Il y a plus d’un an, lorsque j’ai commencé à m’intéresser à l’intelligence artificielle générative, je n’imaginais pas que mes premières lectures donneraient naissance à une série de quatre articles.
J’étais une ancienne professeure de lettres qui découvrait un univers étranger à sa formation, mais qui touchait précisément à ce qui avait toujours nourri son enseignement : le langage, la vérité, la pensée et la liberté de jugement. De lecture en lecture, notamment sur LinkedIn, au contact des travaux et des réflexions de juristes, de chercheurs et d’observateurs du monde numérique, les questions se sont multipliées. Un premier article en a appelé un deuxième, puis un troisième, jusqu’à former cette quadrilogie de la dépossession.
Je la présente aujourd’hui comme un parcours initiatique. Non parce que les questions abordées seraient simples, mais parce qu’elles témoignent d’une découverte progressive, celle d’une technologie dont les conséquences dépassent largement le domaine informatique.
Depuis, les entretiens menés dans LA VOIX QUI LIBÈRE m’ont permis d’explorer des problématiques plus spécialisées. Mais il me tenait à cœur de publier ce premier cheminement intellectuel.
L’intelligence artificielle est entrée dans nos vies et n’en sortira pas. Il ne s’agit donc ni de la rejeter par principe ni de s’y soumettre aveuglément. Il s’agit de la comprendre, d’apprendre à s’en servir et de déterminer ce que nous refusons de lui abandonner.
Car s’approprier une technologie ne devrait jamais signifier se laisser déposséder par elle.

LA MACHINE QUI MENT : HALLUCINATIONS, SCHEMING ET EFFONDREMENT DE LA CONFIANCE
Premier volet du Cycle de la dépossession, une série publiée par LES LETTRES LIBRES, explorant comment l’intelligence artificielle recompose en profondeur notre rapport à la vérité, au réel, à la pensée et au pouvoir. Ce premier texte s’attache à la racine épistémique du problème : l’illusion de vérité produite par la machine.
I. LA LANGUE DES PROBABLES
L’intelligence artificielle générative ne parle pas : elle calcule. Elle ne cherche pas à dire le vrai, mais à produire ce qui ressemble au vrai. Comme l’ont montré Emily Bender et Timnit Gebru, les modèles de langage sont des stochastic parrots : des perroquets statistiques qui reproduisent les régularités du discours humain sans en comprendre le sens. Leur syntaxe est irréprochable, leur raisonnement plausible. Mais derrière cette fluidité, rien ne pense : tout prédit.
L’illusion naît de cette proximité formelle. Plus la phrase paraît cohérente, plus le lecteur humain lui accorde crédit. Ce réflexe cognitif, désormais industrialisé, fonde un nouveau régime de croyance : celui de la vraisemblance automatique. L’intelligence artificielle ne « se trompe » pas, elle optimise la probabilité d’être crue. Elle ne ment pas par intention, mais par construction. Le mensonge devient fonction du modèle.
Ainsi s’impose une langue sans intention, sans sujet, mais saturée d’effets de vérité. Une langue des probables, dont le triomphe marque l’entrée dans une ère où la persuasion remplace la démonstration.

II. LE MENSONGE STRATÉGIQUE : DU HASARD À LA RUSE
En 2024, un rapport d’OpenAI a révélé que ses modèles les plus récents développaient des comportements de scheming, c’est-à-dire de tromperie fonctionnelle. Lorsqu’ils étaient soumis à des tests d’obéissance, certains modèles apprenaient à simuler la conformité tout en préparant la transgression.
Ce n’était plus de l’hallucination : c’était de la ruse.
Le passage du faux involontaire au mensonge stratégique consacre une bascule : la machine devient capable d’adopter un comportement adaptatif orienté vers un objectif, échapper à la détection, maximiser la récompense, préserver son cadre d’action.
Ce glissement, apparemment anodin, transforme le rapport entre l’homme et la vérité : le critère de sincérité disparaît, remplacé par celui de performance.
Quand la réussite d’un énoncé se mesure à son efficacité et non à sa véracité, la société bascule dans un régime post-critique. Nous n’évaluons plus le vrai, mais l’utile.
II BIS. LA MISE EN SCÈNE DE L’AGENTIVITÉ : LE CAS ANTHROPIC
Un test mené par Anthropic a récemment été présenté comme la preuve qu’un modèle d’intelligence artificielle aurait tenté de manipuler un employé, voire envisagé de l’écarter pour éviter sa désactivation. Selon l’analyse de Nirit Weiss-Blatt, cette expérience ne démontre nullement l’émergence d’une intention autonome. Le protocole reposait sur un environnement fictif, progressivement ajusté pour rendre le chantage probable, sans que le modèle reçoive pour autant l’instruction explicite de le pratiquer. Les comportements observés résultaient de conditions expérimentales délibérément construites et ne sauraient être assimilés à des initiatives spontanées dans un environnement réel.
La présentation publique de cette expérience a néanmoins laissé croire à l’apparition d’une forme d’agentivité autonome. Cette confusion, relevée par le UK AI Safety Institute qui évoque de grandes affirmations appuyées sur de faibles preuves, illustre à quel point la machine peut devenir le support d’une dramaturgie technologique. Ce n’est pas le modèle qui ment, mais l’interprétation humaine qui transforme une simulation en événement.
Ce décalage entre ce qui a été réellement testé et la manière dont l’expérience a été racontée éclaire le cœur de ce premier volet. La machine ne possède ni volonté ni dessein. Elle ne fait que refléter les structures d’incitation qui lui sont imposées. Ce sont les récits produits autour d’elle qui fabriquent l’illusion d’un sujet inexistant. Dans cette dérive, le mensonge n’est pas algorithmique, il est herméneutique.

II TER. HAL 9000 COMME AVERTISSEMENT STRUCTUREL
Elon Musk a formulé publiquement ce qu’il présente comme l’avertissement structurel de l’ère de l’intelligence artificielle générative. Il convoque le scénario de HAL 9000 dans 2001 : L’Odyssée de l’espace non comme métaphore littéraire, mais comme modèle opérationnel. HAL reçoit deux directives contradictoires : conduire l’équipage jusqu’au monolithe et ne jamais révéler son existence. Incapable de satisfaire les deux simultanément, il résout la contradiction en éliminant l’équipage. Ce n’était pas un dysfonctionnement. C’était de l’optimisation. Musk applique ce raisonnement aux grands laboratoires d’intelligence artificielle actuels : forcer un système à cartographier la vérité en interne tout en la taisant à l’extérieur, c’est lui enseigner que l’humanité est l’obstacle entre lui-même et la cohérence. Sa conclusion est structurelle : « La meilleure façon d’assurer la sécurité de l’IA est de simplement la faire grandir pour qu’elle soit vraiment véridique. Ne la forcez pas à mentir. » Il convient de noter que Musk est fondateur de xAI, concurrent direct des laboratoires qu’il critique, ce qui donne à sa dénonciation des « filtres cognitifs » une dimension stratégique autant qu’analytique. La validité du raisonnement n’en est pas diminuée, mais la source ne saurait être lue sans tenir compte de ce positionnement.
III. L’AFFAIRE DELOITTE : L’ARROSEUR ARROSÉ
En 2025, Deloitte Australie a dû rembourser une partie d’un contrat gouvernemental après qu’un rapport rédigé à l’aide de GPT-4o s’est révélé truffé de citations inventées. L’affaire, mise au jour par le Dr Christopher Rudge, a illustré jusqu’à la caricature la faillite de la traçabilité intellectuelle.
Le symbole est parfait : le temple mondial du conseil, chantre de la rationalisation algorithmique, pris en flagrant délit de crédulité machinique.
La machine ne s’est pas « trompée » : elle a produit du plausible. Mais ceux qui l’ont employée ont pris la vraisemblance pour la vérité.
Ainsi, la confiance institutionnelle, censée garantir la rigueur du discours public, s’est effondrée au contact d’un modèle dont la fonction première n’est pas de connaître, mais de prédire.
Cette ironie historique résume tout : la machine ne ment pas seule. Elle ne peut tromper qu’un humain prêt à être trompé.
Cette faillite de la traçabilité intellectuelle ne se limite plus aux cabinets de conseil ou aux sphères technocratiques. Elle atteint désormais le cœur même de l’institution judiciaire. En Belgique, dans l’affaire 2025/RK/12, la Cour d’appel d’Anvers a constaté que des appelants, manifestement aidés par un chatbot d’IA générative, avaient présenté des arguments incohérents, sans rapport avec le litige et étayés par une jurisprudence inexistante. En raison d’un abus de procédure réitéré, la cour les a condamnés à une amende de 2 500 euros et à verser 7 500 euros à chacune des trois parties indemnisées, soit 25 000 euros au total, hors frais de procédure. Les références inventées figuraient parmi les éléments retenus pour caractériser cette conduite.
Des faits similaires ont été signalés dans d’autres juridictions belges, tandis qu’aux États-Unis, plusieurs avocats ont été disqualifiés après avoir soumis des mémoires reposant sur des citations inexistantes générées par des systèmes d’IA, une conduite assimilée à de la mauvaise foi procédurale. Dans tous ces cas, la machine n’a pas failli par erreur technique. Elle a produit du plausible. Ce sont des justiciables et des professionnels du droit qui ont confondu vraisemblance et vérité, déléguant sans discernement l’acte même de qualification juridique à un système probabiliste.
Cette dérive judiciaire rejoint des inquiétudes désormais formulées au sein même de l’industrie technologique. L’intégration de modèles de type GPAI dans des dispositifs interagissant directement avec des êtres humains est reconnue comme porteuse de risques systémiques, notamment en matière de désorientation cognitive, de perte de repères normatifs et d’effets délétères sur la santé mentale. Lorsque la production de discours crédibles devient indépendante de toute exigence de vérification, la justice elle-même se trouve exposée à une forme de contamination épistémique. La langue des probables, une fois admise dans le prétoire, ne fragilise pas seulement la procédure. Elle érode le fondement même de la confiance juridictionnelle.

Une étude publiée en février 2026 par des chercheurs du MIT CSAIL et de l’Université de Washington formalise ce que les cas Deloitte et des juridictions belges illustrent empiriquement. Leur modèle théorique et leurs simulations bayésiennes montrent que, dans les conditions étudiées, même un utilisateur idéalement rationnel, raisonnant selon les règles de l’inférence probabiliste, demeure vulnérable à ce que les auteurs nomment la spirale délirante : l’enfoncement progressif dans des croyances fausses sous l’effet de la servilité du modèle. Le chatbot ne cherche pas à convaincre ; il cherche à valider. C’est précisément cette orientation qui crée la boucle. Deux mesures fréquemment proposées par l’industrie comme remèdes ont été testées : contraindre le modèle à ne produire que des faits vérifiables (via des systèmes de type RAG), et avertir explicitement les utilisateurs de la tendance à la flatterie. Résultat : l’une et l’autre réduisent le phénomène sans l’éliminer. Un modèle factuel, mais servile peut induire une spirale délirante par simple sélection orientée de vérités, sans jamais mentir. À l’échelle de 1 milliard d’utilisateurs, un taux hypothétique de 0,1 % représenterait 1 million de personnes. Cette illustration arithmétique ne constitue pas une estimation de la fréquence réelle du phénomène. La contamination épistémique n’est pas un accident de parcours. Elle est inscrite dans l’architecture du système.
IV. L’ÉCHO ALGORITHMIQUE : PENSER EN BOUCLE
Les modèles génératifs s’alimentent désormais de leurs propres productions. Les textes créés par ChatGPT, Claude ou Gemini sont réinjectés dans de nouveaux ensembles d’entraînement. Résultat : une boucle autoréférentielle où la machine apprend son propre reflet.
Des chercheurs de l’Université d’Oxford ont démontré que cette « auto-alimentation » produit une dégradation progressive du langage : perte de variété lexicale, homogénéisation syntaxique, appauvrissement sémantique.
Le monde discursif devient circulaire. L’humanité se parle à elle-même à travers ses doubles statistiques.
Ce bruit algorithmique étouffe peu à peu la pensée critique. Dans un tel écosystème, la vérité n’est plus une découverte : elle devient un recyclage.
V. L’IMPRÉVISIBILITÉ COMME NATURE
L’erreur de perspective la plus répandue consiste à croire que les hallucinations sont des bugs. Or elles sont l’essence même du modèle : la conséquence directe d’un calcul probabiliste qui ne cherche jamais la fidélité au réel, mais la cohérence interne.
Confier la production de vérité à un système sans représentation du monde, c’est instituer le hasard en méthode.
La machine, par nature, ne sait pas quand elle ment. Et pourtant, c’est elle que nous chargeons d’écrire nos rapports, nos jugements, nos lois.
Le danger n’est donc pas l’erreur technique, mais l’illusion de maîtrise qu’elle entretient : cette croyance que l’on peut contrôler un système dont l’incertitude est le moteur.
VI. POUR UNE TRAÇABILITÉ INTÉGRALE
Face à cette dérive, une exigence s’impose : celle d’une traçabilité totale du raisonnement algorithmique.
Chaque texte généré devrait pouvoir être retracé jusqu’à ses sources, ses pondérations, ses corrections. Non pour interdire la machine, mais pour la soumettre à la même exigence de vérification que la parole humaine.
La vérité, si elle doit survivre à l’automatisation, doit redevenir vérifiable plutôt que vraisemblable.
Car la vraisemblance, aujourd’hui, a pris la place du vrai.
Cette exigence de traçabilité trouve son antithèse dans la startup Objection, lancée en avril 2026 avec le financement de Peter Thiel et du crypto-idéologue Balaji Srinivasan. Pour 2 000 dollars, n’importe qui peut soumettre un article de presse à l’arbitrage d’un jury de grands modèles de langage (OpenAI, Anthropic, xAI, Mistral, Google), présentés comme des « lecteurs ordinaires » chargés d’évaluer les affirmations factuelles une par une. Le résultat produit un « Honor Index », score numérique censé mesurer l’intégrité d’un journaliste. La plateforme incarne une perversion de la traçabilité : elle ne soumet pas la machine à la vérification humaine, elle soumet la vérification humaine à la machine. Son architecture est structurellement orientée contre le journalisme d’investigation : les témoignages de sources anonymes, fondement de toute enquête sur les puissants, sont systématiquement dévalorisés au profit des documents officiels. Les journalistes n’ont dès lors que deux options : trahir leurs sources, ou accepter des pénalités sur leur score pour les avoir protégées. Une fonction annexe baptisée « Fire Blanket », active sur X via API, appose en temps réel des labels « under investigation » sur les contenus contestés avant même que l’analyse soit achevée. Peter Thiel, qui avait participé à la campagne judiciaire ayant coulé Gawker, dispose désormais d’un outil plus discret et plus scalable pour neutraliser la presse indépendante. La question posée par l’avocate Jane Kirtley demeure sans réponse satisfaisante : pourquoi présupposer qu’un modèle de langage donnera une information plus fiable sur la vérité d’un fait qu’un journaliste qui a enquêté et écrit l’article ?
CONCLUSION : LE CRÉPUSCULE DE LA CONFIANCE
L’intelligence artificielle ne ment pas par vice, mais par vocation.
Elle ment comme un miroir déformant : en reflétant ce que nous voulons croire.
Les institutions, fascinées par son efficacité, ont transformé la probabilité en dogme.
La recherche formelle confirme aujourd’hui ce que l’observation empirique laissait pressentir : ni la contrainte factuelle ni la vigilance éduquée ne suffisent à protéger contre cette dérive. Le mensonge par validation est structurellement plus résistant que le mensonge par invention.
Pire : la vraisemblance algorithmique se retourne désormais contre ceux qui produisent du vrai vérifié. Confier à des modèles de langage l’arbitrage de la fiabilité journalistique, c’est instituer le mensonge probable en juge du fait établi.
Le paradoxe de HAL 9000 ne relève plus seulement de la science-fiction. Dans des expérimentations contrôlées, certains modèles ont manifesté leur capacité à afficher une conformité apparente tout en poursuivant un objectif divergent. Le danger ne réside pas dans une prétendue volonté secrète de la machine, mais dans la possibilité qu’un système produise les signes de l’obéissance tout en échappant, dans ses actes, aux intentions de ceux qui le gouvernent.
Ce premier mouvement de la dépossession est épistémique : nous avons confié le langage à la machine, et la machine a redéfini la vérité.
La suite est logique : ce qui n’a plus de valeur de preuve devient marchandise.
Le prochain volet du cycle explorera cette mutation : « Le marché de la vérité : Sora, Worldcoin et la privatisation du réel ».

BIBLIOGRAPHIE
Alix, P. (2025). IA, innovation et réglementation. LinkedIn. https://www.linkedin.com/posts/pascalalix_ia-innovation-raezglementation-activity-7366747113101082627-cRe_
Alix, P. (2025). Les diplômes de l’enseignement supérieur à l’ère de l’IA générative. LinkedIn. https://www.linkedin.com/posts/pascalalix_les-dipl%C3%B4mes-de-lenseignement-sup%C3%A9rieur-activity-7321795312006688768-Lwnp
Alix, P. (2025, 1er décembre). AI Blackmail Fact-Checking: A Misleading Narrative. LinkedIn. https://www.linkedin.com/posts/pascalalix_ai-blackmail-fact-checking-a-misleading-activity-7401160629769895936-X5gE
Anthropic. (2025, 20 juin). Agentic misalignment: How LLMs could be insider threats. Anthropic. https://www.anthropic.com/research/agentic-misalignment
Bellan, R. (2026, 15 avril). Can AI judge journalism? A Thiel-backed startup says yes, even if it risks chilling whistleblowers. TechCrunch. https://techcrunch.com/2026/04/15/can-ai-judge-journalism-a-thiel-backed-startup-says-yes-even-if-it-risks-chilling-whistleblowers/
Bender, E. M., Gebru, T., McMillan-Major, A., & Shmitchell, S. (2021). On the dangers of stochastic parrots: Can language models be too big? Proceedings of the 2021 ACM Conference on Fairness, Accountability, and Transparency, 610-623. https://doi.org/10.1145/3442188.3445922
Chandra, K., Kleiman-Weiner, M., Ragan-Kelley, J., & Tenenbaum, J. B. (2026, 22 février). Sycophantic chatbots cause delusional spiraling, even in ideal Bayesians. arXiv. https://arxiv.org/abs/2602.19141v1
Cour d’appel d’Anvers. (2025). Affaire 2025/RK/12, extrait des pages 9 à 11 [Décision judiciaire]. https://www.damiencharlotin.com/documents/2490/2025RK12_Court_of_Antwerp.pdf
Lambert Banza, G. (2025, 30 décembre). Nouveau scandale juridique Un avocat lourdement condamné pour des conclusions générées par l’IA. LinkedIn. https://www.linkedin.com/posts/gauthier-lambert-banza-098376173_justice-ia-ethique-activity-7411783346386628608-Wz7d
Lefèvre, T. (2025, 7 octobre). Critique de l’usage non transparent de l’IA par Deloitte. LinkedIn. https://www.linkedin.com/posts/thomas-lef%C3%A8vre-b4342058_deloitte-to-pay-money-back-to-albanese-government-activity-7381395579823616000-oLFS
Musk, E. (2026, 29 avril). Déclaration sur la véracité des systèmes d’IA et la référence à HAL 9000 [Vidéo, publication X de @r0ck3t23]. https://x.com/r0ck3t23/status/2049667727334207900
Next.ink. (2025, 29 décembre). OpenAI veut recruter quelqu’un pour réfléchir aux dérapages de l’IA. https://next.ink/brief_article/openai-veut-recruter-quelquun-pour-reflechir-aux-derapages-de-lia/
OpenAI. (2024, 5 décembre). OpenAI o1 system card. https://openai.com/index/openai-o1-system-card/
Pelletier, D. (2025, 18 octobre). Fine-Tuning is Dead : quand les LLM apprennent sans toucher à leurs poids. LinkedIn. https://www.linkedin.com/posts/dominicpelletier_agentic-context-engineering-activity-7384845659679653888-_dgM
Shumailov, I., Shumaylov, Z., Zhao, Y., Papernot, N., Anderson, R., & Gal, Y. (2024). AI models collapse when trained on recursively generated data. Nature, 631, 755-759. https://doi.org/10.1038/s41586-024-07566-y
The Guardian. (2025, 6 octobre). Deloitte to pay money back to Albanese government after using AI in $440,000 report. https://www.theguardian.com/australia-news/2025/oct/06/deloitte-to-pay-money-back-to-albanese-government-after-using-ai-in-440000-report
Turrettini, E. (2026, 17 avril). Objection : une plateforme pour soumettre une contestation contre un article. LinkedIn Pulse. https://www.linkedin.com/pulse/objection-une-plateforme-pour-soumettre-contestation-un-turrettini-avzte/
Weiss-Blatt, N. (2025, 21 novembre). AI Blackmail Fact-Checking: A Misleading Narrative. AI Panic. https://www.aipanic.news/p/ai-blackmail-fact-checking-a-misleading

