Hallucination d'IA : pourquoi une IA invente-t-elle des réponses ?
Un prix inventé, une loi qui n'existe pas, une adresse erronée : comment repérer et limiter ces erreurs.
Une hallucination d'IA est un contenu incorrect, inopportun ou fictif généré par un modèle d'intelligence artificielle et présenté de manière factuelle, comme s'il était authentique ou conforme à la demande. Elle vient du fonctionnement même des modèles génératifs, qui prédisent un texte plausible sans vérifier qu'il est vrai.
En bref
- Terme privilégié par l'OQLF : hallucination d'IA.
- Le NIST parle plutôt de « confabulation » : un contenu faux affirmé avec assurance.
- Le danger vient du ton confiant, qui pousse à croire sans vérifier.
- On la réduit en fournissant les sources et en exigeant des citations.
D'où viennent les hallucinations d'IA ?
Selon la fiche de l'OQLF, une hallucination peut survenir quand les données d'entraînement du grand modèle de langage sont insuffisantes ou comportent des lacunes, ou quand la demande de départ est ambiguë. La fiche cite un exemple connu : une IA populaire a affirmé que le télescope James Webb avait pris les premières photos d'une exoplanète, alors que ces photos datent de 2004 et que le télescope a été lancé en 2021 [1].
Le NIST, dans son profil sur l'IA générative, emploie le terme confabulation : la production d'un contenu erroné ou faux, affirmé avec assurance. Il explique que c'est une conséquence naturelle de la conception des modèles, qui produisent des sorties proches de la distribution statistique de leurs données d'entraînement. Le NIST note aussi que certains trouvent le mot « hallucination » trop humanisant [2].
L'OQLF ajoute que les hallucinations ne touchent pas que le texte : elles peuvent aussi apparaître dans des images ou des sons générés [1].
À quoi ressemble une hallucination dans une PME ?
| Type | Exemple dans une entreprise de services | Conséquence |
|---|---|---|
| Fait inventé | Un prix ou un délai qui n'apparaît nulle part dans vos tarifs | Promesse impossible à tenir |
| Source fictive | Un règlement municipal ou un article de loi qui n'existe pas | Conseil erroné donné au client |
| Contradiction | Deux heures d'ouverture différentes dans la même réponse | Perte de confiance |
| Hors sujet | Une réponse sur la toiture plate à une question sur les gouttières | Temps perdu, client frustré |
Combien d'erreurs passeraient sans relecture ?
Comment réduire les hallucinations ?
La documentation d'Anthropic sur son modèle Claude propose des techniques simples. Permettre explicitement au modèle de dire « je ne sais pas ». Pour les longs documents, lui demander d'abord d'extraire des citations mot à mot, puis de travailler à partir d'elles. Lui faire appuyer chaque affirmation sur une citation, qu'on peut vérifier [3].
- Fournir la source : collez vos tarifs ou votre politique d'annulation dans la demande plutôt que de laisser le modèle deviner.
- Restreindre le sujet : un modèle qui répond seulement à partir de vos documents invente moins.
- Demander les références : une réponse sans source vérifiable se traite comme un brouillon.
- Garder une personne dans la boucle : l'approbation humaine avant tout envoi est le filet le plus sûr.
- Publier des faits clairs sur votre site, y compris en données structurées, pour que les assistants et les AI Overviews de Google trouvent la bonne information.
Quelles erreurs aggravent le problème ?
- Demander « trouve-moi une statistique sur… » sans exiger de lien : c'est le terrain idéal pour une source inventée.
- Confier un agent IA relié à vos clients sans validation des messages sortants.
- Prendre la fluidité du texte pour un gage d'exactitude.
- Corriger une erreur une fois sans changer la consigne ni la source fournie.
Comment Pilotiko limite-t-il ce risque ?
Les agents IA de Pilotiko travaillent à partir des vraies données de l'entreprise (agenda, rendez-vous, charge) plutôt que de mémoire. Surtout, toute action qui touche un client, de l'argent ou un envoi attend l'accord d'une personne : une hallucination éventuelle reste un brouillon à corriger, pas un message envoyé.
Questions fréquentes
Pourquoi une IA invente-t-elle au lieu de dire qu'elle ne sait pas ?
Le modèle prédit la suite de texte la plus plausible ; une réponse inventée peut être très plausible. Sans consigne qui l'autorise à exprimer son incertitude, il a tendance à combler le vide. La documentation d'Anthropic recommande justement de lui permettre de dire « je ne sais pas ».
Les hallucinations vont-elles disparaître avec les nouveaux modèles ?
Les modèles s'améliorent, mais le NIST décrit la confabulation comme une conséquence naturelle de la façon dont les modèles génératifs sont conçus. Il faut donc prévoir des vérifications, même avec les meilleurs outils.
Une hallucination engage-t-elle la responsabilité de mon entreprise ?
Si un message erroné est envoyé à un client au nom de votre entreprise, c'est votre entreprise qui l'a envoyé. Pour une question juridique précise, consultez un avocat. D'où l'intérêt de valider tout envoi avant qu'il parte.
Comment repérer une hallucination rapidement ?
Vérifiez d'abord les chiffres, les noms propres, les dates et les références à des lois ou à des pages Web. Ce sont les éléments les plus souvent inventés. Une référence impossible à retrouver est un signal d'alarme.
Le mot hallucination est-il le bon terme ?
L'OQLF privilégie « hallucination d'IA ». Le NIST préfère « confabulation » et signale que certains jugent « hallucination » trop humanisant. Les deux désignent le même problème.
Sources
- Office québécois de la langue française (Vitrine linguistique), hallucination d'IA (GDT) (consulté le 15 octobre 2026).
- NIST, NIST AI 600-1 : Generative Artificial Intelligence Profile (consulté le 15 octobre 2026).
- Anthropic (documentation Claude), Reduce hallucinations (consulté le 15 octobre 2026).
À lire ensuite
Grand modèle de langage (LLM) : comment ça fonctionne ?
Qu'est-ce qu'un LLM, ou grand modèle de langage ? Prédiction de jetons, usages en PME, exemple chiffré et limites à connaître avant de l'adopter.
Agent IA : qu'est-ce qu'un agent d'intelligence artificielle ?
Un agent IA poursuit un objectif en enchaînant des étapes et des outils. Définition, boucle de travail, exemple chiffré pour une PME québécoise et garde-fous.
Approbation humaine : qu'est-ce que le « human-in-the-loop » ?
L'approbation humaine place une personne avant les actions sensibles d'une IA. Formes de supervision, règles au Québec et au Canada, exemple chiffré et erreurs.
Données structurées : qu'est-ce que schema.org et JSON-LD ?
Données structurées, schema.org et JSON-LD expliqués : formats acceptés par Google, balisage LocalBusiness d'une PME du Québec et erreurs fréquentes.