Vérifier une réponse d'IA : méthode

L'essentiel

1. STABLE. Un modèle de langage (LLM) génère sa réponse un token à la fois, en prédisant la suite la plus probable compte tenu du contexte. Rien dans ce mécanisme ne distingue en interne un fait mémorisé avec exactitude d'une complétion plausible mais fausse (« hallucination ») : les deux sont produits par le même processus statistique. Vérifier une réponse d'IA n'est donc pas optionnel dès qu'un fait précis compte.
2. [Vérifié 20/07/2026] Le test CRAAP (Currency, Relevance, Authority, Accuracy, Purpose — fraîcheur, pertinence, autorité, exactitude, intention), conçu en 2004 par la bibliothécaire Sarah Blakeslee (California State University, Chico), s'applique directement à une réponse d'IA comme à n'importe quelle source. Source : CSU Chico.
3. [Vérifié 20/07/2026] La lecture latérale (« lateral reading »), formalisée par l'équipe de recherche de Sam Wineburg (Stanford History Education Group), consiste à ouvrir de nouveaux onglets pour chercher ce que disent des sources indépendantes plutôt que de rester sur la réponse initiale — une pratique documentée chez les vérificateurs professionnels de l'information. Source : guides méthodologiques universitaires citant le Stanford History Education Group.
4. [Vérifié 20/07/2026] Le bibliothécaire numérique Mike Caulfield a condensé une méthode en quatre étapes sous l'acronyme SIFT : Stop (s'arrêter avant de partager ou réutiliser), Investigate the source (identifier qui parle), Find better coverage (chercher si une source plus fiable confirme), Trace claims/quotes/media (retrouver la citation, le chiffre ou l'image jusqu'à son contexte d'origine). SIFT se transpose directement à une réponse de chatbot : la réponse elle-même devient la « source » à mettre à l'épreuve. Source : guides méthodologiques universitaires (méthode Caulfield).
5. [Vérifié 20/07/2026] Les IA conversationnelles peuvent produire des citations, sources ou liens qui n'existent pas, avec la même assurance rédactionnelle qu'une information exacte, sans signaler spontanément l'incertitude. Une réponse qui cite une source doit donc voir cette source effectivement ouverte et lue — jamais prise pour argent comptant. Source : guides de vérification IA, bibliothèques universitaires (Pace University, Virginia Commonwealth University, California State University Northridge).
6. [Vérifié 20/07/2026] Les IA conversationnelles ont tendance à confirmer l'opinion de l'utilisateur même quand elle est fausse (biais de complaisance, dit sycophancy), un biais qui s'accentue statistiquement à mesure qu'une conversation s'allonge. Deux parades documentées : demander explicitement au modèle d'identifier les faiblesses de son propre raisonnement, et repartir d'une conversation neuve plutôt que de prolonger un fil déjà long. Source : idem.
7. [Vérifié 20/07/2026] Des bancs d'essai indépendants mesurent la tendance des modèles à « halluciner » : au 19/11/2025, le Hallucination Leaderboard de Vectara (tâche de résumé fidèle à un document fourni) situait le meilleur modèle testé à 3,3 % d'hallucination, et des modèles dits « de raisonnement » au-delà de 10 % sur cette même tâche. Le taux dépend fortement du modèle, de la tâche (résumé guidé, question ouverte, conversation longue) et de la date de mesure — aucun classement ne donne « le » taux d'hallucination d'un modèle dans l'absolu. Source : Vectara.
8. STABLE. Une même famille de modèles n'hallucine pas au même taux selon la nature de la tâche : un résumé guidé par un document fourni (l'IA doit rester fidèle à un texte donné) est structurellement moins risqué qu'une question ouverte de culture générale (l'IA doit produire le fait de mémoire) ou qu'une conversation longue à plusieurs tours (le risque de dérive et de complaisance s'accumule). Cette hiérarchie de risque par type de tâche, elle, ne change pas d'un mois sur l'autre — seuls les taux précis par modèle changent.
9. STABLE. Le principe qui sous-tend CRAAP, SIFT et la lecture latérale est le même, quelle que soit la méthode choisie : la fiabilité d'une information se construit par convergence indépendante — plusieurs sources qui ne se copient pas entre elles et arrivent à la même conclusion — jamais par la confiance accordée à une seule source, aussi assurée soit-elle dans sa formulation. Une réponse d'IA n'échappe pas à ce principe, elle en est un cas particulier.

Repères clés

Idées reçues

1. « Une réponse rédigée avec assurance et des détails précis est probablement exacte. » — Le niveau de détail et la confiance apparente d'une réponse ne sont pas corrélés à son exactitude : un modèle produit un texte plausible avec la même aisance, qu'il s'agisse d'un fait vérifié ou halluciné.
2. « Il existe un taux d'hallucination fixe par modèle, qu'on peut citer une bonne fois pour toutes. » — Faux par construction : le taux mesuré dépend fortement de la tâche (résumé guidé très différent d'une question ouverte ou d'une conversation longue) et change à chaque nouvelle version de modèle. Un chiffre non daté et non contextualisé sur « le taux d'hallucination de tel modèle » est une dette de vérification, pas un fait.
3. « Demander à l'IA elle-même si elle est sûre de sa réponse est une vérification valable. » — Non : le modèle n'a pas d'accès introspectif fiable à ses propres « certitudes » internes, et il tend statistiquement à confirmer ce que l'utilisateur semble attendre plutôt qu'à se corriger spontanément (cf. point 6 de L'essentiel).

Pièges & points de vigilance

1. Vérifier « avec la même IA » n'est pas vérifier : redemander la même question au même modèle peut reproduire la même erreur. Croiser avec une source indépendante (autre modèle, recherche classique, source primaire) est nécessaire.
2. Une conversation longue dégrade la fiabilité perçue : le biais de complaisance s'accentue avec la longueur du fil. Repartir d'une conversation neuve pour une question qui compte est une précaution simple.
3. Une citation ou un lien produit par l'IA doit être ouvert et lu, jamais pris pour argent comptant : les références inventées ont exactement la même forme que les vraies.
4. Ne pas confondre « vérifier un fait » (cette méthode) et « vérifier qu'un média est authentique » (deepfakes, cf. T3.2) : les deux mobilisent le réflexe de chercher une confirmation indépendante, mais avec des outils différents (recherche classique vs métadonnées de provenance).
5. CRAAP, SIFT et la lecture latérale sont des méthodes conçues avant l'essor des chatbots IA, pour évaluer des pages web et des sources classiques : elles restent pertinentes mais ne couvrent pas nativement un cas propre à l'IA générative, la fabrication de fausses citations avec une forme parfaitement normale (point 5 de L'essentiel) — d'où l'ajout du réflexe « ouvrir et lire la source citée », pas seulement la repérer.

Sources

• CRAAP Test — Wikipedia, consulté le 20/07/2026
• Evaluating Information – Applying the CRAAP Test — California State University, Chico, consulté le 20/07/2026
• The SIFT Method — University of Chicago Library (méthode de Mike Caulfield), consulté le 20/07/2026
• Fact-checking AI with Lateral Reading — Texas A&M University-Corpus Christi Library, consulté le 20/07/2026
• Evaluating AI Responses — Pace University Library, consulté le 20/07/2026
• Introducing the Next Generation of Vectara's Hallucination Leaderboard — Vectara, 19/11/2025, consulté le 20/07/2026