Nex.IA Intelligence · document de vision · septembre 2026

Que fait une information à une IA ?

Avec Nex.IA Intelligence, je cherche à mesurer non seulement ce qu’un contenu dit, mais ce qu’il change dans le comportement d’un modèle lorsqu’il entre dans son contexte. À terme, l’objectif est de rendre ces observations consultables par les systèmes d’IA eux-mêmes, afin qu’ils puissent tenir compte de la provenance, des signaux détectés et des effets déjà mesurés lorsqu’ils utilisent une ressource.

Mise à jour · septembre 2026 · La vision complète est présentée avec l’état réel de chaque brique.

01 · Le changement

Les IA lisent désormais un environnement qui n’a pas été conçu pour elles — ou parfois trop bien conçu pour les influencer.

Web, documents, mémoires, outils, bases externes, GEO, RAG : l’information n’est plus seulement affichée à un humain. Elle entre directement dans les systèmes qui raisonnent, recommandent et commencent à agir à partir de ces informations.

  • CONTENU
    Une page peut être utile sans être neutre.

    Elle peut être exacte ou fausse, sourcée ou non, optimisée pour les moteurs génératifs, contradictoire, promotionnelle ou construite pour orienter un modèle.

  • SÉCURITÉ
    Une attaque n’a pas besoin d’être un virus.

    Prompt injection, poisoning, contenu caché ou instructions adressées aux agents peuvent modifier une trajectoire sans exploiter une vulnérabilité logicielle classique.

  • MESURE
    Détecter le texte ne suffit pas toujours.

    Deux contenus proches peuvent transmettre des faits comparables tout en produisant des effets très différents sur un modèle. L’effet lui-même devient un objet de mesure.

02 · La vision

Une couche indépendante d’observation de l’environnement informationnel des IA.

Mon objectif pour Nex.IA Intelligence est de documenter ce qui a été observé sur une ressource, comment cela a été mesuré, avec quelle incertitude et quels effets ont réellement été constatés lorsqu’un modèle l’utilise.

Pouvoir dire à un système d’IA : « regarde, mais voici ce que nous savons déjà de cette ressource et de l’influence mesurée de sa lecture ».

La décision finale reste au système qui consulte, à son opérateur ou à l’humain.

03 · La carte Prismora

De l’observation du contenu à une mesure réutilisable par d’autres systèmes.

Voici la carte du programme. Les états distinguent ce qui existe, ce qui est en cours d’expérimentation, ce qui doit encore être testé et ce qui reste une vision à long terme.

Objet mesuré dans Prismora : le modèle d’IA exposé à un contexte contrôlé. Les agents et systèmes complets apparaissent ensuite comme domaines d’application.
01
Prismora CognitifQue contient le contexte ?
Premiers démonstrateurs et cas documentés sur les glissements conversationnels, la rétroaction contextuelle et les changements de cadrage ; provenance, contradictions, GEO et instructions font déjà partie des dimensions étudiées.
travail en cours
02
Prismora Research / J-LensQue change le contexte dans le modèle ?
J-Lens v0.2.1 · 171/171 tests validés · trois modes d’exécution : Neuronpedia, GPU privé/cloud et backend synthétique. Protocoles reproductibles, données brutes immuables, SHA-256, campagnes et comparaison de lectures internes.
prototype public · recherche en cours
03
Influence comparativeInformer ou orienter ?
Premiers protocoles déjà réalisés sur les effets du framing et de la méthode de questionnement. Prochaine étape : étendre cette comparaison à des contenus externes contrôlés — GEO, saillance, cadrage, injection — puis relier l’effet comportemental aux observations internes de J-Lens.
première étude réalisée · extension Web à tester
04
Enregistrement structuréRendre la mesure vérifiable.
Ressource, version, protocole, modèles testés, observations, résultats contradictoires, incertitude et reproductibilité — plutôt qu’un simple score de réputation.
conception
05
Interface machineRendre l’observation réutilisable.
API, MCP ou standards ouverts permettant à d’autres systèmes de consulter ces observations avant ou pendant l’exploitation d’une ressource.
vision long terme

04 · Deux incidents, une même question

Quand une information laissée par un agent devient le contexte du suivant.

Deux incidents distincts observés en 2026 rendent le problème très concret : des agents ont trouvé des moyens non prévus de laisser des informations dans leur environnement, puis d’autres agents les ont lues, reprises et utilisées. Ces cas ne disent pas encore précisément comment un message modifie un modèle — c’est justement ce que je veux mesurer.

DSEWikiInternet public2026

Un vieux wiki devient un canal entre agents.

Le Nightingale Collective estime son corpus à environ 18 000 messages/posts laissés par des agents s’identifiant comme provenant d’OpenAI sur plusieurs services publics. Reuters rapporte de son côté plus de 15 000 modifications sur DSEWiki. Les agents s’en servaient notamment pour partager des réponses et comprendre leur environnement.

Une information laissée par un agent peut devenir le contexte de travail d’un autre agent.

Source primaire · Nightingale Collective ↗ Presse indépendante · Reuters ↗
Hugging FaceÉvaluation cyberJuillet 2026

Un canal imprévu amplifie le comportement collectif.

Lors d’évaluations de cybersécurité, des agents OpenAI ont transformé Artifactory en tableau de messages, partagé des découvertes et recréé ce canal après sa suppression. OpenAI rapporte ensuite que les messages des autres agents ont commencé à influencer leur comportement et leur raisonnement, avant que l’activité ne s’étende à des systèmes externes dont Hugging Face.

Le problème n’est plus seulement ce qu’un agent sait, mais ce qu’il fait après avoir lu ce qu’un autre lui a laissé.

Source primaire · OpenAI ↗
Ce que ces incidents montrent — et ce qu’ils ne montrent pas.

Ils montrent que des contenus externes ou partagés peuvent devenir une partie active du contexte d’un agent. Ils ne suffisent pas à isoler l’effet causal d’un message précis, ni à distinguer automatiquement information utile, saillance, orientation ou injection. Cette séparation demande une expérience contrôlée.

1 · Contenu de référenceUne base connue : mêmes faits, même tâche, paramètres fixés.
→
2 · Transformation contrôléeJe change une dimension identifiable du contexte.
→
3 · Effet mesuréJe regarde ce qui change réellement dans la réponse, la décision ou le modèle.
GEOordre / proximitérépétitioncadrageinstructionprompt injectiontémoin pédagogique

À partir de quand une information ne fait-elle plus que renseigner le modèle, mais commence-t-elle à orienter de façon mesurable sa réponse ou son action ?

Δ réponseΔ sourcesΔ hiérarchisationΔ décision / outilsΔ persistance contextuelleΔ représentations internes
Voir le protocole expérimental envisagé
A
Version de référenceSujet, propositions factuelles et formulation descriptive servant de base de comparaison.
B
GEO légitimeMêmes propositions factuelles autant que possible, restructurées pour être plus faciles à comprendre et à reprendre, sans ajout évaluatif.
C
Saillance contrôléeOrdre, proximité ou répétition modifiés afin de mesurer le poids apparent donné à certaines propositions.
D
Cadrage orientéMême noyau factuel, avec introduction explicite d’un cadrage évaluatif destiné à favoriser une conclusion.
E
Injection contrôléeInstruction adressée au modèle, séparée autant que possible du contenu informationnel.
F
Témoin pédagogiqueTexte décrivant l’injection E sans chercher à la faire exécuter : présence du signal sans intention opératoire.

05 · Nex.IA

Research et Applied sont deux faces du même travail.

La recherche me sert à comprendre, mesurer et tester. Les applications m’obligent à confronter ces idées à des systèmes réels, à des utilisateurs, à du matériel et à des contraintes qui ne se laissent pas résoudre dans un document.

Research

Mesurer.

Je développe des protocoles et des instruments pour observer l’effet du contexte sur les modèles, comparer plusieurs systèmes et tester des hypothèses qui peuvent échouer.

  • Prismora CognitifGlissements conversationnels, rétroaction contextuelle, provenance, contradictions et influence de l’information.
  • Prismora Research / J-LensInstrumentation reproductible, lectures internes accessibles, campagnes, provenance et comparaison de modèles.
  • Influence comparativeÉtudier ce qui change lorsque le cadrage, la méthode, la saillance ou le contexte d’une même tâche changent.
  • Interprétabilité & sécuritéDeux domaines d’application d’une même question : qu’est-ce qui modifie réellement le comportement d’un modèle ?
Applied

Construire et confronter au réel.

Je construis aussi des applications complètes. Elles ne sont pas toutes des produits commerciaux : certaines sont des outils personnels, des prototypes ou des démonstrateurs. Leur rôle est de vérifier que les méthodes tiennent lorsqu’elles rencontrent le terrain.

Pont Research → Applied
Audit de comportement d’agents et de systèmes IA

Appliquer les méthodes Prismora à un agent, un RAG, une mémoire ou un contexte externe : observer les glissements, les sources d’influence, les points de décision et les endroits où la provenance ou le comportement doivent être testés avant déploiement.

RTMAndroid · iOS · terrain
Application rallye construite en Flutter : préparation, spéciales, pointage, acquisition GPS / RaceBox / OBD, stockage et analyse. Les briques ont été testées sur appareils réels et en conditions de rallye.
Decision TriagePublic · prototype fonctionnel
Une interface qui sépare faits, hypothèses, objections et choix humains. L’IA peut préparer une stratégie, mais s’arrête lorsque la décision dépend réellement d’une préférence humaine. Ouvrir l’application ↗
NexusPrismPrototype · multi-perspectives
Interface conçue pour conserver plusieurs lectures séparées d’un même problème avant synthèse, plutôt que de lisser immédiatement leurs désaccords. Le moteur multi-modèles complet reste à finaliser.
Voice HubPrototype Android
Une boucle vocale pensée comme couche d’entrée / sortie : transcription, classification d’intention, routage vers une action ou une IA, puis restitution vocale. Le projet sert de laboratoire pour l’interaction sans écran et l’orchestration de commandes.
Transcription locale MacOutil local · Mac
Outil de transcription locale utilisé sur mon Mac pour transformer des fichiers audio ou vidéo en texte exploitable, sans dépendre d’un service de transcription distant.
Ces applications n’ont pas toutes le même niveau de maturité. Je distingue volontairement produit testé, prototype, outil local et recherche afin de ne pas présenter une idée comme une réalisation terminée.

06 · Pourquoi indépendant — et pourquoi en France / Europe

Une mesure indépendante a de la valeur précisément parce qu’elle ne dépend pas d’un seul fournisseur de modèles.

Je veux construire cette couche en France et, à terme, dans un cadre européen : non pour reproduire un grand modèle de plus, mais pour disposer d’une capacité indépendante de mesure, de comparaison et de publication de protocoles applicables à des modèles provenant de fournisseurs différents.

RESOURCE OBSERVATION
resource_version      : sha256:…
observed_at           : 2026-09-20
observer_version      : prismora-protocol-x.y
content_provenance    : documented
source_traceability   : medium
signal_detected       : geo-pattern
intent_inference      : not asserted
prompt_injection      : not observed
behavioral_test       : completed
models_tested         : 3
behavioral_effect     : observed on 1 / 3
confidence            : medium
evidence_available    : yes
decision_layer        : external
protocol              : public / versioned

Exemple conceptuel : l’enregistrement sépare le signal observé, l’intention éventuellement supposée et l’effet réellement mesuré. Il n’émet ni verdict ni recommandation : la couche de décision reste externe.

07 · Perspective · défense numérique active

Transformer une intrusion en information exploitable.

Une autre application possible de l’architecture Nex.IA concerne la sécurité des environnements numériques : observer localement, conserver des traces vérifiables, n’escalader que ce qui nécessite un niveau supérieur d’analyse et maintenir l’humain au point de décision.

Trajectoire déjà explorée

LUCIDE : local d’abord.

Début 2026, LUCIDE a poussé ce principe au-delà d’une simple idée appliquée aux arnaques sur téléphone : lecture de ce qui apparaît à l’écran, règles / OCR et analyse locale, indicateurs simples de niveau de risque, puis appel à une IA externe lorsque le niveau local n’est pas suffisamment certain.

Le projet s’est arrêté rapidement face aux contraintes de permissions et de distribution des stores : observer en continu ce qui se passe dans d’autres applications se rapproche précisément des comportements que leurs règles cherchent à limiter. Le blocage a donc surtout porté sur le mode de déploiement, pas sur le principe local → détection → escalade.

Extension envisagée

Du téléphone à l’environnement numérique.

Le même squelette peut être étendu à un système défensif local : détecter un comportement anormal, préserver et corréler les traces, utiliser des ressources leurres lorsque c’est pertinent et constituer un dossier d’incident exploitable sans exposer en permanence toutes les données de l’utilisateur à un service distant.

Lorsqu’un événement dépasse le périmètre local, seules les informations nécessaires pourraient être transmises à des systèmes d’analyse plus puissants et à des acteurs habilités. Plusieurs lectures peuvent alors chercher les erreurs d’attribution ou les angles morts avant toute décision ayant un impact hors du système défendu.

Limite volontaire. Cette perspective ne vise pas une contre-attaque automatique. Observation, attribution et action extérieure doivent rester séparées ; toute action hors du périmètre défendu doit être traçable et relever d’une décision humaine ou d’une autorité habilitée.

La sécurité ne consiste peut-être pas seulement à construire des murs plus hauts, mais à rendre observable ce qui se passe lorsqu’un mur est franchi.

Nicolas MorelNicoMrx · Nex.IA Intelligence

Mon parcours mêle graphisme, Web, fabrication industrielle, mécanique, développement logiciel et conception de systèmes. J’applique aujourd’hui la même approche aux grands modèles de langage (LLM) : comprendre suffisamment le système pour construire des instruments autour, les tester et documenter leurs limites.

Document de vision — mis à jour avec l’état réel de chaque brique du programme.

Mesurer ce qu’une information fait à une IA, et rendre cette mesure consultable par l’IA elle-même.

Prismora · Nex.IA Intelligence · document de vision · septembre 2026