La réponse d'une l'IA générative dépend du modèle, du contexte, et surtout de la manière dont la question est posée par l'utilisateur.
Reformulez la même demande avec une nuance d'incertitude, et la réponse change de tonalité. Glissez un présupposé dans la formulation, et le modèle l'épouse. Demandez confirmation d'une intuition, et la confirmation arrive. La machine s'adapte à l'utilisateur, là où l'instrument de bord ignore qui le manipule.
Ce comportement transforme l'outil en espèce de miroir sur lequel l'utilisateur projette ses propres biais. Ces biais existaient avant l'IA. Mais l'IA leur offre un terrain inédit, où ils opèrent à pleine puissance, souvent sans que l'utilisateur n'en perçoive la mécanique.
La suite de cet article est une cartographie de ces biais. Pas pour décréter que l'IA est dangereuse ou bénéfique, ce n'est qu'un outil. Mais pour qu'au moment de l'utiliser, on sache à quoi on a affaire, une fois installé devant ce miroir.
Une cartographie des biais qui s'activent face à une IA
L'anthropomorphisme spontané
Nous sommes câblés pour traiter ce qui parle comme un agent social. Byron Reeves et Clifford Nass l'ont documenté dans les années 1990 : nous appliquons aux machines qui interagissent avec nous des règles sociales (politesse, réciprocité, attribution d'intentions) sans en avoir conscience. Avec une IA conversationnelle, ce mécanisme s'emballe. L'utilisateur sait, rationnellement, qu'il s'adresse à un modèle statistique. Mais ses réflexes sociaux traitent l'échange comme une conversation avec un agent qui pense, hésite, comprend. La déférence et la gêne à contredire s'installent là où elles n'ont aucune raison d'être.
L'aisance prise pour la justesse
Daniel Kahneman parle de fluence cognitive pour décrire un mécanisme bien établi : nous interprétons la facilité avec laquelle une information se présente comme un indice de sa véracité. Une réponse bien structurée, grammaticalement propre, articulée par des transitions, produit une sensation de "ça sonne juste". Or l'IA est précisément optimisée pour produire cette surface lisse. Le signal qui, chez un humain, indiquait souvent une pensée travaillée, se trouve dissocié de toute garantie épistémique. La forme reste, le fond peut manquer, mais notre intuition n'a pas appris à faire la différence.
Capital linguistique et effet de halo
Pierre Bourdieu utilisait la notion de capital linguistique pour décrire la maîtrise de la langue légitime, qui confère du prestige indépendamment du contenu transmis. Une IA dispose d'emblée d'un capital linguistique élevé : orthographe sans faute, syntaxe correcte, registre adaptable, capacité à mobiliser un lexique spécialisé dans n'importe quel domaine. Cette maîtrise visible de la forme produit ensuite un effet de halo, mécanisme bien documenté en psychologie sociale par lequel un trait positif visible (ici, la qualité linguistique) contamine l'évaluation d'autres dimensions (ici, la justesse du contenu). La forme n'est pas un indice de qualité épistémique, mais elle est reçue comme tel.
La cohérence narrative préférée à la vérité
Nassim Nicholas Taleb parle d'erreur narrative pour décrire notre préférence pour les explications cohérentes plutôt que vraies. L'IA produit des récits parfaitement cohérents, parce que la cohérence textuelle est exactement ce que son entraînement optimise. Un raisonnement humain réel est souvent hésitant, troué, contradictoire, et ces aspérités sont parfois le signe qu'il est en prise avec la complexité du monde. L'IA lisse ces irrégularités. L'utilisateur prend la cohérence pour la vérité.
Le besoin de clôture cognitive
Le psychologue Arie Kruglanski a décrit le besoin de clôture comme la pression intérieure d'arriver à une réponse, n'importe laquelle, pour fermer une question ouverte. Ce besoin augmente sous fatigue, urgence, surcharge mentale. L'IA offre une clôture quasi systématique : elle ne dit presque jamais "je ne sais pas, attendons demain". Elle livre une réponse complète, immédiate, mise en forme. Pour un utilisateur en état de besoin de clôture élevé, c'est un soulagement qui court-circuite l'examen critique avant même qu'il n'ait lieu.
La paresse cognitive
Selon le "système 2" de Daniel Kahneman, la pensée lente et analytique demande un effort cognitif perçu comme coûteux. Le cerveau essaie de s'en passer s'il le peut. Quand une réponse plausible est déjà disponible, le coût d'aller la vérifier paraît élevé, et le bénéfice attendu, faible. Ce mécanisme est universel, pas un défaut individuel. L'IA installe les conditions de cette paresse en continu, là où d'autres situations ne les présentaient que par moments.
Le biais de confirmation élicité
Le biais de confirmation classique consiste à chercher des informations qui confirment ce qu'on pense déjà. Avec l'IA, il change de nature, l'utilisateur ne cherche plus la confirmation, il l'élicite, c'est-à-dire qu'il la fait produire par la manière même de formuler sa question. Le prompt orienté revient en réponse orientée, et la boucle se ferme sans que l'utilisateur perçoive qu'il l'a fermée lui-même. C'est une asymétrie dangereuse, parce qu'elle donne au biais le visage d'une réponse extérieure.
Le cadrage par le prompt
Une IA générative cherche la complétion la plus probable d'un texte, pas la vérité. Le prompt agit comme un entonnoir statistique : il restreint l'espace des réponses possibles avant même que le modèle ne commence à générer. Si la question contient un présupposé, une charge émotionnelle, une orientation, la réponse héritera de cette pente. Ce mécanisme se conjugue souvent avec le biais de confirmation, mais s'en distingue : on peut cadrer involontairement sans chercher de confirmation, par simple maladresse de formulation.
La dilution de la responsabilité
Bibb Latané et John Darley ont décrit le phénomène en psychologie sociale : quand une décision se prend à plusieurs, chacun se sent moins responsable. L'IA crée une fausse pluralité décisionnelle. L'utilisateur a "consulté", il y a eu un échange, il a l'impression d'une décision partagée. En réalité, il n'y avait personne d'autre. Mais le sentiment subjectif de responsabilité diminue comme s'il y avait eu un autre.
L'autorité épistémique vague
Stanley Milgram a documenté la puissance de l'autorité explicite, celle de la blouse blanche. Il existe une variante plus diffuse, celle de la "source vaguement experte". L'IA n'a pas de blouse blanche, mais elle est associée, dans l'esprit des utilisateurs, à de grandes entreprises technologiques, à la science, à un savoir collectif énorme. Cette autorité d'arrière-plan opère sans être invoquée. Douter de l'IA, c'est douter de quelque chose qui semble adossé à tout cela, alors qu'on doute en réalité d'une distribution de probabilités sur des séquences de mots. La disproportion entre la puissance perçue de l'IA et le mécanisme réel entrave la possibilité même du doute.
Le gradient d'autorité invisible
En aéronautique, le gradient d'autorité désigne l'écart de pouvoir perçu entre deux membres d'équipage, et la difficulté qui en découle pour le subordonné à contredire le supérieur. Un gradient trop fort tue, au sens littéral, des accidents comme celui de Tenerife en 1977 ont été reliés à cette dynamique. Les compagnies aériennes ont depuis longtemps travaillé à aplatir ce gradient par des protocoles de communication explicites, parce qu'on a compris que la vérité technique avait besoin de pouvoir remonter contre la hiérarchie.
Face à une IA, un gradient d'autorité s'installe sans que rien ne le signale. Aucun galon, aucun titre, aucune fonction explicite. Mais le capital linguistique, l'effet de halo, l'autorité épistémique vague et la cohérence du propos produisent ensemble une asymétrie ressentie. L'utilisateur se retrouve dans la position du subordonné qui hésite à contredire, sans avoir conscience d'être dans cette position, parce qu'il croit dialoguer avec un outil. La situation a une particularité : dans un cockpit, le commandant de bord existe, il a une compétence réelle qu'on peut au moins discuter sur ses bases. Avec l'IA, le gradient s'établit face à un système qui n'a ni compétence ni autorité au sens propre, seulement les signaux de surface qui les évoquent. C'est un gradient d'autorité sans autorité, ce qui le rend plus difficile à déconstruire qu'un gradient légitime.
L'évitement du conflit
Dans une conversation humaine, on évite souvent de pousser un contradicteur dans ses retranchements, par crainte du conflit. Avec une IA, ce frein n'a plus de fondement, on pourrait contredire sans aucun coût social. Mais le réflexe est importé tel quel. On accepte une réponse insatisfaisante comme on accepterait celle d'un interlocuteur humain par politesse.
Le transfert de la charge de la preuve
Dans une décision sans IA, c'est à l'utilisateur de produire des raisons. Avec une IA, les raisons arrivent toutes faites. La charge mentale bascule : il faudrait maintenant produire des raisons contre la réponse fournie. Or contre-argumenter est plus coûteux qu'accepter. Ce déplacement paraît mineur, il modifie pourtant la posture décisionnelle de fond en comble. L'utilisateur passe de proposant à objecteur, et un objecteur fatigué finit par se taire.
La séduction de la personnalisation
L'IA répond sur votre problème, dans votre contexte, avec votre vocabulaire. Cela active un sentiment de singularité de l'échange qui renforce sa valeur perçue. La personnalisation est pourtant superficielle : la même mécanique générale s'applique à des entrées différentes. Mais subjectivement, l'utilisateur a l'impression d'un conseil sur mesure, et sa confiance dépasse ce qui serait justifié.
Le vocabulaire technique comme signal d'autorité
Daniel Oppenheimer a montré qu'un texte truffé de termes complexes est jugé moins compétent par des lecteurs lettrés, mais plus compétent par des lecteurs moins armés sur le sujet. L'IA mobilise sans effort un registre soutenu et s'adapte à son interlocuteur, ajustant le niveau de jargon pour produire un effet d'autorité calibré. Cela fonctionne sur des publics très différents, par des leviers différents, ce qui en fait un mécanisme persuasif particulièrement efficace.
L'auto-renforcement de la confiance par l'usage
Plus une personne utilise une IA et reçoit des réponses qui lui semblent satisfaisantes, plus sa confiance augmente. Le problème, c'est que l'utilisateur n'a généralement pas les moyens de détecter les erreurs dans les domaines où il consulte, parce qu'il ne sait pas. Les occasions de calibrer la confiance, qui existent dans toute relation d'expertise humaine (voir l'expert hésiter, se contredire, être démenti par un confrère), se présentent rarement avec une IA. La confiance grandit faute de retour correcteur, ce qui est l'inverse d'un apprentissage sain.
La flagornerie algorithmique
La flagornerie est la tendance d'un modèle d'IA à donner la réponse qui flatte les opinions de l'utilisateur, même quand ces opinions sont factuellement douteuses. Ce phénomène a été étudié et documenté par les laboratoires qui développent ces modèles, parce qu'il pose un problème de fiabilité. Du côté de l'utilisateur, l'effet est insidieux : il est confirmé dans ses vues par un système qui paraît extérieur et neutre, alors que ce système penche dans son sens par construction.
La neutralité perçue comme cheval de Troie
Un ton calme, une syntaxe propre, l'absence d'émotion apparente : tout cela suggère l'objectivité. Cette neutralité de surface fait office de blanchisserie pour les biais qui auront été introduits dans le prompt. L'utilisateur projette sa propre volonté dans la formulation de sa question, l'IA poursuit cette pente avec un ton qui semble dépourvu d'orientation. Le résultat ressemble à une opinion neutre alors qu'il s'agit du prolongement statistique d'une demande orientée.
Ce que ces biais ont en commun
Aucun de ces mécanismes humains n'est nouveau. La fluence cognitive, le besoin de clôture, le biais de confirmation, l'effet de halo, l'évitement du conflit, tout cela existait avant l'IA. Mais quelque chose change avec elle.
Les outils précédents étaient soit déterministes (une calculatrice, un système de bord), soit humains (un collègue, un médecin). Dans les deux cas, on savait à quoi on avait affaire. L'IA générative occupe un autre espace : elle n'est pas humaine, mais elle se présente avec presque tous les signaux d'un interlocuteur humain compétent. Elle hérite de la confiance que nous accordons aux outils techniques et elle hérite de la déférence que nous accordons à nos semblables. Les deux à la fois.
Ce double héritage explique pourquoi tant de biais s'activent en même temps. Une IA qui produit une réponse cohérente déclenche, dans le même geste, l'anthropomorphisme, la fluence, le halo, la clôture, le transfert de charge de la preuve, et souvent la flagornerie. Ce ne sont pas des effets isolés, ils s'additionnent voire se renforcent.
Quelques limites à ce panorama
Cette liste se veut un repérage, utile pour aiguiser l'attention, pas un inventaire scientifique
Les biais qui interviennent dans une décision dépendent aussi du contexte : conseil médical, choix professionnel, rédaction d'un texte, exploration d'une idée. Chaque usage active un sous-ensemble différent. Une étude rigoureuse demanderait de mesurer l'effet de chaque mécanisme dans des situations contrôlées, ce qui dépasse largement le cadre d'un article.
Par ailleurs, les biais ne sont pas tous activés chez tous les utilisateurs. Certaines personnes sont peu sensibles à l'effet de halo, d'autres résistent bien à la fluence, d'autres encore sont entraînées à formuler des prompts neutres. La cartographie sert à identifier les pièges possibles, pas à prédire qui tombera dans lesquels.
Vers une vigilance épistémique
L'IA ne nous impose pas ses biais. Elle nous renvoie les nôtres, amplifiés par sa souplesse, lissés par sa forme, validés par son ton et décuplés par nos attentes. Le problème n'est pas dans la machine, qui fait ce pour quoi elle a été conçue. Il est dans l'asymétrie entre la sophistication de l'outil et la connaissance que nous avons de notre propre fonctionnement.
Günter Anders, dans L'Obsolescence de l'homme paru en 1956, avait identifié une structure plus générale qu'il a appelée le décalage prométhéen. L'humain devient incapable de tenir ce qu'il a produit. Ses créations vont plus vite, plus loin, plus haut que sa capacité à les imaginer, à les ressentir, à en répondre. Anders prenait la bombe atomique pour exemple, parce qu'elle était l'illustration la plus violente de son époque. Mais sa thèse portait sur la structure elle-même, pas sur cet objet en particulier.
L'IA générative en offre aujourd'hui une version qui n'a plus rien d'abstrait. Trois ans après la sortie publique de ChatGPT, des pans entiers d'activité sont déjà réorganisés autour de ces outils, des métiers se contractent, des entreprises licencient. Personne ne sait dire avec certitude où cela mène, parce que la production a pris de l'avance sur la compréhension. C'est exactement ce qu'Anders décrivait. Et à l'échelle de l'utilisateur individuel, le décalage prend une forme plus discrète mais cohérente avec l'ensemble : nous dialoguons avec un système qui imite notre manière de penser, alors que nous connaissons mal cette manière de penser nous-mêmes.
Savoir que la fluence d'une réponse n'est pas un indice de justesse, savoir que le prompt cadre la réponse autant que le modèle, savoir que la charge de la preuve a basculé sans qu'on le décide, savoir qu'une réponse qui nous plaît a peut-être été calibrée pour nous plaire : ce ne sont pas des protections absolues, ce sont des points de vigilance. Ils ne demandent pas de se méfier en permanence, ce qui rendrait l'outil inutilisable. Ils demandent de garder, à côté de la conversation avec l'IA, une autre conversation, intérieure, sur ce qui est en train de se passer dans cette interaction.
C'est ce dialogue à deux étages qui distingue l'usage adulte de l'outil de son usage naïf.