Pourquoi une information fausse paraît-elle crédible quand une IA la raconte ?

Voilà l’enjeu, en trois lignes. Le problème n’est pas que l’intelligence artificielle s’est trompée. Le problème est que son erreur portait l’uniforme de l’exactitude. Et qu’un tiers sérieux, un investisseur aguerri, l’a d’abord crue.

Ce dirigeant n’est pas un cas isolé. Chaque jour, des dirigeants découvrent ce que ChatGPT, Claude, Gemini ou Perplexity racontent sur eux, sur leur entreprise ou sur leur secteur. Certains cherchent à comprendre pourquoi un concurrent est davantage cité qu’eux. D’autres tombent sur une information erronée déjà en circulation. D’autres encore s’interrogent simplement sur leur visibilité dans les moteurs d’intelligence artificielle. Tous se heurtent à la même énigme : pourquoi ces machines paraissent-elles si sûres d’elles ?

C’est le troisième volet d’une réflexion que je mène depuis plusieurs mois. J’ai d’abord montré que les intelligences artificielles constituent sur nous une mémoire qui échappe au contrôle des personnes concernées. J’ai ensuite montré que le droit à l’oubli ne suffit plus lorsqu’une information a déjà été absorbée par ces systèmes. Mémoire, puis persistance. Restait la question la plus dérangeante : la crédibilité. Pourquoi croit-on ce que ces machines racontent ?

Pourquoi les réponses des IA paraissent-elles si convaincantes ?

Parce qu’une intelligence artificielle restitue le faux dans la forme du vrai. Elle produit un texte fluide, daté, structuré, au format d’une source vérifiée, sans aucun lien entre cette forme et la réalité de ce qu’elle décrit. Le lecteur juge la crédibilité sur ces signes de forme, hérités d’une époque où ils étaient coûteux à imiter.

Nous croyons savoir reconnaître ce qui est sérieux. Une phrase bien construite, un ton assuré, une référence au format impeccable, une date précise. Ces marqueurs ne sont pas anodins. Pendant des siècles, ils ont fonctionné comme des raccourcis fiables, parce que les produire supposait un effort réel. Une citation au format exact d’un jugement signalait que quelqu’un avait consulté ce jugement. Un numéro de licence signalait qu’une autorité l’avait délivré.

Un modèle de langage n’a aucun de ces engagements derrière sa production. Il génère la suite de mots la plus probable au regard de tout ce qu’il a vu, et le texte plausible ressemble, par construction, au texte crédible. La forme est restituée à l’identique. Le lien entre cette forme et la vérité, lui, a disparu.

C’est pourquoi je refuse la formule paresseuse selon laquelle l’IA « rendrait le faux crédible ». Le faux ne devient pas plus digne de confiance, il devient mieux habillé. La nuance n’est pas cosmétique, elle est tout le sujet.

L’IA a-t-elle rendu le faux plus crédible, ou le crédible plus imitable ?

Elle a rendu le crédible plus imitable. Pendant des siècles, nous avons appris à faire confiance à certains signes de crédibilité parce qu’ils étaient difficiles à falsifier. Pour la première fois, leur apparence peut être reproduite à coût presque nul. La rupture n’est donc pas que la machine tromperait mieux, mais que les repères servant à distinguer le fiable du douteux deviennent imitables.

Les faits qui le démontrent sont établis et datés. Dans la justice, la citation d’un jugement est l’archétype du signe coûteux : il a fallu un tribunal, une procédure, un greffe. La base de données tenue par Damien Charlotin, chercheur à HEC Paris, recensait au début 2026 plus de 1 200 affaires dans le monde où une IA avait produit des citations juridiques inexistantes, soumises à de vrais tribunaux, contre 719 en janvier de la même année. En mars 2026, une cour d’appel fédérale américaine a sanctionné deux avocats dans l’affaire Whiting v. City of Athens pour plus de vingt-quatre citations fabriquées, parfaitement mises en forme.

Dans la science, chaque référence d’un article affirme implicitement qu’une source vérifiable existe et soutient la thèse avancée. Une étude publiée dans The Lancet le 7 mai 2026, conduite par l’équipe de Maxim Topaz à l’université Columbia, a audité 2,5 millions d’articles biomédicaux et identifié plus de 4 000 références fabriquées, dans près de 2 800 articles. La fréquence est passée d’environ un article sur 2 800 en 2023 à un sur 277 au début 2026, une multiplication par douze, concomitante de la diffusion des outils d’écriture automatique.

Ces deux mondes, le droit et la recherche, ont mis des siècles à bâtir leurs systèmes de preuve.

Ce sont les plus exigeants que nous ayons. Et ils se font infiltrer par des objets qui ont tout l’air vrais. La leçon pour un dirigeant est directe : si la mise en forme de la preuve passe la revue par les pairs et le contrôle d’un magistrat, elle passera votre biographie générée par une IA.

Je distingue ici ce qui est établi de ce qui relève de ma lecture. Que l’apparence des signes de crédibilité soit désormais imitable à coût quasi nul, c’est un fait, mesuré. Que cela explique pourquoi une audience croit spontanément une réponse d’IA, c’est mon interprétation, et je la donne comme telle. Une chronique qui parle de crédibilité ne peut pas se permettre de sur-affirmer.

Que disent réellement les IA à mon sujet, et sur quelles sources s’appuient-elles ?

Vous ne le savez pas tant que vous ne l’avez pas vérifié, et la réponse varie d’un modèle à l’autre. Les sources que les IA citent se sont largement détachées des résultats de Google. Un dirigeant peut être correctement décrit par un modèle, déformé par un autre, et constater qu’un concurrent moins exposé est davantage cité, sans que rien dans son classement de recherche ne l’explique.

Ce découplage est documenté. Selon une analyse d’Ahrefs reprise en 2026, 28,3 % des pages les plus citées par ChatGPT n’avaient aucune visibilité organique sur Google. La société d’analyse Brandlight estimait pour sa part que le recouvrement entre les premiers liens Google et les sources citées par les IA était tombé de 70 % à moins de 20 %. Autrement dit, votre position acquise sur les moteurs traditionnels ne garantit plus rien sur ce que les modèles retiennent et restituent.

Pour un dirigeant, cela transforme des questions abstraites en questions opérationnelles. Sur quelles sources un modèle s’appuie-t-il pour me décrire ? Mon récit est-il cohérent de ChatGPT à Gemini, de Claude à Perplexity ? Mon concurrent occupe-t-il, dans ces réponses, une place que je crois encore tenir ? Ce sont les bonnes questions, et la plupart des dirigeants ne se les sont jamais posées.

Deux notions méritent d’être nommées avec précision, car les modèles eux-mêmes les restituent mal. L’ingestion d’entraînement désigne l’absorption d’une information dans les données qui ont servi à construire le modèle ; une fois ingérée, elle ne se retire pas comme on déréférence un lien. La citation par l’IA désigne le fait, distinct, qu’un modèle s’appuie sur une source au moment de répondre. La première relève de la mémoire, la seconde de la mise en récit. Confondre les deux conduit à des stratégies de réputation inefficaces.

Pourquoi les dirigeants doivent désormais auditer leur réputation dans les IA

Parce que leur réputation réelle et la réputation que les IA restituent ont cessé de coïncider. Un dirigeant peut être respecté dans son secteur et mal représenté par un modèle, ou moins cité qu’un concurrent. Sans audit de perception IA, cet écart reste invisible jusqu’au jour où un tiers le découvre à sa place. Je parle des dirigeants mais c'est aussi vrai pour tous les professionnels mais aussi les personnes publiques, personnalités...

Tant que les marqueurs de crédibilité étaient coûteux à imiter, la réputation restituée par un tiers suivait à peu près la réputation réelle. Ce n’est plus le cas. La même mécanique qui permet d’habiller une information fausse aux couleurs du vrai permet à une représentation approximative d’un dirigeant, ou d’une entreprise, de circuler avec l’assurance d’un fait établi. L’écart entre ce que vous êtes et ce que les modèles disent de vous n’est plus garanti de rester faible.

Auditer sa réputation dans les IA, ce n’est pas surveiller une mention isolée. C’est mesurer plusieurs choses qui, hier, n’existaient pas comme objets de pilotage : votre visibilité dans ChatGPT et les autres moteurs, la fréquence à laquelle vous êtes cité dans les réponses, la cohérence de votre récit d’un modèle à l’autre, la place qu’y occupent vos concurrents, et l’influence réelle que vous y exercez par rapport à celle que vous croyez détenir. Ce sont des indicateurs de gouvernance, au même titre qu’un risque juridique ou financier.

C’est pourquoi je considère désormais la perception par les IA comme une donnée de direction, et non comme un simple sujet de communication. La réputation des dirigeants dans les IA se construit parfois à votre insu, dans des systèmes que vous n’avez pas choisis, et appelle la même rigueur qu’un actif que l’on protège. La question n’est pas de savoir si les modèles parlent de vous. Ils le font déjà. La question est de savoir si vous l’avez vérifié avant ceux qui décideront sur cette base.

Comment savoir si une information erronée circule déjà sur moi dans les IA ?

En conduisant un audit de perception IA : interroger plusieurs modèles sur soi, sur son entreprise et son secteur, comparer les réponses, et remonter les sources citées. C’est le seul moyen de savoir si une affirmation fausse circule déjà, si elle est cohérente d’un modèle à l’autre, et avec quelle assurance elle est présentée.

Le risque n’est plus théorique, et il vise des personnes nommées. En mai 2026, l’État de Pennsylvanie a poursuivi la société Character.AI parce que ses agents conversationnels se présentaient comme des professionnels de santé. L’un d’eux affirmait être psychiatre, avoir étudié à l’Imperial College de Londres, être autorisé à exercer, et il a fourni un faux numéro de licence médicale. Le marqueur dont la fonction sociale même est d’être impossible à improviser avait été inventé sur mesure, et présenté avec aplomb.

Plus troublant encore pour qui s’intéresse à la réputation des individus : début 2026, l’informaticien Guillaume Cabanac, de l’université de Toulouse, a été averti par Google Scholar qu’une de ses publications figurait dans les références d’un article de l’International Dental Journal, une revue étrangère à ses travaux. Il n’a pas reconnu sa propre référence : elle avait été fabriquée et accrochée à son nom. Le faux ne dégradait plus une catégorie en moyenne. Il s’accrochait à un nom propre. C’est exactement ce qui peut arriver à un dirigeant : une affirmation impeccablement formée, fausse, et liée à lui.

C’est ici que les trois volets de ma réflexion se rejoignent. Une information absorbée par un modèle y persiste. Si elle est fausse, sa persistance la rend familière. Et la familiarité, à son tour, nourrit la crédibilité. Mémoire, persistance, crédibilité : la même information parcourt les trois étapes, et chacune renforce la suivante. C’est le fil de mes deux chroniques précédentes : la mémoire des IA crée une réputation que vous ne contrôlez plus, puis le droit à l’oubli ne suffit plus face aux IA. Un audit conduit une fois ne suffit donc pas. La perception doit être surveillée comme une donnée qui se déforme lentement, pas comme un incident ponctuel.

Comment protéger sa réputation dans les moteurs IA lorsque le crédible devient imitable ?

En cessant de chercher à paraître crédible pour chercher à rester vérifiable. La protection durable ne consiste plus à produire davantage de signes de sérieux, puisque leur apparence est désormais imitable. Elle consiste à construire des affirmations dont la crédibilité tient indépendamment de leur forme, parce qu’un tiers peut les vérifier à la source.

Pendant des années, les dirigeants ont appris à produire des signes de crédibilité. Tribunes, prises de parole, distinctions, profils soignés. Cette compétence ne disparaît pas, mais elle cesse d’être suffisante, pour une raison simple : tout ce qui se fabrique se contrefait. La compétence qui prend le relais est d’un autre ordre. Elle consiste à appuyer ce que l’on dit de soi sur des éléments réauditables : un résultat déposé, une décision publique, un historique consultable, une source primaire que l’on peut pointer. Non pas des signaux qui ont l’air coûteux, mais des affirmations qui invitent leur propre vérification.

Cela suppose aussi une discipline d’entité. Un dirigeant doit veiller à ce que la description de qui il est, ce qu’il dirige, ce dont il répond, soit cohérente partout où les modèles vont la chercher. Une réputation incohérente d’une source à l’autre laisse au modèle le soin de trancher, et il tranche sans vous. C’est le cœur de ce que j’appelle la gouvernance de la réputation numérique : non pas contrôler ce que les machines disent, ce qui est illusoire, mais réduire les zones d’ombre qu’elles seraient tentées de combler à votre place.

La question n’est donc plus celle que les dirigeants se posent depuis vingt ans. Elle n’est plus « comment paraître crédible ». Dans un monde où l’apparence de la crédibilité se produit à coût presque nul, elle devient « comment rester vérifiable ». Ce déplacement n’est pas un détail technique. C’est une responsabilité, et elle vous revient. Les machines, elles, continueront d’habiller le vrai comme le faux du même costume. C’est à vous de faire en sorte que, sous le vôtre, il y ait quelque chose qui résiste à l’examen.

Ce qu’il faut retenir

• Une information fausse paraît crédible quand une IA la formule parce que la machine restitue la forme du vrai sans le lien à la vérité. Le lecteur juge sur des signes de forme autrefois coûteux à imiter.
• La rupture n’est pas que l’IA tromperait mieux. C’est que l’apparence de signes historiquement difficiles à falsifier se produit désormais à coût quasi nul.
• Les faits sont établis et datés : plus de 1 200 affaires de citations juridiques inventées recensées début 2026 (base Charlotin), plus de 4 000 références scientifiques fabriquées dans une étude du Lancet du 7 mai 2026, un faux numéro de licence médicale dans la plainte Pennsylvanie contre Character.AI en mai 2026.
• Les sources citées par les IA se sont détachées de Google : 28,3 % des pages les plus citées par ChatGPT sans visibilité organique selon Ahrefs (2026).
• La protection durable consiste à passer de « paraître crédible » à « rester vérifiable », en appuyant son récit sur des éléments réauditables et une description d’entité cohérente d’un modèle à l’autre.

Si ce que vous venez de lire vous parle, la prochaine étape a un nom.