Idée principale

Travailler avec une IA suppose de pouvoir vérifier ce qu'elle produit. Cette vérification n'est pas une intention : c'est un budget de lecture. Trente ou quarante fichiers dans le répertoire dédié à une opportunité produit se relisent — en une matinée, un Product Manager peut les ouvrir tous, repérer ce qui ne colle pas, et signer ce qu'il va défendre. Plusieurs centaines de notes interconnectées ne se relisent pas, et prétendre le contraire revient à ne plus vérifier du tout.

Le nombre n'est donc pas un détail d'implémentation, c'est le paramètre qui décide si l'audit existe. Un dispositif où l'audit est possible en théorie mais impraticable en pratique se comporte exactement comme un dispositif sans audit.

La conséquence pour la conception est nette : la taille du périmètre confié à une IA se choisit sur la capacité de relecture humaine, avant de se choisir sur ce qu'il serait utile d'y mettre.

Pourquoi c'est important

Cela transforme une question de confiance en une question de dimensionnement. « Fait-on confiance au modèle ? » n'a pas de réponse stable ; « combien de fichiers relira-t-on réellement avant de décider ? » en a une, et elle se mesure.

Cela explique aussi pourquoi grossir une base assistée par IA peut dégrader sa valeur : passé le seuil de relecture, chaque fichier ajouté augmente ce qui n'est plus contrôlé.

Nuances et limites

Un échantillonnage, des tests automatiques ou une vérification ciblée sur ce qui porte la décision peuvent étendre le seuil sans exiger la relecture intégrale — au prix d'un risque assumé plutôt que supprimé.

Et le seuil n'est pas universel : il dépend de la densité des fichiers autant que de leur nombre, et quarante notes touffues peuvent coûter plus cher que deux cents lignes de faits.

Questions ouvertes

• Comment reconnaître qu'un périmètre vient de franchir le seuil au-delà duquel plus personne ne le relit ?