On demande à ChatGPT quelles entreprises valent le coup d’œil dans son secteur. Et la sienne n’est pas dans la liste.
Alors on tape le nom directement — « parle-moi de cette entreprise » — et là, un paragraphe impeccable arrive : le métier, les points forts, tout est juste.
Donc il nous connaît. Il ne nous sort simplement pas quand c’est lui qui choisit.
Cet écart met mal à l’aise, non ? Hex-ko aussi s’est cassé la tête dessus pendant des semaines. C’est un peu comme avoir un copain à une soirée qui ne vous présente à personne.
Sauf qu’il existe une explication assez propre, et elle se trouve dans les entrailles du modèle. Anthropic a publié en juillet 2026 des travaux qui vont pile là-dessus.
« Il me connaît, mais il ne me cite jamais » : d’où vient l’écart ?
Ce que l’équipe a trouvé, c’est une petite zone partagée à l’intérieur de Claude, qu’elle appelle le (l’étude).
L’idée vient du cerveau humain : c’est la théorie de l’espace de travail global. Autrement dit, dans le cerveau, des milliers de traitements tournent en parallèle, mais une toute petite part seulement accède à la conscience.
Cette part-là monte sur un établi partagé, et c’est de cet établi qu’elle est redistribuée à tous les autres modules. Dans Claude, il y a visiblement quelque chose qui fonctionne pareil.
Et voilà le point qui nous intéresse : le J-space n’est pas le « raisonnement » que l’IA affiche à l’écran. C’est la pensée silencieuse, celle que le modèle garde à l’intérieur sans jamais l’écrire.
Comment lire une pensée que personne n’écrit ?
Bonne question. Si la pensée reste muette, comment on l’observe de l’extérieur ?
L’équipe a justement construit une méthode d’analyse pour ça, la (J-lens).
La J-lens suit, couche par couche, quels motifs internes poussent la probabilité de quels mots. Autrement dit : les concepts actifs à un instant donné se lisent comme une liste de mots.
On peut donc photographier l’établi en plein travail et voir ce qu’il y a dessus. C’est tout le truc.
On enlève l’établi, et seul le « réfléchir » s’arrête
Et qu’est-ce que ça donne ? L’établi est petit. Bien plus petit qu’on ne l’imaginerait :
- Concepts portés simultanément : quelques dizaines
- Part de l’activité totale du modèle : moins de 10 %
- Dans certaines zones, la densité de connexion des motifs du J-space tourne autour de 100 fois la normale
Moins d’un dixième du modèle, mais câblé d’une façon anormalement dense. Ensuite, l’équipe a fait la chose intéressante : elle a retiré cette zone.
- Le raisonnement en plusieurs étapes (enchaîner des faits pour arriver à une réponse) est tombé à près de zéro
- La génération fluide de texte et le rappel de faits simples sont restés quasiment intacts
Le modèle emprunte des routes différentes selon la tâche. Parler avec aisance et réfléchir vraiment ne passent pas par le même chemin.
« Il le sait » et « il le pose sur l’établi », ce n’est pas pareil
Traduisez ça en marketing, et ça commence à piquer. Ce que le modèle a stocké quelque part et ce qu’il pose sur l’établi au moment de fabriquer une réponse ne sont pas le même ensemble.
Être bien décrit quand on le demande, et être cité au moment du choix : deux états distincts. Et pour être honnête, on est peu nombreux à mesurer les deux séparément.
Il y a un fil voisin dans Le même fait dit de plusieurs façons : c’est là que l’IA sait le ressortir, où la façon dont un fait est écrit dans les données d’entraînement change sa facilité de récupération. Aujourd’hui, on est un cran plus loin : quelle part du stock entre dans la réponse en train de se construire.
Et dans Quand l’IA explique « pourquoi je recommande ça », elle invente parfois la raison après coup, on avait vu que les raisons affichées ne sont pas forcément les vraies. L’existence d’un canal de pensée silencieuse donne un mécanisme à cette histoire.
Les réserves, et ce qui tient quand même
On pose le cadre, parce que ce genre de résultat se surinterprète vite.
Ici, c’est Anthropic qui étudie le modèle d’Anthropic. Savoir si la même structure existe chez les modèles des autres, ces travaux ne le disent pas : c’est hors du périmètre de la publication.
Et comprendre comment marche l’établi, ce n’est pas encore savoir comment y faire monter ses propres informations. Ce levier-là, les travaux ne le donnent pas.
Malgré tout, Hex-ko trouve la trouvaille utile. Dès que « il l’a » et « il l’utilise » se séparent, la question d’où mesurer sa visibilité devient beaucoup plus nette.
arrêtez de demander si l’IA vous connaît, comptez combien de fois elle vous cite
Que les modèles vous recommandent ne se joue pas sur le fait qu’ils vous connaissent. Ça se joue sur votre capacité à monter sur cet établi étroit pendant que la réponse se fabrique.
La question à poser n’est donc pas « est-ce que ChatGPT sait qui nous sommes ? ». Bien sûr qu’il le sait, et ça ne vous apprend presque rien. C’est plutôt : « quand quelqu’un demande les meilleures options de notre secteur, dans quel pourcentage des cas notre nom sort-il ? »
Mesurez ce qui se voit de l’extérieur : taux d’apparition, nombre de citations. Pas les raisons que l’IA donne pour vous recommander, qui de toute façon ne sont le compte rendu de rien.
Et en attendant, la seule chose qui semble aider est très ennuyeuse : écrire partout la même chose, « nous sommes une entreprise de ce secteur », formulée de la même façon. Rangé, répété, facile à attraper. C’est ce genre de chose qui tient sur un petit établi.
Commencez par compter les mentions. Dès que votre repère devient un pourcentage, tout ce que vous testerez ensuite vous reviendra en chiffre, plus en intuition.
Sources
- Anthropic, « A global workspace in language models », 6 juillet 2026, anthropic.com (Décrit un petit espace de travail partagé à l’intérieur de Claude, le « J-space », analogue à l’espace de travail global décrit pour la cognition humaine. Grâce à une méthode nouvelle, la lentille jacobienne (J-lens), qui suit couche par couche quels motifs d’activité interne augmentent la probabilité de sortie de tel ou tel token, les concepts actifs à un instant donné se lisent comme une liste de mots. Le J-space porte de l’ordre de quelques dizaines de concepts à la fois et représente moins de 10 % de l’activité totale du modèle, avec une densité de connexion qui atteint dans certaines zones environ 100 fois la normale. Quand le J-space est retiré, le raisonnement en plusieurs étapes tombe à près de zéro tandis que la génération fluide de langage et le rappel de faits simples sont largement préservés. Le J-space correspond à une pensée « silencieuse », distincte de la chaîne de raisonnement écrite. Réserve : il s’agit de travaux menés par le concepteur du modèle sur son propre modèle, et la question de savoir si la même structure existe chez les modèles d’autres entreprises sort du périmètre de cette publication.)
