# Simuler une politique avant de la publier > Rejouez une politique brouillon sur des décisions récentes sans appel au modèle : la suggestion de l'explicateur reste en brouillon et n'est jamais publiée. - Canonical URL: https://lumtry.com/fr-CA/guides/simulate-a-policy-before-publishing - Last updated: 2026-09-26 Avant de publier une nouvelle version de politique, Lumtry peut la rejouer par rapport à des dossiers récents sans aucun appel à un modèle : le même brouillon, la même fenêtre et le même point dans le temps produisent toujours le même résultat. Un explicateur peut proposer une modification de règle à partir de cette relecture, mais elle n'atterrit jamais que comme suggestion en attente dans votre brouillon, jamais comme publication. ## Que fait réellement tourner une simulation de politique? Le même évaluateur de politique déterministe et le même verrou plancher qu'un dossier réel, rejoués sur une fenêtre de décisions récentes en date d'un point dans le temps que vous choisissez. Rien dans une simulation n'appelle un modèle ni n'écrit dans une version publiée. ## Une simulation donnera-t-elle la même réponse deux fois? Oui. Le même brouillon, la même fenêtre et le même point de référence produisent des résultats identiques bit pour bit chaque fois; c'est ce déterminisme qu'une porte de mise en production vérifie avant que la plateforme ne livre. ## Qu'ajoute l'explicateur par-dessus une simulation? L'explicateur lit les résultats d'une simulation et peut rédiger une modification de règle candidate. L'accepter ajoute cette règle à votre brouillon, marquée comme suggestion de l'IA; elle ne publie jamais d'elle-même, et la version publiée active de votre espace de travail ainsi que son historique restent intacts jusqu'à ce que vous publiiez. ## Simuler une politique est-il offert sur tous les forfaits? Oui, la simulation est gratuite sur tous les forfaits, sans aucun appel à un modèle. L'explicateur qui propose une règle nécessite le droit Suggestions de règles par IA, inclus avec Growth, Scale ou un essai. ## Simuler un brouillon et réviser une suggestion en cinq étapes 1. **Rédiger ou modifier votre politique en brouillon**: Modifiez les règles dans une version brouillon; rien de ce que vous simulez ne touche à la version sur laquelle s'appuient vos dossiers réels. 2. **Choisir une fenêtre et un point dans le temps**: Choisissez les décisions récentes à rejouer et le moment auquel les évaluer, pour que la simulation reflète une tranche précise de votre historique. 3. **Lancer la simulation**: Le brouillon rejoue à travers le même évaluateur et le même verrou plancher qu'utilise un dossier réel, sans aucun appel à un modèle, et renvoie le même résultat chaque fois que vous le lancez sans le modifier. 4. **Lire la suggestion de l'explicateur, si elle apparaît**: Là où le droit Suggestions de règles par IA est actif, un explicateur peut proposer une règle candidate à partir de la relecture, présentée comme une suggestion en attente que vous pouvez accepter, modifier ou ignorer. 5. **Publier seulement quand vous êtes prêt**: Accepter une suggestion l'ajoute au brouillon; publier demeure une étape distincte et explicite qui démarre une nouvelle version de politique. ## Questions fréquentes ### Une simulation change-t-elle ce que décident mes dossiers réels? Non. Elle s'exécute uniquement contre votre brouillon; une version de politique publiée est immuable une fois en vigueur, et simuler ne la modifie ni ne la remplace jamais. ### Puis-je être certain qu'une simulation n'a pas discrètement appelé un modèle? Oui. La simulation est bâtie uniquement à partir de l'évaluateur de politique pur et du verrou plancher pur; une porte de mise en production traite tout appel à un modèle pendant une simulation comme un échec. ### Accepter une suggestion de l'explicateur publie-t-il ma politique? Non. Accepter ajoute la règle suggérée à votre brouillon avec une étiquette de suggestion de l'IA. Votre version publiée active et le nombre de versions que vous avez publiées restent exactement les mêmes jusqu'à ce que vous publiiez vous-même. ### Qui peut voir qu'une règle provient de l'explicateur? Quiconque révise le brouillon. Une suggestion acceptée porte sa provenance de suggestion de l'IA dans le brouillon, si bien qu'elle n'est jamais indiscernable d'une règle que vous avez écrite vous-même. ## Related - [Accueil](https://lumtry.com/fr-CA/index.md): Décidez des remboursements selon une politique versionnée, confiez les exceptions à votre équipe dans Slack ou le tableau de bord et gardez tout au dossier. - [Guides](https://lumtry.com/fr-CA/guides.md): Des guides qui répondent d'abord sur les remboursements, retours, rétrofacturations, approbations et pistes d'audit pour les boutiques en ligne. - [Approbations Slack pour Stripe](https://lumtry.com/fr-CA/guides/slack-refund-approvals-for-stripe.md): Comment acheminer vers Slack les remboursements Stripe qui exigent une personne, les approuver depuis le message et garder le tableau de bord comme source de vérité. - [Approbations vocales](https://lumtry.com/fr-CA/guides/voice-refund-approvals.md): Comment un appel sortant permet à un approbateur de confirmer un remboursement retenu loin de Slack et du tableau de bord, avec la réponse enregistrée. - [Abus de retours](https://lumtry.com/fr-CA/guides/return-abuse-screening.md): Comment noter les demandes selon l'historique, les retours manquants et les valeurs inhabituelles, et retenir les dossiers à risque sans ralentir les bons clients. - [Preuves de rétrofacturation](https://lumtry.com/fr-CA/guides/chargeback-evidence-automation.md): Comment réunir les preuves de litige à partir des commandes, de la politique et de la piste d'audit pour que chaque réponse parte d'un dossier complet. - [Piste d'audit](https://lumtry.com/fr-CA/guides/refund-audit-trail.md): Ce qu'une piste d'audit des remboursements doit contenir, pourquoi elle doit être en ajout seulement, et cinq étapes pour en bâtir une solide. - [Agents d'IA et MCP](https://lumtry.com/fr-CA/guides/mcp-refunds-for-ai-agents.md): Comment des assistants d'IA consultent des dossiers et proposent des remboursements par le Model Context Protocol, pendant que politique et personnes décident. - [Offres de fidélisation](https://lumtry.com/fr-CA/guides/retention-offers-before-refund.md): Quand offrir du crédit en magasin, un échange ou un remboursement partiel avant de rendre l'argent, et comment une politique choisit la bonne offre. - [Places de marché](https://lumtry.com/fr-CA/guides/multichannel-marketplace-refunds.md): Comment réunir les remboursements de votre boutique, d'Amazon et d'eBay dans une seule file, avec une politique par canal et une seule piste d'audit. - [Décisions de l'IA et contestations](https://lumtry.com/fr-CA/guides/ai-decision-record-and-contest.md): Comment Lumtry enregistre chaque décision de remboursement assistée par l'IA et permet à un acheteur de la contester, une personne révisant et tranchant le résultat. - [Règles de remboursement canadiennes](https://lumtry.com/fr-CA/guides/canadian-refund-rules-for-merchants.md): Ce que le Québec et l'Ontario exigent pour la vente en ligne, pourquoi une politique affichée peut créer un risque juridique, et comment l'écrire dans Lumtry. - [Tarifs](https://lumtry.com/fr-CA/pricing.md): Forfaits Lumtry selon le volume de dossiers et les sièges, du forfait gratuit à Entreprise, avec modules et frais plafonnés. Commencez gratuitement. - [Serveur MCP](https://lumtry.com/fr-CA/developers/mcp.md): Reliez un assistant IA ou votre propre agent à votre espace de remboursement grâce au Model Context Protocol. Il lit les dossiers et propose, sans déplacer d'argent. - [Confiance](https://lumtry.com/fr-CA/trust.md): Comment Lumtry protège les données des marchands, encadre l'IA par une politique déterministe, nomme ses sous-traitants et explique la conservation des données. - [llms.txt](https://lumtry.com/llms.txt)