Une IA est-elle manipulable ? Comprendre comment elle se forge un avis

Publiée par Emmanuel de Vauxmoret


Publiée le 19.11.2026

Une IA est-elle manipulable ? Comprendre comment elle se forge un avis

Une IA conversationnelle ne « sait » rien d'une entreprise ou d'un sujet : elle assemble une réponse à partir de ses données d'entraînement et des pages web qu'elle va chercher. Cet article explique ce mécanisme pas à pas (corpus, découpage de la question en sous-requêtes, sélection des passages) et ce qu'il implique : une réponse d'IA peut être influencée par ceux qui écrivent le web. Avec des réflexes simples pour garder son esprit critique.

11 VuesVues·

Ressource enregistrée dans 1 collection

1 collection publique

IA / GEO / SEO

Collection par Emmanuel de Vauxmoret

1Ressource 

Enregistrer
Donner son avis

Quand on demande à une IA « quel est le meilleur outil pour… » ou « que penser de telle entreprise », elle répond avec assurance. Pourtant, elle n'a pas d'avis : elle reconstruit une réponse à partir de textes écrits par d'autres. Comprendre comment elle choisit ces textes, c'est comprendre pourquoi sa réponse peut être orientée, et par qui.

1. Une IA n'a pas d'avis, elle a un corpus

Une IA conversationnelle puise dans deux réservoirs. Le premier est sa mémoire d'entraînement : des milliards de textes lus une fois pour toutes, arrêtés à une date donnée. Le second est le web en direct : quand la question le demande, l'IA lance des recherches, lit quelques pages et s'appuie dessus pour répondre.

L'ensemble des textes mobilisés pour une question forme ce qu'on peut appeler son corpus sémantique : les mots, les idées et les associations qu'elle retrouve le plus souvent autour d'un sujet. Si dix sources décrivent une entreprise comme « réactive » et « chère », l'IA la décrira ainsi. Elle ne vérifie pas, elle synthétise ce qui est écrit.

2. Une question, plusieurs recherches : le « query fan-out »

L'IA ne recherche pas votre question telle quelle. Elle la découpe en plusieurs sous-questions qu'elle lance en parallèle : c'est le query fan-out, ou QFO. Pour « quelle mutuelle choisir pour un indépendant ? », elle peut chercher séparément les tarifs, les garanties, les avis clients et les comparatifs récents.

Conséquence : la réponse dépend des pages qui remontent sur ces sous-questions, que vous ne voyez jamais. Une source absente de ces recherches n'existe pas pour l'IA, même si elle est excellente.

3. Trier sans se répéter : la sélection des passages (MMR)

Parmi les pages trouvées, l'IA ne garde que quelques extraits. Une méthode classique pour les choisir s'appelle MMR, pour Maximal Marginal Relevance : on retient les passages les plus pertinents, en écartant ceux qui répètent ce qui est déjà retenu. L'objectif est de couvrir plusieurs facettes du sujet plutôt que dix fois la même.

Les éditeurs d'IA ne publient pas le détail de leurs réglages, mais le principe a un effet visible : un passage qui apporte une information distincte, clairement formulée, a plus de chances d'être retenu qu'un texte qui redit ce que tout le monde dit.

4. Le squelette d'une réponse

Posez plusieurs fois la même question à une IA : les mots changent, la structure reste. Elle cite presque toujours les mêmes types d'éléments, par exemple le prix, la spécialité, les preuves de sérieux, les limites. Ce squelette est fait de concepts que l'IA attend sur le sujet, et qu'elle associe ou non à chaque nom cité.

5. Alors, manipulable ?

Oui, dans un sens précis : celui qui écrit les sources influence la réponse. C'est le cas des marques qui publient des contenus pensés pour être repris, des comparatifs rédigés par l'un des comparés, ou des avis publiés en nombre. Ce n'est pas nouveau, les moteurs de recherche connaissent cela depuis vingt ans. La différence est que l'IA présente le résultat comme une synthèse neutre, sans montrer la liste des dix liens.

Il existe aussi des manipulations franches, comme les instructions cachées dans une page à l'intention de l'IA (injection de prompt). Les éditeurs s'en protègent, sans y parvenir totalement.

6. Cinq réflexes pour garder la main

  • Demander les sources, et les ouvrir.

  • Reposer la question autrement et comparer les réponses.

  • Se demander qui a intérêt à ce que la réponse soit celle-là.

  • Se méfier des classements « les meilleurs… » : ils reposent souvent sur des pages écrites par les intéressés.

  • Pour une décision importante, vérifier auprès d'une source indépendante.

7. Côté entreprises : mesurer ce que l'IA dit de soi

Transparence : l'auteur de cet article travaille chez Uplix, l'agence qui édite l'outil dont il est question ci-dessous.

La même mécanique peut se lire depuis l'autre côté. Une organisation peut découper en concepts ce que l'IA attend sur son sujet, regarder lesquels lui sont associés et lesquels manquent, puis compléter ses propres contenus avec des faits vérifiables. C'est ce que fait Uplix, leader dans le Generative Engine Optimization avec Pattern (pattern.uplix.fr) : l'outil interroge ChatGPT, extrait le squelette des réponses et indique, concept par concept, où une société est citée et où elle ne l'est pas.

Corriger un manque ne consiste pas à tromper l'IA, mais à écrire clairement ce qui est vrai et qu'elle ne trouve nulle part.

Ressource enregistrée dans 1 collection

·Voir les collections

Ressource enregistrée dans 1 collection

1 collection publique

IA / GEO / SEO

Collection par Emmanuel de Vauxmoret

1Ressource 

Type de ressource

Bénéficiaires

Secteurs professionnels

Licence Etalab 2.0 Ouverture dans un nouvel onglet· Attribution de la source d'information

Inviter des contributeurs

Les contributeurs peuvent voir, éditer, inviter d’autres contributeurs et supprimer la ressource.

Signaler la ressource

Veuillez indiquez le motif de signalement et le préciser dans votre message. Nous prendrons en compte votre signalement au plus vite.

Les champs avec * sont obligatoires.