Hypothèses et limites
Une étude honnête dit aussi ses angles morts. Voici les hypothèses de départ et les limites à garder en tête en lisant les résultats.
L'expérience montre quelque chose de net, mais dans un cadre précis et avec un échantillon volontairement réduit. Voici comment lire les chiffres sans les sur-interpréter.
Les hypothèses
- "Être intégral" est un comportement de raisonnement, pas un savoir. Donc le fine-tuning est le bon outil : il change la façon de raisonner, pas les connaissances.
- Le canal de raisonnement est la bonne cible. En entraînant l'analyse AQAL dans le
<think>plutôt que dans un prompt, on vise la cognition par défaut. - Le centre de gravité est mesurable. On suppose que la grille deVos/AQAL capture quelque chose de réel et de comparable d'une réponse à l'autre.
Les limites
Le juge est une IA qui applique la grille AQAL/deVos. On mesure la conformité à ce cadre, pas une vérité absolue. Et sur le test des IA publiques, le juge était Claude, qui se classe lui-même haut : un conflit d'intérêt assumé, à ne pas gommer.
n = 12 dilemmes, une seule génération par question, température fixée. Ce sont des signatures robustes et reproductibles dans leur tendance, pas des mesures statistiques stables. Un travail plus poussé multiplierait les générations et les juges.
On n'a pas fabriqué un sage neutre. On a installé une vision spécifique (Wilber, deVos, Graves). C'est tout l'intérêt de l'étude : montrer qu'on peut déplacer le centre de gravité d'un modèle, et le mesurer. Mais il faut le dire clairement, et c'est la vraie question politique derrière : qui décide de la vision qu'on installe ?
Ce que l'étude montre, et ne montre pas
Montre : on peut déplacer le centre de gravité par défaut d'un modèle dans ses poids ; le fine-tuné pense intégral de façon plus native, plus concise et plus fiable que n'importe quel prompt ; et les IA publiques portent des valeurs par défaut, mesurables et différentes.
Ne montre pas : que cette façon de penser est "meilleure" dans l'absolu (on mesure la conformité à un cadre choisi) ; que le résultat tiendrait à très grande échelle ou sur des tâches très éloignées des dilemmes personnels ; ni que le modèle fine-tuné est globalement plus intelligent (on a déplacé une posture de raisonnement, pas augmenté des capacités).
Le caveat de généralisation le plus important : les données d'entraînement étaient surtout des dilemmes personnels à la première personne. Le benchmark inclut quelques cas non personnels (une controverse scientifique, un débat de société), où le raisonnement intégral apparaît aussi, ce qui suggère un transfert réel et pas une simple mémorisation de genre. Mais c'est un signal, pas une preuve définitive.