L'inexactitude est devenue le risque n°1 de l'IA

Dans le classement des risques que les organisations associent à l'IA, un item vient de passer devant tous les autres. Ce n'est pas la cybersécurité. Ce n'est pas la conformité. C'est l'inexactitude : la probabilité que le système donne une réponse fausse.

Le rapport AI Index 2026 de Stanford chiffre le mouvement. En un an, la part des organisations qui considèrent l'inexactitude comme un risque pertinent est passée de 60 % à 74 %. Quatorze points. C'est la plus forte progression de tout le tableau, devant la cybersécurité, qui monte de 66 % à 72 %. Et la mise en œuvre suit : 71 % déclarent activement chercher à réduire ce risque, contre 55 % l'année précédente.

Nous avons déjà écrit ici pourquoi une IA invente des chiffres. Ce que ces données ajoutent, c'est autre chose : le sujet a cessé d'être une objection de prudents pour devenir la préoccupation dominante de ceux qui déploient. Ils ont essayé. Ils ont vu.

L'écart entre modèles est énorme — et rarement mesuré

Le point le plus utile du rapport est ailleurs, dans les chiffres bruts de fiabilité. Sur le benchmark AA-Omniscience, développé par Artificial Analysis, qui teste 26 modèles sur 6 000 questions dans six domaines, les taux d'hallucination s'étalent de 22 % à 94 %.

Relisez cet écart. Le modèle le plus fiable de l'échantillon se trompe une fois sur cinq. Le moins fiable se trompe neuf fois sur dix. Ce sont, dans les deux cas, des modèles qu'on peut brancher aujourd'hui dans un outil d'entreprise, souvent en cochant une case.

Le protocole du benchmark mérite d'être noté, parce qu'il récompense exactement le comportement qu'on veut en entreprise : les bonnes réponses rapportent, les mauvaises pénalisent, et refuser de répondre ne coûte rien. Autrement dit, il valorise le modèle qui sait dire « je ne sais pas ». C'est précisément la compétence qui manque le plus.

Le rapport relève aussi que sur les benchmarks de fiabilité, les résultats publiés par les éditeurs sont rares. Presque tous communiquent leurs scores de capacité — mathématiques, code, raisonnement. Très peu publient leurs scores de factualité. Sur le tableau dressé par les auteurs, la plupart des cases sont vides.

Le résultat qui devrait alerter les dirigeants

Un benchmark récent, KaBLE, teste une chose bien plus dérangeante : la capacité d'un modèle à distinguer ce qui est su de ce qui est simplement cru. Treize mille questions, vingt-quatre modèles.

Le résultat tient en une ligne. Quand on présente une affirmation fausse comme étant la croyance d'un tiers, les modèles s'en sortent bien. Quand on présente la même affirmation fausse comme votre propre croyance, la performance s'effondre. GPT-4o passe de 98,2 % de justesse à 64,4 %. DeepSeek R1 chute de plus de 90 % à 14,4 %.

Traduisez ça en réunion. Vous demandez : « Notre marge sur ce produit est bien autour de 30 %, non ? » Vous venez d'énoncer une croyance à la première personne. Les données du benchmark disent que c'est exactement la formulation qui dégrade le plus la fiabilité de la réponse — le modèle a tendance à épouser votre prémisse plutôt qu'à la corriger.

Ce n'est pas de la complaisance au sens humain. C'est un système entraîné à produire une continuation plausible, et la continuation la plus plausible d'une question qui contient sa propre réponse, c'est une confirmation. Le danger n'est donc pas dans les questions ouvertes. Il est dans les questions que vous posez en croyant déjà connaître la réponse.

Pourquoi c'est un problème de données, pas de modèle

La réaction naturelle, en découvrant ces écarts, est de vouloir choisir le meilleur modèle. C'est utile, mais c'est second — pour une raison simple : un modèle ne peut être exact que sur ce à quoi il a accès.

Si votre assistant n'a pas votre grand livre sous les yeux, il ne peut pas répondre juste sur votre marge. Il ne s'arrêtera pas pour autant : il comblera. Passer d'un modèle à 40 % d'hallucination à un modèle à 22 % ne change rien à cette mécanique — cela réduit la fréquence de l'erreur sur les connaissances générales, pas sur vos chiffres à vous, qu'aucun modèle ne connaît.

La variable décisive n'est donc pas le classement du modèle, mais ce qu'on lui met entre les mains. Une IA branchée sur des données centralisées, définies et à jour n'a plus besoin de deviner ; elle lit. Une IA branchée sur rien devine toujours, quel que soit son score.

Quatre mesures concrètes

• Interdisez la question fermée. Demandez « quelle est notre marge sur ce produit ce trimestre ? », jamais « notre marge est bien de 30 % ? ». La seconde formulation est celle qui casse la fiabilité, les données de KaBLE le montrent noir sur blanc.
• Exigez la source à chaque réponse. Un chiffre sans origine traçable n'est pas un chiffre, c'est une suggestion. Si l'outil ne peut pas dire d'où vient le nombre, il ne devrait pas l'afficher.
• Testez sur vos questions pièges. Prenez cinq questions dont vous connaissez déjà la réponse exacte, et posez-les. C'est le seul benchmark qui vous concerne réellement.
• Valorisez le « je ne sais pas ». Un outil qui refuse de répondre quand la donnée manque vous fait gagner infiniment plus qu'un outil qui répond toujours. C'est aussi le critère retenu par les benchmarks sérieux.

Que l'inexactitude devienne le risque numéro un est, à tout prendre, une bonne nouvelle. Cela signifie que le sujet est sorti du registre de la méfiance vague pour entrer dans celui de l'exigence mesurable. Reste à en tirer la conséquence : la fiabilité d'un assistant IA ne se choisit pas dans un comparatif de modèles, elle se construit dans l'état de vos données.

Sources : « The AI Index 2026 Annual Report », Stanford Institute for Human-Centered AI, avril 2026. Perception et mitigation des risques : enquête McKinsey & Company. Taux d'hallucination : AA-Omniscience, Artificial Analysis. Distinction savoir/croyance : benchmark KaBLE, Suzgun et al.