Ein gemessener Schwellenwert ist immer noch nur eine Zahl in einem Bericht, bis irgendetwas entscheidet, was damit zu tun ist, und die ehrliche Antwort auf "was soll entscheiden" erwies sich als eigenes kleines Stück Engineering, nicht nur als gute Absichten bezüglich Code-Review.

Der entstandene Mechanismus hat drei getrennte Stufen, und die Trennung zwischen ihnen ist das eigentliche Design, keine zufällige Struktur. Vorschlag interpretiert einen bereits berechneten Sweep — er konsumiert dieselben Sweep-Zeilen, die das Kalibrierungsskript erzeugt, ausgeführt mit einer feineren Auflösung von 0,01 über einen breiteren Bereich als der ursprüngliche grobe Durchlauf, und berechnet nie selbst eine Distanz neu oder leitet eine Verwechslungsmatrix neu her. Sein einziges wirklich neues Stück Logik ist eine deterministische Empfehlungsregel: die bindende Beschränkung finden — dasselbe Konzept, das die Schwellenwert-Arbeit des vorigen Kapitels bereits benannte — und einen dokumentierten Spielraum von 1,25× anwenden, eine Ingenieurs-Ermessenskonstante, gewählt, um dieselbe Größenordnung an Puffer anzunähern, die eine menschliche Kalibrierung bereits genutzt hatte, nicht aus den Daten zurückgerechnet, um sie exakt zu treffen. Validierung prüft den entstehenden Vorschlag ausschließlich auf innere Stimmigkeit: Kein bekannter True Positive regressiert beim vorgeschlagenen Wert, die Rangordnung unter den Schwellenwerten des Abgleichs gilt weiterhin sowohl für die aktuelle als auch die vorgeschlagene Konfiguration, jede Kennzahl ist eine endliche Zahl in einem sinnvollen Bereich, und die dem Vorschlag zugewiesene Konfidenz widerspricht sich nicht selbst. Sie ist bewusst unfähig zu beurteilen, ob ein Vorschlag gut ist; dafür ist deterministische Validierung nicht gedacht. Konfidenz ist ein separates regelbasiertes Modell, das bei "hoch" beginnt und sich nur nach unten bewegen kann — ein disqualifizierendes Signal, etwa ein regressierender True Positive, springt direkt zu "niedrig", und jedes andere Signal kann die Stufe nur von dort herabziehen, wo sie gerade steht, nie wieder hinauf.

Heute gegen die echte veröffentlichte Bibliothek ausgeführt, reproduziert diese Pipeline den exakten Produktionswert, ohne ihn zu ändern: Der feine Sweep findet dieselbe bindende Beschränkung von 0,12, die die frühere manuelle Kalibrierung fand, und 0,12 mal dem Spielraumfaktor 1,25 ergibt 0,15 — den live aktiven Schwellenwert, exakt. Der sekundäre Stufenwert leitet sich auf dieselbe Weise ab und reproduziert seinen eigenen Live-Wert exakt. Das ist weniger ein Zufall, den man feiern sollte, als das korrekte Ergebnis für einen Validierungsschritt: Der Mechanismus hat keine bessere Zahl erfunden, er hat bestätigt, dass die Zahl, die ein Mensch bereits von Hand gefunden hatte, die Zahl war, die die Evidenz tatsächlich stützte. Die diesem Vorschlag zugewiesene Konfidenz ist "hoch" — aber die Begründung hinter diesem Wort lohnt einen direkten Blick, weil das Modell sich nicht einfach selbst zustimmt. Es beginnt jeden Lauf bei "hoch" und bewegt sich von dort nur nach unten: Unter zwanzig veröffentlichten Fotos in der Bibliothek weigert es sich, irgendetwas "hoch" zu nennen, egal wie sauber die zugrunde liegenden Zahlen aussehen; über einer festen familienübergreifenden Falsch-Positiv-Rate dieselbe Weigerung, unabhängig von der Stichprobengröße. Der aktuell existierende Lauf besteht beides — eine Bibliothek mit 26 Fotos, eine familienübergreifende Falsch-Positiv-Rate von 12,3 %, 65 % der repräsentativen Farben der Farbfamilien durch mindestens einen echten Produktionstreffer belegt. Jede dieser Zahlen ist eine, die der Mechanismus geprüft hat, keine, die er angenommen hat. Konfidenz ist hier nicht das Modell, das ausdrückt, wie es sich bei seiner eigenen Antwort fühlt. Es ist eine feste Menge dokumentierter Untergrenzen, und ein Vorschlag, der eine davon nicht besteht, darf sich nicht sicher nennen, egal wie exakt die resultierende Zahl am Ende ist.

Was der Mechanismus bewusst nicht tut, ist genauso Teil des Designs wie das, was er tut. Es gibt keinen Weg von einem validierten, hochkonfidenten Vorschlag zur Live-Konfigurationsdatei — einen Vorschlag zu aktivieren bedeutet immer noch, dass ein Mensch die Farbabgleichs-Konfiguration öffnet und ein gewöhnliches Code-Review durchläuft, weil kein automatischer Aktivierungsmechanismus existiert, oder existieren sollte. Es gibt keine Datenbanktabelle, die eine Vorschlagshistorie speichert, keine Persistenz über den einzelnen Markdown-Bericht hinaus, den ein gegebener Lauf erzeugt — bewusst, bis ein Teilsystem den vollständigen Lebenszyklus ein paar Mal von Hand bewiesen hat und die zugrunde liegenden Daten über den Punkt hinausgewachsen sind, an dem Rauschen aus kleinen Stichproben das Bild dominiert. Ein Vorschlag ist eine Empfehlung mit angehängten Belegen, kein Hebel.

Dieselbe dreistufige Form wurde ein zweites Mal, unabhängig, auf Stimmung angewendet — und diese zweite Anwendung ist es, die tatsächlich beweist, dass der Mechanismus ein echtes Framework ist und kein Einmal-Skript im Rigor-Kostüm. Gegen eine echte Produktions-Momentaufnahme von 25 veröffentlichten Fotos ausgeführt, hatte jede kuratierte Stimmungsfamilie mindestens einen echten Treffer, keine Stimmung scheiterte daran, sich selbst zu treffen, und die gemessenen Ähnlichkeiten waren über getrennte Läufe hinweg stabil, innerhalb von Fließkomma-Rauschen — nie nah daran, den Referenz-Schwellenwert in irgendeine Richtung zu überschreiten, in keinem der beiden Läufe. Das Ergebnis dieses Laufs war "keine Änderung nötig", bei Konfidenz "hoch", mit bestandener Validierung. Ein Kalibrierungsmechanismus, der immer nur Änderungen empfehlen kann, misst eigentlich nichts — er ist nur ein Änderungsgenerator im Rigor-Kostüm. Einer, der unabhängig und korrekt zu dem Schluss kommen kann "der aktuelle Wert ist bereits richtig", tut etwas strukturell anderes, und das zu tun erforderte in beiden Fällen dieselbe Sorgfalt: dieselben Evidenzanforderungen, dieselben Validierungsprüfungen, dieselbe ehrliche Konfidenzbuchhaltung.

Genau diese Untergrenze der Datensatzgröße war es, die ursprünglich ein separates Stück Tooling motivierte. Jeder Kalibrierungslauf bis zu einem bestimmten Punkt — Farbe wie Stimmung gleichermaßen — war gegen eine kleine lokale Entwicklungsdatenbank gelaufen, nicht gegen den echten veröffentlichten Korpus, und eine kleine Bibliothek ist genau die Bedingung, über die dieses Konfidenzmodell existiert, um ehrlich zu sein. Das zu beheben bedeutete, ein Skript zu bauen, das eine transaktional konsistente Momentaufnahme der Produktionsdatenbank zieht — eine vollständige Dateikopie statt einer inkrementellen, gerade weil in der Produktionsumgebung kein leichteres Werkzeug für eine live, gleichzeitig beschriebene Datei verfügbar ist —, im Nachhinein durch eine Integritätsprüfung verifiziert, die exakt "ok" zurückgeben muss, mit gegen Injection gehärteter Befehlskonstruktion und einem validierten Zielpfad, sodass er niemals versehentlich die lokale Entwicklungsdatenbank überschreiben kann. Jedes Kalibrierungsskript akzeptiert diese Momentaufnahme jetzt als expliziten Input, statt anzunehmen, was auch immer lokal auf der Festplatte liegt, sei repräsentativ.

Die übertragbare Lektion hat drei Teile, und keiner funktioniert ohne die anderen beiden. Erstens: Eine Schwellenwert-Empfehlung und eine angewendete Konfigurationsänderung sind verschiedene Dinge, absichtlich durch einen menschlichen Entscheidungspunkt getrennt — das Zweite ohne das Erste zu automatisieren ist, wie aus einem subtil falschen Sweep ein subtil falscher Produktionswert wird, ohne dass jemand im Loop ist. Zweitens: Ein Kalibrierungsmechanismus muss mit derselben Evidenz und derselben Sorgfalt "nichts muss sich ändern" sagen können, mit der er "ändere dies" sagt, sonst misst er nichts — er schlägt nur vor. Drittens, und am leichtesten übersehen: Die Ehrlichkeit von alldem ist begrenzt durch die Ehrlichkeit dessen, wogegen gemessen wird, und ein Konfidenzmodell, das seinen eigenen Datensatz nicht sehen kann, ist zu klein, um zu vertrauen, dass es das Problem tatsächlich gelöst hat — es hat nur einen präziseren Weg gefunden, es zu beschreiben.

Nichts davon beantwortet allerdings eine andere, härtere Frage, die in dem Moment aufkommt, in dem es tatsächlich nichts Zuverlässiges mehr zu messen gibt — nicht eine Bibliothek, die jede Untergrenze besteht, die dieses Modell prüft, sondern eine echte Abwesenheit: ein Feld, das nie jemand befüllt hat, ein Wort, das nur einmal vorkommt, eine Kategorie ohne klaren Nachbarn. Konfidenz-Eigentümerschaft sagt einem, was zu tun ist, sobald man eine Zahl hat. Sie sagt noch nichts darüber, was ein System tun soll, wenn es keine gibt.