Hallucinations de l’IA : définition, causes et comment les réduire

7 novembre 20269 novembre 2026Flavien BessetPratiques

Article publié le 7 novembre 2026, établi à partir de la publication de recherche d’OpenAI sur les causes des hallucinations (septembre 2025), de décisions de justice et de la presse sur les affaires citées, et de notre pratique de formation sur Copilot, ChatGPT, Claude, Gemini et Mistral.

Une hallucination de l’IA est une réponse fausse, inventée ou sans rapport avec la source, qu’un modèle de langage présente avec la même assurance qu’une réponse exacte : une jurisprudence qui n’existe pas, un chiffre inventé, une citation attribuée à la mauvaise personne. Ce n’est pas un bug que la prochaine version corrigera entièrement, mais une conséquence de la façon dont ces modèles fonctionnent : ils produisent le texte le plus plausible, pas le plus vrai. Les modèles de 2026 hallucinent beaucoup moins que ceux de 2023, mais ils hallucinent encore, et les erreurs restantes sont plus difficiles à repérer parce qu’elles sont noyées dans des réponses par ailleurs excellentes. Cet article explique ce qu’est une hallucination, d’où elle vient, ce qu’elle a déjà coûté, et les dix techniques qui réduisent vraiment le risque.

L’essentiel en cinq lignes

Une hallucination est une affirmation fausse ou invérifiable produite par une IA générative et présentée comme un fait.
Elle vient du fonctionnement des LLM, qui prédisent la suite la plus probable d’un texte, et de leur entraînement, qui récompense une réponse assurée plutôt qu’un « je ne sais pas ».
Les cas les plus risqués sont les références juridiques, les sources, les chiffres précis, les citations et les faits récents ou rares.
Pour la réduire, on donne au modèle les documents de référence, on lui demande de citer le passage exact et on l’autorise à dire qu’il ne sait pas.
La vérification humaine reste obligatoire pour tout ce qui est diffusé : l’outil propose, la personne qui envoie est responsable.

Hallucination de l’IA : définition

On parle d’hallucination quand un système d’IA générative produit un contenu présenté comme exact alors qu’il est faux, inventé ou non fondé sur les informations dont il dispose. Le terme, emprunté à la psychologie, est discuté : le modèle ne « voit » rien, il calcule. Certains chercheurs préfèrent « confabulation », qui décrit mieux le phénomène : combler un trou par une invention plausible, sans intention de tromper. L’usage a pourtant consacré « hallucination », en français comme en anglais.

Deux traits distinguent une hallucination d’une simple erreur. D’abord, elle est plausible : le nom de la décision de justice ressemble à un vrai nom, le chiffre a le bon ordre de grandeur, l’auteur cité existe parfois vraiment. Ensuite, elle est assurée : rien dans le ton ne signale le doute. C’est cette combinaison qui la rend dangereuse en entreprise.

Les cinq types d’hallucinations

Type	Ce qui se passe	Exemple
Fait inventé	Le modèle affirme un fait qui n’existe pas	Une date de création d’entreprise, un dirigeant, un chiffre d’affaires faux
Source fabriquée	Il cite une référence qui n’existe pas, ou qui ne dit pas ce qu’il lui prête	Une jurisprudence, un article scientifique ou une norme inventés
Infidélité au document	Il résume ou analyse un document fourni en y ajoutant ce qui n’y figure pas	Un compte rendu de réunion qui mentionne une décision jamais prise
Erreur de calcul ou de logique	Il « calcule » de tête et se trompe, ou enchaîne un raisonnement faux	Une somme de colonne erronée, un pourcentage mal calculé
Fausse capacité	Il affirme avoir fait quelque chose qu’il n’a pas fait	« J’ai vérifié sur le site », alors qu’aucune recherche n’a été lancée

Le troisième type est le plus sous-estimé. On croit souvent qu’en donnant un document au modèle, on élimine le risque. On le réduit fortement, mais un résumé peut encore glisser une nuance absente, fusionner deux points ou attribuer une phrase au mauvais intervenant. Plus le document est long et la demande vague, plus le risque augmente.

Pourquoi l’IA hallucine

La première raison tient au principe même d’un LLM. Un grand modèle de langage est entraîné à prédire le mot suivant le plus probable. Il n’a pas de base de faits qu’il consulterait : il a appris des régularités sur des milliards de textes. Quand une question porte sur un fait bien représenté dans ses données, la suite la plus probable est souvent la bonne. Quand elle porte sur un fait rare, récent ou absent, il produit quand même la suite la plus probable, qui ressemble à une bonne réponse. Nous détaillons ce mécanisme dans LLM : définition et fonctionnement.

La deuxième raison est plus surprenante. En septembre 2025, des chercheurs d’OpenAI et de Georgia Tech ont publié « Why Language Models Hallucinate ». Leur thèse : les méthodes d’entraînement et d’évaluation des modèles récompensent la réponse au hasard plutôt que l’aveu d’incertitude. La plupart des tests notent une réponse juste ou fausse, sans donner de point pour « je ne sais pas ». Comme un élève face à un QCM sans pénalité pour les mauvaises réponses, le modèle a intérêt à tenter sa chance. Les auteurs relient aussi les hallucinations aux faits qui n’apparaissent qu’une fois dans les données d’entraînement : le modèle n’a pas assez d’exemples pour les apprendre, mais assez pour inventer quelque chose d’approchant. Ils proposent que les évaluations cessent de pénaliser l’abstention.

Viennent ensuite des raisons liées à l’usage :

La date de connaissance : sans recherche web, le modèle ignore ce qui s’est passé après l’arrêt de ses données, et peut compléter avec des informations périmées.
Une demande qui suggère la réponse : « Quelle jurisprudence confirme que… » pousse le modèle à en trouver une, même s’il n’y en a pas.
Le manque de contexte : sans vos documents internes, le modèle invente vos processus à partir de ce que font « en général » les entreprises.
Les conversations trop longues : au-delà d’un certain volume, le modèle mélange des éléments de différents moments de l’échange.
La complaisance : les modèles ont tendance à aller dans le sens de l’utilisateur, ce qui peut les amener à confirmer une prémisse fausse.

Trois affaires qui ont coûté cher

Affaire	Ce qui s’est passé	Conséquence
Mata contre Avianca, New York, 2023	Des avocats déposent un mémoire citant six décisions inventées par ChatGPT, qui leur avait assuré qu’elles existaient.	Le juge Castel les sanctionne le 22 juin 2023 d’une amende de 5 000 dollars. L’affaire devient la référence mondiale du sujet.
Moffatt contre Air Canada, Canada, 2024	L’assistant du site d’Air Canada indique à un client une politique de remboursement qui n’existe pas.	Le tribunal juge la compagnie responsable des informations données par son assistant et l’oblige à indemniser le client.
Deloitte, Australie, 2025	Un rapport de 237 pages remis au ministère de l’Emploi, payé 440 000 dollars australiens, contient des références à des travaux inexistants et une citation inventée d’un juge.	Le cabinet rembourse une partie du contrat et publie une version corrigée mentionnant l’usage d’Azure OpenAI.

Le phénomène n’a rien d’anecdotique. La base de données tenue par le chercheur Damien Charlotin recensait début juin 2026 plus de mille affaires américaines dans lesquelles des écritures déposées en justice contenaient des contenus erronés produits par l’IA, dont environ 40 % émanaient d’avocats. Le point commun de ces affaires n’est pas l’outil utilisé : c’est l’absence de vérification avant diffusion.

Où le risque est le plus élevé

Risque élevé	Risque modéré	Risque faible
Références juridiques, normes, articles de loi cités de mémoire	Résumé d’un long document fourni	Reformuler, corriger, changer le ton d’un texte que vous avez écrit
Sources, bibliographies, citations	Synthèse de plusieurs documents contradictoires	Traduire un texte fourni
Chiffres précis, statistiques, prix	Analyse de données sans outil de calcul	Proposer un plan, des idées, des titres
Faits récents ou peu connus : une PME, une personne, un produit	Compte rendu d’une réunion à partir d’une transcription	Structurer des notes en compte rendu, avec relecture

La règle qui se dégage est simple : moins vous fournissez le fond, plus le risque monte. Quand l’IA retravaille un contenu que vous lui donnez, elle se trompe rarement. Quand elle doit produire elle-même un fait, une source ou un chiffre, elle peut se tromper, et c’est là que la vérification doit être systématique.

Dix techniques pour réduire les hallucinations

Aucune technique n’élimine le risque, mais leur combinaison le réduit très fortement. Elles fonctionnent dans tous les assistants : Copilot, ChatGPT, Claude, Gemini et Vibe de Mistral.

Donner les documents de référence. Joindre le contrat, la procédure, le rapport, ou passer par un projet, un connecteur ou un agent relié à vos sources. Le modèle répond alors à partir de vos textes plutôt que de sa mémoire : c’est le principe du RAG, détaillé dans RAG : définition et limites.
Restreindre explicitement. « Réponds uniquement à partir des documents joints. Si l’information n’y figure pas, écris : non trouvé dans les documents. »
Autoriser le doute. « Si tu n’es pas sûr, dis-le et indique ton niveau de confiance. » Cela contrebalance la tendance du modèle à répondre coûte que coûte.
Exiger la citation du passage. « Pour chaque affirmation, cite entre guillemets la phrase du document qui la justifie, avec la page. » Une citation se vérifie en dix secondes ; une affirmation, non.
Activer la recherche web pour les faits récents, et ouvrir les liens proposés : un lien qui existe ne dit pas toujours ce que le modèle lui attribue.
Faire calculer par un outil. Pour un tableau, demander l’analyse de données (le modèle écrit et exécute du code) plutôt qu’un calcul « de tête ».
Poser des questions neutres. « Existe-t-il une jurisprudence sur… ? » plutôt que « Quelle jurisprudence confirme que… ».
Découper. Une question précise par demande, et une nouvelle conversation par sujet, plutôt qu’un long échange qui mélange tout.
Choisir le bon mode. Les modes de raisonnement et de recherche approfondie vérifient davantage avant de répondre ; ils sont plus lents mais plus fiables sur les questions factuelles. Voir Le bon modèle IA pour chaque tâche.
Faire relire par une seconde passe. Demander au modèle, dans une nouvelle conversation, de relever les affirmations du texte qui ne sont pas justifiées par les sources. Puis vérifier vous-même les points signalés.

Un prompt type qui combine plusieurs de ces techniques :

« À partir uniquement des trois documents joints, liste les obligations du prestataire. Pour chacune, cite entre guillemets la phrase exacte et indique le document et la page. Si une obligation que tu attendrais n’y figure pas, écris-le. N’ajoute aucune information extérieure aux documents. »

Ces réflexes ne s’acquièrent pas en lisant une liste : ils se prennent en pratiquant sur ses propres dossiers. C’est l’objet de notre formation Maîtriser l’IA générative, où chaque participant apprend à faire travailler l’outil sur ses documents réels puis à vérifier ce qu’il produit. Notre guide Prompt engineering donne la méthode complète de rédaction des consignes.

Comment vérifier une réponse de l’IA en cinq minutes

La vérification n’a pas besoin d’être longue si elle est ciblée. Voici une grille simple, à appliquer avant toute diffusion d’un contenu produit avec l’IA.

Élément	Question à se poser	Comment vérifier
Chaque chiffre	D’où vient-il ?	Retrouver la source primaire ; sinon le supprimer
Chaque référence	Existe-t-elle, et dit-elle cela ?	Ouvrir le lien, chercher la décision sur une base officielle, lire le passage
Chaque citation	A-t-elle été prononcée ou écrite par cette personne ?	Retrouver le texte d’origine
Chaque nom propre	La personne, l’entreprise, le produit existent-ils ?	Une recherche suffit
Le résumé d’un document	Chaque point figure-t-il dans le document ?	Contrôler par sondage trois affirmations sur le texte
Les calculs	Ont-ils été faits par un outil ?	Refaire le total dans le tableur

Ce que l’entreprise doit organiser

Les hallucinations ne se traitent pas seulement au niveau de chaque utilisateur. Trois décisions relèvent de l’organisation :

Une règle écrite de vérification, dans la charte IA : tout contenu produit avec l’IA est vérifié par la personne qui le diffuse, qui en reste responsable. L’affaire Air Canada rappelle que l’entreprise répond des informations données par ses outils.
Des niveaux de contrôle selon l’enjeu : une relecture simple pour un mail interne, une vérification de chaque source pour un document client, une double validation pour un avis juridique ou une décision qui touche des personnes. Pour les systèmes qui décident ou orientent une décision, l’AI Act impose une supervision humaine dans les cas à haut risque ; voir AI Act : ce que votre entreprise doit faire.
Des outils reliés aux bonnes sources : un assistant connecté à vos documents à jour hallucine bien moins qu’un assistant qui répond de mémoire. C’est souvent le meilleur investissement anti-hallucination.

Un dernier point, souvent négligé : la confiance excessive. Une étude que nous avons commentée montre que les utilisateurs d’IA deviennent plus performants mais moins lucides sur leurs propres erreurs ; voir L’IA ne supprime pas l’effet Dunning-Kruger, elle le déplace. Plus l’outil est bon, plus la vigilance tend à baisser, alors que c’est précisément le moment où les erreurs restantes passent inaperçues.

Questions fréquentes

Qu’est-ce qu’une hallucination en IA ?

C’est une réponse produite par une IA générative qui est fausse, inventée ou non fondée sur les sources disponibles, mais présentée avec assurance comme un fait : une référence qui n’existe pas, un chiffre faux, une citation inventée.

Pourquoi ChatGPT invente-t-il des réponses ?

Parce qu’il prédit le texte le plus plausible, sans base de faits à consulter, et parce que son entraînement a longtemps récompensé une réponse assurée plutôt qu’un aveu d’ignorance. Le phénomène touche tous les assistants, pas seulement ChatGPT.

Les hallucinations vont-elles disparaître ?

Elles diminuent nettement à chaque génération de modèles, surtout avec la recherche web et les modes de raisonnement, mais aucun éditeur ne promet leur disparition. Elles tiennent au principe même des modèles de langage. Il faut donc organiser la vérification plutôt qu’attendre une version parfaite.

Donner un document à l’IA suffit-il à éviter les hallucinations ?

Cela les réduit fortement, sans les supprimer : un résumé peut encore ajouter une nuance ou confondre deux points. Demandez au modèle de citer la phrase exacte qui justifie chaque affirmation, et contrôlez quelques points par sondage.

Quelle IA hallucine le moins ?

Les classements évoluent à chaque sortie de modèle et dépendent du type de tâche. En pratique, la façon d’utiliser l’outil compte plus que l’outil : un assistant moyen relié à vos documents et bien consigné se trompe moins qu’un modèle de pointe interrogé de mémoire.

Qui est responsable d’une hallucination diffusée ?

La personne et l’organisation qui diffusent le contenu. Les tribunaux l’ont rappelé aux avocats sanctionnés pour de fausses jurisprudences comme à Air Canada pour son assistant en ligne. C’est pourquoi la règle de vérification doit figurer dans la charte IA de l’entreprise.

Sources

Kalai, Nachum, Vempala et Zhang, Why Language Models Hallucinate, OpenAI et Georgia Tech, septembre 2025.
PPC Land, New research explains why language models hallucinate, 7 septembre 2025.
Bibliothèque de droit de l’université de Caroline du Nord, Handling Hallucinations: A Reflection on the Last Three Years, juin 2026 (affaire Mata contre Avianca, base de Damien Charlotin).
LawSites, Court imposes sanctions on lawyers who filed bogus cases after relying on ChatGPT, juin 2023.
American Bar Association, BC tribunal confirms companies remain liable for information provided by AI chatbot (Moffatt contre Air Canada), février 2024.
Associated Press, Deloitte to partially refund Australian government for report with apparent AI-generated errors, 7 octobre 2025.
Damien Charlotin, AI Hallucination Cases Database.