Vérifier les outputs : faire confiance, mais contrôler

Une responsable marketing a collé dans un deck client une phrase assurée sortie de ChatGPT : « L'email marketing génère un ROIROIReturn on Investment : le rapport entre le profit net et le coût d'un investissement. Un ROI de 300 % signifie que chaque dollar investi en rapporte 3.Voir la définition complète → moyen de 42 $ pour chaque dollar dépensé. » Ça faisait autorité. C'était faux. Le chiffre qui circule réellement est de 36 $ pour 1 $ (issu d'études DMA/Litmus plus anciennes), et même celui-là est discuté. Le client, qui connaissait le sujet, l'a relevé. La responsable a eu l'air négligente. L'IA, elle, s'en sort bien, parce que l'IA ne livre rien. C'est vous qui livrez.

Toute la leçon tient en une phrase : traitez chaque réponse assurée d'une IA comme le premier jet d'un stagiaire brillant. Utile, rapide, souvent juste, et jamais envoyé sans contrôle.

Pourquoi assuré ne veut pas dire exact

Les grands modèles de langage (la technologie derrière ChatGPT, Claude et Gemini) génèrent du texte en prédisant des suites de mots probables. Ils sont conçus pour paraître fluides et sûrs d'eux, pas pour avoir raison. Quand ils inventent quelque chose de faux, on parle d'hallucination : un fait, une source ou un chiffre fabriqué, présenté comme réel.

Le danger est dans le ton. Les hallucinations de l'IA n'ont presque jamais l'air fragiles. Elles ressemblent à la statistique des 42 $ : nette, précise, citable. La précision n'est pas une preuve.

La question n'est donc jamais « est-ce que ça sonne juste ? ». Elle est « puis-je le confirmer ? ».

La checklist de vérification en 4 points

Faites passer tout output d'IA qui quitte vos mains (un rapport, un email, un post, une slide) par quatre contrôles rapides. Retenez-les sous l'acronyme SNND : Sources, Nombres, Noms, Dates.

1. Sources

Si l'IA cite une étude, un lien ou une citation, retrouvez l'original. Ne faites pas confiance à une référence simplement parce qu'elle a un titre et une année.

Un échec courant : l'IA invente un article qui sonne vrai ou attribue une vraie citation à la mauvaise personne. Demandez directement :

« Liste les sources exactes de chaque affirmation ci-dessus, avec les liens. Si tu n'es pas certain qu'une source existe, dis-le. »

Ensuite, cliquez sur les liens. Les URL fabriquées renvoient souvent une erreur 404 ou mènent ailleurs.

2. Nombres

Statistiques, pourcentages, prix et calculs sont les éléments les plus risqués. L'IA est notoirement peu fiable en arithmétique et adore les stats bien rondes.

Revérifiez chaque chiffre contre une source primaire, ou faites refaire le calcul étape par étape par l'IA. Mieux encore, demandez-lui d'utiliser un outil : en 2026, ChatGPT, Claude et Gemini peuvent tous exécuter du code pour calculer des réponses exactes plutôt que de deviner.

3. Noms

Personnes, entreprises, produits, intitulés de poste. L'IA les mélange sans arrarrL'Annual Recurring Revenue (ARR) est le revenu normalisé et prévisible qu'une entreprise par abonnement attend de ses contrats actifs sur une année.Voir la définition complète →êt, surtout pour les individus peu connus. Elle peut attribuer une vraie citation au mauvais CEO ou inventer un « Director of X » qui n'a jamais existé. Vérifiez l'orthographe et la fonction avant publication.

4. Dates

« En 2024... » peut être faux. Les modèles ont une date de coupure d'entraînement (celle après laquelle ils n'ont plus rien appris) et peuvent ignorer les événements récents s'ils ne font pas de recherche web. Vérifiez toute affirmation sensible à la date, et contrôlez si votre outil a réellement cherché ou répondu de mémoire.

Le guide de Google sur l'usage responsable de l'IA dit la même chose : l'IA peut se tromper, vérifiez donc les informations importantes.

Un cas réel : la statistique plausible mais fausse

Voici le workflow en action. Supposez que vous demandiez à une IA :

« Quel pourcentage du corps humain est constitué d'eau ? »

Elle répond avec assurance : « Environ 90 % du corps humain est constitué d'eau. »

Plausible ? À peu près. L'eau est partout dans le corps. Mais le chiffre réel pour un adulte est d'environ 50 % à 65 % (plus proche de 75 % pour les nouveau-nés). Le chiffre de 90 % est faux, et il vous mettrait dans l'embarras dans une newsletter santé.

Comment vous l'attrapez :

1. Alerte Nombres : c'est une stat, elle est donc contrôlée automatiquement.
2. Contrôle primaire rapide : un coup d'œil à n'importe quelle source médicale (Mayo Clinic, USGS Water Science School) donne la bonne fourchette.
3. Confirmez avant de livrer. Terminé.

Trente secondes de contrôle évitent une erreur publique.

Faites en sorte que l'IA vous aide à vérifier

Vous n'avez pas à tout contrôler à la main. Un bon prompting transforme l'IA en votre première ligne de relecture.

Demandez des niveaux de confiance et des réserves :

« Réécris le résumé ci-dessus. Marque avec [CHECK] toute affirmation dont tu es sûr à moins de 90 %. Liste les éléments qui permettraient de confirmer chacune. »

Forcez-la à séparer le fait de la supposition :

« Parmi ces affirmations, lesquelles sont des faits établis et lesquelles sont tes déductions ? Étiquette chacune. »

Utilisez des outils pour les calculs. Plutôt que de vous fier au calcul mental, demandez au modèle d'exécuter du code. Voici un exemple minimal que vous pouvez coller dans ChatGPT, Claude ou la fonction code de Gemini, ou exécuter vous-même en Python :

# Vérifier un chiffre de ROI annoncé
revenue = 36000      # revenus attribués à la campagne email
spend = 1000         # montant dépensé

roi_per_dollar = revenue / spend
print(f"ROI: ${roi_per_dollar:.2f} for every $1 spent")
# Résultat : ROI: $36.00 for every $1 spent

Quand le chiffre vient d'un vrai code plutôt que d'une prédiction, vous pouvez faire confiance à l'arithmétique. Vous vérifiez toujours les données d'entrée, mais le calcul lui-même est solide.

Adaptez le contrôle à l'enjeu

Tout ne nécessite pas une revue médico-légale. Calibrez l'effort sur les conséquences.

Enjeu faible : survolez

Brainstorming, plans provisoires, réécritures informelles, notes personnelles. Si une petite erreur ne coûte rien, une lecture rapide suffit.

Enjeu moyen : contrôle par échantillonnage

Emails internes, docs d'équipe, premiers jets de contenu. Vérifiez les chiffres et les noms. Survolez le reste.

Enjeu élevé : tout vérifier

Tout ce qui est public, juridique, médical, financier, ou envoyé à un client ou à un dirigeant. Contrôlez chaque source, chiffre, nom et date contre des références primaires. En 2026, il existe déjà des cas réels d'avocats sanctionnés pour avoir cité des décisions de justice inventées par une IA. Ne devenez pas l'un d'eux.

Une règle simple : plus on s'approche d'une personne réelle qui prend une décision réelle, plus le contrôle doit être serré.

Intégrez la vérification à votre workflow

Le contrôle doit être une habitude, pas un acte héroïque de volonté. Inscrivez-le dans votre façon de travailler.

Utilisez un système en deux passes

Passe 1 : Générer. Laissez l'IA rédiger librement. La vitesse avant la prudence.

Passe 2 : Vérifier. Changez de casquette. Appliquez SNND. Marquez tout ce qui n'est pas confirmé. Ensuite seulement, livrez.

Garder ces deux passes séparées compte. Quand vous générez et vérifiez en même temps, vous faites mal les deux.

Croisez les modèles

Si une affirmation est importante et que vous ne trouvez pas de source rapidement, interrogez une deuxième IA. Posez la même question factuelle à Claude et à Gemini, par exemple. Quand elles divergent, vous avez identifié un point qui exige un humain et une vraie source. L'accord n'est pas une preuve (les deux peuvent se tromper), mais le désaccord est un signal d'alerte utile.

Tenez une liste personnelle des « pièges »

Notez les erreurs que votre IA répète. Peut-être arrondit-elle toujours les stats à la hausse, ou invente-t-elle des intitulés de poste plausibles à la LinkedIn. Connaître les habitudes de votre outil vous rend plus rapide à les repérer.

Activez les sources quand vous pouvez

En 2026, ChatGPT, Claude et Gemini proposent tous des modes qui cherchent sur le web et affichent des citations. Utilisez-les pour tout ce qui est chargé en faits. Une source liée que vous pouvez ouvrir vaut toujours mieux qu'une affirmation sans lien. Mais rappelez-vous : l'existence d'une citation ne signifie pas qu'elle dit ce que l'IA prétend. Vous ouvrez quand même le lien.

L'état d'esprit : éditeur, pas lecteur

Le basculement qui fait tenir tout cela est psychologique. Arrêtez de lire l'output d'une IA comme un lecteur qui reçoit des faits. Lisez-le comme un éditeur qui relit le jet d'un stagiaire.

Un éditeur part du principe qu'il y a des erreurs et va les chercher. Un éditeur n'est pas impressionné par une prose assurée. Le nom de l'éditeur figure sur le produit final, alors l'éditeur contrôle.

C'est votre rôle maintenant. L'IA écrit le brouillon. Vous décidez ce qui est assez vrai pour être livré.

Points clés

• Assuré n'est pas exact. L'IA est conçue pour paraître sûre d'elle, pas pour avoir raison. Des chiffres précis et des citations nettes ne sont pas des preuves.
• Appliquez SNND à tout ce que vous livrez : vérifiez Sources, Nombres, Noms et Dates contre des références primaires.
• Adaptez le contrôle à l'enjeu. Survolez les brouillons à faible enjeu ; vérifiez chaque affirmation dans tout ce qui est public, juridique, financier ou médical.
• Faites travailler l'IA. Demandez-lui de signaler les affirmations incertaines, de séparer le fait de la déduction, et d'exécuter du code pour tout calcul.
• Soyez l'éditeur, pas le lecteur. Votre nom part avec la version finale, donc le dernier contrôle est toujours le vôtre.