Enquête · Intelligence artificielle · Méthode

J’ai confié une enquête à l’IA : ce que j’ai vérifié

Une intelligence artificielle peut rassembler des pistes en quelques secondes. Elle ne sait pas, pour autant, transformer automatiquement une hypothèse en fait établi. Pour le mesurer, je lui ai confié une enquête portant sur les effets de l’IA dans les médias, puis j’ai repris chaque élément comme si aucune phrase ne méritait spontanément ma confiance.

L’exercice n’avait rien d’un concours entre humains et machines. Il s’agissait plutôt d’observer la chaîne de fabrication d’une information : formulation de la question, sélection des sources, hiérarchisation des preuves et rédaction finale. L’outil s’est montré rapide, fluide et souvent pertinent. Il a aussi produit des raccourcis séduisants, des chiffres sans origine claire et des rapprochements qu’une lecture attentive devait corriger.

La première réponse n’est jamais une preuve

J’ai commencé par demander à l’IA de dresser une cartographie des enjeux : automatisation des dépêches, dépendance aux plateformes, droit d’auteur, transparence des modèles et évolution des métiers de la presse. La synthèse était bien structurée, mais cette qualité formelle créait une illusion de solidité. Une réponse lisible n’est pas nécessairement une réponse documentée.

Chaque affirmation a donc été classée selon trois niveaux :

• Fait vérifiable : une donnée pouvant être retrouvée dans un document identifiable ;
• Interprétation : une analyse qui doit être attribuée à un chercheur, une institution ou un acteur du secteur ;
• Zone d’incertitude : une information trop vague, ancienne ou impossible à relier à une source primaire.

Cette grille a immédiatement réduit le volume exploitable. Plusieurs phrases présentées comme des constats relevaient en réalité d’une tendance générale. L’IA ne mentait pas nécessairement ; elle condensait des contextes différents en une formulation unique, plus affirmative que ne le permettaient les éléments disponibles.

Remonter aux documents d’origine

La deuxième étape a consisté à quitter les résumés pour consulter les sources elles-mêmes. Rapports publics, textes réglementaires, publications universitaires et documents d’entreprises n’ont pas le même statut. Un communiqué peut décrire une stratégie ; il ne suffit pas à prouver son efficacité. Une étude peut mesurer un phénomène ; elle ne permet pas toujours d’en déduire une causalité.

J’ai aussi vérifié les dates. Dans le secteur technologique, une information de deux ans peut être devenue obsolète après une évolution de modèle économique, une décision de justice ou l’entrée en vigueur d’une règle européenne. Cette précaution est particulièrement importante pour les sujets liés aux données, au cloud et aux systèmes génératifs, où les annonces commerciales précèdent souvent les résultats observables.

Le piège des chiffres trop précis

L’IA est à l’aise avec les nombres, ce qui la rend particulièrement convaincante. Dans mon enquête, elle a proposé plusieurs estimations sur l’adoption des outils automatisés dans les rédactions. Certaines correspondaient à des ordres de grandeur publiés ; d’autres mélangeaient des marchés, des années et des catégories professionnelles différentes.

Pour chaque chiffre, j’ai recherché cinq informations : la source, la date de collecte, la population étudiée, la définition du terme employé et la marge d’erreur éventuelle. « Utiliser l’IA » peut signifier tester un assistant rédactionnel, traduire un article, générer une image ou automatiser une publication. Sans définition, la comparaison devient fragile.

La vérification a également porté sur les citations. Une phrase attribuée à un dirigeant ou à un chercheur doit être retrouvée dans son contexte complet. Une citation tronquée peut inverser le sens d’un propos, surtout lorsqu’elle est utilisée pour illustrer un débat sur la responsabilité éditoriale.

Cette logique vaut aussi pour des sujets qui semblent éloignés de la technologie. Une fiche consacrée au Monte Cinto doit, par exemple, distinguer l’altitude annoncée, l’itinéraire depuis Asco-Stagnu et les conditions réelles d’une ascension. Le Monte Cinto, point culminant de la Corse à 2 706 mètres, exige de vérifier le terrain, la saison et la difficulté plutôt que de reprendre une description automatique.

Ce que l’outil comprend mal

La machine repère efficacement des motifs dans de grandes quantités de texte, mais elle peine à évaluer la portée humaine d’une information. Elle peut rapprocher une réforme européenne, une fermeture de média et une tendance économique dans un même paragraphe, sans distinguer clairement ce qui relève de la cause, de la simultanéité ou de la simple coïncidence.

Elle ignore également les silences des sources. Une entreprise peut publier ses performances sans détailler ses coûts énergétiques. Une rédaction peut annoncer un gain de productivité sans mesurer le temps consacré aux corrections. Ces absences ne prouvent rien à elles seules, mais elles doivent apparaître dans l’enquête comme des limites.

Enfin, l’IA tend à lisser les désaccords. Or une analyse sérieuse conserve les divergences entre syndicats, chercheurs, éditeurs et pouvoirs publics. La nuance n’est pas un défaut de style : c’est une information sur l’état du débat.

Une méthode utile, à condition de garder la main

Au terme de l’expérience, l’IA m’a fait gagner du temps dans la préparation : repérage de notions, classement de documents, formulation de questions et détection de répétitions. Elle n’a pas remplacé les étapes qui donnent sa crédibilité au travail journalistique : vérifier, attribuer, contextualiser et reconnaître ce qui demeure incertain.

La bonne pratique consiste donc à lui confier des tâches bornées, puis à contrôler les résultats avec des sources indépendantes. Il faut conserver les versions des documents, noter les corrections et éviter de publier une phrase uniquement parce qu’elle paraît précise. Pour approfondir nos analyses sur les transformations du journalisme et de l’économie numérique, découvrez aussi notre page d’accueil.

Cette enquête ne conclut ni à l’infaillibilité ni à l’inutilité de l’intelligence artificielle. Elle rappelle une règle plus ancienne que les outils actuels : l’information n’est fiable qu’après un travail de vérification proportionné à l’importance de ce qu’elle affirme.