L’intelligence artificielle générative peut produire une synthèse de recherche en quelques secondes, mais la fluidité d’un texte ne garantit pas son exactitude. Le modèle peut mal interpréter un rapport réel, présenter comme authentique une source qui n’existe pas ou mêler des informations obsolètes aux conditions actuelles. Une bonne procédure de vérification ne consiste donc pas simplement à cliquer sur les liens figurant dans la réponse. Il faut examiner séparément le lien entre chaque affirmation importante et les éléments censés l’étayer.
Le NIST désigne par le terme « confabulation » les contenus faux ou erronés que l’IA générative présente avec assurance. Le profil de risque de l’institution indique que ce problème peut découler du fonctionnement probabiliste des modèles et qu’il devient particulièrement important dans les réponses longues et ouvertes ainsi que dans les domaines exigeant une grande exactitude. Le rapport AI Index 2026 de Stanford HAI montre lui aussi que l’augmentation des capacités n’a pas fait disparaître le problème de fiabilité : il relève d’importants écarts entre les taux d’erreur des modèles dans certains tests d’exactitude particulièrement difficiles. La conclusion est simple : un modèle plus récent ou mieux noté n’est pas automatiquement fiable pour toutes les questions.
1. Commencez par décomposer la réponse en affirmations
N’essayez pas de vérifier un long texte comme un tout. Isolez les chiffres, les dates, les noms de personnes et d’institutions, les caractéristiques de produits, les résultats de recherches, les dispositions juridiques et les relations de cause à effet. « Le nouveau système est plus sûr » ne constitue pas une seule affirmation : il faut également demander à quelle version il a été comparé, selon quels critères la sécurité a été évaluée et à quelle date le résultat était valable.
Vous pouvez répartir les affirmations entre trois niveaux de risque :
- Risque faible : informations générales dont l’inexactitude ne causerait qu’un désagrément mineur.
- Risque moyen : informations susceptibles d’entraîner une perte de temps ou d’argent, par exemple dans le cadre d’un achat, d’un voyage ou d’un projet professionnel.
- Risque élevé : décisions concernant la santé, le droit, les finances, la sécurité ou ayant des conséquences pour autrui.
Plus le risque augmente, plus les éléments de preuve exigés doivent être solides. Pour une question à haut risque, la réponse de l’IA ne doit pas constituer la décision elle-même, mais une première liste de questions à examiner. Consultez si nécessaire un professionnel compétent.
2. Vérifiez que la source existe réellement
Le fait que le titre d’un article ait une apparence universitaire ne signifie pas que cet article a été publié. Ouvrez directement le lien et vérifiez que l’auteur, l’éditeur, la date et le titre du document correspondent aux informations données dans la réponse. Si un DOI est indiqué, recherchez-le sur le site de l’éditeur ou auprès d’un service d’enregistrement comme Crossref. Pour une affirmation portant sur une réglementation officielle, essayez d’accéder au texte réel de la réglementation ; pour une caractéristique de produit, consultez la documentation d’assistance à jour du fabricant ; et pour une statistique, recherchez le tableau de l’institution qui a produit les données.
Si le lien ne s’ouvre pas, ne vous fiez pas uniquement à la forme de l’URL. Recherchez le titre entre guillemets, consultez le profil institutionnel de l’auteur et vérifiez si le document figure dans les archives de publication. Si vous n’en trouvez aucune trace, considérez la source comme non vérifiée. Demander simplement un autre lien au modèle ne suffit pas, car ce second lien peut lui aussi être inventé.
3. La source étaye-t-elle réellement l’affirmation ?
La mention d’une source authentique ne signifie pas que l’affirmation est vérifiée. Après avoir ouvert le document, recherchez dans la page le chiffre ou la formulation concernés. Comparez la conclusion tirée par l’IA à ce que dit réellement la source. Par exemple, si une étude examine uniquement un petit groupe de participants dans un pays donné, son résultat ne peut pas être présenté comme valable pour l’ensemble des utilisateurs. Une étude établissant une corrélation ne démontre pas non plus, à elle seule, un lien de causalité.
Soyez particulièrement attentif aux erreurs suivantes :
- Confondre un pourcentage et un point de pourcentage.
- Omettre la taille de l’échantillon ou la date de l’étude.
- Présenter une prépublication comme un article évalué par les pairs.
- Considérer une affirmation issue d’un communiqué de presse comme le résultat d’une recherche indépendante.
- Présenter une source comme étayant un résultat précis alors qu’elle ne fait qu’aborder le sujet.
- Supposer qu’un ancien prix, une ancienne loi ou une ancienne caractéristique de produit est toujours d’actualité.
4. Utilisez conjointement une source primaire et une source indépendante
Une source primaire est l’élément de preuve le plus proche du document d’origine sur lequel repose l’affirmation, comme un article de recherche, une norme technique, une décision de justice, une base de données officielle ou la page d’assistance d’un fabricant. Les institutions peuvent cependant présenter leurs propres produits ou résultats sous un jour favorable. Il convient donc de comparer les affirmations importantes à une seconde source fiable et indépendante.
La reformulation d’un même communiqué de presse par deux sites d’actualité ne constitue pas deux confirmations indépendantes. Retrouvez la source initiale citée dans les articles et déterminez si les publications s’appuient sur les mêmes données. Un véritable recoupement doit, dans la mesure du possible, mettre en regard des sources utilisant des méthodes de collecte différentes ou représentant des intérêts institutionnels distincts.
5. Vérifiez la date et la version
Les outils d’IA, les prix, les fonctionnalités et les règles évoluent rapidement. Ajoutez la question « À quelle date ? » à chaque note de vérification. Pour une recommandation de logiciel, consignez la version du produit ; pour un texte juridique, la date d’entrée en vigueur ; et pour une actualité scientifique, la date de publication ou de mise à jour de l’étude. La date affichée dans les résultats de recherche peut différer de celle de la dernière mise à jour indiquée sur la page.
Demander au modèle « les informations les plus récentes » ne prouve pas qu’il a accès à des données en temps réel. Si la réponse ne contient ni date explicite, ni lien direct, ni document vérifiable, ne considérez pas l’information comme actuelle. Ouvrez la page à jour de la source plutôt que de vous fier à des résumés mis en cache.
6. Évaluez la réponse à l’aide de preuves, pas en répétant la question
Poser la même question au modèle en utilisant d’autres mots peut révéler des incohérences, mais ne permet pas d’établir la vérité. Un modèle peut répéter deux fois la même erreur ; deux modèles différents peuvent également avoir été influencés par le même texte erroné publié sur Internet. Par conséquent, « un autre modèle a dit la même chose » ne constitue pas une preuve indépendante.
Une instruction plus utile pourrait être formulée ainsi : « Répartis dans un tableau les affirmations vérifiables de cette réponse. Pour chacune, indique une source directe, la date de publication, la section pertinente et le niveau d’incertitude. Signale clairement les points pour lesquels tu ne trouves aucune source. » Vérifiez ensuite vous-même le tableau. Le fait qu’un modèle exprime son incertitude est un signe positif, mais ne remplace pas la vérification.
7. Créez un tableau de preuves simple
Quatre colonnes suffisent pour les recherches importantes : affirmation, source directe, preuve trouvée dans la source et décision. Dans le champ de décision, utilisez des mentions telles que « vérifiée », « partiellement vérifiée », « contradictoire » ou « aucune preuve trouvée ». Ainsi, les phrases impressionnantes mais non étayées n’auront pas le même poids que des preuves solides.
Si une affirmation apparaît uniquement sur une page de synthèse, consultez le document complet. Si vous ne pouvez pas lire le tableau ou la méthode dans un fichier PDF, consignez cette difficulté comme une limite. Ne confirmez pas une source inaccessible comme si vous l’aviez examinée. Avant de téléverser des documents personnels, confidentiels ou institutionnels dans des services d’IA accessibles au public afin de les faire vérifier, consultez également la politique relative aux données et les règles de votre organisation.
Dernière vérification avant publication
Chaque chiffre et chaque citation directe du texte doivent être accompagnés d’une source, dont le titre, la date et l’URL doivent être contrôlés en l’ouvrant. Dans la mesure du possible, les documents primaires doivent être privilégiés par rapport aux commentaires, et les conclusions importantes doivent être comparées à des preuves indépendantes. Les phrases susceptibles de devenir obsolètes doivent être assorties d’un contexte temporel ; les points invérifiables doivent être supprimés ou clairement signalés comme incertains.
L’intelligence artificielle peut accélérer les recherches, établir des liens entre les sources et préparer des listes de contrôle. Il incombe néanmoins à l’utilisateur d’évaluer la qualité et l’actualité des preuves, ainsi que de déterminer si elles suffisent pour prendre une décision. L’approche la plus sûre consiste à considérer le modèle non comme l’autorité ultime, mais comme un assistant de recherche qui fait émerger des affirmations dont chaque conclusion importante doit être vérifiée.