Statistiques d'hallucination IA 2026 : les taux de 108 modèles, et pourquoi les tests se contredisent

Les modèles d'IA ajoutent des affirmations non étayées à 1.8% à 24.2% des résumés, et se trompent jusqu'à 96.5% du temps sur les questions difficiles qu'ils ratent

Nous avons ouvert chaque statistique d'hallucination IA ci-dessous à sa source primaire le 6 octobre 2026. La médiane et le nombre de modèles appariés sont nos propres calculs à partir des tableaux publiés par Vectara.

Le graphique présente AA-Omniscience tel qu'Artificial Analysis l'affichait le 6 octobre 2026, au réglage de raisonnement le plus élevé listé pour chaque modèle. En bas, la précision sur 6,000 questions difficiles. Sur le côté, le taux d'hallucination : parmi les questions qu'un modèle n'a pas réussies, la part où il a répondu faux au lieu de dire qu'il ne savait pas. Claude Fable 5.1 d'Anthropic en sait le plus, avec 67.2% de bonnes réponses. Il répond pourtant faux à 72.6% de ses ratés. Gemini 4 Argon de Google en réussit moins, 49.9%, et tombe à 15.1% parce qu'il s'abstient bien plus souvent. Savoir et deviner sont deux compétences distinctes.

Quel est le taux d'hallucination de l'IA selon le modèle ?

Sur le classement de Vectara, le taux d'hallucination de l'IA par modèle va de 1.8% pour Finix S1 32B d'Ant Group à 24.2% pour Ministral 3 3B de Mistral, et le modèle médian se situe à 9.6%. Vectara donne à chaque modèle les mêmes plus de 7,700 articles et compte combien de fois son résumé affirme quelque chose que l'article ne dit pas. Aucun n'obtient zéro.

Chaque ligne vient du classement de Vectara du 22 septembre 2026, et la liste complète des 108 modèles se trouve sur la page GitHub de Vectara. Le petit modèle d'un laboratoire fait souvent mieux que son modèle phare : GPT-5.4 nano d'OpenAI obtient 3.1%, contre 12.4% pour GPT-5.6 Sol. Plus récent ne veut pas toujours dire plus bas non plus. Claude Opus 4.7 d'Anthropic, à 12.0%, se place au-dessus du plus ancien Claude Sonnet 4.6. Vectara est franc sur les limites de son test. Sa FAQ admet qu'un modèle qui recopierait des phrases de l'article obtiendrait un score parfait.

Un même modèle peut porter trois chiffres très différents. La page de lancement de GPT-6 Astra par OpenAI, datée du 3 septembre 2026, indique 4.2% sur un benchmark interne. Vectara le mesure à 8.7%, et Artificial Analysis à 44.8% à 51.3%, selon le réglage de raisonnement utilisé. Aucun des trois n'est faux. Chacun pose une question différente.

Pourquoi les benchmarks d'hallucination IA se contredisent-ils ?

Les benchmarks d'hallucination IA se contredisent parce que chacun teste une défaillance différente, sur une tâche différente, avec un dénominateur différent. Lisez la définition avant de citer le chiffre.

Les chercheurs d'OpenAI ont soutenu en septembre 2025 que la façon de noter les modèles aggrave le problème. Leur article affirme que « les procédures standard d'entraînement et d'évaluation récompensent la devinette plutôt que l'aveu d'incertitude ». Les chiffres SimpleQA qu'ils ont utilisés pour le montrer sont frappants. L'ancien o4-mini d'OpenAI a eu 24% de bonnes réponses et 75% de mauvaises, et il s'est abstenu dans seulement 1% des cas. Le plus récent gpt-5-thinking-mini a eu 22% de bonnes réponses, mais il s'est abstenu dans 52% des cas et n'a eu faux que dans 26%. Sur un tableau qui ne compte que ce qui est juste, celui qui devine gagne.

C'est pourquoi un « taux d'hallucination » unique n'existe pas pour un modèle. Pour voir deux laboratoires se contredire, on peut envoyer une même question à deux des 280+ modèles de Whizi dans la vue côte à côte, et pourquoi l'IA se trompe explique comment vérifier la réponse obtenue.

Les taux d'hallucination de l'IA baissent-ils avec le temps ?

Sur un test donné et fixe, les taux d'hallucination de l'IA ont surtout baissé. Mais les tests deviennent de plus en plus durs, donc un chiffre affiché peut monter alors que les modèles s'améliorent. Le classement de Vectara montre nettement ce second effet.

Entre octobre 2025 et septembre 2026, Vectara a remplacé son jeu de données par plus de 7,700 articles, certains allant jusqu'à 24,000 mots, et a fait passer son juge de HHEM-2.1 à HHEM-2.3. Nous avons apparié les 44 modèles listés sous le même nom sur les deux classements, en écartant tout nom que l'ancien classement portait en deux versions. Trente-neuf ont fait moins bien au nouveau test. Quatre ont fait mieux, et DeepSeek V3.1 n'a pas bougé. La médiane des 44 est passée de 4.1% à 7.95%, avec exactement les mêmes versions de modèles qu'avant.

GPT-5 d'OpenAI avec un effort de raisonnement élevé a fait le plus grand bond, de 1.4% à 15.1%. Un chiffre de 2025 et un chiffre de 2026 du même classement ne se lisent donc pas comme une tendance. Citez la date et le jeu de données avec le chiffre.

Les propres chiffres d'OpenAI vont surtout vers le bas, avec un renversement. Sa fiche système d'avril 2025 montrait que o3 hallucinait sur 33% des questions PersonQA, soit le double des 16% du plus ancien o1, et que o4-mini le faisait sur 48%. En août 2025, OpenAI a indiqué que GPT-5 avec réflexion avait environ 80% de chances en moins que o3 de faire une erreur factuelle. En septembre 2026, la page de GPT-6 Astra donnait 4.2% pour ce modèle, contre 12.2% pour GPT-5.6 Sol. La fiche système précise que ce test utilise des conversations signalées par des utilisateurs, si bien que ses taux sont très supérieurs à ce que les gens voient en usage courant.

Le chiffre de lancement a lui-même bougé. Fortune a rapporté le 4 septembre 2026 qu'OpenAI avait remplacé les chiffres d'Astra et de GPT-5.6 Sol par 2% et 9.4% après la mise en ligne de la page, puis rétabli les 4.2% et 12.2% affichés au départ. OpenAI a dit à Fortune que ces modifications visaient à s'assurer que les chiffres reflètent sa meilleure estimation.

Les audits indépendants ont évolué dans les deux sens. NewsGuard a constaté que les chatbots répétaient de fausses informations dans 35% des cas en août 2025, contre 18% un an plus tôt, alors que leur taux de refus passait de 31% à zéro. Son audit de janvier 2026 situe le taux au-dessus de 28%. La comparaison de la BBC elle-même est allée dans l'autre sens : les réponses avec un problème important sont passées de 51% dans sa première étude à 37% dans la vague que l'UER a publiée en octobre 2025.

Artificial Analysis a constaté en novembre 2025 que tous les modèles sauf trois avaient plus de chances d'halluciner que de répondre correctement à ses questions difficiles. En octobre 2026, 15 des 30 configurations de pointe qu'il affiche par défaut répondent encore faux à plus de la moitié de leurs ratés. La médiane est de 49.8%.

À quelle fréquence les assistants IA se trompent-ils sur l'actualité ?

Les assistants IA ont donné une réponse sérieusement défaillante à 45% des questions d'actualité dans l'étude de l'UER et de la BBC publiée le 21 octobre 2025, menée par 22 médias de service public dans 18 pays. L'UER la décrit comme l'une des plus grandes évaluations de ce type.

Des journalistes ont examiné 2,709 réponses de ChatGPT, Copilot, Gemini et Perplexity en 14 langues. Les sources ont posé le plus de problèmes. Dans 31% des réponses, il y avait un grave problème de sourcing, comme une source manquante, fausse ou mal attribuée. Une sur cinq avait un problème majeur d'exactitude, avec des détails inventés ou périmés. Gemini de Google s'en est le plus mal sorti, avec des problèmes importants dans 76% de ses réponses. Copilot suit à 37%, ChatGPT à 36% et Perplexity à 30%.

Le Tow Center de Columbia a soumis 1,600 requêtes à huit outils de recherche IA en demandant à chacun de nommer l'article d'où venait une citation. Les outils ont donné des réponses incorrectes à plus de 60% des requêtes, d'après le compte rendu de mars 2025. Perplexity s'est trompé dans 37% des cas. Grok 3 de xAI s'est trompé dans 94%.

Combien coûtent les hallucinations de l'IA dans la vraie vie ?

Le coût le plus visible apparaît devant les tribunaux. Le 6 octobre 2026, la base de Damien Charlotin listait 2,149 décisions où un tribunal avait traité du contenu inventé par une IA, dont 1,473 aux États-Unis.

La plupart concernent des personnes sans avocat : 1,233 entrées citent un justiciable non représenté. Les avocats en totalisent 854 et les juges 33. Les données de Charlotin montrent 852 décisions datées de toute l'année 2025 et 1,208 de janvier à septembre 2026, donc cette année a déjà dépassé la précédente. Quand un document nomme l'outil, ChatGPT apparaît dans 139 des 235 cas. Sur les 192 sanctions indiquées en dollars américains, six ont atteint $50,000 ou plus.

Le premier cas célèbre avait fixé un prix modeste. Dans Mata v. Avianca, un juge fédéral de New York a condamné deux avocats et leur cabinet à $5,000 d'amende le 22 juin 2023. Ils avaient cité six décisions de justice que ChatGPT avait inventées.

Les outils juridiques payants aident sans régler le problème. Le test préenregistré de Stanford RegLab, publié en mai 2024, a montré que les outils de recherche IA de LexisNexis et de Thomson Reuters hallucinaient chacun entre 17% et 33% du temps.

Les consultants ne sont pas épargnés. Deloitte Australie a accepté en octobre 2025 de rembourser la dernière échéance d'un contrat public de A$440,000, a rapporté l'Associated Press. Un chercheur de l'université de Sydney avait trouvé jusqu'à 20 erreurs dans son rapport de 237 pages, dont une citation inventée d'un jugement d'un tribunal fédéral. Le rapport révisé précisait qu'Azure OpenAI avait servi à le rédiger.

Au travail, le coût est plus discret. Dans une enquête de KPMG et de l'université de Melbourne auprès de 48,000 personnes dans 47 pays, publiée en avril 2025, 66% des employés qui utilisent l'IA disent se fier à ses résultats sans les évaluer. Et 56% disent avoir fait des erreurs dans leur travail à cause de l'IA.

Comment nous avons compilé ces chiffres

Nous avons ouvert chaque chiffre de cette page à sa source primaire le 6 octobre 2026, et voici les sources utilisées :

• Le classement GitHub de Vectara, sur son jeu de données actuel et le précédent
• La page AA-Omniscience d'Artificial Analysis et son article de lancement de novembre 2025
• L'article d'OpenAI, ses fiches système et ses pages de lancement
• Le AI False Claims Monitor de NewsGuard
• Le rapport News Integrity de l'UER et de la BBC, et le Tow Center de Columbia
• La base de Damien Charlotin et le dossier Mata v. Avianca
• L'article de Stanford RegLab et l'enquête de KPMG et de l'université de Melbourne
• Fortune et l'Associated Press, pour deux événements que les entreprises n'ont pas publiés elles-mêmes

Certains chiffres sont nos propres calculs. La médiane de 9.6% et le compte de 50 modèles viennent du tableau de Vectara du 22 septembre 2026. La comparaison appariée associe les modèles listés sous le même nom sur les classements d'octobre 2025 et de septembre 2026. Nous avons écarté tout nom ayant deux versions sur l'ancien classement ou aucune version claire, ce qui exclut GPT-4o, DeepSeek R1, DeepSeek V3, Command R Plus et Mistral Large. Llama 3.3 70B est apparié entre la version Instruct de l'ancien classement et la version Turbo du nouveau. La médiane de 49.8% porte sur les 30 configurations qu'Artificial Analysis affiche par défaut, dont certaines sont un même modèle à deux réglages de raisonnement. Les totaux de décisions de 2025 et 2026 additionnent les comptes trimestriels de Charlotin.

Nous avons écarté ce que nous ne pouvions pas retracer. De nombreuses pages de statistiques répètent l'affirmation selon laquelle les hallucinations de l'IA auraient coûté $67.4 milliards aux entreprises en 2024. Les copies que nous avons trouvées citent le site AllAboutAI, et nous n'avons trouvé aucune étude primaire derrière. Nous avons aussi laissé de côté deux chiffres de navigation d'OpenAI qui n'apparaissent que comme étiquettes de graphique dans la fiche système de GPT-5, car nous ne pouvions pas relier chaque étiquette à son modèle avec certitude.

Comment citer ces statistiques d'hallucination IA

Chaque chiffre de cette page peut être utilisé librement avec un lien vers cette page. Une simple mention suffit :

• Source : Whizi Research, « Statistiques d'hallucination IA 2026 : les taux de 108 modèles, et pourquoi les tests se contredisent », whizi.io/resources/ai-hallucination-statistics, mis à jour en octobre 2026.

Quand vous citez un taux, indiquez le benchmark et la date à côté. Un chiffre Vectara et un chiffre AA-Omniscience pour le même modèle peuvent différer de près de six fois. Nos pages statistiques ChatGPT, part de marché des chatbots IA, statistiques des prix d'API LLM et statistiques des abonnements IA suivent les mêmes règles de sourcing.