Le sentiment n'est pas généré, il est hérité
Quand une IA parle de vous négativement, le modèle ne vous déteste pas. Il recopie le ton de sa source. Le sentiment se corrige en déplaçant le corpus.
Le sentiment comme reflet du corpus
Quand une réponse générative écorne votre marque, le premier réflexe est souvent d'accuser le modèle. On soupçonne un biais d'entraînement, on cherche à corriger le prompt système ou à redresser l'image globale de l'entité. C'est une erreur fondamentale de diagnostic. Dans les architectures RAG (Retrieval-Augmented Generation) qui propulsent les moteurs de réponse actuels, le modèle agit comme un synthétiseur, pas comme un auteur indépendant. Il extrait des faits et en absorbe le ton.
Si la réponse est négative, c'est parce que le document récupéré l'est. Le modèle recopie scrupuleusement l'affect de sa source pour formuler sa restitution. Si votre propre documentation officielle est noyée et que le forum pèse plus que votre livre blanc dans le processus de récupération du moteur, la synthèse héritera mécaniquement de la frustration exprimée par les utilisateurs sur ce forum.
On n'optimise pas l'humeur d'une intelligence artificielle. On optimise la disponibilité et la polarité des documents qu'elle est autorisée à lire.
Comprendre cette mécanique d'héritage permet d'arrêter de se battre contre un algorithme opaque pour se concentrer sur la seule variable actionnable : l'ingénierie documentaire.
Mesurer avant d'accuser : la fourchette d'honnêteté
Un ressenti n'est pas une métrique. Qualifier une réponse de « négative » à la lecture d'un seul output est insuffisant pour déclencher un chantier d'optimisation. La méthodologie LIMEN/Sonar exige une quantification stricte et reproductible de ce sentiment, à grande échelle.
Nous utilisons ce que nous appelons la fourchette d'honnêteté : une double évaluation automatisée. D'un côté, un modèle léger et déterministe comme DistilCamemBERT évalue la polarité brute du texte généré. De l'autre, nous utilisons un juge LLM paramétré comme un classifieur froid — avec une température fixée à zéro — pour analyser les nuances sémantiques et le contexte de la réponse. L'écart entre ces deux scores borne la réalité du sentiment généré.
Obtenir une donnée chiffrée, encadrée et opposable permet d'isoler les variations réelles du bruit statistique, offrant une base décisionnelle solide pour la suite de l'audit.
Relier le sentiment à sa source
Une fois le sentiment mesuré avec précision, il faut l'attribuer. Puisque le ton est hérité, la clé de la résolution réside dans la corrélation stricte entre le score de polarité de la réponse et le document cité en référence. Nous croisons la heatmap de sentiment issue de la fourchette d'honnêteté avec le profil d'autorité des sources remontées par le modèle.
L'objectif est d'identifier un motif répétitif : chaque fois que l'URL X est convoquée par le modèle, le sentiment chute drastiquement. À l'inverse, l'URL Y garantit une restitution neutre ou positive. C'est par ce croisement que l'on repère la source qui fait le roi et celle qui dégrade silencieusement votre perception. Le problème n'est plus « l'IA n'aime pas notre produit », mais devient un diagnostic clair : « le document technique obsolète hébergé sur ce domaine tiers pénalise la synthèse ».
Isoler chirurgicalement le document responsable permet de cibler l'effort d'optimisation sur un point de défaillance précis, plutôt que de remanier à l'aveugle l'intégralité d'un écosystème web.
Déplacer ou remplacer la source
L'identification de la source toxique dicte le plan d'action. On ne corrige pas le sentiment en s'adressant au modèle, on le corrige en altérant le corpus dans lequel il puise. Le playbook d'intervention GEO se déploie sur des actions d'ingénierie de contenu ciblées.
- Faire émerger une source alternative : produire et positionner de nouveaux contenus pour diluer la probabilité de récupération du document négatif.
- Corriger la source d'origine : modifier directement le document s'il est sous votre contrôle (documentation obsolète, page produit mal structurée).
- Modifier le passage cité : altérer la sémantique locale pour forcer le modèle à extraire un autre fragment sémantique.
Pour que la source alternative soit retenue par le RAG, il faut écrire des passages citables. La densité d'information, la structure de la donnée (listes, tableaux, définitions claires) et la proximité sémantique avec la requête dictent le choix du moteur de récupération au moment du scoring documentaire.
Reprendre le contrôle direct sur la narration générée s'obtient en manipulant rigoureusement la matière première que les moteurs ingèrent et valident.
Re-mesurer au trimestre
L'optimisation générative est une boucle itérative. Une fois l'intervention sur le corpus réalisée, le travail consiste à attendre que l'horloge de chaque moteur fasse son œuvre : recrawl des pages modifiées, réindexation, et mise à jour des bases vectorielles (embeddings).
Nous rejouons ensuite l'exact même protocole d'évaluation Sonar : les mêmes requêtes, les mêmes personas, la même fourchette d'honnêteté. L'objectif est de comparer la nouvelle distribution des sentiments avec la baseline établie au T0. Si la source toxique a bien été remplacée ou déplacée hors de la fenêtre de contexte du modèle, le sentiment hérité doit mécaniquement s'inverser ou se neutraliser.
Prouver le ROI de l'intervention GEO par un delta chiffré valide définitivement que la modification du corpus est le seul levier technique pérenne pour redresser l'affect perçu par l'utilisateur final.