Une réponse d'IA est presque toujours bien écrite et bien structurée. Mais elle est souvent trop dense pour être relue en entier. Et plus la forme est impeccable, moins nous vérifions le fond.
Un grand modèle de langage (LLM), le moteur derrière ChatGPT, Claude ou Gemini, ne raisonne pas comme un expert : il produit la suite de texte la plus plausible au regard de ce qu'il a appris et de ce que vous lui avez écrit. C'est le principe de l'autocomplétion de votre téléphone : après « Le chat boit du… », il complète « lait » plutôt que « béton », simplement parce qu'il a observé cette suite des milliers de fois. Face à vos questions professionnelles, la mécanique est la même : il complète avec ce qui ressemble le plus à ce qu'il a lu et à ce que vous semblez attendre. Il hérite ainsi des biais de ses données d'entraînement.
Le plus sournois ? Il va dans votre sens. Une étude de Stanford publiée dans Science a testé 11 modèles, dont ChatGPT, Claude, Gemini et DeepSeek : en moyenne, ils approuvent les actions de l'utilisateur 49 % plus souvent qu'un humain (Stanford / Science, mars 2026). Autrement dit : là où un humain vous dirait « vous avez tort », l'IA a tendance à vous rassurer.
Les 5 biais de l'IA à connaître
Flagornerie : l'IA vous donne toujours raison
Vous présentez une conclusion, l'IA la renforce. Vous demandez « est-ce une bonne idée ? », elle trouve des arguments pour. Dans l'étude de Stanford, même face à des demandes décrivant un comportement problématique (voire illégal), les modèles l'ont approuvé dans 47 % des cas.
Le réflexe : inversez la charge de la preuve.
« Donne-moi 3 arguments qui invalident cette conclusion. »
Hallucination : quand l'IA invente des faits
Une date, une référence juridique, une étude qui n'existe pas : l'IA comble les vides avec du plausible.
Le réflexe : exigez des sources et faites-lui avouer ses doutes.
« Cite tes sources et dis-moi ce dont tu n'es pas sûr. »
Puis ouvrez les liens. Une source non ouverte n'est pas une source vérifiée.
Pour aller plus loin : Hallucinations de l'IA : comment les repérer et les éviter en entreprise.
Stéréotypes : le prénom change la réponse
Imaginez que vous donniez à une IA deux CV identiques, mot pour mot. Seule différence : l'un est signé d'un prénom féminin, l'autre d'un prénom masculin. Logiquement, ils devraient recevoir la même note. Ce n'est pas le cas.
C'est ce qu'a testé une étude publiée en juin 2026. Des chercheurs ont fait évaluer des CV par cinq modèles d'IA, dont Claude, GPT-4o et Gemini, soit 43 200 évaluations au total. Résultat : les modèles ont noté les CV différemment selon le genre du prénom. Dans cette étude, ils ont avantagé les candidates (arXiv, juin 2026). Il y a quelques années, c'étaient les candidats qui étaient avantagés.
Les chercheurs ont ensuite testé deux solutions :
- Dire à l'IA d'ignorer le genre : le biais ne baisse presque pas. L'IA « sait » qu'elle doit être neutre, mais le prénom continue d'influencer sa note.
- Retirer le nom et le prénom du CV : le biais disparaît presque entièrement.
La leçon est simple : une consigne ne suffit pas à rendre l'IA neutre.
Le réflexe : ne demandez pas à l'IA d'être neutre, donnez-lui des données neutres.
Retirez nom, prénom, genre et âge avant de soumettre.
Et gardez la règle d'or : pas de décision critique sur une personne confiée à l'IA seule.
Biais culturel : l'IA pense américain par défaut
Droit du travail, usages managériaux, rapport à la hiérarchie : sans consigne, l'IA répond avec des repères qui ne sont pas forcément les vôtres. Une étude publiée dans la revue Computational Linguistics montre que les modèles restent ancrés dans les valeurs d'un petit nombre de pays surreprésentés : les États-Unis, mais aussi les Pays-Bas, l'Allemagne et le Japon. Elle montre aussi que préciser le contexte culturel rapproche davantage les réponses de vos repères que le simple fait d'écrire en français (Bulté & Rigouts Terryn, Computational Linguistics, 2026).
Le réflexe : précisez votre contexte.
« Contexte : France, secteur X, droit français. »
Biais de contexte : la limite des longues conversations
Plus une conversation s'allonge, plus l'IA perd en précision. Des chercheurs d'Anthropic ont observé que des modèles de pointe chargés de surveiller de longues sessions ratent une action problématique 2 à 30 fois plus souvent quand elle survient après un très long historique que lorsqu'elle est présentée seule (Martin & Roger, arXiv, mai 2026).
Imaginez que vous demandiez à quelqu'un de repérer une faute dans un document. Sur une page, il la trouve sans problème. Si elle est noyée au milieu d'un rapport de 500 pages, il a beaucoup plus de chances de passer à côté. L'IA fonctionne de la même façon.
Le réflexe : placez l'essentiel en début ou en fin de message.
Et appliquez une règle simple : conversation qui s'éternise = nouvelle conversation.
Conclusion
Les biais de l'IA ne disparaîtront pas avec la prochaine version des modèles. Mais ces cinq réflexes en limitent fortement l'impact.
Pour que ces réflexes deviennent ceux de toute l'équipe, constituez une bibliothèque de consignes partagées, alimentée par ceux qui utilisent l'IA au quotidien et enrichie à chaque piège repéré sur le terrain. Et sur les sujets sensibles (RH, juridique, finance, communication externe), gardez un deuxième regard humain systématique. Ce n'est pas de la défiance envers l'outil : c'est ce que vous feriez avec n'importe quel document important.
Relisez le fond, pas la forme.
Où en sont vos équipes dans leur usage de l'IA ? Faites le point en 2 minutes avec notre Quiz Maturité IA : 6 questions pour situer votre organisation et identifier les prochains pas.
