Qu'est-ce qu'une hallucination IA ?

Une hallucination est une réponse plausible qui se trouve être fausse

Demandez à un modèle de langage le numéro de page d'une citation tirée d'un livre dont il a entendu parler mais qu'il n'a jamais vu, et il vous donnera un numéro de page. Il ne dira pas "je ne peux pas le savoir". Le numéro est correctement formaté, s'insère dans une phrase qui ressemble à toutes les autres citations de ses données d'entraînement, et il est inventé.

C'est ça, une hallucination : une affirmation fluide et assurée sans aucun fait derrière. Le mot est une métaphore, et une métaphore un peu trompeuse, car rien ne dysfonctionne. On a demandé au modèle la continuation la plus probable d'une citation, et il en a produit une. Sur une question où la réponse qui sonne le plus plausible est aussi la vraie, ce qui est le cas de la plupart des questions, c'est ce même processus qui rend le modèle utile.

Les formes que ça prend sont prévisibles : références et URL inventées, statistiques sans source, citations attribuées à de vraies personnes qui ne les ont jamais prononcées, fonctionnalités d'un produit qui n'existent pas, et affirmations juridiques ou médicales présentées comme des faits établis. Pourquoi l'IA se trompe détaille comment repérer chaque type ; cette page explique pourquoi elles surviennent tout court.

Pourquoi un modèle qui a lu tout internet invente encore des choses

Deux mécanismes, et ils s'additionnent.

Le modèle prédit, il ne va pas chercher l'information. Un modèle de langage n'a pas d'index de faits. Tout ce qu'il a lu a été compressé dans ses paramètres, et au moment de répondre, il régénère du texte un jeton à la fois à partir de cette compression, en choisissant chaque jeton selon sa probabilité. Quand la vraie réponse était fréquente dans les données d'entraînement, la continuation probable est aussi la vraie. Quand elle était rare, absente ou contredite, le modèle doit quand même choisir un jeton, et il en choisit un plausible. Qu'est-ce qu'un LLM explique l'architecture ; en résumé, il n'existe aucune étape où le modèle se demande si la phrase qu'il écrit est réelle.

L'entraînement récompense le fait de deviner. En septembre 2025, OpenAI a publié une étude intitulée "Why Language Models Hallucinate" qui explique que les benchmarks utilisés pour noter les modèles évaluent une réponse fausse et une réponse vide de la même façon, zéro, alors qu'une supposition chanceuse obtient la note maximale. Un modèle optimisé contre ce système de notation apprend la même leçon qu'un élève face à un QCM sans pénalité pour les mauvaises réponses : toujours deviner. La proposition de l'étude est de changer la notation pour que "je ne sais pas" vaille plus qu'une erreur assurée.

Deux affaires judiciaires qui ont mis un chiffre sur une hallucination

Mata v. Avianca, New York, 2023. Deux avocats ont déposé un mémoire citant six décisions de justice produites par ChatGPT. Aucune des six n'existait. Le juge a sanctionné les avocats de $5,000 en juin 2023 et les a obligés à écrire aux juges auxquels les décisions inventées avaient été attribuées. Des captures d'écran jointes à l'affidavit de l'avocat montrent celui-ci demandant à ChatGPT si les affaires étaient réelles, et ChatGPT confirmant qu'elles l'étaient.

Moffatt v. Air Canada, Colombie-Britannique, 2024. Le chatbot du site d'Air Canada avait dit à un client qu'il pouvait réserver un billet plein tarif pour des funérailles et réclamer ensuite un tarif de deuil rétroactif. La politique réelle de la compagnie disait l'inverse. Quand Air Canada a soutenu que le chatbot était une entité juridique distincte responsable de ses propres propos, le Civil Resolution Tribunal a rejeté cet argument en février 2024 et a ordonné à la compagnie de payer $812.02 (en dollars canadiens).

Aucun des deux modèles n'était défaillant. Chacun a produit la réponse qui sonnait le plus plausible à une question dont la vraie réponse était hors de sa portée. Le coût est retombé sur la personne qui n'a pas vérifié.

L'hallucination est l'un des quatre types d'erreurs, et les remèdes diffèrent

On utilise ce mot pour désigner toute réponse fausse, ce qui masque le fait que les quatre erreurs courantes ont quatre causes différentes.

Seule la première ligne est une hallucination au sens strict. Les lignes deux et trois sont des problèmes d'ancrage largement résolus en donnant au modèle quelque chose à lire. La ligne quatre est un problème de formulation. Traiter les quatre comme un seul défaut mystérieux pousse les gens vers le mauvais remède, en général "utiliser un modèle plus gros", qui aide le moins sur la première ligne.

La vérification à deux modèles, et ce qu'elle coûte

L'habitude la plus fiable contre l'hallucination au sens strict est de poser la même question à un second modèle différent et de comparer. Deux modèles de laboratoires différents, entraînés sur des données différentes avec un post-entraînement différent, inventent rarement la même citation. L'accord est une preuve faible que le fait est réel. Le désaccord est un signal fort d'aller vérifier avant d'agir.

Voici pourquoi ça marche là où "demander au même modèle de se relire" ne marche pas : une seconde passe du même modèle, c'est le même prédicteur qui redevine à partir de la même compression. Un modèle différent, c'est une compression différente.

Le second avis n'a pas besoin de venir d'un modèle coûteux. Sur l'Artificial Analysis Intelligence Index, un composite de benchmarks publics de raisonnement, de code et de connaissances relevé le 2026-09-17, DeepSeek V4 Flash obtient 40 et coûte 1 crédit Whizi par message ; Claude Sonnet 5 obtient 38 et en coûte 10. La ligne pointillée est la frontière, le meilleur score à chaque prix, et chaque point sur cette ligne vient d'un laboratoire différent. Une double vérification à partir de deux laboratoires à 1 et 10 crédits coûte 11 crédits, et la vue côte à côte envoie une même question aux deux sur un seul écran. Les avocats de l'affaire Mata v. Avianca ont payé $5,000 pour la vérification qu'ils n'ont pas faite.

Ce qui réduit les hallucinations, classé par efficacité

1. L'ancrage. La recherche web, un document téléversé ou une source collée transforme la tâche de "se souvenir" en "lire et résumer", ce que les modèles font bien plus fiablement. C'est la réduction la plus importante à elle seule, et c'est un réglage produit, pas une astuce de prompt.
2. Un second modèle. Entraînement différent, modes d'échec différents. Attrape la plupart des détails inventés.
3. Demander les sources et les ouvrir. Un modèle à qui l'on demande de citer va citer ; la vérification consiste à voir si la citation existe et dit ce que la réponse prétend.
4. La permission de dire non. "Si tu n'es pas sûr, dis-le" change ce qu'est la continuation la plus probable, si bien que sur les questions difficiles le modèle refuse plus souvent au lieu d'inventer.
5. Un modèle plus gros. Les modèles de pointe hallucinent moins que les petits modèles sur les connaissances courantes, mais l'écart est le plus faible précisément là où ça compte, sur les faits rares et spécifiques.

L'ordre est important. La plupart des gens se tournent d'abord vers le point cinq, alors que c'est le levier le plus faible de la liste.