Hallucination IA : pourquoi les modèles inventent, et comment protéger votre marque

Une hallucination IA, c'est une réponse fausse qu'un modèle de langage donne avec assurance, comme s'il s'agissait d'un fait. Ce n'est ni un bug rare ni un mensonge : c'est un effet direct de la façon dont ces modèles sont construits et évalués. Pour une entreprise, l'erreur qui coûte le plus cher est celle qui porte sur sa propre marque. Ce guide explique le phénomène, puis comment repérer et corriger une hallucination de marque.

Qu'est-ce qu'une hallucination IA ?

Une hallucination est une affirmation plausible, formulée avec confiance, mais fausse ou impossible à rattacher à une source. OpenAI parle d'un modèle qui génère avec assurance une réponse qui n'est pas vraie (OpenAI, septembre 2025).

Le mot recouvre plusieurs situations :

• Le fait inventé : une décision de justice, une date, une citation ou un chiffre qui n'existe nulle part.
• Le fait déformé : un élément vrai attribué à la mauvaise personne, au mauvais produit ou à la mauvaise période.
• La source mal lue : le modèle cite une page réelle mais lui fait dire autre chose, ou s'appuie sur une page satirique ou obsolète.

Dans les trois cas, rien dans le ton de la réponse ne signale l'erreur.

Pourquoi les modèles de langage hallucinent

Un modèle de langage hallucine parce qu'il est entraîné à produire un texte probable, pas un texte vérifié, et parce que ses évaluations le poussent à répondre plutôt qu'à avouer qu'il ne sait pas. Quatre mécanismes se combinent.

Il prédit le mot suivant, pas la vérité

Un grand modèle de langage génère sa réponse jeton par jeton, en choisissant à chaque étape une suite statistiquement plausible. Il n'existe pas, dans ce mécanisme, d'étape où la phrase serait confrontée à une base de faits. Sur un fait vu des milliers de fois, la suite probable est la bonne. Sur un fait presque jamais vu, elle peut être une invention qui « sonne juste ».

Des données d'entraînement rares, lacunaires ou contradictoires

L'article de recherche d'OpenAI Why Language Models Hallucinate (Kalai, Nachum, Vempala, Zhang, 2025) formalise ce point. Les modèles se trompent rarement sur des faits très répétés, comme la date de naissance d'Einstein. Les auteurs montrent qu'un plancher d'erreurs est lié à la part des faits qui n'apparaissent qu'une seule fois dans les données d'entraînement. Autrement dit, moins une information est répétée sur le web, plus le risque d'hallucination augmente. Les contradictions jouent dans le même sens : si dix pages donnent deux prix différents pour un même produit, le modèle n'a aucun moyen de savoir lequel est à jour.

Des évaluations qui récompensent la réponse au hasard

Le même article avance une seconde cause : la plupart des tests de référence notent une réponse juste ou fausse, sans valoriser l'aveu d'incertitude. Comme un étudiant devant un QCM sans points négatifs, le modèle a intérêt à deviner.

Quand la recherche web se trompe de source

ChatGPT, Perplexity, Gemini ou Google AI Overviews vont souvent chercher des pages sur le web avant de répondre. Cette étape réduit les inventions, mais elle crée un autre type d'erreur : la mauvaise source. Après les ratés des AI Overviews en mai 2024 (voir plus bas), Liz Reid, responsable de Google Search, les a attribués à des requêtes rares où le web contient peu de contenu sérieux (des « data voids »), et à des pages satiriques ou des forums pris au premier degré. Selon Google, ses AI Overviews n'inventent généralement pas : l'erreur vient de la page choisie ou mal interprétée (Google, 30 mai 2024). Pour une marque, la nuance compte : si la page trouvée est fausse, la réponse le sera aussi.

Quatre hallucinations documentées

Dans chacun de ces cas, l'erreur a été prise pour argent comptant.

Cas	Ce que l'IA a affirmé	Conséquence
Google Bard, février 2023	Dans une publicité de lancement, Bard affirme que le télescope James Webb a pris la première photo d'une exoplanète. La première image date de 2004, prise par le Very Large Telescope de l'ESO.	Erreur relevée par Reuters ; Alphabet perd plus de 100 milliards de dollars de capitalisation dans la journée.
Mata v. Avianca, New York, 2023	Un avocat utilise ChatGPT pour ses recherches et cite six décisions de justice qui n'existent pas, dont « Varghese v. China Southern Airlines ».	Le 22 juin 2023, le juge P. Kevin Castel inflige une amende de 5 000 dollars aux deux avocats et à leur cabinet, et leur impose d'écrire à chaque juge faussement cité.
Moffatt v. Air Canada, Colombie-Britannique, 2024	L'assistant conversationnel du site d'Air Canada indique qu'un tarif de deuil peut être demandé après l'achat du billet. La politique de la compagnie dit le contraire.	Le 14 février 2024, le tribunal juge la compagnie responsable de ce que dit son chatbot et la condamne à verser 812 dollars canadiens.
Google AI Overviews, mai 2024	Des réponses conseillent de manger des cailloux ou d'ajouter de la colle à la sauce d'une pizza, en reprenant des contenus satiriques.	Google restreint l'affichage sur certaines requêtes et limite le poids des contenus de forums.

Dans l'affaire Air Canada, la compagnie soutenait que son chatbot était une entité distincte, responsable de ses propres actes. Le tribunal a jugé qu'une entreprise répond de toutes les informations de son site, page statique ou chatbot (CBC, février 2024). Le principe vaut pour toute réponse automatisée.

Peut-on mesurer et réduire les hallucinations ?

On sait les mesurer sur des jeux de questions précis, et on sait les réduire, mais personne ne sait les supprimer. Les chiffres publiés portent sur des tests difficiles : ce sont des comparaisons entre modèles, pas un « taux d'erreur de ChatGPT ».

La fiche système d'OpenAI pour o3 et o4-mini (avril 2025) en donne un bon exemple. Sur PersonQA, un jeu de questions factuelles sur des personnes publiques, le taux d'hallucination mesuré est de 33 % pour o3, contre 16 % pour o1, un modèle plus ancien, et 48 % pour o4-mini. OpenAI l'explique en partie par le fait qu'o3 avance plus d'affirmations, justes comme fausses. Un modèle plus récent n'est donc pas automatiquement plus fiable sur les faits.

Côté réduction, trois leviers reviennent dans la recherche et la documentation des éditeurs :

• Ancrer la réponse dans des documents : c'est le principe de la génération augmentée par récupération (RAG), formalisé par Lewis et al. en 2020, qui fait chercher des passages avant de répondre.
• Autoriser le « je ne sais pas » : la documentation d'Anthropic recommande de donner explicitement à Claude la permission d'exprimer son incertitude, et de lui faire extraire des citations mot pour mot avant de répondre sur un long document (Anthropic).
• Récompenser l'abstention : c'est la piste défendue par OpenAI, qui demande de cesser de noter les modèles comme s'ils devaient toujours répondre.

À retenir : les hallucinations baissent quand le modèle s'appuie sur des sources et qu'on l'autorise à douter. Elles touchent surtout les faits rares sur le web. Une PME, un produit récent ou une offre modifiée l'an dernier sont exactement ce genre de faits.

L'hallucination de marque : quand l'IA se trompe sur votre entreprise

Une hallucination de marque, c'est quand ChatGPT, Gemini, Perplexity ou un autre moteur affirme quelque chose de faux sur votre entreprise, vos produits ou vos prix. Elle suit la logique décrite plus haut : votre marque est un fait rare à l'échelle des données d'entraînement, et les pages qui parlent de vous ne disent pas toutes la même chose.

Les formes typiques

• Le mauvais prix : un tarif d'il y a deux ans, repris d'un comparatif jamais mis à jour.
• L'offre arrêtée : une formule supprimée ou un produit retiré, présentés comme disponibles.
• L'homonyme : votre marque confondue avec une autre entreprise, une application ou un projet qui porte le même nom. Le nom « citeme » est lui-même partagé par d'autres entités : nous connaissons ce problème de l'intérieur.
• La fonction d'un concurrent : une intégration, une certification ou une garantie que vous n'avez pas, attribuée à votre produit parce qu'elle apparaît dans les mêmes comparatifs.

Pourquoi c'est un problème commercial

L'acheteur qui pose la question à une IA est souvent en phase de sélection. S'il lit un prix trop élevé, il vous écarte sans vous contacter. S'il lit une fonction que vous n'avez pas, il arrive en rendez-vous avec une attente que le commercial devra démentir. Et vous ne voyez rien passer : aucune trace dans vos statistiques. Et l'affaire Air Canada montre qu'une information fausse donnée sur vos propres canaux peut aussi engager votre responsabilité.

Comment détecter une hallucination sur votre marque

La seule méthode fiable consiste à poser aux moteurs les questions que posent vos acheteurs, sur plusieurs moteurs, plusieurs fois, et à comparer les réponses à vos informations officielles.

1. Listez les questions d'achat réelles : « combien coûte [marque] ? », « [marque] fonctionne-t-il avec [outil] ? », « [marque] ou [concurrent] pour une PME ? », « [marque] est-il encore disponible ? ».
2. Interrogez plusieurs moteurs : ils ne s'appuient pas sur les mêmes sources et ne se trompent pas de la même façon.
3. Répétez chaque question : les réponses varient d'une session à l'autre. Une étude de SparkToro a montré que les IA donnent rarement deux fois la même liste de marques. Une erreur vue une fois peut être un accident ; vue trois fois sur cinq, c'est une tendance.
4. Relevez les sources citées : quand le moteur affiche ses liens, notez la page qui porte l'erreur. C'est elle qu'il faudra traiter.
5. Consignez et datez : une capture et une date pour chaque erreur permettent de vérifier, des semaines plus tard, si la correction a eu un effet.

C'est l'une des choses que fait l'audit GEO de Citeme : il relève ce que chacun des 10 moteurs suivis (ChatGPT, Claude, Gemini, Perplexity, Grok, DeepSeek, Meta AI, Mistral, Google AI Overviews, Siri AI) dit de la marque. L'outil ne corrige rien à votre place : il vous montre où regarder.

Comment corriger une hallucination de marque à la source

On ne corrige pas une hallucination dans le moteur, on la corrige dans les pages que le moteur lit.

La page qui fait autorité sur le sujet

Pour chaque erreur, identifiez la page de votre site qui devrait trancher : la page tarifs pour un prix, la page produit pour une fonction, la page « à propos » pour l'identité de l'entreprise. Elle doit répondre en une phrase lisible sans JavaScript, datée, et dire explicitement ce qui a changé (« la formule X n'existe plus depuis mars »). Notre guide pour optimiser son site pour les IA détaille la mise en forme.

Les pages tierces qui répètent l'erreur

Souvent, l'erreur ne vient pas de votre site mais d'un comparatif, d'un annuaire, d'un ancien article de presse ou d'un fil de forum. Contactez l'auteur avec l'information juste et un lien vers votre page de référence. Mettez à jour vous-même ce que vous contrôlez : fiches d'annuaires, profils sur les places de marché, pages partenaires, profil LinkedIn. Plus les sources indépendantes disent la même chose que vous, moins le moteur a de raisons de choisir la mauvaise version.

Les données structurées de votre entité

Le balisage Organization de Schema.org sert précisément à lever les ambiguïtés. Google indique qu'il l'aide à comprendre les informations administratives d'une organisation et à la distinguer des autres dans ses résultats (Google Search Central). Renseignez au minimum le nom, l'URL, le logo et les liens sameAs vers vos profils officiels. Google précise par ailleurs qu'aucun balisage spécial n'est requis pour apparaître dans ses fonctions IA : le balisage aide à désambiguïser, il ne garantit rien. Le vérificateur de schema IA permet de contrôler ce que votre site déclare.

Un nom cohérent partout

Une marque écrite de trois façons (avec ou sans majuscule, avec ou sans suffixe, avec l'ancien nom) est perçue comme trois entités possibles. Choisissez une graphie, utilisez-la sur le site, les réseaux, les annuaires et les communiqués, et reliez explicitement l'ancien nom au nouveau si vous en avez changé. C'est la base pour apparaître correctement dans les réponses de ChatGPT.

Ce qu'il ne faut pas attendre

Il n'existe pas de procédure pour qu'une entreprise fasse corriger la réponse d'un modèle sur sa marque. Les boutons de retour (pouce vers le bas, signalement) transmettent un avis à l'éditeur, sans garantie ni délai. Trois limites :

• Les moteurs avec recherche web réagissent plus vite que les modèles qui répondent de mémoire : une page corrigée et explorée peut changer une réponse de Perplexity ou de ChatGPT en recherche, alors que la connaissance interne d'un modèle n'évolue qu'à son prochain entraînement.
• Une correction ne supprime pas la variabilité : la bonne réponse peut devenir majoritaire sans être systématique.
• Le travail se mesure dans la durée : refaites les mêmes questions à intervalle régulier pour savoir si l'erreur recule.

FAQ