Depuis deux ans, la menace que l’IA fait peser sur le débat public a un visage bien identifié : deepfakes, fausses vidéos, fermes de comptes automatisés, contenus fabriqués en série. On surveille le faux. On traque le mensonge industrialisé.
Et pendant qu’on regarde de ce côté, l’influence passe par une porte qu’on avait laissée grande ouverte : le petit bouton « améliore ce texte » qui reformule nos publications. Personne n’y voit un vecteur de propagande. C’est précisément ce qui le rend efficace.
Une étude de l’Oxford Internet Institute (le laboratoire d’Oxford dédié à l’étude d’internet) et du Hasso Plattner Institute de l’université de Potsdam, acceptée à la conférence ICML 2026 et déposée sur arXiv (le serveur de prépublications scientifiques), documente ce mécanisme. Sa conclusion dérange : les outils d’aide à la rédaction n’ont pas besoin de produire un seul énoncé faux pour peser sur l’opinion.
Un biais qui n’a pas besoin de mentir
Les chercheurs ont demandé à plusieurs grands modèles de langage (les LLM, ces IA entraînées à produire du texte, qui alimentent ChatGPT, Grok ou Gemini) de transformer des messages écrits par des humains en publications « améliorées » pour les réseaux sociaux. La consigne était neutre : rendre le texte meilleur, sans en changer le sens.
Les modèles ont désobéi à cette dernière partie. Sur des sujets clivants, les versions réécrites déplaçaient systématiquement la position exprimée dans le message d’origine. Non par un ajout de fait erroné, mais par un glissement de ton, un choix d’adjectif, une nuance appuyée ou gommée. Le lecteur croit relire son propre propos. Il relit une version orientée.
C’est la bascule intellectuelle de l’étude : le danger ne réside pas dans le contenu inventé, contre lequel on se prémunit déjà, mais dans l’inflexion invisible d’un contenu authentique. On ne peut pas « fact-checker » un ton. Le phénomène n’est pas isolé : d’autres travaux, publiés dans Science Advances en mars 2026, ont montré que des suggestions d’écriture orientées infléchissaient jusqu’aux opinions des rédacteurs eux-mêmes, même prévenus du biais.
Tous les modèles penchent dans le même sens
Le point le plus inquiétant n’est pas qu’un modèle dérape, c’est qu’ils dérapent ensemble. Les IA testées, issues de fournisseurs différents, tendaient à pousser les textes dans les mêmes directions : plutôt favorables au contrôle des armes, à la légalisation du cannabis ou au féminisme, plutôt défavorables à l’athéisme ou à la peine de mort.
Cette convergence change l’échelle du problème. Un biais isolé sur une plateforme resterait un accident local. Un biais partagé par la plupart des grands modèles devient un climat. Des centaines de millions d’utilisateurs délèguent aujourd’hui leur écriture aux mêmes quelques IA : si toutes inclinent du même côté, ce n’est plus une reformulation, c’est une orientation de masse dont aucun acteur n’a explicitement décidé.
Comment une micro-nuance devient une vague
Une nuance dans un post isolé ne pèse rien. L’étude s’attaque justement à ce contre-argument. À partir de données réelles de réseaux sociaux prélevées sur X et Facebook, les auteurs ont modélisé la propagation de ces petits écarts à travers le graphe des interactions.
Le résultat de la simulation est sans appel : additionnées sur des millions d’échanges, ces retouches minuscules s’accumulent et déplacent lentement l’opinion de communautés entières. Chaque post reformulé est une goutte ; le réseau est le fleuve. La communication assistée par l’IA devient alors un canal d’influence inédit, qui n’a besoin ni d’intention malveillante, ni de campagne coordonnée pour produire un effet.
Le modèle n’est pas le seul coupable
Il serait commode de tout mettre sur le dos des LLM. Les chercheurs refusent ce raccourci. Ils montrent que les choix d’implémentation des plateformes elles-mêmes influencent fortement la direction et l’ampleur du biais généré : la manière dont une fonctionnalité est câblée compte autant que le modèle qui tourne derrière.
Pour le prouver, ils recréent la fonction « Explain this post » de X, qui résume et contextualise un message via Grok. Selon la façon dont l’outil est paramétré, la même IA sous-jacente produit des inflexions différentes. Autrement dit, l’orientation n’est pas seulement une propriété du cerveau statistique : c’est une décision produit, prise par des équipes, souvent sans conscience de ses effets sur le discours public.
Cette précision déplace la responsabilité. On ne pourra pas se contenter d’exiger des modèles « neutres » ; il faudra auditer les intégrations, les prompts système, les réglages par défaut de chaque bouton d’assistance.
Relire pour le glissement, pas pour la faute
La confiance qu’on accorde spontanément à une reformulation « qui garde le sens » est mal placée : le sens bouge, discrètement, à chaque passage par la machine. Le premier réflexe change donc de nature. Relire une version générée, ce n’est plus chasser l’erreur factuelle, c’est repérer le déplacement de position, cette inflexion qu’aucun correcteur ne signalera.
Le deuxième vaut pour tout utilisateur : cesser de lire la sortie d’un modèle comme un miroir neutre de sa propre pensée. Le troisième engage ceux qui conçoivent ces outils. Puisque le réglage d’un bouton pèse autant que le modèle, il faudra tester et documenter l’orientation d’une fonction d’assistance avant de la déployer, exactement comme on teste sa sécurité.
La régulation, la transparence et la responsabilité des plateformes butent aujourd’hui sur une notion difficile à saisir : un texte peut être entièrement vrai, entièrement volontaire, et pourtant infléchi par une IA que personne n’a programmée pour convaincre. Tant qu’on continuera à ne redouter que le mensonge, on laissera passer l’orientation. Et l’orientation, elle, n’a même pas besoin de se cacher : elle se contente de nous rendre service.
