"Where Provenance Ends, Knowledge Decays" Reflections

Author: Yauheni Kurbayeu
Published: Mar 17, 2026

Voici un autre argument fort sur quelque chose qui s'effondre silencieusement sous la surface de la vague IA — la relation entre la connaissance et son origine.

J'ai récemment lu « Where provenance ends, knowledge decays » de Jessica Talisman, et ce qui rend cet article puissant, ce n'est pas qu'il critique l'IA, mais qu'il recadre entièrement le problème.

Il montre comment, à mesure que les modèles de langage deviennent plus habiles à produire des sorties fluides et convaincantes, ils dissolvent également la chaîne qui rend la connaissance digne de confiance en premier lieu.

Pas seulement les citations, mais toute la lignée — qui a créé quelque chose, selon quelles hypothèses, dans quel contexte, et pourquoi ces décisions avaient du sens à l'époque.

Le résultat est subtil, mais structurel.

Nous ne perdons pas d'informations.
Nous perdons la capacité de comprendre d'où vient cette information et si elle devrait encore être fiable.

La connaissance commence à passer de quelque chose d'ancré et de traçable à quelque chose qui est simplement plausible.

Et plus nous nous appuyons sur ces systèmes, plus cet effet se cumule.

Ce que je trouve particulièrement important, c'est que l'article ne réduit pas le problème à « l'IA a besoin de citations ».

Il va plus loin.

La provenance n'est pas une question de mise en forme, c'est une couche d'intégrité.

C'est ce qui permet aux systèmes, humains ou techniques, de valider, d'auditer et de faire évoluer la connaissance en toute sécurité au fil du temps.

Sans elle, même les sorties correctes deviennent fragiles, car leur raisonnement ne peut pas être reconstruit.

En lisant cela, je n'ai cessé de faire le lien avec quelque chose que j'explore sous un angle légèrement différent — la provenance des décisions dans la livraison logicielle.

En ingénierie, nous avons toujours été bons pour préserver les résultats.

Nous stockons le code, les API, l'infrastructure, la documentation.

Mais le raisonnement qui les sous-tend — les décisions, les compromis, les alternatives rejetées — a tendance à disparaître dans des réunions, des discussions et la mémoire individuelle.

C'était déjà un problème, mais gérable tant que les systèmes évoluaient plus lentement.

L'IA change cela complètement.

Désormais, les décisions ne sont pas seulement prises plus vite, elles sont de plus en plus co-produites par des humains et des agents.

Et si le raisonnement derrière ces décisions n'est pas capturé dans le système lui-même, on se retrouve avec le même type de dégradation que l'article décrit — sauf que maintenant elle se produit à l'intérieur des systèmes que nous construisons, et pas seulement dans la connaissance que nous consommons.

C'est là que je vois un fort recoupement avec l'idée d'une approche native à la provenance.

L'article cadre le problème au niveau des écosystèmes de connaissance.

Mon travail tente de le pousser dans l'exécution.

Que signifierait-il que chaque action significative dans le SDLC produise une trace structurée — pas seulement ce qui a changé, mais pourquoi cela a changé, quelles contraintes existaient, quelles options ont été envisagées, et qui ou quoi a pris la décision ?

En ce sens, la provenance cesse d'être de la documentation et devient de l'infrastructure.

En même temps, il y a aussi une extension ici.

L'article se concentre sur la perte de provenance comme un risque.

Mais une fois que vous commencez à capturer systématiquement la lignée des décisions, cela devient plus qu'une atténuation des risques.

Cela se transforme en un nouveau type de capacité — la possibilité d'interroger le raisonnement, d'auditer la participation de l'IA, de rejouer des décisions, de faire évoluer des systèmes sans devoir deviner.

Et c'est là que quelques spin-offs intéressants commencent à émerger.

La provenance ne concerne pas uniquement la préservation de la confiance, elle devient un fondement pour la gouvernance, l'explicabilité, et finalement pour construire des systèmes capables de collaborer en toute sécurité avec d'autres systèmes.

Ce que cet article rend très clair, c'est que nous ne faisons pas que mettre à l'échelle la production de connaissances.

Nous remodelons les conditions dans lesquelles la connaissance reste valide.

Et si la provenance ne fait pas partie de ce fondement, la dégradation n'est pas un cas limite.

Elle devient la norme.