La forme de ce qui arrive dans votre tenant.

La couche Intelligence est le corpus que la plateforme produit et que votre équipe interroge. Ce n'est pas un rapport. Ce n'est pas un tableau de bord statique. C'est un substrat de données par tenant où chaque fait porte un horodatage, un périmètre de segment, un score de confiance et une citation vers le moment exact dans une vraie entrevue qui l'a produit. Vous le voyez via des tableaux de bord, vos partenaires de marque le voient via une API délimitée et vos agents IA le voient via des outils MCP. Les trois lisent le même corpus.

Cette page décrit la couche du point de vue de l'opérateur. Ce qu'elle contient, comment une requête contre elle retourne des résultats, ce que fait un cycle de rafraîchissement et comment vous contrôlez les accès. Le pipeline qui produit la couche est couvert sous Méthodologie. La frontière de tenant qui contient la couche est couverte sous Confiance et sécurité.

Chaque conversation enrichie est décomposée en dix dimensions typées : points de douleur, score d'opportunité, carte de perception de marque, score de maturité IA, facteurs de rétention, signal de marché, risque réglementaire et de conformité, écart de formation, comportement par segment client et carte des mentions de concurrents. Ces dix constituent l'ensemble opérationnel pour le commerce de détail. Pour le conseil, les restaurants, la pharmacie et les autres verticals que la plateforme prend en charge, deux ou trois dimensions changent, mais la forme reste la même : dix cases typées, schéma stable, une ligne par fait.

Chaque ligne de fait porte la dimension, l'affirmation, l'identifiant de chunk source de la forme transcript_id / turn_id / sentence_id, la fenêtre bitemporelle, le vecteur de segment, un compte de saillance (combien de conversations indépendantes le corroborent), un score de confiance et un embedding pour la récupération vectorielle. Vos tableaux de bord regroupent ces lignes par dimension, par segment, par fenêtre temporelle. Vos agents IA les récupèrent par un appel d'outil.

Les dimensions sont stables entre les marchés et dans le temps, ce qui rend possible la comparaison entre marchés. Un point de douleur dans un marché est comparable à un point de douleur dans n'importe quel autre, parce que la même définition et le même protocole de sondage ont produit les deux.

Chaque fait porte trois horodatages indépendants. learned_at indique quand la plateforme l'a observé (la date de l'entrevue, la date d'enrichissement). valid_at indique quand le fait est devenu vrai dans le monde, souvent inféré de la conversation elle-même. invalid_at indique quand le fait a cessé d'être vrai : défini explicitement quand une conversation contradictoire arrive, ou défini par la décroissance selon la demi-vie si aucun rafraîchissement ne le confirme. Les faits de perception de marque se dégradent en semaines. Les faits d'écart de formation se dégradent seulement quand le catalogue de formation change. Les demi-vies sont calibrées par dimension et par vertical.

La conséquence opérationnelle est le rejeu à une date donnée. Vous pouvez exécuter une requête contre le corpus tel qu'il existait en mai dernier et comparer avec la même requête aujourd'hui. Un partenaire de marque qui demande « que disaient vos données sur notre catégorie il y a six mois, quand nous avons pris la décision d'achat du T2 » obtient la bonne réponse pour les deux dates. Vos agents IA ne peuvent pas fonder une recommandation sur des faits dont la fenêtre de validité n'inclut pas aujourd'hui.

La cadence de rafraîchissement est intégrée au cycle de vie des faits. La console affiche l'horloge de vieillissement par marché et par dimension : lorsque vingt pour cent des faits d'une dimension ont dépassé leur validité, la plateforme recommande un cycle de rafraîchissement. C'est ainsi que la couche se maintient honnête sans que vous ayez à vous souvenir du calendrier.

Un fait est rarement vrai partout. « Le fond de teint X est le plus souvent rejeté » peut être vrai pour les magasins de masse en Amérique latine et faux pour les boutiques européennes. « La marque est une destination mode-valeur » peut être vrai pour les clients finaux aujourd'hui et contesté au niveau des franchisés. Chaque fait dans la couche porte un vecteur de segment creux : une projection sur les axes de segmentation qui importent pour votre vertical (niveau, géographie, format de magasin, segment client, partenaire de marque, démographie).

C'est ce qui rend tractable l'API de partenaires de marque. Lorsqu'un partenaire interroge via l'API, son jeton se projette sur sa tranche du vecteur de segment. Il voit les faits dont le vecteur de segment intersecte sa projection. Il ne voit rien en dehors, et la plateforme ne lui donne aucun signal que quoi que ce soit a été filtré. Le même corpus sert une centaine de partenaires sans fuite.

Chaque affirmation dans chaque rapport, chaque ligne dans chaque tableau de bord, chaque récupération dans votre agent IA renvoie à la transcription qui l'a produite via l'identifiant de chunk. Le lien est toujours présent, sur chaque conversation, sans échantillonnage. Un partenaire de marque demande pourquoi vous affirmez que son produit perd face à un substitut : la réponse est trois identifiants de chunk, trois énoncés de conseillers, trois horodatages, dans trois stockages nommés. Pas une inférence. Un reçu.

La chaîne verbatim est appliquée par le pipeline. Chaque citation qui quitte le système est une sous-chaîne littérale d'un vrai tour utilisateur dans une vraie entrevue. Un filtre déterministe vérifie cela avant la persistance. Les citations inventées sont supprimées, jamais réécrites. La description complète de la chaîne se trouve sur la page de fondation Confiance et sécurité.

Le même corpus sert trois surfaces. Votre équipe de stratégie, de marchandisage ou d'opérations le consomme via des tableaux de bord. Vos partenaires de marque le consomment via une API délimitée. Vos agents IA le consomment via des outils MCP. Chaque surface applique son propre périmètre au niveau du chemin des données. Un partenaire ne voit pas la tranche d'un autre partenaire. Un copilote de conseiller ne voit que les faits que son ticket de session OAuth autorise. La cascade de sécurité complète est documentée sous la cascade de sécurité.

La surface MCP cache la complexité du double stockage. Les agents n'ont pas à choisir entre la traversée graphe et le SQL. Ils appellent query_facts, traverse_relations, pivot_dimension, replay_as_of et cite. Chaque réponse revient sous forme de lignes structurées avec citation. L'agent ne voit jamais les frontières du stockage sous-jacent.

Dans votre tenant, la console opérateur donne à votre équipe la vue de travail de la couche. Vous voyez la santé du corpus par marché et par dimension, l'horloge de vieillissement pour chaque dimension, les scores de qualité par conversation de l'audit de l'interviewer et le journal d'audit de chaque appel d'enrichissement. Lorsque quelque chose semble incorrect, vous pouvez le retracer jusqu'à l'appel LLM exact qui l'a produit, avec l'identifiant du modèle, la version du prompt, les décomptes de tokens et la durée.

Lorsqu'un expert de domaine dans votre équipe conteste une interprétation dans son contexte, il la corrige depuis la console. La boucle Expert-in-the-Loop trouve chaque conversation dans le corpus qui correspond au contexte, les repasse dans le pipeline et propage la correction dans l'ensemble du registre historique. L'interprétation précédente reste dans le journal d'audit. Rien n'est silencieusement écrasé.