Diop Daily #124 — September 2026

September 27, 2026 · 10 min read · workflow learning · correction rights · institutional capability

The Second Run Is the Real Product

A workflow reveals its economic character on the second run. The first run can be a demonstration, a clever prompt, or a burst of borrowed attention. The second run carries a memory of what happened, a record of what required correction, and a decision about what should change before the work begins again. That transition turns an AI feature into an operating capability.

Recent public signals point toward this shift. OpenAI’s September 1 account of AI-native companies describes Basis turning onboarding into a reusable skill, Clay giving each account a persistent workspace, and Exa carrying an opportunity from discovery through a tested pull request. OpenAI presents these as company examples, so they do not establish a general productivity law. They do reveal the design pattern: a workflow gains value when context, permissions, evaluation, and review survive the first successful execution.

The durable asset is the difference between the first run and the second.

Execution becomes capability through revision

A single model call produces an answer. A repeated workflow produces a comparison. That comparison gives an institution something it can govern: a baseline, a changed input, an observed result, and a choice about the next version.

This is why the language of “automation” often hides the real work. Automation describes the moment a machine performs a step. Capability describes the institution’s ability to perform the step again with better boundaries. The important question becomes: what does the system learn from an exception, and who has the authority to turn that lesson into a change?

OpenAI’s September 16 guidance on connecting AI usage to business value makes a similar distinction in administrative form. Usage and spend show where activity occurs. Task insights identify the work being supported. Outcome measures connect the activity to delivery time, quality, or profitability. The page advises teams to include review and correction time when comparing results, which is a small but decisive act of honesty. A fast first draft that requires a long repair is a different product from a draft that arrives with a short, visible correction path.

The second run therefore needs more than a transcript. It needs a revision record:

the inputs and permissions that shaped the run;
the output that a person accepted, changed, or rejected;
the exception that consumed human attention;
the proposed workflow change, its owner, and its review date;
the evidence showing whether the change improved the next run.

This record separates learning from vague adaptation. A system can change frequently and still learn nothing if nobody can state which observation caused which revision. Institutional learning requires a chain from event to judgment to controlled change.

The exception is the curriculum

Every workflow has a curriculum, although most teams leave it unwritten. The curriculum consists of the cases that forced a person to intervene: a missing field, an ambiguous customer request, a permission boundary, a language mismatch, a false positive, or a result that looked correct until someone inspected the evidence.

Exceptions should be classified by consequence. Some require a wording adjustment. Some need a new source or tool. Others reveal that the workflow has entered a domain it was never authorized to handle. A mature system records these differences instead of sending every failure into the same undifferentiated “human review” bucket.

Proaction’s September 25 case study gives this principle a concrete commercial shape. The company reports that its chief operating officer uses call recordings, email threads, and customer spreadsheets to create customized interactive demos. The reported process produces four to six demos per month, each taking 30 to 45 minutes, while the company estimates that comparable engineering work would require 40 to 60 hours monthly. The more important detail is what happens afterward: when a prospect becomes a customer, the customized demo becomes a visual reference for engineers. The artifact carries customer context across the boundary between selling and building.

That is a vendor-reported example, not independent proof of the figures. Its architectural lesson is still useful. The workflow improved the next human decision because the first interaction left behind an inspectable object. A conversation became a specification. A sales exception became product knowledge. The system gained a way to preserve meaning between departments.

Rights of revision matter

Learning loops become dangerous when the machine can rewrite its own operating rules without a named authority. A workflow may propose a change. An owner must still decide whether the change becomes policy, a local experiment, or a rejected hypothesis.

Google’s September 24 announcement of a public-preview path for exposing REST operations as MCP tools illustrates the boundary. API Gateway can translate MCP calls into existing REST requests while retaining the authentication, quota, and logging policies already attached to those operations. The technical convenience is significant because it keeps two interfaces on one policy path. It also sharpens the governance question: a tool that becomes easier for an agent to discover needs an explicit decision about who may discover it, who may call it, and which changes require renewed review.

NIST’s AI Agent Standards Initiative names interoperability, security, and agent identity as foundational concerns for autonomous action. Its August-updated page describes work on open protocols, authentication, identity infrastructure, and security evaluations. These are standards activities, not a certification of any product. They establish a vocabulary for the institution that wants to know whether a workflow revision changed the agent’s authority along with its behavior.

A revision system should therefore expose four kinds of rights:

Proposal: who may suggest a change and what evidence the proposal must include.
Approval: who can move the change from experiment into the shared workflow.
Rollback: who can restore the prior version when a new rule increases harm, cost, or uncertainty.
Appeal: how a person affected by the workflow can contest its result and enter that contest into the next evaluation cycle.

These rights make improvement legible. They also keep local institutions from becoming passive consumers of a vendor’s update schedule. A university, civic office, clinic, newsroom, or small business should be able to retain its own evidence about what worked, what failed, and what the local context requires.

African institutions need loops they can own

The sovereignty question enters through ownership of the curriculum. A workflow trained only on imported categories will repeatedly teach the institution to see the world through someone else’s distinctions. A local-language phrase may be treated as noise. A kinship relation may disappear from a customer record. A community’s definition of a satisfactory public answer may be compressed into a generic quality score.

Owning the learning loop does not require rebuilding every model. It requires holding the cases, the rubrics, the correction record, and the right to decide which lessons become institutional memory. A Senegalese research group, a Lagos-based public service, or a diasporic media cooperative can use external models while keeping authority over the examples that define competence in its own setting.

This is where publishing, commerce, and agent systems meet. Each produces repeated interactions. Each accumulates judgments. Each can either preserve those judgments in a portable form or discard them when the session ends. The institution that keeps the record gains a compounding advantage in the precise sense that its next decision begins with more than its last decision knew.

Where the investable surface is widening

The investable surface sits in the infrastructure between execution and authorized revision. It is a learning layer for operating processes, with measurable controls rather than a promise that the model will improve by itself.

Workflow versioning: systems that preserve prompts, tools, data permissions, evaluation cases, owners, and rollback points as one releaseable unit.
Exception intelligence: classification that distinguishes missing context, policy conflict, model error, language failure, and genuinely new work.
Correction economics: measurement that includes review time, rework, escalation, abandonment, and the cost of restoring a prior version.
Portable evaluation: test suites that travel with a workflow across models, providers, runtimes, and local deployments.
Institutional memory interfaces: tools that let a team search prior decisions, inspect evidence, and connect a current exception to an earlier one.

The underwriting questions are concrete. Does the product reduce correction latency? Can an institution explain why a workflow changed? Can a new model be admitted without discarding the old evidence? Can a local-language evaluator reproduce the result? Can the buyer export its cases, rubrics, permissions, and revision history if the provider changes?

Those measures are more durable than raw model usage. OpenAI’s public analytics framing already moves toward task and outcome visibility, while Google’s gateway announcement shows how tool discovery can inherit existing policy paths. The missing layer is the institution’s own memory of the change between runs. That is where a service becomes governable and where a buyer can underwrite the difference between automation theater and accumulated capacity.

Build for the second run

A practical starting point is one repeated workflow with a visible owner. Record its inputs, its access scope, its output, and the human corrections that follow. Choose one outcome and one guardrail. Run the workflow again. Compare the correction path rather than celebrating the first completion. Then approve one small revision, keep the old version available, and record the evidence that justifies the change.

That discipline creates a laboratory notebook for institutional action. It gives builders a way to improve software without erasing history. It gives investors a way to distinguish a tool that produces impressive first runs from infrastructure that compounds learning. It gives African institutions a practical route toward sovereignty: own the cases that matter, own the language of judgment, and retain the authority to decide what the machine is allowed to learn.

The first run proves that a machine can participate. The second run reveals whether the institution has acquired a capability.

Sources

Le deuxième passage est le vrai produit

Un workflow révèle sa nature économique lors du deuxième passage. Le premier peut être une démonstration, une invite habile ou un éclat d’attention empruntée. Le deuxième porte la mémoire de ce qui s’est produit, le relevé de ce qui a demandé une correction et une décision sur ce qui doit changer avant la reprise du travail. Cette transition transforme une fonctionnalité d’IA en capacité opérationnelle.

Les signaux publics récents indiquent ce déplacement. Dans son article du 1er septembre, OpenAI décrit Basis qui transforme l’intégration des employés en compétence réutilisable, Clay qui donne à chaque compte un espace de travail persistant et Exa qui conduit une opportunité de la découverte jusqu’à une pull request testée. OpenAI présente ces cas comme des exemples d’entreprises ; ils n’établissent donc pas une loi générale de productivité. Ils révèlent une forme de conception : un workflow gagne de la valeur lorsque le contexte, les permissions, l’évaluation et la revue survivent à la première exécution réussie.

L’actif durable est la différence entre le premier passage et le deuxième.

L’exécution devient une capacité par la révision

Un appel de modèle produit une réponse. Un workflow répété produit une comparaison. Cette comparaison donne à l’institution un objet qu’elle peut gouverner : une base de référence, une entrée modifiée, un résultat observé et un choix sur la version suivante.

C’est pourquoi le langage de l’« automatisation » cache souvent le véritable travail. L’automatisation décrit le moment où une machine accomplit une étape. La capacité décrit l’aptitude de l’institution à reprendre cette étape avec de meilleures frontières. La question décisive devient : qu’apprend le système d’une exception, et qui possède l’autorité de transformer cette leçon en changement ?

Les recommandations publiées par OpenAI le 16 septembre sur le lien entre usage de l’IA et valeur opérationnelle formulent une distinction comparable dans un langage administratif. L’usage et la dépense montrent où l’activité se concentre. Les indications sur les tâches identifient le travail soutenu. Les mesures de résultat relient l’activité au délai de livraison, à la qualité ou à la rentabilité. La page conseille d’inclure le temps de revue et de correction lors de la comparaison des résultats, petit acte d’honnêteté qui change toute l’analyse. Une première version rapide qui exige une longue réparation constitue un produit différent d’une version accompagnée d’un chemin de correction court et visible.

Le deuxième passage a donc besoin de plus qu’une transcription. Il lui faut un registre de révision :

les entrées et les permissions qui ont façonné l’exécution ;
le résultat qu’une personne a accepté, modifié ou rejeté ;
l’exception qui a consommé l’attention humaine ;
le changement de workflow proposé, son responsable et sa date de revue ;
les preuves indiquant si le changement a amélioré le passage suivant.

Ce registre sépare l’apprentissage d’une adaptation vague. Un système peut changer souvent sans rien apprendre si personne ne peut dire quelle observation a causé quelle révision. L’apprentissage institutionnel exige une chaîne reliant l’événement, le jugement et le changement contrôlé.

L’exception est le programme d’étude

Chaque workflow possède un programme d’étude, même si la plupart des équipes le laissent dans l’implicite. Ce programme se compose des cas qui ont obligé une personne à intervenir : champ manquant, demande client ambiguë, frontière de permission, décalage linguistique, faux positif ou résultat qui semblait correct jusqu’à l’inspection des preuves.

Les exceptions devraient être classées selon leur conséquence. Certaines exigent une modification de formulation. D’autres demandent une nouvelle source ou un nouvel outil. D’autres encore révèlent que le workflow est entré dans un domaine qu’il n’était pas autorisé à traiter. Un système mûr enregistre ces différences au lieu d’envoyer chaque échec dans la même catégorie indifférenciée de « revue humaine ».

L’étude de cas Proaction publiée le 25 septembre par OpenAI donne à ce principe une forme commerciale concrète. L’entreprise rapporte que son directeur général des opérations utilise des enregistrements d’appels, des échanges électroniques et des feuilles de calcul client pour créer des démonstrations interactives personnalisées. Le processus déclaré produit quatre à six démonstrations par mois, chacune prenant 30 à 45 minutes, tandis que l’entreprise estime qu’un travail d’ingénierie comparable demanderait 40 à 60 heures mensuelles. Le détail le plus important vient ensuite : lorsqu’un prospect devient client, la démonstration personnalisée devient une référence visuelle pour les ingénieurs. L’artefact transporte le contexte client de la vente vers la construction.

Il s’agit d’un exemple rapporté par un fournisseur, non d’une preuve indépendante des chiffres. Sa leçon architecturale reste utile. Le workflow a amélioré la décision humaine suivante parce que la première interaction avait laissé un objet inspectable. Une conversation est devenue une spécification. Une exception commerciale est devenue une connaissance produit. Le système a acquis un moyen de préserver le sens entre les services.

Les droits de révision comptent

Les boucles d’apprentissage deviennent dangereuses lorsque la machine peut réécrire ses propres règles de fonctionnement sans autorité nommée. Un workflow peut proposer un changement. Un responsable doit encore décider si ce changement devient une politique, une expérience locale ou une hypothèse rejetée.

L’annonce publiée le 24 septembre par Google sur l’exposition d’opérations REST comme outils MCP illustre cette frontière. En préversion publique, API Gateway peut traduire les appels MCP en requêtes REST existantes tout en conservant les politiques d’authentification, de quota et de journalisation attachées à ces opérations. La commodité technique est importante parce qu’elle maintient deux interfaces sur un même chemin de politique. Elle précise aussi la question de gouvernance : un outil plus facile à découvrir par un agent exige une décision explicite sur ceux qui peuvent le découvrir, ceux qui peuvent l’appeler et les changements qui nécessitent une nouvelle revue.

L’AI Agent Standards Initiative du NIST nomme l’interopérabilité, la sécurité et l’identité des agents comme des préoccupations fondamentales de l’action autonome. Sa page mise à jour en août décrit des travaux sur les protocoles ouverts, l’authentification, l’infrastructure d’identité et les évaluations de sécurité. Ces activités de normalisation ne certifient aucun produit. Elles établissent un vocabulaire pour l’institution qui veut savoir si une révision du workflow a modifié l’autorité de l’agent en même temps que son comportement.

Un système de révision devrait donc exposer quatre catégories de droits :

Proposition : qui peut suggérer un changement et quelles preuves la proposition doit contenir.
Approbation : qui peut faire passer le changement de l’expérience au workflow partagé.
Retour en arrière : qui peut restaurer la version précédente lorsqu’une nouvelle règle augmente le dommage, le coût ou l’incertitude.
Recours : comment une personne touchée par le workflow peut contester son résultat et inscrire cette contestation dans le cycle d’évaluation suivant.

Ces droits rendent l’amélioration lisible. Ils empêchent aussi les institutions locales de devenir de simples consommatrices du calendrier de mises à jour d’un fournisseur. Une université, un service civique, une clinique, une rédaction ou une petite entreprise devrait pouvoir conserver ses propres preuves de ce qui a fonctionné, échoué et de ce que le contexte local exige.

Les institutions africaines ont besoin de boucles qu’elles possèdent

La question de la souveraineté apparaît dans la propriété du programme d’étude. Un workflow formé uniquement par des catégories importées apprendra sans cesse à l’institution à voir le monde selon les distinctions d’autrui. Une expression en langue locale peut être traitée comme du bruit. Une relation de parenté peut disparaître d’un dossier client. La définition communautaire d’une réponse publique satisfaisante peut être comprimée en score générique de qualité.

Posséder la boucle d’apprentissage ne demande pas de reconstruire chaque modèle. Il faut détenir les cas, les grilles, le registre des corrections et le droit de décider quelles leçons deviennent mémoire institutionnelle. Un groupe de recherche sénégalais, un service public basé à Lagos ou une coopérative médiatique de la diaspora peut utiliser des modèles externes tout en gardant l’autorité sur les exemples qui définissent la compétence dans son propre cadre.

C’est ici que se rejoignent publication, commerce et systèmes agentiques. Chacun produit des interactions répétées. Chacun accumule des jugements. Chacun peut préserver ces jugements dans une forme portable ou les perdre à la fin de la session. L’institution qui conserve le dossier gagne un avantage cumulatif au sens précis où sa décision suivante commence avec davantage de connaissances que la précédente.

Là où la surface d’investissement s’élargit

La surface d’investissement se trouve dans l’infrastructure entre l’exécution et la révision autorisée. Il s’agit d’une couche d’apprentissage pour les processus opérationnels, avec des contrôles mesurables plutôt qu’une promesse d’amélioration spontanée du modèle.

Versionnage des workflows : systèmes qui préservent les invites, les outils, les permissions de données, les cas d’évaluation, les responsables et les points de retour en arrière comme une seule unité publiable.
Intelligence des exceptions : classification qui distingue le contexte manquant, le conflit de politique, l’erreur du modèle, l’échec linguistique et le travail réellement nouveau.
Économie de la correction : mesure du temps de revue, de la reprise, de l’escalade, de l’abandon et du coût de restauration d’une version antérieure.
Évaluation portable : suites de tests qui voyagent avec un workflow entre modèles, fournisseurs, runtimes et déploiements locaux.
Interfaces de mémoire institutionnelle : outils permettant à une équipe de rechercher les décisions précédentes, d’inspecter les preuves et de relier une exception actuelle à une autre.

Les questions de souscription sont concrètes. Le produit réduit-il le délai de correction ? L’institution peut-elle expliquer pourquoi le workflow a changé ? Un nouveau modèle peut-il être admis sans effacer les anciennes preuves ? Un évaluateur en langue locale peut-il reproduire le résultat ? L’acheteur peut-il exporter ses cas, ses grilles, ses permissions et son historique de révision si le fournisseur change ?

Ces mesures sont plus durables que l’usage brut du modèle. Le cadrage public des analyses d’OpenAI se déplace déjà vers la visibilité des tâches et des résultats, tandis que l’annonce de Google montre comment la découverte d’outils peut hériter de chemins de politique existants. La couche manquante est la mémoire propre à l’institution sur le changement entre les passages. C’est là qu’un service devient gouvernable et qu’un acheteur peut distinguer le théâtre de l’automatisation d’une capacité réellement accumulée.

Construire pour le deuxième passage

Un point de départ pratique est un workflow répété avec un responsable visible. Enregistrez ses entrées, son périmètre d’accès, son résultat et les corrections humaines qui suivent. Choisissez un résultat et une garde-fou. Exécutez le workflow une nouvelle fois. Comparez le chemin de correction au lieu de célébrer la première réussite. Approuvez ensuite une petite révision, gardez l’ancienne version disponible et consignez les preuves qui justifient le changement.

Cette discipline crée un carnet de laboratoire pour l’action institutionnelle. Elle donne aux bâtisseurs un moyen d’améliorer le logiciel sans effacer l’histoire. Elle donne aux investisseurs un moyen de distinguer un outil qui produit de belles premières exécutions d’une infrastructure qui compose l’apprentissage. Elle donne aux institutions africaines un chemin pratique vers la souveraineté : posséder les cas qui comptent, posséder la langue du jugement et conserver l’autorité de décider ce que la machine est autorisée à apprendre.

Le premier passage prouve qu’une machine peut participer. Le deuxième révèle si l’institution a acquis une capacité.