Pourquoi l’IA invente-t-elle encore des choses en 2026?

Une hallucination est une réponse qui semble juste mais qui est fausse : une étude qui n’existe pas, une mauvaise date donnée avec calme, une citation que personne n’a dite. Les modèles d’octobre 2026 sont bien meilleurs que les robots conversationnels d’il y a quelques années, et ils inventent moins. Mais ils n’ont pas arrêté, et les raisons sont maintenant assez bien comprises pour être expliquées en mots simples.

Les chiffres donnent une idée de l’ampleur. Lors du lancement de GPT-6.1 Sol en septembre 2026, OpenAI a présenté un test sur des prompts volontairement difficiles, tirés de conversations où des gens avaient repéré une erreur d’un modèle plus ancien. À faible effort de raisonnement, les réponses comportant au moins une erreur factuelle sont passées de 11,4 % à 7,7 %. OpenAI souligne que ces prompts sont plus difficiles que l’utilisation habituelle. Tout de même, environ une réponse difficile sur treize avec une erreur est une bonne raison de continuer à vérifier.

Raison 1 : certains faits ne s’apprennent pas à partir de régularités

Un modèle apprend en prédisant le mot suivant dans d’énormes quantités de texte. Les faits fréquents, comme la capitale de la France, apparaissent des milliers de fois et sont bien appris. Un fait qui n’apparaît qu’une fois, comme l’anniversaire d’une personne peu connue, n’offre aucune régularité à apprendre. L’article de recherche de 2025 Why Language Models Hallucinate, rédigé par des chercheurs d’OpenAI et de Georgia Tech, soutient que pour ces faits uniques, le taux d’erreur sera au moins aussi élevé que leur part dans les données d’entraînement. Aucun peaufinage n’élimine ce plancher : le modèle ne sait tout simplement pas.

Raison 2 : les tests récompensent le bluff

Le même article pointe la façon dont les modèles sont notés. La plupart des bancs d’essai donnent un point pour une bonne réponse et zéro autant pour une mauvaise réponse que pour « je ne sais pas ». Avec cette règle, deviner rapporte toujours au moins autant qu’admettre son incertitude : l’entraînement pousse donc les modèles vers des suppositions assurées, comme un élève qui remplit toutes les cases d’un examen à choix multiples. Les auteurs proposent une notation qui pénalise davantage les mauvaises réponses que les abstentions, et suggèrent d’indiquer directement un seuil de confiance dans les instructions.

Raison 3 : un interrupteur « je ne sais pas » qui se déclenche mal

La recherche d’Anthropic en interprétabilité, qui examine l’intérieur d’un modèle et les caractéristiques internes qu’il utilise, a trouvé quelque chose qui correspond à l’expérience de tous les jours. Chez Claude, refuser de répondre était le comportement par défaut : un circuit disant « je ne peux pas répondre » restait actif à moins que des caractéristiques d’« entité connue » ne le désactivent. Les hallucinations apparaissaient quand cet interrupteur basculait par erreur, par exemple quand le modèle reconnaissait un nom sans rien savoir d’autre sur la personne. Les questions qui sonnent familières à propos de personnes, d’articles ou de produits peu connus sont donc les plus risquées.

Comment vérifier une réponse en cinq étapes?

Étape 1 : repérez les affirmations vérifiables. Lisez la réponse et soulignez les noms, les chiffres, les dates, les citations, les prix et les références. Les explications et les opinions se jugent autrement; ce sont ces affirmations précises qui peuvent être inventées.

Étape 2 : demandez au modèle de séparer ce qu’il sait de ce qu’il devine. Un court prompt de suivi, fondé sur l’idée du seuil de confiance vue plus haut, change l’incitation :

Reprends ta réponse précédente. Pour chaque affirmation factuelle (noms, chiffres, dates, citations, sources), écris-la sur sa propre ligne et marque-la :
- SÛR si tu parierais qu’elle est exacte,
- INCERTAIN si tu devines ou la reconstruis,
- INCONNU si tu ne le sais pas.
Ne réponds que si tu es confiant à plus de 75 %; une mauvaise réponse compte comme pire qu’« INCONNU ». Pour chaque affirmation SÛR, indique où quelqu’un pourrait la vérifier.

Étape 3 : ouvrez la source vous-même. Pour chaque affirmation qui compte, suivez le lien ou cherchez la référence. Confirmez trois choses : la source existe, c’est le genre de source qui saurait (une page officielle, l’article original, un site gouvernemental), et elle dit bien ce que la réponse affirme. Les références inventées ont souvent des auteurs et des revues qui sonnent vrai.

Étape 4 : recoupez une fois de plus. Trouvez une deuxième source indépendante, ou posez la même question dans une nouvelle conversation sans votre formulation précédente. Si le modèle donne des détails différents chaque fois, traitez-les tous comme des suppositions. Dans l’article de 2025, un modèle ouvert interrogé sur l’anniversaire d’un chercheur, même avec la consigne de ne répondre que s’il le savait, a produit trois dates différentes, toutes fausses.

Étape 5 : ajustez la vérification à l’enjeu. Un détail faux dans une carte de fête ne coûte rien; une mauvaise dose, une échéance ou une règle juridique erronée peut coûter très cher. Pour la santé, l’argent, le droit et tout ce que vous publierez, la source primaire ou une personne qualifiée a le dernier mot, pas le modèle.

Ces étapes prennent quelques minutes, et avec la pratique, vous apprenez où un modèle donné a tendance à glisser. Le but n’est pas de se méfier de tout, mais de savoir quelles parties d’une réponse méritent un deuxième regard.