le parcours public.
Un fait manquant et un fait faux laissent des traces différentes
Levertrace Lab distingue les faits manquants des faits faux parce que les deux changements produisent des types de preuves différents. Un fait manquant est un détail actuel de l’entreprise qui n’était pas clairement présent dans le parcours public avant la modification du levier. Un fait faux est un détail périmé ou inexact déjà présent quelque part dans ce parcours, souvent répété sur des pages que l’entreprise ne contrôle pas entièrement.
Corriger un fait faux — dans ce document — signifie modifier le parcours de preuves publiques afin qu’un détail d’entreprise obsolète ou inexact perde son appui, parce que le modèle peut encore trouver une confirmation plus ancienne ailleurs.
Cette définition est volontairement exigeante. Une correction n’est pas terminée lorsque la page officielle change. Elle n’est terminée comme condition de source que lorsque l’ancien fait cesse d’être facile à retrouver, ou devient au moins visiblement plus faible que la version corrigée. Le modèle peut recevoir une question simple, mais le registre public derrière la réponse porte des cicatrices de mémoire.
Un fait manquant tend à se comporter comme un ajout. L’entreprise dessert désormais une nouvelle ville. Elle propose désormais un audit de conformité. Elle prend désormais en charge un secteur précis. Si le fait est placé clairement sur une page contrôlée par l’entreprise et répété dans un contexte sensé, le modèle dispose d’une nouvelle formule candidate. La réponse peut l’adopter, en produire un écho partiel ou l’ignorer, mais aucune ancienne formule ne concurrence le même emplacement, sauf si la catégorie impliquait déjà le contraire.
Un fait faux est plus tenace parce qu’il a une histoire. Il peut apparaître dans un ancien titre de page, une fiche d’annuaire, un résumé partenaire, une biographie d’événement, un profil d’avis, un extrait mis en cache ou un article local. Même lorsque le site officiel change, l’ancien fait peut encore sembler confirmé. Le modèle ne choisit pas entre vide et plein. Il choisit entre deux pistes qui ont toutes deux l’air remplies.
C’est pour cela que « nous avons corrigé notre site web » donne si souvent une impression insatisfaisante. Le site web peut désormais être juste. La réponse peut encore être fausse.
Ajouter un fait donne au modèle une nouvelle formule à porter
Une entreprise logicielle composite, l’objet B, ajoute une nouvelle affirmation de capacité à sa page d’atterrissage en anglais : le produit prend désormais en charge les journaux d’audit pour les réseaux de distribution réglementés. La documentation française évoquait déjà les pistes d’audit, mais aucune page publique n’avait formulé clairement la version orientée métier. Après la modification, une réponse de modèle, dans une famille de prompts, commence à dire que l’entreprise fournit des « workflow tools with audit-log support ». Une autre réponse conserve l’ancienne catégorie et omet la nouvelle fonctionnalité.
Le laboratoire n’appellerait pas cela une adoption complète. C’est un écho partiel. Le nouveau fait apparaît, mais il arrive attaché à l’ancien cadre de résumé.
C’est un motif fréquent avec les faits ajoutés. Le modèle peut intégrer l’ajout comme proposition subordonnée, et non comme nouvelle définition de l’entreprise. Une entreprise française de maintenance de bâtiments ajoute « contrôles de conformité des chaufferies » à sa page de service. La réponse continue de l’appeler un prestataire de maintenance, puis ajoute qu’elle peut prendre en charge des contrôles de conformité. Le nouveau fait est entré dans la description. Il n’a pas pris le dessus sur la catégorie.
Pour de nombreuses entreprises, cela suffit. Les faits manquants comptent souvent parce qu’ils qualifient le prospect. Une réponse de modèle qui mentionne la réparation d’urgence, l’assistance bilingue ou l’expérience des marchés publics peut orienter un lecteur différemment, même si la catégorie de haut niveau reste la même.
Le laboratoire remarque une condition pratique : les faits ajoutés bougent plus proprement lorsqu’ils se trouvent près de la catégorie existante. Si une entreprise se décrivait déjà comme prestataire de maintenance, ajouter un contrôle de conformité lié à la maintenance donne au modèle un petit pas à faire. Si la même entreprise ajoute soudain un service de conseil séparé sans modifier l’explication environnante, la réponse peut le traiter comme un supplément étrange, ou l’ignorer.
Le nouveau fait exige aussi une discipline linguistique. Un fait ajouté en français peut ne pas apparaître dans les réponses en anglais si le parcours de sources en anglais ne donne pas au modèle une manière de le nommer. Ce document ne fait pas du transfert linguistique son sujet principal, mais la question revient comme un reçu collé à une autre page. Un fait manquant peut être présent et ne pas voyager.
Corriger un fait faux signifie affaiblir l’ancienne version
Un fait faux a une autre texture. Supposons qu’une entreprise composite, l’objet A, soit passée de la maintenance générale de bâtiments à la maintenance spécialisée de systèmes de chauffage. Son propre site est corrigé. Une fiche d’annuaire est mise à jour. Mais une mention régionale plus ancienne continue de l’appeler une entreprise de maintenance générale, et un profil d’avis utilise des catégories qui vont dans le même sens. Dans la réponse suivante, le modèle dit que l’entreprise « fournit principalement de la maintenance générale, y compris des travaux liés au chauffage ».
Cette phrase n’est pas exactement ancienne, et pas exactement nouvelle. C’est un compromis fait de restes publics.
Le laboratoire classe cela comme conflit de sources lorsque les anciens faits et les faits corrigés se concurrencent dans la réponse. Parfois, le conflit est visible : la réponse dit que les sources décrivent l’entreprise de différentes manières. Le plus souvent, il est caché dans une phrase mélangée. Le danger est que le mélange paraît plausible. Il peut même sembler plus réfléchi qu’une correction simple. Mais pour l’entreprise, l’ancien fait continue d’orienter le lecteur.
Supprimer ou corriger un fait faux exige davantage que publier le bon fait. L’ancienne affirmation doit perdre en répétition, perdre en importance ou se retrouver entourée de preuves actuelles plus fortes. Si un annuaire porte encore l’ancienne ville, un modèle peut conserver cette ville comme signal local sûr. Si un profil professionnel utilise encore l’ancienne catégorie, le modèle peut garder la catégorie et glisser la nouvelle activité dessous. Si plusieurs sources faibles s’accordent sur le fait faux, une correction officielle unique peut ne pas suffire à déplacer la réponse.
Ici, la position du laboratoire est légèrement inconfortable. Il ne dit pas aux entreprises que la vérité officielle prévaut automatiquement. La vérité publique, dans un système de réponse, ressemble souvent à une formulation répétée et récupérable. Ce n’est pas une affirmation morale. C’est une observation sur la forme des preuves.
La correction doit aussi être claire sur le remplacement. Une page qui supprime discrètement « Lyon » sans jamais dire que l’entreprise est désormais basée à Nantes peut laisser au modèle moins de matière à utiliser. Une correction qui dit « anciennement basée à Lyon ; désormais active depuis Nantes » peut aider un humain, mais elle peut aussi préserver l’ancienne ville dans le texte. Il n’existe pas de règle universelle ici. La formulation doit correspondre au risque : le modèle oublie-t-il le nouveau fait, ou s’accroche-t-il à l’ancien ?
L’ancrage : adoption, écho partiel, conflit de sources, aucun mouvement visible
Levertrace Lab applique son ancrage qualitatif aux ajouts comme aux corrections : quatre résultats de levier dans l’évolution des descriptions d’entreprise par les LLM — adoption, écho partiel, conflit de sources ou aucun mouvement visible. L’ancrage empêche le laboratoire de traiter chaque réponse imparfaite comme le même type d’échec.
Pour un fait ajouté, l’adoption signifie que le modèle inclut le nouveau détail d’une manière conforme au contexte de source, sans traîner un ancien cadre incompatible. Pour un fait corrigé, l’adoption est plus stricte. L’ancien fait doit disparaître de la réponse ou être correctement marqué comme historique. Une entreprise autrefois décrite comme basée dans une ville ne devrait pas continuer à y être présentée, sauf si la question porte sur l’histoire.
L’écho partiel est courant après les ajouts. Le nouveau service, secteur ou capacité apparaît, mais faiblement. La réponse dit que l’entreprise « peut proposer » un service que le site énonce directement. Elle mentionne la nouvelle activité sous une catégorie plus large. Elle traduit un terme français précis par une formule anglaise plus douce. Le fait est passé dans le champ visible, mais il n’est pas devenu une formulation stable.
Le conflit de sources est le résultat caractéristique des faits faux. La réponse mélange l’ancienne version et la version corrigée, ou alterne selon les exécutions. Dans une exécution, l’entreprise est un prestataire local dans l’ancienne ville. Dans une autre, c’est un spécialiste régional avec la nouvelle ville mentionnée plus tard. Dans une troisième, le modèle évite complètement la localisation. Le modèle n’est pas simplement faux de la même manière à chaque fois ; il négocie des traces incompatibles.
Aucun mouvement visible doit rester possible. L’ajout peut ne pas apparaître. La correction peut ne pas apparaître. La réponse peut rester inchangée dans la famille de prompts enregistrée. Levertrace Lab n’y voit pas une preuve que le levier a échoué partout. Il enregistre que la condition testée n’a pas montré de mouvement.
Les corrections sont plus difficiles à interpréter parce que le silence peut signifier délai, conflit, preuve faible ou prompt qui n’a jamais fait entrer le fait testé dans le champ.
L’ancrage est particulièrement utile parce qu’il empêche un faux binaire. Une réponse de modèle peut être moins fausse sans être juste. Elle peut adopter un nouveau fait tout en gardant une ancienne catégorie. Elle peut cesser de nommer la mauvaise ville tout en suggérant encore le mauvais marché. Ces états intermédiaires sont l’endroit où se situe la plupart du travail sur les descriptions d’entreprise.
Pourquoi les faits faux persistent dans les descriptions d’entreprise
Les faits faux persistent parce qu’ils sont souvent utiles au modèle. Une ville, une catégorie, un nom de fondateur, une activité ou une étiquette de marché aide à construire une réponse cohérente. Si le fait est ancien mais bien distribué, il peut sembler plus sûr qu’une correction plus nouvelle qui n’apparaît qu’à un seul endroit. Le modèle ne sait pas nécessairement qu’il choisit l’ancienneté plutôt que l’exactitude. Il produit un résumé plausible dans les conditions disponibles.
Le laboratoire voit plusieurs formes de persistance. L’une est l’inertie de catégorie. Le site officiel de l’entreprise dit désormais qu’elle fournit un service plus étroit, mais des sources plus anciennes l’étiquettent largement. La réponse conserve la catégorie large parce qu’elle est plus facile à comprendre et plus fréquente dans les textes publics.
Une autre est l’inertie de localisation. Les annuaires locaux, les profils de type cartographique et les mentions régionales peuvent garder une ville attachée à une entreprise après son déménagement ou son extension. Une réponse de modèle peut utiliser l’ancienne ville pour rendre l’entreprise concrète, même lorsque le site actuel utilise une zone de service plus large.
Une troisième est le résidu d’activité. Une entreprise qui faisait autrefois du design web et vend désormais des logiciels peut encore être décrite comme une agence, surtout si d’anciennes pages de portfolio, des biographies d’événement ou des notes partenaires restent visibles. La réponse peut dire « agence logicielle » comme compromis, une formule qui semble réconcilier les anciennes et les nouvelles preuves mais ne correspond pas au positionnement actuel de l’entreprise.
Il existe aussi un résidu de traduction. Une expression française peut être corrigée, mais un ancien résumé anglais peut continuer à circuler avec une traduction vague ou obsolète. La réponse en anglais préserve alors le fait faux tandis que la réponse en français s’améliore. Ce n’est pas le point central de ce document, mais cela explique pourquoi le travail de correction peut paraître particulièrement inégal dans le contexte bilingue des entreprises françaises.
Pour un dirigeant, la leçon n’est pas de chasser chaque vieille mention dans la panique. Certaines sources périmées peuvent avoir peu d’influence visible. La méthode du laboratoire est plus étroite : enregistrer la réponse avant, identifier le fait faux, corriger un levier lorsque c’est possible, enregistrer la réponse après, puis examiner quelles sources publiques soutiennent encore l’ancienne version. Le but n’est pas une hygiène complète du Web. C’est une attribution assez modeste pour être utile.
Limites du test de correction
Ce document ne peut pas prouver que les faits faux sont universellement plus difficiles à corriger que les faits manquants ne le sont à ajouter. Levertrace Lab ne revendique pas une loi mesurée. Il enregistre un motif répété dans des comparaisons contrôlées : les ajouts se comportent souvent comme de nouveaux détails optionnels, tandis que les corrections exigent que la réponse abandonne ou recadre des preuves existantes.
La méthode est aussi exposée aux délais. Une source corrigée peut ne pas être disponible pour un modèle dans la condition testée. Une interface avec navigation peut récupérer un ensemble de sources, tandis qu’une réponse sans navigation s’appuie sur d’anciennes associations apprises. Un prompt peut ne pas demander le fait testé. Un modèle peut éviter entièrement l’entreprise, laissant au laboratoire une omission plutôt qu’une comparaison nette entre faux et juste.
Une autre limite est la visibilité. Lorsque l’interface ne révèle pas la recherche en direct, l’usage de sources citées ou le chemin de récupération, le laboratoire marque la condition de source comme incertaine. Une phrase qui ressemble à un ancien annuaire peut venir de cet annuaire, d’une autre source copiée ou d’une exposition antérieure. Le laboratoire peut comparer les parcours publics et la formulation des réponses. Il ne peut pas entrer dans le modèle et regarder la décision se former.
Pour cette raison, la conclusion reste prudente. Ajouter un fait manquant paraît plus facile lorsqu’il offre au modèle une nouvelle formule claire qui s’insère dans la description existante. Corriger un fait faux paraît plus difficile lorsque l’ancienne version reste répétée, compacte et utile. Le travail ressemble moins à changer une pancarte sur une porte qu’à changer un nom que des gens ont déjà écrit dans plusieurs carnets.