Pourquoi une IA invente avec aplomb
Un modèle de langage ne consulte aucune base de faits : il prédit le mot le plus probable. Quand il ignore la réponse, il invente une suite crédible — avec aplomb.
54s · 17 juillet 2026 · 2 min de lecture
En bref
Une « hallucination », c'est une affirmation plausible mais fausse, produite avec assurance par un modèle de langage. La cause est dans la mécanique : le modèle ne vérifie rien, il prédit le mot suivant le plus probable. Et selon une étude OpenAI de 2025, on l'entraîne même à deviner plutôt qu'à dire « je ne sais pas » — comme un examen où le pari rapporte plus que la case vide.
Prédire, pas savoir
Un grand modèle de langage ne contient pas une base de données de faits qu'il irait consulter. Il fait une seule chose : à partir de tout le texte qu'il a vu, il calcule le mot le plus probable pour continuer la phrase, puis recommence, mot après mot. C'est, en somme, une autocomplétion d'une puissance inédite — optimisée pour produire un texte fluide et plausible, pas pour dire le vrai.
D'où viennent les hallucinations
Une hallucination, c'est une réponse qui sonne juste mais qui est fausse. Elle apparaît parce que, face à une question dont il n'a pas la réponse, le modèle ne s'interrompt pas : il génère la continuation la plus crédible. OpenAI en donne un exemple frappant : interrogé sur le titre de la thèse d'un de ses propres chercheurs, un chatbot répandu a fourni trois titres différents — tous faux — et autant de dates de naissance erronées.
Le coupable inattendu : la note
En septembre 2025, un article d'OpenAI (« Why Language Models Hallucinate ») pointe une cause souvent ignorée : la façon dont on évalue les modèles. La plupart des classements notent la précision brute. Comme à un QCM, deviner peut rapporter des points, tandis qu'un « je ne sais pas » garantit zéro. Résultat : on récompense le bluff confiant et on pénalise l'aveu d'ignorance. Le modèle apprend donc à parier plutôt qu'à s'abstenir.
Ce qu'on récompense
- Une réponse, même devinée
- L'assurance
Ce qu'on pénalise
- « Je ne sais pas »
- L'aveu d'incertitude
→ Tant que deviner paie mieux que s'abstenir, le modèle devine.
À retenir
- →Un modèle de langage prédit le mot suivant le plus probable ; il ne consulte aucune base de faits.
- →Une hallucination est une affirmation plausible mais fausse, produite avec la même assurance qu'une réponse correcte.
- →Selon OpenAI (2025), l'évaluation à la précision récompense le bluff confiant et pénalise « je ne sais pas », comme un QCM.
- →La recherche ou le RAG réduit le problème sans l'éliminer ; à toi de recouper chiffres, dates et sources.
Sources · la preuve
- [01] Why language models hallucinate OpenAI · openai.com Définition (affirmation plausible mais fausse) ; analogie du QCM (deviner vs « je ne sais pas »).
- [02] Why Language Models Hallucinate (Kalai et al.) arXiv / OpenAI · arxiv.org Article de septembre 2025 ; l'évaluation à la précision pousse au bluff ; exemple des titres de thèse.
- [03] Evaluating large language models for accuracy incentivizes hallucinations Nature · nature.com La prédiction du mot suivant crée une pression statistique vers l'hallucination ; les métriques de précision récompensent la devinette.
- [04] Guide to Hallucinations in Large Language Models Lakera · lakera.ai Synthèse 2025/2026 ; le RAG réduit mais n'élimine pas ; le « 30 % » est un raccourci médiatique, pas une métrique.
