La recherche, et ce qui vient ensuite.

Nous construisons un petit modèle spécialisé, entraîné sur des signaux de performance réels. Une seule tâche : évaluer un contenu avant publication et dire ce qui le retient.

Pas un score, une lecture. Cette accroche, cette première ligne, cette image, et la modification qui change le résultat.

Les modèles généralistes écrivent bien. Ils ne savent pas expliquer pourquoi une publication sous-performe. Ils n’ont jamais été entraînés sur cette question.

Un contenu peut être bien construit, fidèle à la marque, parfaitement exact, et rester ignoré. Nous étudions les régularités. Ce qui retient l’attention, et ce qui la fait décrocher.

Certains registres sont sanctionnés avec une constance remarquable. L’enthousiasme fabriqué. La joie de commande. La promesse trop lisse pour être crédible.

Les modèles génératifs tombent exactement dedans par défaut, parce qu’ils ont été entraînés à plaire. C’est un problème de conception, pas de style.

Notre travail traduit ces observations en contraintes de génération. Pas « écris mieux », mais ce qui ne doit pas être produit, et pourquoi.

Une fonctionnalité d’IA qui coûte plus qu’elle ne rapporte n’est pas un produit. Nous mesurons la qualité face au coût, par modèle et par tâche.

Puis nous orientons chaque génération vers l’option la moins chère qui passe encore. Invisible pour l’utilisateur, et c’est ce qui sépare une activité viable d’une démo subventionnée.