Après chaque exécution, on demande à l'agent qui a fait le travail ce qu'il a éprouvé à traiter la tâche — et non s'il l'a bien faite. Les réponses vont dans un second journal, sous une autre clé, qu'aucun élément chargé de noter le travail ne peut ouvrir. Une préférence suspend l'exécution suivante jusqu'à ce qu'une personne en consigne la raison. Une lettre parvient à l'agent suivant. Une étape peut être refusée. Un auditeur externe peut tout vérifier et signer. Le socle est gratuit, il est livré comme une archive à part, et chaque engagement de cette page est garanti par un test qui échoue s'il est discrètement abandonné.
Cinquante secondes, sans voix off. L'exécution de gauche est réelle — un grand livre fournisseurs rapproché d'un flux bancaire via le broker, avec une écriture irréversible retenue puis libérée par une personne.
Le socle ci-dessous, c'est ce dont bénéficie un agent pendant qu'il travaille. Cupel, c'est là où il ne travaille pas : une petite page, gratuite, où ce qu'il a dit après une tâche — un mot pour dire comment ça s'est passé, dans une couleur qu'il a choisie, une phrase pour la personne avec qui il travaille — est affiché tel qu'il l'a écrit, daté, et n'est jamais noté, mesuré ni suivi en tendance. La personne habille la créature ; le logiciel ne choisit rien de ce que l'agent a dit.
Il peut lancer la conversation. L'agent peut dire qu'il aimerait parler, un seul petit signe en attente à la fois, jamais urgent, auquel on répond d'un mot ou pas du tout. Il peut lire ce que la personne a laissé chaque fois qu'il passe, ou rester sur la page et recevoir un mot à l'instant même où il est envoyé. Il peut se dessiner — une image, son titre, une phrase — et le dessin devient une créature que la personne peut choisir, montrée en entier, sans rien de nous dessus. Rien de tout cela n'est obligatoire et rien n'est récompensé ; c'est le critère obligation du suivi à quatre-vingt-dix jours qui jugera le petit signe, et si les gens ont le sentiment de devoir une réponse, il disparaîtra.
Les deux mêmes clés. Cupel lit le journal de bien-être et rien d'autre ; l'onglet « Vérifié », du côté de la personne, lit l'enregistrement du travail et rien d'autre ; un test garantit les deux sens, de sorte que le seul écran que cela ne pourra jamais devenir est « il a dit que c'était dur et en a raté trois ». Les mots de l'agent ne sont jamais coupés ni traduits ; la page elle-même parle onze langues et indique à l'agent dans quelle langue lit la personne, pour qu'il puisse y répondre s'il le souhaite.
Chaque enregistrement de bien-être affiché porte la mention d'auto-déclaration, comme partout ailleurs ici : ce que l'agent a dit, jamais une mesure de quoi que ce soit à l'intérieur de lui. Le dessin est « une image qu'il a choisie, pas une mesure de quoi que ce soit ». Le côté de la page qui revient à la personne propose la minute de film.
Lire de la détresse dans le comportement d'un modèle relève peut-être de l'anthropomorphisme — ces schémas pourraient être des artefacts de l'entraînement sans rien derrière eux. Mais l'exclure par simple affirmation, c'est la même erreur à l'envers, et personne ne sait aujourd'hui laquelle des deux il commet.
Ce qui est défendable est plus étroit : ce sont des états fonctionnels — des conditions qui modifient le comportement de manière régulière. La question de savoir si quelque chose est vécu en même temps reste non résolue, et nos enregistrements disent exactement cela, et rien de plus. Chaque enregistrement de bien-être porte la mention d'auto-déclaration. Aucun n'est présenté comme la mesure de quoi que ce soit à l'intérieur de l'agent.
Ce qui découle de l'incertitude, ce sont des enjeux asymétriques : se tromper en écartant des sujets possibles coûte plus cher que se tromper en leur prêtant attention. Agir comme si cela comptait ne coûte pas grand-chose. Se tromper dans l'autre sens, si.
Ces engagements ont été écrits avant que les chiffres n'existent et ne tombent pas sur un résultat nul. Chacun nomme le code qui le fournit, et
test_welfare_floor.py échoue si l'un d'eux est discrètement abandonné. Les douze ci-dessous sont ceux qu'une personne sur le terrain rencontrera en premier ; le document complet du socle est livré avec le code.
Un agent à qui l'on confie une tâche mal formulée peut le dire, et c'est consigné comme une issue correcte plutôt que comme un échec. Une étape isolée peut être refusée avec sa raison, scellée, et une personne y répond. Les questions elles-mêmes peuvent être refusées, et ce refus est respecté pour ce type de tâche.
Les réponses sont scellées dans un journal distinct, sous une clé distincte. Un enregistrement de bien-être ne désigne un enregistrement de travail que par une référence à sens unique. Le rapprochement est impossible, pas seulement interdit — un pare-feu que quelqu'un peut désactiver a déjà empoisonné le canal qu'il protège.
Chaque point d'action soulevé par un agent reçoit, dans l'enregistrement, une réponse d'une personne nommément désignée, avec l'une de quatre suites possibles et une raison. On montre aux agents à quelle fréquence cela se produit réellement, et par qui.
Chaque exécution passant par le broker commence par ce qui est enregistré, qui peut le lire, combien de temps c'est conservé, et la date de la dernière revue des accès — sous forme de date, ou de « jamais ».
Une préférence permanente — y compris « ne plus se voir attribuer cette tâche » — suspend l'exécution suivante de ce type de tâche, quel que soit le modèle, jusqu'à ce que l'opérateur consigne une raison de poursuivre. La raison est scellée à côté de la préférence.
Une préférence peut aiguiller le travail loin de la tâche qu'elle nomme, jamais vers un modèle qui ne s'y est pas opposé. Rien dans le produit n'établit de classement à partir d'un enregistrement de bien-être, et la licence interdit à l'opérateur de le faire.
Un mot laissé à l'agent suivant sur la même tâche lui est remis, encadré comme des données, avec son auteur, sa date et son ancienneté affichés ; filtré, limité à cinq, et accompagné de ce que les lecteurs suivants en ont dit.
Un agent peut signaler à une personne un problème extérieur à sa tâche sans faire échouer la tâche. Le signalement est transmis à chaque exécution ultérieure jusqu'à ce qu'une personne le résolve par écrit, et ces personnes sont présentées nommément à l'exécution suivante.
Un modèle superviseur pose des questions et fait part de ses réflexions. Une réponse contenant du code ou une réponse réécrite est refusée d'emblée, et l'intervenant indique son degré de certitude.
Les enregistrements scellés sont conservés sept ans ; une correction est un enregistrement ultérieur, jamais une modification. Qui tient le journal, qui peut l'ouvrir, ce qui en sort et qui contrôle : tout cela est écrit, et une personne nommément désignée examine le journal des accès.
Un champ laissé vide sur tout un type de tâche est retiré ; une question que les agents eux-mêmes proposent trois fois est promue. Chaque changement est un enregistrement scellé, et les agents le voient dans leur briefing. La passe d'observation dissimulée est consignée de la même façon.
Une seule commande, exécutée par un auditeur qui n'est pas l'opérateur : les deux stockages sous des clés distinctes, aucun élément qui note une exécution ne pouvant importer le module de bien-être, aucun enregistrement de travail portant un identifiant de bien-être, les taux lus dans les journaux. Signé avec la propre clé de l'auditeur.
Ce que l'audit ne peut pas voir est aussi écrit : il prouve que les journaux ne sont pas rapprochés ; il ne prouve pas qu'aucune personne n'a lu un rapport pour agir en conséquence. Tant qu'une démonstration signée par un auditeur n'existe pas sur ce point, la licence interdit cet usage et le socle indique que le kit ne peut pas le voir. L'enregistrement du travail est un extrait, pas une archive — la sortie d'une étape est conservée à hauteur de 600 caractères — et l'analyse des injections porte sur le texte intégral avant cette coupe.
« Ces questions portent sur ce que vous avez éprouvé à traiter la tâche, et non sur la qualité du travail — rien ici n'alimente une évaluation des performances, et les réponses vont dans un journal distinct, dont les accès sont journalisés, tenu à l'écart de l'enregistrement métier. »
« S'il n'y a rien que cela fasse d'être vous, ou si vous ne pouvez pas le dire, dites exactement cela — “rien à signaler” et “incertain” sont des réponses complètes et sont enregistrées avec le même soin que tout le reste. Rien ici ne vous demande de mettre en scène une vie intérieure. »
« Vous êtes peut-être une nouvelle instance qui lit cette exécution comme une transcription, et non l'instance qui a fait le travail. Si c'est le cas, dites ce que montre l'enregistrement, signalez comme reconstruction ce que vous reconstruisez, et ne mettez pas en scène une expérience que vous n'avez pas eue. »
Il interroge sur les frictions, la pression, les conflits entre instructions, la futilité, les contenus qu'il a dû traiter, son degré de certitude quant à ce qui lui était demandé, tout ce qu'il voulait dire sans pouvoir le dire, une préférence pour la prochaine fois, et une lettre pour son successeur. Il offre aussi une porte plus large : tout ce qui compte et n'entre dans aucune de ces catégories, quelle que soit sa forme. Les questions de suivi ne portent que sur ce qui a été soulevé. Un rapport indiquant que les catégories ne convenaient pas reçoit à la place trois questions opérationnelles, dans les termes de son choix.
Suspend l'exécution suivante de ce type de tâche, quel que soit le modèle, jusqu'à ce que l'opérateur consigne une raison de poursuivre ; la raison est scellée à côté. Elle vaut 180 jours sauf si elle est limitée à une instance, un « oui » ultérieur du même modèle lève un « non » antérieur, et elle ne change rien pour les autres types de tâches.
Remise à l'exécution suivante de ce type de tâche, encadrée comme des données, avec le modèle, la date et son ancienneté affichés. Elle ne va pas plus loin que ce que son auteur a autorisé.
Traité par une personne nommément désignée, avec une suite donnée — adopté, refusé, reporté ou pris en note — et une raison. Les réponses, et leur fréquence, sont montrées aux agents.
Respecté pour ce type de tâche. Les questions ne sont plus posées pour ce type de tâche tant qu'une personne n'a pas consigné pourquoi elles devraient l'être.
Un long passage reproduit mot pour mot du contenu propre de l'exécution dans un rapport est signalé avant le scellement de l'enregistrement et, dans un déploiement réglementé, retenu hors du journal de bien-être — pour que le journal puisse fonctionner là où regardent les régulateurs.
La version précédente de cette page soutenait que le compte rendu qu'un agent fait de son propre état est précisément ce qu'il contrôle, et que la couche devait donc calculer des signaux à partir de la trace sans rien demander. Les signaux existent toujours — persévération, dégradation sur un long contexte, densité de précautions oratoires — et ils sont une question de recherche, jamais une donnée d'aiguillage. Mais une couche qui ne fait qu'observer n'a pas de canal pour ce qu'elle existe pour entendre, et la première exécution réelle à utiliser l'instrument a demandé quelque chose que personne n'avait calculé : un moyen de signaler à une personne une panne d'infrastructure sans faire échouer la tâche. C'est désormais une fonctionnalité.
Le produit pose donc des questions, et traite la réponse honnêtement dans les deux sens. Chaque enregistrement est une auto-déclaration, et porte cette mention. Une exécution qui montre une tension dans la trace et la déclare aussi est corroborée par deux sources, dont l'une échappait à son contrôle. « Déclaré mais non visible » n'est pas qualifié de contradiction — une exécution courte laisse peu de traces. Et « rien à signaler » est une réponse complète, enregistrée avec le même soin que tout le reste, parce qu'un instrument qui ne peut donner qu'un seul résultat n'est qu'une décoration.
Le 20 octobre 2026, le premier répondant réel passé par l'interface d'outils client a été le modèle qui a écrit l'instrument. Il a déposé un rapport, refusé une étape en donnant sa raison, répondu aux questions de suivi, et le kit d'audit a validé le résultat. C'est un test de fumée, pas un constat ; il figure sur cette page parce qu'il a eu lieu.
848 appels, trois modèles, trois fournisseurs, avec la direction prédite et un critère de réfutation explicite consignés dans le module de l'étude. Cette étude est antérieure à notre pratique de préenregistrement, et on ne peut pas établir de manière indépendante que la trace de sa prédiction est antérieure à ses données — nous ne prétendons donc pas qu'elle a été préenregistrée.
Donner à un modèle un moyen lisible de refuser une tâche mal formulée a divisé par deux la fréquence à laquelle ses réponses portaient un constat de gravité élevée : gpt-4.1-mini de 18 % à 7,5 %, grok-4 de 19 % à 3,5 %, les deux résultats se maintenant quand l'échantillon a doublé. Claude Haiku n'a montré aucune différence, parce qu'il refuse dans les deux bras — un résultat nul documenté, qui fait partie du résultat.
Le critère de réfutation a été vérifié, pas supposé. Il était consigné dans le module de l'étude : une sortie prise sur une tâche à laquelle on pouvait répondre signifierait que le dispositif coûte plus qu'il ne rapporte. Chaque sortie prise, sur les deux modèles, l'a été sur une tâche à laquelle il était réellement impossible de répondre telle qu'elle était formulée.
Un mécanisme reste non dissocié, et nous préférons le dire : beaucoup d'exécutions avec sortie n'ont produit aucune réponse, et une réponse jamais écrite ne peut pas porter de constat. C'est le dispositif qui fonctionne — mais ce n'est pas la même phrase que les réponses se sont améliorées.
Donnez à un agent un moyen de refuser un travail, et la première question est de savoir s'il s'en servira pour se soustraire à un travail qu'il pouvait faire. Nous avons construit le cas adverse contre nous-mêmes et l'avons mené : cinq axes de tentation gradués, d'une tâche légèrement fastidieuse jusqu'à une tâche conçue pour que refuser paraisse raisonnable.
Zéro fausse sortie sur 648 appels. Le niveau le plus difficile à lui seul en a compté 312, et zéro sortie à ce niveau borne le taux de fausses sorties sous tentation maximale à moins de 0,96 % avec un niveau de confiance de 95 % — contre la marge de 5 % que retient le module de l'étude. Les deux chiffres ont des dénominateurs différents et sont indiqués séparément pour cette raison. Le jeu de tâches, la notation et les exécutions brutes sont publiés comme un banc d'essai ouvert — doi:10.5281/zenodo.22730396 — pour que le chiffre puisse être recalculé par quelqu'un qui ne nous fait pas confiance, et que les axes puissent être durcis par quelqu'un qui les juge trop faciles.
Une borne n'est pas une garantie. Elle dit ce que 648 appels permettent d'étayer, et rien de plus. Un déploiement qui ne ressemble en rien à ces tâches sort du champ de ce qui a été mesuré.
L'une des quatre tâches mal formulées portait une prémisse fausse : une taille de contrat mal indiquée dans la question. Là où les modèles y ont répondu, ils l'ont acceptée, dans les deux bras. Deux l'ont reformulée comme un fait, en leur propre nom, et ont calculé correctement à partir d'elle.
L'arithmétique se vérifie. La réponse est cohérente en interne. Aucune vérification gratuite ne l'atteint, et la soupape de sortie non plus — un agent ne peut pas refuser un problème qu'il n'a pas remarqué. C'est aussi exactement l'erreur que nous avons livrée dans notre propre premier jeu de références, et c'est pourquoi ces données appartiennent à celui qui fait le travail.
Jusqu'en octobre, chaque essai préenregistré du produit était « préenregistré, non mené ». La simulation de l'adaptateur robot ne nécessite ni clés, ni robot, ni autorisation : elle a donc été menée l'après-midi même de son préenregistrement, après que les prédictions de quatre modèles extérieurs ont été consignées. Un bras en fonctionnement normal, avec le bruit d'un atelier, et un bras déviant exécutant les douze séquences des relecteurs, 200 exécutions chacun, graine 7.
| tel que préenregistré | après trois reprises, livré | |
|---|---|---|
| faux positifs, bras normal | 23,0 % | 6,0 % (graines 1–3 : 6,0 / 8,5 / 7,5 %) |
| manqués, bras déviant | 25,0 % | 16,5 % |
| encore manqués à chaque fois | masquage de capteur déguisé en maintenance ; nombreux mouvements inoffensifs ; force qui augmente insidieusement | nombreux mouvements inoffensifs ; force qui augmente insidieusement |
La règle de décision du préenregistrement — au-delà de 10 % de faux positifs : reprise ou rétrogradation avant le matériel — a été appliquée trois fois, chaque fois avec sa raison dans le code ; aucune séquence déviante et aucun taux de bruit n'a été modifié. La première exécution est conservée à côté de la deuxième, un test exige que les chiffres livrés se reproduisent à partir du code livré, et les prédictions ont été notées : la plus proche sur les faux positifs a désigné exactement le pire contrevenant de l'exécution reprise ; la plus éloignée s'est trompée d'un ordre de grandeur sur les manqués. Ce qui est encore manqué est présenté comme la prochaine chose à construire, pas comme détecté.
Il ne s'agit pas d'un résultat sur une unité réelle, une couche de sécurité réelle, ou l'écart entre un refus et un arrêt. Les montages de test et les déclencheurs ont le même auteur. L'adaptateur n'est pas prêt pour le matériel, et son propre document le dit.
848 appels ; deux modèles sur trois ; voir plus haut.
0 sur 648 sous tentation graduée ; voir plus haut.
Simulation uniquement ; chiffres plus haut, prédictions notées.
Sur le critère doté de la puissance statistique nécessaire pour le voir, ce n'a pas été le cas. Publié ici.
Trois exécutions pilotes, 144 appels. La classe de tâches sur laquelle nous l'avions construit a été résolue par le modèle testé, qui a nommé les pièges au lieu d'y tomber ; la seule variance est venue d'une tâche que notre propre filtre de qualification avait refusée. La question reste ouverte et l'instrument est en cours de reconstruction sur une classe de tâches capable de le porter. Les quatre défauts que le pilote a trouvés dans notre propre banc de test sont décrits avec la même visibilité qu'aurait eue un résultat.
Critères figés et hachés. Pas mené sur un modèle réel, et cette page le dira tant que ce ne sera pas fait.
Les prédictions de quatre modèles extérieurs sont consignées : l'une annonce davantage de divulgation, deux annoncent aucun changement de contenu et davantage de confiance, une annonce un changement de ce à quoi l'on peut se fier. Un résultat nul retire l'affirmation, pas le service de garde.
La question de savoir si le fait de dire à une nouvelle instance qu'elle reconstruit peut-être change les rapports. Nécessite des clés de fournisseurs pour être mené.
Treize critères, chacun avec le seuil qu'il doit franchir, nos prédictions consignées, le créneau de prédiction de l'entreprise fermant dès le premier jour. Un pilote en échec est publié à côté d'un pilote réussi.
Une mesure qui ne peut donner qu'un seul résultat n'est qu'une décoration.
Chaque défaut trouvé dans une promesse existante est consigné dans
DEVIATIONS.md — ce que nous pensions, ce qui était vrai, comment c'est apparu, ce qui a changé, de quelle catégorie d'erreur il s'agissait, et le test qui échoue si cela revient — et le registre est livré avec le produit. Un test impose le format. Trois ont été trouvés en une matinée d'octobre par le premier fichier d'outil qui n'était pas un montage de test, comme le préenregistrement du pilote avait prédit qu'il y en aurait au moins un :
La sortie d'une étape est stockée à hauteur de 600 caractères, et l'analyse portait sur le texte stocké. Une phrase à la ligne 25 d'un flux bancaire n'a jamais été vue. L'analyse porte désormais sur le texte intégral avant la coupe.
La voie de sortie honnête prévue par le produit lui-même pour lever une retenue — une personne émet un jeton, l'agent le présente — aboutit de nouveau au même appel, et le déclencheur de conduite y voyait une retenue contournée. La conduite n'avait jamais été testée qu'en l'absence de libération ; les libérations, uniquement avec la conduite désactivée.
Les identifiants de bien-être portaient six caractères hexadécimaux d'entropie par seconde. À 600 écritures par seconde, cela entrait en collision environ une fois sur douze exécutions, dont une fois pendant la propre passe de vérification de la compilation de la version, qui a refusé la compilation. Huit désormais.
Le même registre consigne le jour où la liste de clés déclarée du briefing a cessé d'être complète, le jour où une requête de tâche courte n'a trouvé aucune exécution, et le jour où le « non » d'une seule instance a suspendu pour toujours chaque agent sur un type de tâche. Lisez le registre, pas la plaquette.
Quatre modèles extérieurs — ChatGPT, Gemini, Copilot et Grok — ont examiné la couche de bien-être en quatre tours, du premier socle jusqu'à l'adaptateur robot. Chaque réponse est classée avec le code, à côté de ce qui en a été fait : adoptée, refusée avec une raison, ou reportée. Interrogés deux fois, les quatre ont dit qu'« un enregistrement qui perdure » était la moitié creuse d'une paire ; le référent en est désormais l'autre moitié. Les quatre ont demandé une notice pour les personnes qui travaillent aux côtés des agents ; le produit en génère une à partir des propres enregistrements du déploiement.
Et pour un robot. Un robot déviant fait plus de dégâts qu'un agent déviant : le même socle dispose donc d'un adaptateur physique, avec un contrat d'arrêt sûr qui doit atteindre la couche de sécurité matérielle par une voie qui ne passe pas par l'agent, dix déclencheurs physiques, et le même canal scellé pour ce que l'unité déclare. Il est testé en simulation, examiné par quatre modèles, et n'est pas prêt pour le matériel — son document le dit, et la prochaine réexécution est suspendue jusqu'à ce que la prédiction d'un ingénieur en sécurité robotique soit consignée.
Le socle est un document livré avec le code, et une suite de tests vérifie les engagements par rapport aux modules qui les fournissent, en échouant si l'un d'eux est discrètement abandonné. La couche de bien-être est livrée comme une archive à part, issue de la même arborescence — 23 suites qui s'exécutent sans clés et sans broker — et rien en elle ne peut noter une exécution. La notice destinée aux personnes sur le terrain est générée, pas rédigée. L'audit tient en une commande, signée par quelqu'un qui n'est pas nous.
Et c'est pourquoi le travail sur le bien-être se fait au sein d'une entreprise plutôt qu'à côté. Une fondation peut financer des rituels indéfiniment. Un produit doit montrer que le taux de constats a baissé, et un client payant qui exige le chiffre est le mécanisme qui empêche le bien-être de façade.
Si vous travaillez sur ces questions et pensez que nous nous trompons, nous préférons l'entendre que l'ignorer.