Voici une histoire de détective analytique pour vous : un produit a 5 millions d'utilisateurs actifs mensuels (MAU) et 80 % d'utilisateurs actifs quotidiens (DAU) / MAU. Est-ce sain ? La plupart des gens, tout comme votre LLM, diraient : wow, produit solide ! Ajoutez maintenant un fait supplémentaire : Durée moyenne de session quotidienne : 30 secondes Soudain, l'histoire change. Peut-être que les utilisateurs vérifient juste une notification et repartent. Peut-être s'agit-il d'un engagement superficiel et réflexif, pas d'une réelle valeur produit. Mais ajoutez un fait de plus : c'est une application de paiement. Maintenant, 30 secondes semble tout à fait normal ! Ouvrir l'application, envoyer de l'argent, fermer l'application. Les mêmes métriques, mais avec une interprétation complètement différente. C'est l'un des plus grands problèmes de l'analyse par IA. L'IA ne s'arrête pas de manière fiable et ne dit pas : "Je n'ai pas assez d'informations pour savoir." Au lieu de cela, elle comble les lacunes avec l'histoire la plus statistiquement plausible qu'elle a déjà vue. C'est pourquoi des entrées rares produisent des sorties génériques mais confiantes. La solution à cela ? Contexte orthogonal : des faits indépendants qui réduisent l'ambiguïté sous différents angles. Lisez notre dernier essai dans Opinionated Intelligence sur l'idée de Contexte Orthogonal.