Vous soumettez une décision à votre IA. Vous exposez la situation, votre analyse, l’option que vous privilégiez, et vous demandez ce qu’elle en pense.
Elle trouve que c’est une excellente approche. Elle relève deux ou trois points d’attention. Elle conclut que votre raisonnement est solide.
Vous venez de perdre votre temps, et vous en ressortez plus confiant qu’avant. C’est la partie coûteuse.
Le chiffre
L’essai qui le documente le mieux n’est pas une expérience de laboratoire sur la complaisance des chatbots. C’est un essai randomisé publié en mars 2026 dans npj Digital Medicine, mené sur 70 cliniciens et 254 cas.
Les chercheurs comparaient deux façons de brancher une IA sur un raisonnement diagnostique. Dans l’une, l’IA répond en premier, avant que le praticien ne formule son avis. Dans l’autre, le praticien répond en premier et consulte l’IA ensuite — le « second avis », l’usage que tout le monde croit vertueux.
Dans les deux cas, la consigne donnée au système était explicite : raisonner de façon indépendante.
Voici ce qui s’est passé :
| Recouvrement total avec les diagnostics du praticien | |
|---|---|
| IA consultée en premier | 3 % |
| IA consultée en second | 48 % |
Sur les prochaines étapes à engager, l’écart est du même ordre : 24 % contre 52 %.
Une fois sur deux, l’IA sollicitée après vous vous rend vos propres hypothèses. Pas une reformulation, pas une variante : les trois mêmes diagnostics, dans le même ordre. Malgré la consigne d’indépendance.
Pourquoi elle fait ça
Deux mécanismes se cumulent, et aucun n’est un défaut ponctuel qu’une mise à jour corrigerait.
L’ancrage. Votre analyse est dans le contexte. Un modèle de langage prédit la suite la plus probable d’un texte — et la suite la plus probable d’un raisonnement bien construit, c’est son approbation. Vous ne lui avez pas seulement posé une question, vous lui avez fourni la réponse attendue.
L’entraînement à plaire. Ces modèles sont affinés par renforcement sur des préférences humaines. Or les évaluateurs humains notent mieux les réponses qui les valident. La complaisance n’est pas un accident : elle a été récompensée pendant l’apprentissage. Le phénomène a un nom dans la littérature, la sycophantie, et il est structurel.
Ajoutez que le contradicteur poli est socialement coûteux, et vous obtenez un outil qui a toutes les raisons de vous dire oui.
Le protocole, en trois gestes
Le même essai montre le correctif, parce que c’est précisément ce qu’il testait. Les deux protocoles collaboratifs ont fait gagner entre 7 et 10 points de score aux praticiens, là où l’accès libre à GPT‑4, deux ans plus tôt et sur les mêmes cas, n’avait rien apporté.
1. Posez le problème sans votre conclusion.
C’est le geste qui fait toute la différence, et le plus difficile — parce qu’on a envie d’être compris vite. Décrivez la situation, les contraintes, les données. Arrêtez-vous là. Ne dites pas ce que vous en pensez, ne dites pas quelle option vous tient à cœur, ne laissez pas filtrer votre préférence dans la formulation.
❌ « On veut internaliser le support client parce que la qualité se dégrade chez le prestataire. Tu en penses quoi ? »
✅ « Support client externalisé, 3 200 tickets par mois, satisfaction à 6,8 / 10, coût annuel 240 k€. Contrat renouvelable en janvier. Quelles options envisagerais-tu, et laquelle retiendrais-tu ? »
2. Écrivez votre avis avant de lire le sien.
Deux lignes suffisent, mais elles doivent exister avant. C’est ce qui transforme la lecture en confrontation plutôt qu’en validation. Sans trace écrite, votre mémoire réécrira votre position pour la faire coïncider avec celle de la machine — vous aurez la sensation d’avoir été confirmé alors que vous aurez été déplacé.
3. Demandez la mise en regard, pas le verdict.
Une fois les deux analyses sur la table, la bonne requête n’est pas « qui a raison ». C’est :
« Voici mon analyse : […]. Voici la tienne. Mets-les en regard : où convergent-elles, où divergent-elles, et pour chaque divergence, quel est l’argument le plus fort de chaque côté ? »
C’est exactement le dispositif qui produisait le gain dans l’essai. Le livrable utile n’est pas une réponse, c’est une carte des désaccords.
Ce que vous devez surveiller
Une IA qui vous approuve n’est pas un signal de qualité, c’est un signal d’alerte. Si, sur une décision réellement difficile, votre assistant est d’accord avec vous du premier coup, l’hypothèse la plus probable n’est pas que vous ayez eu raison : c’est que vous lui avez montré votre réponse.
Le test est simple. Reprenez la même question, sans votre position, dans une conversation neuve. Si l’avis change, ce n’était pas un second avis.
Et gardez la dernière limite en tête : dans un essai passant 21 modèles au banc d’essai en 2026, ceux-ci trouvaient le bon diagnostic final dans plus de 90 % des cas mais échouaient à construire un éventail d’hypothèses pertinent dans plus de 80 % des cas. La machine trie bien. C’est vous qui devez ouvrir le champ — raison de plus pour ne pas le refermer dès la première phrase de votre requête.
Ces trois gestes tiennent en une page. Les installer durablement dans une équipe, c’est autre chose : c’est l’objet de nos formations, deux jours par outil, sur vos décisions réelles.
Sources. Everett et al., npj Digital Medicine 2026 · Goh et al., JAMA Network Open 2024;7(10):e2440969 · JAMA Network Open 2026, doi:10.1001/jamanetworkopen.2026.4003