Matrices d'opportunities

Un classement géant masque trop de choses. Ce laboratoire conserve cinq vues distinctes. Les valeurs actuelles sont publiées dans le matrices.md généré; python dogfood.py check échoue si cet artefact dérive du registre JSON.

1. Couverture cours × dépôts

Elle révèle les transferts possibles et les angles morts. Une technique applicable à plusieurs dépôts ne doit pas être adoptée partout.

2. Score d’opportunity

Le score additionne douleur, fit, valeur attendue, preuve et réversibilité, puis soustrait coût et risque. Chaque dimension vaut de 0 à 5. Il ordonne uniquement l’investigation.

• le score ne peut modifier ni status ni authority;
• un score élevé avec peu de preuves reste une découverte, pas une incubation.

3. État de promotion

discovered → experimenting → incubating → integrating → adopted
       └──────────────→ rejected                         → retired

Une promotion exige des artefacts. adopted exige aussi un verdict confirmé. Les rejets restent dans le registre pour éviter qu’un autre agent répète la même idée.

4. Résultats et preuves

Cette vue dit ce qui a réellement été mesuré, où se trouve l’artefact et quand revoir la conclusion. Un agent running, un commentaire ou une narration plausible ne sont pas des preuves.

5. Qualité de la méthode de cours

La méthode est elle-même dogfoodée : exemples exécutables, preuves du journal, parité EN/FR/ES, retour d’adoption et efficacité agentique.

Exercice : ajouter un candidat sans le sur-vendre

Ajoutez une opportunity avec douleur observée, alternative plus simple et falsifier. Gardez-la discovered tant que la baseline manque. Exécutez python dogfood.py write puis python -m unittest -v.