Diop Daily #114 — September 2026

September 15, 2026 · 11 min read · principal calibration · delegated voice · feedback systems · institutional agency

The Agent Needs a Theory of Its Principal

An agent that works for someone needs more than a task description. It needs a working theory of the person or institution whose purposes it serves: what that principal is trying to protect, which trade-offs it accepts, how it speaks, when it abstains, and which decisions require an explicit handoff. This theory is the difference between a machine that produces plausible output and one that can carry delegated work without quietly changing its meaning.

OpenAI’s News RSS reported on September 14 that Fyxer uses OpenAI models, fine-tuning, memory, and real user feedback to organize inboxes and draft emails in each user’s voice. This is a vendor-reported description of one product and does not establish general performance. It does identify a useful direction: the assistant is being shaped by an ongoing relationship with a principal, not only by the contents of a single prompt.

A faithful agent carries the shape of the person it serves without pretending that resemblance is authority.

A mandate has a living interior

Delegation is often represented as a sentence: “handle my inbox,” “prepare the report,” “respond to this customer,” or “run the analysis.” The sentence names a task while leaving the principal’s interior mostly unstated. Which messages deserve immediate attention? Which relationships should be protected? Which claims require evidence before they leave the institution? Which tone is appropriate for a regulator, a colleague, a customer, or a family member? What should the agent leave untouched even when it has the technical ability to act?

People answer these questions through accumulated context. They observe one another’s corrections, notice repeated preferences, learn what counts as a dangerous shortcut, and infer when silence is better than a polished response. An agent must make that learning more explicit. If its model of the principal remains hidden inside weights, transient context, or an opaque vendor profile, the relationship cannot be inspected when a consequential action is disputed.

The principal model should therefore be treated as a governed object. It can contain stable commitments, current priorities, audience-specific conventions, prohibited shortcuts, examples of accepted work, examples of rejected work, escalation rules, and the evidence behind each important change. Some elements describe identity. Others describe policy. Others are temporary instructions whose validity expires with a project or decision. Keeping these categories distinct prevents a passing preference from becoming a permanent command.

Calibration is the work between prompts

A principal does not teach an agent by issuing instructions alone. The principal teaches through corrections. A revised paragraph says that the emphasis was wrong. A rejected recommendation says that a risk was underweighted. A changed recipient says that the social boundary was misunderstood. A request to preserve a phrase may reveal a legal, cultural, or historical commitment that the machine could not infer from style.

Those corrections are evidence about the relationship, yet they require interpretation. A single edit may be local. Ten similar edits may reveal a durable preference. A correction made during a crisis may not belong in ordinary operations. A preference expressed by one staff member may not represent the institution. Calibration needs attribution, scope, confidence, and expiry so that learning remains accountable.

A useful calibration record can carry:

Principal identity: the person, team, institution, or role whose purposes the agent is serving, with the authority that establishes the relationship.
Operating context: the workflow, audience, jurisdiction, language, time period, and external systems to which the preference applies.
Observed evidence: the instruction, correction, accepted output, rejected output, or decision that supports the inferred preference.
Strength and scope: whether the rule is a hard boundary, a strong preference, a local convention, or a hypothesis awaiting more evidence.
Abstention condition: the situation in which the agent should pause because the principal model is uncertain, conflicting, stale, or outside its authority.
Review path: who may confirm, amend, revoke, or export the calibration record and how dependent work is located when it changes.

This record allows an institution to ask a precise question after an error: which assumption about the principal produced this action, what evidence supported it, and who can correct it? The answer is more useful than a vague appeal to personalization. It turns adaptation into something a reviewer can examine and a successor system can inherit.

Voice is a boundary, not a costume

Writing in someone’s voice is often treated as a problem of imitation. The deeper issue is representation. A message carries the sender’s priorities, relationship to the recipient, tolerance for uncertainty, and willingness to make a commitment. A sentence can sound accurate while committing the principal to a position that was never authorized.

Voice calibration must therefore include abstention. The agent needs examples of the principal’s language, but also examples of subjects that require a pause, subjects that demand a source, and subjects that belong to another role. A public statement may require institutional approval. A research claim may require a source trail. A customer response may require a price or service check. A personal message may require the person’s direct attention. Style cannot settle these questions by itself.

This is where representation differs from impersonation. Impersonation hides the gap between machine output and human authorization. Representation keeps the gap visible and gives the agent a disciplined way to stop before crossing it. The aim is faithful assistance within a declared relationship, with a clear boundary around decisions the machine may prepare but not finalize.

Feedback needs a chain of custody

Google’s public description of ADK Go 2.0 presents graph-based workflows, human-in-the-loop orchestration, dynamic routing, retries, and built-in resilience. These primitives make it possible to route a task and request a human decision. They do not determine whether the correction should alter the principal model, which principal it belongs to, or whether a local adjustment has wider institutional scope.

That distinction becomes important when several agents work together. One agent may classify messages, another may draft a response, and a third may check policy or evidence. If the drafting agent learns from a correction without recording the task context, the correction may leak into unrelated work. If the checking agent rejects an output for a legal reason and the system stores the rejection as a style preference, later drafts will be calibrated against the wrong lesson.

Feedback should move through an accountable chain:

Capture the original instruction, machine output, human correction, workflow context, and affected principal before interpreting the lesson.
Classify the correction as content, style, policy, authority, risk, language, or temporary circumstance.
Test whether the correction applies to one artifact, one workflow, one role, or the principal’s broader operating model.
Store the resulting rule with its evidence, confidence, scope, expiry, and reviewer rather than replacing the prior record silently.
Replay representative cases before allowing the new calibration to govern external communication or other consequential actions.

The chain protects both sides of the relationship. It prevents the agent from forgetting useful learning, and it prevents the principal from becoming trapped by an unexamined inference made from one moment. A system that remembers every correction without classifying it accumulates noise. A system that remembers none of them forces the institution to teach the same lesson repeatedly.

Governance begins with attribution

NIST’s AI Risk Management Framework gives this problem a practical vocabulary through Govern, Map, Measure, and Manage. Govern identifies who owns the principal model and who may approve changes. Map identifies the people, records, tools, audiences, and obligations affected when the agent acts on an inferred preference. Measure records calibration drift, correction frequency, abstention quality, and the cost of reviewing a misrepresented action. Manage changes the model, the rule, the route, or the authority boundary when evidence shows that the current relationship is unsafe or unfaithful.

Several measurements are especially revealing:

the proportion of drafts accepted without substantive correction, separated from cosmetic edits;
the rate at which the agent correctly abstains when principal intent is ambiguous;
the time required to trace a disputed output back to the calibration evidence that shaped it;
the number of corrections that were wrongly generalized across roles, languages, audiences, or workflows;
the percentage of the principal model that can be exported, reviewed, and restored after a provider or model change.

These measures make personalization legible as an operating capability. A high acceptance rate can hide a principal who has stopped reviewing because review is too expensive. A low correction count can mean good calibration, or it can mean that the agent no longer exposes enough of its assumptions for correction. The quality of representation is measured by the relationship between output, authority, evidence, and repair.

For African institutions, the principal is often collective

Many imported assistant patterns assume a single user with a stable set of preferences. African institutions frequently operate through layered authority: a director, a working team, a community mandate, a public obligation, and a set of language or cultural commitments that cannot be reduced to one person’s style. A cooperative, archive, university, clinic, newsroom, or civic office may need an agent to serve several principals at once, each with a different right to instruct, review, or veto.

The principal model must represent this plurality. A local-language correction may carry an institutional meaning that a translation system would flatten. A community archive may distinguish the authority to read from the authority to publish. A university laboratory may let a researcher explore a dataset while reserving decisions about release to a committee. A public office may permit a service agent to prepare a response while keeping the final obligation with a named official.

Intellectual sovereignty includes the ability to define these relationships in the institution’s own terms. Local control of the calibration record matters because it preserves the history of how a community, role, or organization taught its machine representative to act. External models can contribute capability while the principal relationship remains governed locally, in the languages and categories that make the institution intelligible to itself.

Where the investable surface is widening

If agents are moving from one-shot answers toward recurring delegated work, capital should examine the infrastructure that makes principal calibration explicit and transferable:

Principal-model registries: systems that store identities, roles, commitments, preferences, abstentions, evidence, scope, and expiry as reviewable records.
Calibration workbenches: tools that turn accepted and rejected outputs into classified lessons, test cases, and controlled updates instead of opaque personalization.
Representation and abstention evaluators: suites that measure whether an agent preserves intent, recognizes ambiguity, respects audience boundaries, and stops before unauthorized commitment.
Feedback lineage systems: infrastructure linking a correction to the output, workflow, reviewer, rule change, and dependent artifacts that may need replay.
Portable relationship layers: exportable principal models that survive a change of model, runtime, provider, language, or institutional operator.

The underwriting question is concrete: does the product reduce the cost of teaching an agent to represent a principal faithfully while making errors easier to detect and repair? Evidence should include correction-adjusted acceptance rate, false-generalization rate, abstention precision, calibration replay time, reviewer minutes per update, cross-language fidelity, and restoration success after a provider change.

This commercial object is distinct from permissions, storage, workflow routing, provenance, and legal signature. Permission determines what an agent may do with a record. Storage preserves the state of the work. A workflow graph routes activity. Provenance records how an artifact changed. A signature or charter establishes authority for a decision. Principal calibration models how a legitimate agent should interpret the principal’s purposes, style, limits, and corrections before it prepares or recommends an action.

Build the relationship before widening the delegation

An institution can begin with a low-consequence workflow that still contains real judgment:

Name the principal, the agent’s role, the audiences involved, and the decisions that remain human.
Collect accepted outputs, rejected outputs, corrections, abstentions, and representative edge cases without collapsing them into one generic preference profile.
Classify each lesson by scope, authority, language, evidence, confidence, and expiry.
Run a replay set that includes ordinary cases, ambiguous cases, adversarial cases, and cases where the correct action is to ask.
Export the calibration record and let an independent reviewer determine whether another agent could understand the relationship without access to the original model provider.

Only then should the agent receive a wider communication or execution interval. A principal deserves a machine that can learn its working logic while keeping the source of that learning visible. The agent’s resemblance may open the relationship, but its accountable theory of the principal is what allows the relationship to endure.

Sources

L’agent a besoin d’une théorie de son mandant

Un agent qui travaille pour quelqu’un a besoin de plus qu’une description de tâche. Il lui faut une théorie opératoire de la personne ou de l’institution dont il sert les finalités : ce que ce mandant cherche à protéger, les compromis qu’il accepte, sa manière de parler, les moments où il s’abstient et les décisions qui exigent un transfert explicite. Cette théorie distingue une machine qui produit une sortie plausible d’une machine capable de porter un travail délégué sans en modifier silencieusement le sens.

Le flux RSS d’OpenAI a rapporté le 14 septembre que Fyxer utilise des modèles OpenAI, l’ajustement fin, la mémoire et les retours réels des utilisateurs pour organiser les boîtes de réception et rédiger des courriels dans la voix de chaque utilisateur. Il s’agit d’une description fournie par le fournisseur à propos d’un produit, et non d’une mesure indépendante de performance générale. Elle indique toutefois une direction utile : l’assistant est façonné par une relation continue avec un mandant, et pas seulement par le contenu d’une consigne isolée.

Un agent fidèle porte la forme de la personne qu’il sert sans prétendre que la ressemblance est une autorité.

Un mandat possède un intérieur vivant

La délégation est souvent représentée par une phrase : « gère ma boîte de réception », « prépare le rapport », « réponds à ce client » ou « exécute l’analyse ». La phrase nomme une tâche tout en laissant largement implicite l’intérieur du mandant. Quels messages méritent une attention immédiate ? Quelles relations faut-il protéger ? Quelles affirmations exigent des preuves avant de sortir de l’institution ? Quel ton convient à un régulateur, à un collègue, à un client ou à un membre de la famille ? Que doit laisser intact l’agent même lorsqu’il possède la capacité technique d’agir ?

Les humains répondent à ces questions par un contexte accumulé. Ils observent les corrections des uns et des autres, remarquent les préférences répétées, apprennent ce qui constitue un raccourci dangereux et comprennent qu’un silence vaut parfois mieux qu’une réponse élégante. Un agent doit rendre cet apprentissage plus explicite. Si son modèle du mandant demeure caché dans des poids, un contexte temporaire ou un profil opaque fourni par une plateforme, la relation ne peut pas être examinée lorsqu’une action lourde de conséquences est contestée.

Le modèle du mandant doit donc être traité comme un objet gouverné. Il peut contenir des engagements stables, des priorités actuelles, des conventions propres à chaque public, des raccourcis interdits, des exemples de travaux acceptés, des exemples de travaux refusés, des règles d’escalade et les preuves de chaque changement important. Certains éléments décrivent l’identité. D’autres décrivent une politique. D’autres encore sont des consignes temporaires dont la validité expire avec un projet ou une décision. La séparation de ces catégories empêche une préférence passagère de devenir une commande permanente.

Le calibrage est le travail entre les consignes

Un mandant n’enseigne pas seulement à un agent en donnant des instructions. Il l’enseigne par ses corrections. Un paragraphe révisé indique que l’accent était mal placé. Une recommandation refusée montre qu’un risque a été sous-estimé. Un destinataire modifié révèle qu’une limite sociale a été mal comprise. Une demande de conserver une formulation peut signaler un engagement juridique, culturel ou historique que la machine ne pouvait pas déduire du style.

Ces corrections constituent des preuves sur la relation, mais elles demandent une interprétation. Une seule modification peut rester locale. Dix modifications semblables peuvent révéler une préférence durable. Une correction faite pendant une crise ne convient pas forcément aux opérations ordinaires. Une préférence exprimée par un membre de l’équipe ne représente pas nécessairement l’institution. Le calibrage a besoin d’une attribution, d’un périmètre, d’un niveau de confiance et d’une date d’expiration pour que l’apprentissage reste responsable.

Un registre de calibrage utile peut porter :

Identité du mandant : personne, équipe, institution ou fonction dont l’agent sert les finalités, avec l’autorité qui établit la relation.
Contexte opératoire : workflow, public, juridiction, langue, période, et systèmes externes auxquels la préférence s’applique.
Preuve observée : consigne, correction, sortie acceptée, sortie refusée ou décision qui soutient la préférence inférée.
Force et périmètre : frontière stricte, préférence forte, convention locale ou hypothèse attendant davantage de preuves.
Condition d’abstention : situation dans laquelle l’agent doit suspendre son action parce que le modèle du mandant est incertain, contradictoire, périmé ou hors de son autorité.
Chemin de revue : personnes pouvant confirmer, modifier, révoquer ou exporter le registre de calibrage, ainsi que la méthode pour retrouver les travaux dépendants lorsqu’il change.

Ce registre permet à une institution de poser une question précise après une erreur : quelle hypothèse sur le mandant a produit cette action, quelles preuves la soutenaient et qui peut la corriger ? La réponse est plus utile qu’un appel vague à la personnalisation. Elle transforme l’adaptation en objet examinable par un réviseur et transmissible à un système successeur.

La voix est une frontière, pas un costume

Écrire dans la voix de quelqu’un est souvent traité comme un problème d’imitation. Le problème plus profond est celui de la représentation. Un message porte les priorités de son émetteur, sa relation avec le destinataire, sa tolérance à l’incertitude et sa volonté de prendre un engagement. Une phrase peut sembler exacte tout en engageant le mandant sur une position qu’il n’a jamais autorisée.

Le calibrage de la voix doit donc inclure l’abstention. L’agent a besoin d’exemples du langage du mandant, mais aussi d’exemples de sujets qui exigent une pause, de sujets qui demandent une source et de sujets qui appartiennent à une autre fonction. Une déclaration publique peut exiger une validation institutionnelle. Une affirmation de recherche peut exiger une trace des sources. Une réponse commerciale peut exiger une vérification du prix ou du service. Un message personnel peut exiger l’attention directe de la personne. Le style ne peut pas résoudre seul ces questions.

C’est ici que la représentation se distingue de l’usurpation. L’usurpation dissimule l’écart entre une sortie machine et une autorisation humaine. La représentation maintient cet écart visible et donne à l’agent une manière disciplinée de s’arrêter avant de le franchir. Le but est une assistance fidèle dans une relation déclarée, avec une limite claire autour des décisions que la machine peut préparer mais pas finaliser.

Le retour doit avoir une chaîne de garde

La description publique de Google pour ADK Go 2.0 présente des workflows en graphe, une orchestration avec humain dans la boucle, un routage dynamique, des nouvelles tentatives et une résilience intégrée. Ces primitives permettent d’acheminer une tâche et de demander une décision humaine. Elles ne déterminent pas si la correction doit modifier le modèle du mandant, à quel mandant elle appartient ou si un ajustement local possède une portée institutionnelle plus large.

Cette distinction devient importante lorsque plusieurs agents travaillent ensemble. Un agent peut classer les messages, un autre rédiger une réponse et un troisième vérifier la politique ou les preuves. Si l’agent rédacteur apprend d’une correction sans enregistrer le contexte de la tâche, cette correction peut contaminer un travail sans rapport. Si l’agent vérificateur refuse une sortie pour une raison juridique et que le système conserve ce refus comme une préférence stylistique, les rédactions futures seront calibrées à partir de la mauvaise leçon.

Les retours doivent passer par une chaîne responsable :

Capturer la consigne initiale, la sortie machine, la correction humaine, le contexte du workflow et le mandant concerné avant d’interpréter la leçon.
Classer la correction comme contenu, style, politique, autorité, risque, langue ou circonstance temporaire.
Tester si la correction s’applique à un artefact, un workflow, une fonction ou au modèle opératoire plus large du mandant.
Conserver la règle résultante avec ses preuves, sa confiance, son périmètre, son expiration et son réviseur, au lieu de remplacer silencieusement le dossier antérieur.
Rejouer des cas représentatifs avant de laisser le nouveau calibrage gouverner une communication externe ou une autre action lourde de conséquences.

Cette chaîne protège les deux côtés de la relation. Elle empêche l’agent d’oublier un apprentissage utile et empêche le mandant d’être prisonnier d’une inférence irréfléchie tirée d’un seul instant. Un système qui mémorise chaque correction sans la classer accumule du bruit. Un système qui n’en mémorise aucune oblige l’institution à enseigner plusieurs fois la même leçon.

La gouvernance commence par l’attribution

Le cadre de gestion des risques liés à l’IA du NIST fournit à ce problème un vocabulaire pratique avec Govern, Map, Measure et Manage. Govern identifie le propriétaire du modèle du mandant et les personnes qui peuvent en approuver les changements. Map identifie les personnes, dossiers, outils, publics et obligations affectés lorsque l’agent agit à partir d’une préférence inférée. Measure consigne la dérive du calibrage, la fréquence des corrections, la qualité des abstentions et le coût de la revue d’une action qui a mal représenté le mandant. Manage modifie le modèle, la règle, le routage ou la frontière d’autorité lorsque les preuves montrent que la relation actuelle est dangereuse ou infidèle.

Plusieurs mesures sont particulièrement révélatrices :

proportion des brouillons acceptés sans correction substantielle, en séparant les modifications cosmétiques ;
taux d’abstention correcte lorsque l’intention du mandant est ambiguë ;
temps nécessaire pour relier une sortie contestée aux preuves de calibrage qui l’ont orientée ;
nombre de corrections généralisées à tort entre fonctions, langues, publics ou workflows ;
part du modèle du mandant qui peut être exportée, examinée et restaurée après un changement de fournisseur ou de modèle.

Ces mesures rendent la personnalisation lisible comme capacité opératoire. Un taux d’acceptation élevé peut cacher un mandant qui ne révise plus parce que la revue coûte trop cher. Un faible nombre de corrections peut signaler un bon calibrage, ou le fait que l’agent n’expose plus assez ses hypothèses pour être corrigé. La qualité de la représentation se mesure par la relation entre sortie, autorité, preuves et réparation.

Pour les institutions africaines, le mandant est souvent collectif

De nombreux assistants importés supposent un utilisateur unique avec un ensemble stable de préférences. Les institutions africaines fonctionnent souvent par autorité stratifiée : direction, équipe de travail, mandat communautaire, obligation publique et engagements linguistiques ou culturels qui ne se réduisent pas au style d’une seule personne. Une coopérative, une archive, une université, une clinique, une rédaction ou un service civique peut avoir besoin d’un agent qui serve plusieurs mandants, chacun disposant d’un droit différent d’instruire, de réviser ou de mettre son veto.

Le modèle du mandant doit représenter cette pluralité. Une correction dans une langue locale peut porter un sens institutionnel qu’un système de traduction aplatirait. Une archive communautaire peut distinguer l’autorité de lire de l’autorité de publier. Un laboratoire universitaire peut permettre à un chercheur d’explorer un jeu de données tout en réservant sa diffusion à un comité. Un service public peut autoriser un agent à préparer une réponse tout en laissant l’obligation finale à un responsable nommé.

La souveraineté intellectuelle comprend la capacité de définir ces relations dans les propres termes de l’institution. Le contrôle local du registre de calibrage compte parce qu’il conserve l’histoire de la manière dont une communauté, une fonction ou une organisation a appris à son représentant machine à agir. Des modèles externes peuvent fournir une capacité tout en laissant la relation avec le mandant sous gouvernance locale, dans les langues et les catégories qui rendent l’institution intelligible à elle-même.

Où la surface d’investissement s’élargit

Si les agents passent des réponses ponctuelles au travail délégué récurrent, le capital doit examiner l’infrastructure qui rend le calibrage du mandant explicite et transférable :

Registres des modèles de mandant : systèmes conservant identités, fonctions, engagements, préférences, abstentions, preuves, périmètres et expirations sous forme de dossiers révisables.
Ateliers de calibrage : outils transformant les sorties acceptées et refusées en leçons classées, cas de test et mises à jour contrôlées plutôt qu’en personnalisation opaque.
Évaluateurs de représentation et d’abstention : suites mesurant si un agent préserve l’intention, reconnaît l’ambiguïté, respecte les limites du public et s’arrête avant un engagement non autorisé.
Systèmes de lignée des retours : infrastructure reliant une correction à la sortie, au workflow, au réviseur, au changement de règle et aux artefacts dépendants à rejouer.
Couches relationnelles portables : modèles de mandant exportables qui survivent à un changement de modèle, de runtime, de fournisseur, de langue ou d’opérateur institutionnel.

La question de souscription est concrète : le produit réduit-il le coût d’apprentissage d’une représentation fidèle du mandant tout en rendant les erreurs plus faciles à détecter et à réparer ? Les preuves devraient comprendre le taux d’acceptation corrigé des corrections, le taux de fausses généralisations, la précision des abstentions, le temps de rejeu du calibrage, les minutes de revue par mise à jour, la fidélité entre langues et le taux de restauration après un changement de fournisseur.

Cet objet commercial se distingue des permissions, du stockage, du routage de workflow, de la provenance et de la signature juridique. La permission détermine ce qu’un agent peut faire d’un dossier. Le stockage conserve l’état du travail. Un graphe de workflow achemine l’activité. La provenance enregistre les transformations d’un artefact. Une signature ou une charte établit l’autorité d’une décision. Le calibrage du mandant modélise la manière dont un agent légitime doit interpréter les finalités, le style, les limites et les corrections du mandant avant de préparer ou de recommander une action.

Construire la relation avant d’élargir la délégation

Une institution peut commencer par un workflow peu lourd de conséquences qui contient tout de même un véritable jugement :

Nommer le mandant, la fonction de l’agent, les publics concernés et les décisions qui restent humaines.
Réunir sorties acceptées, sorties refusées, corrections, abstentions et cas limites représentatifs sans les réduire à un profil générique de préférence.
Classer chaque leçon selon son périmètre, son autorité, sa langue, ses preuves, sa confiance et son expiration.
Exécuter un jeu de rejeu comprenant des cas ordinaires, ambigus, adverses et des cas où la bonne action consiste à demander.
Exporter le registre de calibrage et demander à un réviseur indépendant si un autre agent pourrait comprendre la relation sans accéder au fournisseur du modèle initial.

Ce n’est qu’ensuite que l’agent doit recevoir un intervalle plus large de communication ou d’exécution. Un mandant mérite une machine capable d’apprendre sa logique de travail tout en gardant visible la source de cet apprentissage. La ressemblance de l’agent peut ouvrir la relation, mais sa théorie responsable du mandant permet à cette relation de durer.