Vérifier ChatGPT et les réponses d'une IA en 2 minutes, prompts inclus

Comment vérifier une information donnée par l'IA ? Listez les affirmations, puis lancez quatre vérifications

Pour vérifier une réponse d'IA, vous en extrayez les affirmations vérifiables et vous soumettez chacune à quatre contrôles : un second modèle, la source ouverte, l'argument inverse et une recherche par chiffre. Une réponse fausse casse toujours aux mêmes endroits (un détail inventé par le modèle, une source qui n'existe pas ou ne dit pas cela, un cas approuvé parce que vous le lui demandiez, un chiffre exact à la fin de l'entraînement), donc vous contrôlez ces endroits et vous laissez le reste. Demandez d'abord au modèle de lister ses affirmations :

Liste toutes les affirmations factuelles de ta réponse ci-dessus sous forme de liste numérotée, une phrase chacune. Compte chaque chiffre, nom, date, citation, source et chaque « des études montrent » comme une affirmation. N'ajoute aucune nouvelle information.

Ces durées sont un budget que nous fixons pour que l'habitude tienne ; personne ne les a mesurées. La dernière section indique quelles réponses méritent les quatre vérifications et lesquelles une seule.

Le meilleur modèle de chaque labo invente plus que son meilleur score : aucun modèle n'échappe à la vérification

Aucun modèle d'IA n'est assez fiable pour se passer de vérification, et payer le meilleur modèle d'un labo ne réduit pas le risque. Au classement d'hallucinations de Vectara, mis à jour le 22 septembre 2026, le modèle le plus capable de chacun des six labos présents ajoute des affirmations non étayées plus souvent que le meilleur score de ce même labo.

Vectara donne un court document à chaque modèle et compte la fréquence à laquelle son résumé contient une affirmation que le document ne soutient pas. C'est la tâche factuelle la plus facile qu'un modèle reçoive, puisque les faits sont dans le prompt : lisez donc ces taux comme un plancher pour les questions traitées de mémoire. La règle derrière le graphique : pour chaque labo, son taux le plus bas du classement face à son modèle le plus capable du classement (Gemini 3.1 Pro est listé en préversion). Sur l'ensemble des six labos, les modèles phares atteignent 11.0 sur 100 et les meilleurs scores 5.2, soit environ deux fois plus souvent. Les autres lectures vont dans le même sens. GPT-6 Sol, sorti le 22 septembre 2026, obtient 6.5, encore le double des 3.1 de GPT-5.4 nano, et Grok 4.1 Fast monte à 19.2 avec le raisonnement activé. Le taux le plus bas de tout le classement est de 1.8, pour Finix S1 32B d'Ant Group. Personne n'est à zéro.

Étape 1 : un second modèle d'un autre labo révèle les détails inventés là où les deux divergent

Un second modèle repère les détails que le premier a inventés, car deux systèmes entraînés par des labos différents inventent rarement le même chiffre, nom, date ou source. Collez la même question, mot pour mot, dans un modèle d'une autre entreprise, puis comparez les deux réponses pour repérer les détails qui diffèrent. L'accord ne prouve pas grand-chose. Le désaccord vous indique exactement quelle phrase vérifier. Si les réponses sont longues, laissez un modèle faire la comparaison :

Voici deux réponses à la même question. Liste chaque affirmation précise sur laquelle elles divergent : un chiffre, un nom, une date, une source, un oui ou un non. Ignore les différences de formulation, de longueur ou de ton. Si elles concordent sur tout, dis-le en une ligne.

Deux offres gratuites dans deux onglets suffisent. Interroger plusieurs modèles d'IA à la fois compare les outils qui envoient un prompt à de nombreux modèles, dont la vue côte à côte de Whizi. L'accord échoue d'une seule façon connue : les deux modèles ont appris sur le même internet public, donc une affirmation fausse partout en ligne revient fausse dans les deux. L'étape 4 sert à ce cas.

Étape 2 : comment repérer une fausse citation d'IA, en dix secondes

Une fausse citation d'IA échoue à un test de dix secondes qui n'implique jamais de questionner le modèle : collez le DOI dans doi.org, où un vrai redirige vers l'éditeur et un inventé renvoie une erreur 404. Je l'ai fait le 26 septembre 2026. L'article de Walters et Wilder cité plus bas, DOI 10.1038/s41598-023-41032-5, a répondu par une redirection 302 vers nature.com ; le même préfixe avec un suffixe inventé, 10.1038/s41598-023-99999-9, a répondu par une 404. Sans DOI, collez le titre entre guillemets dans Google Scholar, où un vrai article apparaît avec les mêmes auteurs.

Pour l'affirmation elle-même, demandez une source et ouvrez-la :

Donne-moi la source exacte de cette affirmation : le titre, l'auteur ou l'éditeur, l'année et un lien. Si tu n'as pas de source précise, dis-le au lieu d'en produire une plausible.

La dernière phrase rend plausible la réponse « je n'en ai pas », qui ne l'est pas autrement. Quand la réponse vient d'une recherche web, la citation est déjà jointe et c'est elle qu'il faut cliquer : ouvrez-la et retrouvez le chiffre sur la page, car un vieil article de blog se classe comme une page d'éditeur. Cherchez ensuite les incohérences qu'une fausse référence ne peut pas éviter : une revue et une année qui ne vont pas ensemble, un volume qui ne correspond pas à l'année, deux vrais auteurs qui n'ont jamais écrit ensemble, ou un numéro de dossier qui appartient à une autre affaire.

L'ampleur du phénomène est mesurée. Walters et Wilder, dans Scientific Reports le 7 septembre 2023, ont vérifié 636 citations issues de revues de littérature de ChatGPT : 55 % de celles de GPT-3.5 et 18 % de celles de GPT-4 n'existaient pas. La base de Damien Charlotin recensait 2,079 décisions de justice impliquant du contenu halluciné au 25 septembre 2026, dont 827 déposées par des avocats. Dans la première affaire célèbre, Mata v. Avianca, un tribunal fédéral de New York a infligé une sanction de $5,000 à deux avocats et à leur cabinet le 22 juin 2023, et la décision cite l'avocat disant que, interrogé sur une affaire inventée, ChatGPT avait répondu qu'elle « existe bel et bien ». Demander au modèle de confirmer sa propre citation est la seule vérification qui ne fonctionne jamais ; ce qu'est une hallucination d'IA explique pourquoi la confirmation sort aussi fluide que la fabrication.

Étape 3 : l'IA peut-elle se vérifier elle-même ? Seulement si vous lui faites défendre l'inverse

L'IA ne peut se vérifier que si vous changez sa mission. « Es-tu sûr ? » produit surtout de l'accord, car l'accord correspond à la forme d'une réponse serviable ; une consigne de défendre l'inverse rend probable un texte qui plaide contre la réponse. Le prompt :

Maintenant, défends l'inverse. Donne-moi le meilleur argument pour dire que la réponse ci-dessus est fausse, avec les affirmations précises sur lesquelles il repose. Puis nomme l'unique affirmation de la réponse initiale dont tu es le moins sûr.

Deux choses reviennent. Le contre-argument vous dit si la question avait un vrai autre versant, et l'affirmation que le modèle désigne comme la plus faible passe directement à l'étape 4. Le modèle ne peut pas lire sa propre confiance dans son ton (pourquoi l'IA se trompe explique le mécanisme), mais il sait produire l'argument contraire, et un détail faux tend à y apparaître.

La plupart de ceux qui essaient l'autovérification s'y prennent mal. Dans l'enquête de F-Secure auprès de 1,500 utilisateurs d'IA aux États-Unis et au Royaume-Uni, publiée le 23 septembre 2026, 35.3 % avaient utilisé l'IA pour vérifier l'IA, et 47.3 % disaient cesser de remettre une réponse en question dès qu'elle semble juste. Le même modèle, à qui l'on demande s'il est d'accord avec lui-même dans la même conversation, renvoie surtout de l'accord. Le prompt inverse et un modèle d'un autre labo sont les versions qui vous donnent quelque chose à vérifier.

Étape 4 : lisez latéralement, avec une recherche par date, prix et statistique

La lecture latérale consiste à quitter la réponse de l'IA et à vérifier chaque affirmation dans un nouvel onglet auprès de la source qui détient le fait ; c'est la méthode qu'enseignent les guides des bibliothèques de l'University of Maryland et de Texas A&M Corpus Christi pour les productions d'IA. Le terme vient de l'étude de Sam Wineburg et Sarah McGrew sur 45 internautes expérimentés (Teachers College Record, 2019). Avec les mêmes sites que 10 historiens titulaires d'un doctorat et 25 étudiants de Stanford, les 10 vérificateurs professionnels « ont lu latéralement, quittant un site après un rapide survol » et sont arrivés à des conclusions mieux étayées en une fraction du temps.

Pour une réponse d'IA, le geste est mécanique. Collez le chiffre avec son nom dans un moteur de recherche, entre guillemets, et ouvrez la source qui le détient : la page du fournisseur pour un prix, le site du gouvernement pour une loi, l'article d'origine pour un résultat, et non un article qui les résume. Les prix changent après la fin de l'entraînement, les dates sont inversées et les statistiques sont retenues avec le mauvais dénominateur. Le Digital News Report 2026 du Reuters Institute montre avec quelle facilité cela arrive : 42 % des personnes qui utilisent des chatbots d'IA pour s'informer disent cliquer toujours ou souvent vers la source, contre 44 % pour la recherche et 36 % pour les réseaux sociaux. Ces 42 % sont une part des utilisateurs de chatbots pour l'actualité, pas de tout le monde, et une réponse qui omet la précision transforme un chiffre exact en affirmation fausse.

Pour l'actualité et les affirmations virales, Snopes, PolitiFact et FactCheck.org ont souvent déjà fait la lecture latérale. Pour une affirmation technique, juridique ou médicale pointue, la source qui détient le fait est un spécialiste, et la réponse de l'IA devient la liste de questions à lui apporter.

Quelles réponses d'IA méritent les quatre vérifications ? Tout ce que vous enverrez, signerez, déposerez ou paierez

Lancez les quatre vérifications sur tout ce que vous allez envoyer, signer, déposer, publier ou payer, ne faites que l'étape 1 pour ce que vous voulez simplement avoir juste, et passez-les pour un brouillon qui vous semble correct. L'écart que cette règle comble est mesuré : dans la même enquête F-Secure, près de 90 % des utilisateurs d'IA disaient que vérifier la réponse relève de leur responsabilité, 70 % ne vérifient que parfois, rarement ou jamais, et 25.2 % avaient suivi un conseil d'IA pour une décision majeure de leur vie. Une habitude appliquée à tout dure une semaine. Une règle indexée sur l'enjeu dure, et selon elle une réponse contenant un chiffre, un nom, une date ou un lien reste un brouillon tant qu'une des quatre vérifications n'a pas touché cette phrase.