En bref. Une hallucination d’IA, c’est quand un modèle d’IA affirme avec aplomb quelque chose de faux ou d’inventé de toutes pièces — une décision de justice qui n’existe pas, une statistique bidon, une citation fabriquée. Une étude EBU/BBC de 2025 a trouvé que 45 % des réponses d’IA sur l’actualité contenaient au moins un problème sérieux. Ça arrive parce que les modèles prédisent du texte — ils ne vérifient pas les faits.
Dernière relecture : 6 juillet 2026. Revu chaque trimestre.
Fin décembre 2025, le tribunal administratif d’Orléans a fait quelque chose d’inédit en France : il a mis en garde un avocat dont les conclusions s’appuyaient sur une quinzaine de références jurisprudentielles… entièrement fausses. Pas approximatives, pas mal citées : inexistantes. Le tribunal l’a écrit noir sur blanc, en invitant le conseil du requérant « à vérifier à l’avenir que les références trouvées par quelque moyen que ce soit ne constituent pas une “hallucination” ou une “confabulation” ». Fait remarquable : c’est le juge lui-même qui emploie les deux mots. En l’espace de quatre semaines, trois autres juridictions — le tribunal administratif de Grenoble à deux reprises, le tribunal judiciaire de Périgueux — avaient déjà relevé le même phénomène. Ces décisions sont en train de devenir le cas d’école français de l’hallucination d’IA.
Une hallucination d’IA, c’est quand un modèle d’IA génère une information fausse, inventée ou invérifiable, et la présente comme si elle était vraie. En clair : l’IA se met à inventer, avec un aplomb total. Ce n’est pas un bug rare, et ce n’est pas le signe que l’outil est cassé — c’est un effet de bord intégré à la façon dont les chatbots d’aujourd’hui, comme ChatGPT, Claude ou Gemini, produisent du texte. Ce guide explique ce qu’est une hallucination d’IA, pourquoi ça se produit, à quoi ça ressemble concrètement, et — la partie que la plupart des explications zappent — comment on s’en prémunit dans votre métier.
L’hallucination d’IA, définie proprement
Une hallucination d’IA, c’est quand un grand modèle de langage produit une réponse factuellement fausse ou complètement inventée, tout en ayant l’air parfaitement sûr de lui et fluide. Le terme couvre les références fabriquées, les statistiques inventées, les citations bidon, les fonctionnalités produit qui n’existent pas, les dates fausses et les « faits » sur des personnes ou des événements qui n’ont jamais eu lieu. La sortie est en général grammaticalement impeccable, plausible, livrée sur le même ton assuré que le modèle emploie quand il a raison — et c’est justement ça qui rend l’hallucination d’IA dangereuse.
Le mot est emprunté à la psychologie, où une hallucination consiste à percevoir quelque chose qui n’est pas là. Pour l’IA, le terme de confabulation colle souvent mieux : combler un trou avec une invention fluide plutôt que d’avouer « je ne sais pas ». Le cœur du problème, c’est l’écart entre l’assurance du modèle et son exactitude. Un humain qui doute a en général l’air de douter. Un modèle qui hallucine a exactement l’air aussi sûr de lui qu’un modèle qui a raison. C’est d’ailleurs pour ça que le tribunal d’Orléans a repris les deux mots à son compte — parce qu’ils décrivent précisément ce qui s’était passé.
Ça aide de séparer les deux façons dont une hallucination d’IA se manifeste :
- Hallucination factuelle — la sortie contredit le monde réel. « La tour Eiffel a été achevée en 1887. » (C’était 1889.)
- Hallucination de fidélité (en jargon, faithfulness) — la sortie contredit la source que vous avez fournie. Vous collez un contrat, vous demandez la clause de résiliation, et le modèle résume une clause qui ne figure pas dans votre document.
Pourquoi l’hallucination d’IA compte en 2026
L’hallucination d’IA compte parce que des centaines de millions de personnes utilisent désormais l’IA pour du vrai travail — recherche juridique, questions médicales, analyse financière, textes marketing — et le taux d’erreur est encore loin de zéro. L’étude la plus large sur le sujet vient d’Europe : l’Union européenne de radio-télévision (UER, ou EBU en anglais) et la BBC ont fait examiner en 2025 plus de 3 000 réponses de ChatGPT, Copilot, Gemini et Perplexity par des journalistes professionnels, dans 18 pays et plusieurs langues. Résultat : 45 % des réponses présentaient au moins un problème sérieux, 31 % de gros soucis de sourcing et 20 % des erreurs d’exactitude majeures, hallucinations comprises. Gemini a fini bon dernier, avec des problèmes dans 76 % des réponses. Le message de l’étude est sans détour : les assistants IA ne sont « pas encore une façon fiable de s’informer ».
Dans les domaines à fort enjeu, les chiffres sont pires et les conséquences bien réelles : mises en garde, procès, confiance perdue.
Les données dures, par domaine :
- Recherche juridique : une étude du Stanford RegLab / HAI (« Assessing the Reliability of Leading AI Legal Research Tools », outils testés en 2024) a mesuré des taux d’hallucination alarmants, même sur des outils commerciaux vendus comme fiables : 17 % pour Lexis+ AI, 33 % pour Westlaw AI-Assisted Research, 43 % pour GPT-4. Et ces erreurs incluent aussi bien des inventions pures que des cas réels mal résumés ou des sources hors sujet.
- Actualité et sourcing : l’étude EBU/BBC et ses 45 % — un résultat constant d’une langue et d’un pays à l’autre, donc pas juste un problème anglophone.
- Médical : les agrégations sectorielles situent le taux d’hallucination dans la santé autour de 10 à 20 % — une fourchette qu’aucun soignant ne peut ignorer.
- Connaissances générales : sur les benchmarks de savoir, les meilleurs modèles répondent juste plus souvent qu’avant, mais quand ils doutent, ils devinent au lieu de l’avouer — exactement le piège dans lequel des avocats français sont tombés fin 2025.
La leçon, ce n’est pas « l’IA ne sert à rien ». La leçon, c’est qu’une hallucination d’IA est un mode d’échec connu et mesurable, autour duquel on peut anticiper — et les professionnels qui anticipent en tirent le bénéfice sans les catastrophes.
Comment une hallucination d’IA se produit vraiment
Une hallucination d’IA se produit parce qu’un modèle de langage ne va pas chercher un fait — il prédit du texte. Quand vous posez une question, le modèle n’ouvre pas une base de données pour trouver la réponse. Il génère une réponse morceau par morceau (token par token), en choisissant à chaque fois le mot suivant le plus probable statistiquement d’après tout ce qui précède. C’est une autocomplétion spectaculairement douée. Quand la vraie réponse se trouve dans ses motifs d’entraînement, cette prédiction tombe sur un fait. Quand elle n’y est pas, la même mécanique produit une invention fluide et assurée — parce qu’il n’y a, sous le capot, aucune vérification séparée du type « est-ce que je sais vraiment ça ? ».
Voici le déroulé en clair. Vous demandez une source pour une affirmation de niche. Le modèle a vu des millions de vraies références, il en connaît donc la forme — auteur, année, revue, numéros de page. Il génère un texte qui colle à cette forme. Le résultat se lit comme une référence parfaite, mais aucun document n’existe derrière. Le modèle n’a jamais « décidé de mentir ». Il a fait exactement ce qu’il fait toujours : produire du texte qui a l’air probable.
La cause profonde n’est pas que l’architecture — ce sont les incitations. Dans un article de 2025 intitulé « Why Language Models Hallucinate », des chercheurs d’OpenAI soutiennent que les hallucinations sont des erreurs statistiques naturelles, produites par la façon dont les modèles sont entraînés et — c’est le point clé — évalués. La plupart des benchmarks d’IA notent comme un QCM : des points pour une bonne réponse, zéro pour une case vide. Sous ce barème, deviner bat toujours l’aveu d’incertitude — les modèles sont donc, dans les faits, entraînés à toujours répondre, même quand la réponse honnête serait « je ne sais pas ». Tant que les benchmarks récompensent le bluff, les modèles seront récompensés pour bluffer.
C’est aussi pour ça qu’une hallucination d’IA grimpe dans des situations prévisibles : les questions sur des sujets obscurs ou très récents (données d’entraînement rares), les demandes de chiffres, de dates ou de références précises (haute précision, facile à fabriquer), et les conversations qui débordent la fenêtre de contexte du modèle, si bien que les faits précédents tombent et se font réinventer.
Vrais exemples d’hallucinations d’IA
Les vrais exemples rendent l’abstrait concret : une décision de justice fabriquée, une politique d’entreprise inventée, une étude qui n’existe pas. Les cas les plus instructifs ne sont pas les drôles — ce sont ceux qui ont coûté de l’argent et de la réputation. Et la France en a servi une belle série fin 2025.
| Décision | Ce que l’IA a inventé | La conséquence |
|---|---|---|
| TA Orléans (29 déc. 2025, n° 2506461) | Une quinzaine de références jurisprudentielles entièrement fausses, dans les conclusions d’un avocat | Mise en garde formelle du tribunal ; devoir de vérification renforcé (RIN, art. 1.3) |
| TA Grenoble (3 déc. 2025, n° 2509827 ; 9 déc., n° 2512468) | Requêtes « manifestement rédigées » par IA, aux références « fantaisistes » — justiciables sans avocat | Requêtes rejetées ; le juge relève l’usage d’IA sans cadre |
| TJ Périgueux (18 déc. 2025) | Des jurisprudences citées « ne semblant pas correspondre à des décisions publiées » | Références écartées ; alerte sur la fiabilité des sources IA |
Le cas d’Orléans est celui que tout professionnel devrait connaître. L’avocat a manifestement repris le texte de l’IA sans le vérifier, et sur quinze références, aucune n’existait. Le tribunal a choisi la pédagogie plutôt que la sanction — pour l’instant. Car la logique est claire, et les commentateurs juridiques (Village de la Justice, Lexbase, Le Monde Informatique) la répètent : l’usage de l’IA n’est pas une circonstance atténuante, c’est une responsabilité de vérification accrue. Le juriste reste juridiquement l’auteur de ce qu’il dépose, IA ou pas. Aux États-Unis, où l’affaire Mata v. Avianca (2023) avait ouvert le bal avec six décisions inventées par ChatGPT, les avocats, eux, ont carrément été sanctionnés. Damien Charlotin — chercheur au Smart Law Hub d’HEC Paris — tient d’ailleurs une base de données publique qui recense, dans le monde entier, les affaires où des références fabriquées par IA ont posé problème. Elle en compte déjà plus d’un millier, avec plusieurs nouveaux cas ajoutés chaque jour.
Et la communauté ne s’y trompe pas. Sur X, chez les professionnels français, le ton oscille entre agacement et mise en garde. Un avocat résumait la chose sans fioriture : quiconque a déjà demandé à ChatGPT de « trouver de la jurisprudence » sait qu’il en ressort autant d’inventions que de vraies décisions. Un autre racontait que l’IA ne lui avait pas seulement fabriqué une source, mais un auteur complet — nom, parcours, publications — pour un universitaire qui n’existait pas. C’est exagéré ? Peut-être. Mais l’ambiance est là. (À prendre pour ce que c’est : du ressenti social, pas une donnée.)
Ce qu’une hallucination d’IA signifie pour votre métier
C’est la partie qui compte le plus, parce qu’une hallucination d’IA n’est pas un problème générique — elle se manifeste différemment dans chaque métier, et la parade diffère à chaque fois. Un aperçu IA (l’AI Overview de Google) peut vous dire ce qu’est une hallucination ; il ne peut pas vous faire construire l’habitude de vérification précise dont un soignant, un expert-comptable ou une responsable marketing a besoin. Voici six métiers, la façon exacte dont l’hallucination frappe chacun, et le geste concret qui protège. Partout, le même principe : l’IA rédige, un humain vérifie — mais ce que vous vérifiez dépend du métier.
Ce que ça change pour les avocats
Pour un avocat, une hallucination d’IA est un risque déontologique, pas une lubie de productivité. Chaque référence fabriquée ressemble trait pour trait à une vraie, et les décisions françaises de fin 2025 l’ont dit clairement : « c’est l’IA » n’est pas une excuse — le conseil qui signe répond de chaque référence de ses conclusions. La parade, c’est une étape de vérification non négociable : chaque décision, chaque texte, chaque citation qu’une IA fait remonter est retrouvé et lu dans une source primaire (Légifrance, le recueil officiel) avant de s’approcher d’un dossier. Utilisez l’IA pour formuler des arguments et résumer des documents que vous fournissez vous-même ; jamais comme source du droit.
La limite honnête : l’IA peut accélérer énormément la recherche et les premiers jets, mais elle ne peut pas être l’autorité finale sur ce que dit le droit. Ça, ça demande encore un juriste qui lit les vraies décisions.
L’étape suivante : le cours L’IA pour les avocats montre des workflows à l’épreuve des sanctions, et notre article IA pour avocats : utiliser ChatGPT sans se faire sanctionner détaille le piège des fausses références, décisions françaises à l’appui.
Ce que ça change pour les médecins et les soignants
Pour un médecin, un infirmier ou un aide-soignant, une hallucination d’IA est une question de sécurité des patients, point. Un modèle qui invente une interaction médicamenteuse, une posologie ou une contre-indication peut faire du mal direct — et les agrégations sectorielles situent ce risque autour de 10 à 20 % des cas dans la santé. La parade, c’est un périmètre strict : l’IA sert à rédiger et à structurer — notes, documents d’information patient en langage clair, synthèse de matériel que vous fournissez — et jamais aux faits cliniques, aux doses ou aux interactions, qui viennent toujours d’une source clinique validée. Une réponse assurée sortie d’un chatbot n’est pas une source clinique.
La limite honnête : l’IA fait gagner un vrai temps sur la doc et la communication, mais aucune décision clinique ne devrait reposer sur une sortie non vérifiée. Le protocole et les sources primaires gagnent à chaque fois. Et à partir du 2 août 2026, les obligations de transparence du règlement IA s’appliquent de toute façon — une interaction avec une IA doit être signalée comme telle.
L’étape suivante : le cours L’IA pour les infirmiers et soins enseigne des workflows sûrs, sans données patient, qui gardent l’IA dans son couloir.
Ce que ça change pour les comptables et experts-comptables
Pour un comptable, une hallucination d’IA menace ce sur quoi tout le métier repose : des chiffres qu’on peut défendre. Un modèle affirme avec aplomb un mauvais seuil fiscal, invente un texte ou « rapproche » des chiffres qui, en vrai, ne tombent pas juste — et il le fait dans une langue fluide et professionnelle. La parade, c’est l’ancrage sur la source : collez les vrais chiffres, le vrai texte, le vrai avis, et dites au modèle de s’en tenir à ça, jamais à ses connaissances générales. Ensuite, retracez chaque chiffre qu’il renvoie jusqu’à votre document d’origine avant qu’il ne touche un livrable client.
La limite honnête : l’IA excelle à rédiger des commentaires, expliquer des notions et repérer des motifs dans des données que vous fournissez — mais ce n’est pas un système de référence et elle ne peut pas se porter garante de l’exactitude d’un montant. Votre rapprochement doit toujours tomber juste à l’ancienne.
L’étape suivante : le cours IA pour la comptabilité et finance construit un workflow avec vérification intégrée, et notre article Ton client débarque avec une réponse fiscale ChatGPT… fausse montre pile pourquoi on ne laisse jamais une IA inventer une réponse fiscale.
Ce que ça change pour le marketing et les équipes contenu
Pour un profil marketing, une hallucination d’IA est un risque pour la crédibilité de la marque et pour la conformité des allégations. Un modèle invente volontiers une statistique pour votre accroche, attribue une citation à une experte qui ne l’a jamais dite, ou génère une allégation « cliniquement prouvée » que vous ne pouvez pas étayer — et publier ça, c’est au mieux un rectificatif, au pire la DGCCRF ou une mise en demeure. La parade, c’est une passe de vérification des allégations : chaque statistique, citation, étude et superlatif d’un texte rédigé par IA est confronté à une vraie source avant publication — et ce que vous ne pouvez pas prouver, vous le coupez.
La limite honnête : l’IA est une machine formidable pour le premier jet et les idées, mais ce n’est pas un fact-checker et elle ne connaît pas vos règles de conformité. Un humain reste responsable de chaque allégation publiée.
L’étape suivante : le cours IA pour le marketing digital et les Fondamentaux de l’IA montrent des prompts qui ancrent la sortie dans votre vrai matériel plutôt que de la laisser inventer.
Ce que ça change pour les indépendants et TPE-PME
Pour un indépendant ou une petite structure, une hallucination d’IA est une responsabilité qu’on n’a pas toujours en tête — surtout si un chatbot trône sur votre site. La logique posée par les tribunaux (et, à l’étranger, par des affaires comme Moffatt v. Air Canada en 2024) est nette : une entreprise répond de ce que son IA raconte aux clients, même quand le bot invente une politique de toutes pièces. La parade est double : ancrez toute IA face au client dans vos vraies politiques et FAQ (pas dans ses connaissances générales), et vérifiez vous-même tout ce qu’une IA vous dit sur des contrats, des textes ou une portée juridique avant d’agir dessus.
La limite honnête : l’IA peut prendre en charge une bonne partie de votre back-office et de votre relation client, mais elle ne peut pas interpréter un contrat ou une loi à votre place. Pour tout ce qui a un poids juridique, un humain — souvent un pro — doit encore confirmer.
L’étape suivante : le cours L’IA pour les TPE-PME donne à chaque indépendant le modèle mental pour utiliser l’IA sans se mettre en danger, et Esprit critique face à l’IA entraîne précisément le réflexe de ne pas croire une sortie d’IA sur parole.
Ce que ça change pour les enseignants
Pour un enseignant, une hallucination d’IA est à la fois un problème de crédibilité et un problème pédagogique. Un modèle invente un « fait » historique, cite un livre qui n’existe pas, ou se trompe dans un exemple chiffré — et si ça part sans vérification dans une fiche, 25 élèves apprennent une bêtise. La parade : l’IA sert à structurer, différencier et formuler, et chaque fait, chaque date et chaque source d’un support produit par IA est recoupé avant d’entrer en classe. Au passage, on peut même faire de l’hallucination un sujet en soi — apprendre aux élèves à questionner les sorties d’IA, c’est de l’éducation aux médias à l’état pur.
La limite honnête : l’IA vous enlève un vrai poids sur la préparation et les supports, mais l’exactitude du fond, c’est toujours vous qui en répondez.
L’étape suivante : commencez par les Fondamentaux de l’IA pour le modèle mental, puis Maîtriser le prompt engineering pour des prompts qui ancrent la sortie dans un matériel réel plutôt que de la laisser broder.
Idées reçues sur les hallucinations d’IA
Une hallucination d’IA est souvent mal comprise, et ce sont justement les malentendus qui mettent les gens dans l’embarras. Les trois croyances ci-dessous ont l’air raisonnables mais sont fausses — et chaque correction s’appuie sur le comportement réel des modèles. Les remettre d’aplomb, c’est la différence entre utiliser l’IA avec assurance et l’utiliser à l’aveugle.
« Les modèles récents, plus intelligents, n’hallucinent plus. »
À moitié vrai — et la moitié fausse est la dangereuse. Les taux ont baissé, aucun doute. Mais « plus intelligent » peut même aggraver les choses sur un point : les modèles les plus capables hallucinent souvent avec plus d’assurance et de fluidité, ce qui rend l’erreur plus dure à repérer. Un meilleur modèle est un meilleur bluffeur, pas un modèle plus honnête. Ne comptez donc pas sur la prochaine mise à jour pour régler le problème.
« Si j’écris juste un meilleur prompt, ça arrêtera d’halluciner. »
Largement faux. Un bon prompt aide — dire au modèle qu’il peut répondre « je ne sais pas », le restreindre aux documents fournis, demander des citations exactes — et c’est justement ce que recommande Anthropic. Mais Anthropic écrit tout aussi clairement, dans sa propre doc, que ces techniques « ne les éliminent pas entièrement ». Aucun prompt ne transforme un prédicteur de texte en fact-checker. Le prompt fait baisser le taux ; il ne supprime pas la vérification.
« Halluciner, ça veut dire que l’IA est cassée ou qu’elle ment. »
Faux sur les deux tableaux. Le modèle fait exactement ce pour quoi il a été conçu — prédire du texte probable — et il n’a aucune intention, donc il ne peut pas mentir. Comme le formulent les chercheurs d’OpenAI en 2025 : l’hallucination est une propriété statistique du système, pas une panne. C’est même une bonne nouvelle : un mode d’échec prévisible et mesurable, c’est un mode d’échec autour duquel on peut construire des parades — et c’est tout l’enjeu de traiter l’IA comme un rédacteur compétent plutôt que comme un oracle.
Concepts liés
Une hallucination d’IA ne vit pas en vase clos — elle est reliée à toute une grappe d’idées sur lesquelles tout utilisateur d’IA finit par tomber. Certaines expliquent pourquoi l’hallucination arrive, d’autres décrivent des situations qui l’aggravent, d’autres encore sont les parades structurelles qui font baisser le taux. Comme c’est la première page de notre glossaire IA en français, on renvoie pour l’instant vers les articles pertinents — les autres entrées du glossaire arriveront au fil de l’eau.
- Des sorties d’IA cohérentes — pourquoi la même question reçoit une réponse différente d’une fois sur l’autre, et ce que la fenêtre de contexte vient faire là-dedans
- Écrit par une IA ? Comment vérifier — le revers de la médaille : repérer quand un texte sort de la machine
- ChatGPT vs Claude vs Gemini — quel modèle hallucine quand, dans un comparatif honnête
- Maîtriser le prompt engineering — le cours qui vous apprend des prompts qui ancrent les sorties dans de vraies sources
Le mot de la fin
Une hallucination d’IA n’est pas un bug que le prochain modèle corrigera — c’est le prix à payer pour utiliser un outil qui prédit du texte au lieu d’aller chercher les faits. Les professionnels qui gagnent avec l’IA en 2026 ne sont pas ceux qui ont trouvé un modèle sans hallucination ; ce sont ceux qui traitent chaque sortie d’IA comme le brouillon assuré d’un stagiaire brillant qui, parfois, invente. Utilisez l’IA pour rédiger, structurer, accélérer. Vérifiez vous-même chaque fait, chaque chiffre, chaque citation et chaque référence. Cette seule habitude sépare ceux qui se font recadrer de ceux qui avancent. Ou, comme on l’a vu à Orléans : mieux vaut dix minutes de vérification qu’une mise en garde du tribunal.
À lire aussi
Si vous voulez creuser les hallucinations d’IA — et apprendre à vous en prémunir dans votre métier précis — les cours et articles ci-dessous sont les étapes suivantes évidentes.
Cours sur la fiabilité de l’IA et votre métier
- Les Fondamentaux de l’IA — le modèle mental pour utiliser l’IA sans danger dès le premier jour
- Maîtriser le prompt engineering — des prompts qui ancrent la sortie dans votre vrai matériel
- L’IA pour les avocats — un usage de l’IA à l’épreuve des sanctions, de bout en bout
- IA pour la comptabilité et finance — un workflow qui retrace chaque chiffre
- L’IA pour les infirmiers et soins — une doc sûre, sans données patient
- IA pour le marketing digital — étayer les allégations plutôt que les laisser inventer
- L’IA pour les TPE-PME — les bases pour utiliser l’IA sans danger dans votre activité
- Esprit critique face à l’IA — entraîner le réflexe de ne pas croire les sorties sur parole
- L’IA pour ta boutique de jeux, BD & vinyles — l’IA au quotidien pour un commerce indépendant, sans se faire piéger
Articles de blog pertinents
- IA pour avocats : utiliser ChatGPT sans se faire sanctionner — le piège des fausses références, en détail
- Ton client débarque avec une réponse fiscale ChatGPT… fausse — ne jamais laisser inventer une réponse fiscale
- Des sorties d’IA cohérentes — pourquoi la même question donne des réponses différentes
- Écrit par une IA ? Comment vérifier — le revers de l’hallucination
Skills pertinents (modèles de prompts)
- Navigateur de pensée critique — questionner une affirmation de façon structurée plutôt que la croire
- Assistant de recherche — faire des recherches avec vérification des sources
Questions fréquentes
Qu’est-ce qu’une hallucination d’IA, expliqué simplement ? Une hallucination d’IA, c’est quand un modèle d’IA invente quelque chose et le présente comme un fait. Il peut fabriquer une étude, citer une décision de justice qui n’a jamais existé ou sortir une statistique de nulle part. Le modèle ne ment pas exprès et il n’est pas cassé. Il génère du texte en prédisant les mots les plus probables : donc quand il ne connaît pas la réponse, il produit souvent une supposition fluide et sûre d’elle-même plutôt que d’avouer le trou.
Pourquoi l’IA hallucine-t-elle ? Les hallucinations d’IA viennent de la façon dont les modèles de langage fonctionnent et dont on les évalue. Un modèle ne cherche pas un fait dans une base de données : il prédit le texte mot après mot à partir de motifs. L’article d’OpenAI « Why Language Models Hallucinate » (2025) soutient que la cause profonde, c’est un entraînement et une évaluation qui récompensent le fait de deviner plutôt que d’admettre son incertitude — comme un QCM qui note mieux une réponse au hasard qu’une case laissée vide. Les modèles apprennent donc à toujours répondre, quitte à inventer.
Peut-on empêcher les hallucinations d’IA ? On peut réduire fortement les hallucinations d’IA, mais pas les supprimer complètement. Ancrer un modèle dans de vrais documents (le retrieval) fait nettement baisser le taux, et lui donner explicitement le droit de dire « je ne sais pas » aide beaucoup. Mais la documentation d’Anthropic dit noir sur blanc que ces techniques « ne les éliminent pas entièrement ». En attendant, toute sortie d’IA qui compte a besoin d’un humain pour vérifier les faits.
Comment empêcher ChatGPT d’halluciner ? Vous ne pouvez pas l’arrêter complètement, mais vous pouvez le limiter fortement. Dites à ChatGPT de répondre « je ne sais pas » quand il est incertain. Collez le document source et demandez-lui de s’en tenir à ça, pas à ses connaissances générales. Faites-lui citer le passage exact qui appuie chaque affirmation. Et ne faites jamais confiance à une citation, une statistique ou une décision qu’il produit sans vérifier vous-même la source d’origine — cette dernière étape n’est pas négociable pour tout ce qui compte.
Pourquoi l’IA invente-t-elle des sources et des références ? L’IA invente des sources parce qu’une référence, ce n’est qu’un motif de texte — un auteur, une année, un titre, un numéro — et le modèle est très doué pour générer des motifs plausibles. Il a vu des millions de vraies références, donc il peut en produire une qui a l’air parfaitement authentique sans aucun document réel derrière. C’est exactement pour ça que le tribunal administratif d’Orléans a mis en garde un avocat fin 2025 dont les conclusions contenaient une quinzaine de références entièrement fausses.
Sources
- Village de la Justice, « Les hallucinations d’intelligence artificielle devant les juridictions françaises : premiers cas et implications déontologiques pour les avocats », consulté le 06/07/2026. https://www.village-justice.com/articles/les-hallucinations-intelligence-artificielle-devant-les-juridictions-francaises,56337.html
- Le Monde Informatique, « Les hallucinations de l’IA arrivent dans les juridictions françaises », consulté le 06/07/2026. https://www.lemondeinformatique.fr/actualites/lire-les-hallucinations-de-l-ia-arrivent-dans-les-juridictions-francaises-99126.html
- Morgan Lewis, « The Risks of Hallucinations and Misuse of Generative Artificial Intelligence Before French Courts », consulté le 06/07/2026. https://www.morganlewis.com/pubs/2026/03/the-risks-of-hallucinations-and-misuse-of-generative-artificial-intelligence-before-french-courts
- CNIL, « IA et RGPD : la CNIL publie ses nouvelles recommandations pour accompagner une innovation responsable », consulté le 06/07/2026. https://www.cnil.fr/fr/ia-et-rgpd-la-cnil-publie-ses-nouvelles-recommandations-pour-accompagner-une-innovation-responsable
- European Broadcasting Union, « Largest study of its kind shows AI assistants misrepresent news content 45% of the time », consulté le 06/07/2026. https://www.ebu.ch/news/2025/10/ai-s-systemic-distortion-of-news-is-consistent-across-languages-and-territories-international-study-by-public-service-broadcaste
- Stanford HAI / RegLab, « AI on Trial: Legal Models Hallucinate in 1 out of 6 (or More) Benchmarking Queries », consulté le 06/07/2026. https://hai.stanford.edu/news/ai-trial-legal-models-hallucinate-1-out-6-or-more-benchmarking-queries
- EU Artificial Intelligence Act, « Article 50 : Transparency Obligations for Providers and Deployers of Certain AI Systems », consulté le 06/07/2026. https://artificialintelligenceact.eu/article/50/
- OpenAI, « Why Language Models Hallucinate », consulté le 06/07/2026. https://openai.com/index/why-language-models-hallucinate/
- Anthropic, « Reduce hallucinations » (documentation Claude), consulté le 06/07/2026. https://platform.claude.com/docs/en/test-and-evaluate/strengthen-guardrails/reduce-hallucinations
- Damien Charlotin, « AI Hallucination Cases Database », consulté le 06/07/2026. https://www.damiencharlotin.com/hallucinations/
- Wikipédia, « Hallucination (intelligence artificielle) », consulté le 06/07/2026. https://fr.wikipedia.org/wiki/Hallucination_(intelligence_artificielle)
