Pourquoi l'IA hallucine — et comment le détecter.

Quand l'IA invente avec assurance, c'est plus dangereux que quand elle se trompe avec hésitation.

Une hallucination, dans le langage de l'intelligence artificielle, c'est une réponse qui sonne juste mais qui est fausse. L'IA invente un fait, attribue une citation à la mauvaise personne, génère une fonction de logiciel qui n'existe pas, fabrique un raisonnement qui se tient mais qui repose sur une erreur. Le tout avec la même assurance que quand elle a raison. C'est ce qui rend les hallucinations particulièrement dangereuses : elles ne se signalent pas.

En 2026, malgré tous les progrès des modèles, les hallucinations restent un problème majeur. Aucun des trois flagships (Claude Opus 4.7, GPT-5.5, Gemini 3.1 Pro) n'est exempt. Une étude BBC/EBU sur 3 000+ réponses d'IA a trouvé que 45 % contenaient au moins une erreur significative, et 81 % au moins une erreur de quelque nature. Pire : le taux de refus (« je ne sais pas ») était de 0,5 %. Les IA disent quasiment jamais qu'elles ne savent pas — elles inventent.

Cet article ouvre la rubrique « Garder l'esprit critique face à l'IA ». Il te donne le mécanisme des hallucinations, les 4 grands types à connaître, les taux vérifiés en avril 2026 par modèle, et les 5 signaux d'alerte qui doivent te faire douter. À la fin, tu sauras quand croire l'IA et quand vérifier.

Pour comprendre pourquoi l'IA hallucine, il faut comprendre ce qu'elle fait vraiment. Un modèle de langage ne sait pas. Il prédit le mot le plus probable suivant, en se basant sur les milliards de textes qu'il a vus à l'entraînement. Cette mécanique est statistique, pas factuelle.

Conséquence : quand tu poses une question dont la réponse existe en clair dans son corpus d'entraînement, le modèle te la donne correctement (la prédiction statistique converge vers la bonne réponse). Quand la réponse n'existe pas dans son corpus, ou qu'elle est ambiguë, ou que la question pousse vers un domaine peu couvert, le modèle ne le sait pas — il continue à prédire des mots probables. Le résultat ressemble à une réponse mais c'est une fabrication statistique.

C'est la différence fondamentale entre un humain et une IA : un humain qui ne sait pas peut dire « je ne sais pas ». Une IA qui ne sait pas continue de générer des mots qui sonnent comme une réponse — sauf si elle a été spécifiquement entraînée à reconnaître ses propres limites, ce qui est encore imparfait en 2026.

Contre-intuitivement, les modèles avec mode de raisonnement (Reasoning mode, GPT-5.5 Thinking, Claude Extended Thinking) peuvent halluciner plus que les modèles standards sur certaines tâches. Le benchmark Vectara de fin 2025 a montré que les modèles raisonneurs performent souvent moins bien sur la fidélité au texte source.

L'explication : un modèle qui « raisonne » génère plus de texte intermédiaire avant sa réponse finale. Chaque étape de raisonnement est une nouvelle occasion d'introduire une erreur statistique, qui se propage ensuite dans la conclusion. Un modèle plus simple, qui répond directement, a moins d'opportunités de dévier.

Cela ne veut pas dire que le Reasoning mode est inutile — il aide sur les problèmes complexes où la qualité du raisonnement compte plus que la fidélité factuelle. Mais pour les tâches purement factuelles (résumé, extraction, rappel), un modèle standard peut être plus fiable.

Les hallucinations ne sont pas réparties uniformément entre les modèles. En avril 2026, des écarts importants existent. Voici les chiffres clés du benchmark AA-Omniscience publié par Artificial Analysis, qui mesure spécifiquement le taux d'hallucinations sur des questions de connaissance générale.

Ces chiffres demandent une précision importante : ils mesurent le taux d'hallucination sur les questions où le modèle ne connaît pas la réponse. Un taux de 86 % pour GPT-5.5 ne veut pas dire que GPT-5.5 invente 86 % du temps — il veut dire qu'il préfère inventer plutôt que d'admettre qu'il ne sait pas, dans 86 % des cas où il ne sait pas.

L'écart entre Claude Opus 4.7 (36 %) et GPT-5.5 (86 %) reflète une différence de philosophie d'entraînement. Anthropic a explicitement entraîné Claude à refuser de répondre quand il n'est pas sûr, ce qui réduit son hallucination mais aussi son recall (taux de réponse correcte sur l'ensemble des questions). OpenAI a entraîné GPT-5.5 pour maximiser le recall, ce qui lui donne le meilleur taux de réponses correctes mais aussi le pire taux d'hallucination.

Pour les usages où une réponse fausse est pire que pas de réponse (analyse juridique, conseil médical, conformité réglementaire, recherche scientifique), Claude est structurellement plus sûr. Pour les usages où tu peux vérifier facilement (et où une réponse même imparfaite vaut mieux qu'aucune réponse), GPT-5.5 a l'avantage du recall.

Quand on mesure la fidélité au texte source (le modèle invente-t-il en résumant un document fourni ?), le classement change. Le benchmark Vectara place Gemini en tête (taux d'hallucinations sous 1 % sur les modèles les plus récents), GPT-4o à 1,5 %, Claude Sonnet à 4,4 %.

La leçon : aucun modèle n'est universellement meilleur. Pour les tâches de pure synthèse de document, Gemini et GPT-4/5 sont plus fiables. Pour les questions de connaissance où il faut savoir refuser, Claude domine. Le choix du modèle dépend du type d'erreur que tu veux le plus éviter.

Tu ne peux pas vérifier chaque réponse de l'IA. Mais tu peux apprendre à détecter les zones à risque. Voici les 5 signaux qui doivent immédiatement déclencher ta vigilance.

Tu ne peux pas éliminer le risque d'hallucination, mais tu peux le réduire significativement avec quelques pratiques simples.

Pratique 1 : explicite l'autorisation de ne pas savoir. Dans ton prompt, ajoute systématiquement « si tu n'es pas sûr d'un point, dis-le explicitement plutôt que d'inventer ». Cette phrase simple change le comportement de l'IA — elle l'autorise à exprimer ses limites. Sans elle, l'IA est entraînée à toujours produire une réponse complète.

Pratique 2 : exige des sources. Pour les sujets factuels, demande explicitement « cite tes sources et indique la date de chaque information ». L'IA va alors soit te donner des sources réelles (vérifiables), soit révéler son hallucination en inventant des sources qui n'existent pas. Dans les deux cas, tu progresses.

Pratique 3 : utilise les fonctions de recherche web. Sur les modèles 2026, les fonctions de recherche web (ChatGPT Search, Claude with web search, Gemini avec Google Search) réduisent drastiquement les hallucinations factuelles. L'IA ne devine plus — elle va vérifier en direct. L'article 4.6 de cette rubrique détaille la méthode du double-check.

Pratique 4 : choisis le bon modèle. Pour les sujets où une fausse réponse coûte cher (juridique, médical, financier, conformité), Claude Opus 4.7 a structurellement le meilleur taux de refus. Pour les sujets où tu vérifieras de toute façon, GPT-5.5 ou Gemini 3.1 Pro maximisent le recall. Voir l'article sur le choix du modèle.

L'utilisateur expert ne fait pas confiance à l'IA. Il ne se méfie pas non plus systématiquement. Il calibre son niveau de confiance selon la nature de la tâche. C'est la compétence qui sépare l'utilisateur professionnel de l'utilisateur naïf.

Trois niveaux de confiance à distinguer :

Niveau 1 — Confiance élevée acceptable. Tâches créatives ou subjectives (rédaction, brainstorm, formulation, refonte). L'IA n'a pas à être factuellement juste, elle a à être utile. Tu peux te fier à 80-90 % de ce qu'elle produit. Vérifications légères suffisantes.

Niveau 2 — Vérification systématique. Tâches factuelles avec enjeu modéré (analyses, résumés, recherches). L'IA peut halluciner sur les détails. Toutes les données chiffrées, citations, références doivent être vérifiées avant utilisation publique. Compte 20-30 % de temps de vérification sur ce que l'IA produit.

Niveau 3 — Méfiance par défaut. Tâches à fort enjeu (juridique, médical, financier, contrats, décisions stratégiques irréversibles). L'IA est un assistant, pas une autorité. Chaque affirmation doit être vérifiée à la source. Ne signe jamais un document, n'envoie jamais un mail à enjeu, ne prends jamais une décision importante sans relecture humaine indépendante de ce que l'IA a produit.

Cette discipline n'est pas du pessimisme — c'est du professionnalisme. Les utilisateurs qui font totalement confiance à l'IA finissent par publier des chiffres faux, citer des sources inexistantes, suivre des conseils qui ne s'appliquent pas. Ceux qui calibrent leur confiance utilisent l'IA comme un outil puissant sans en devenir les victimes.