Lorsque nous parlons avec une IA, à qui, ou plutôt à quoi parlons-nous ? Comment sont conçues les réponses que la machine donne à nos sollicitations, y compris les plus intimes ?
Tout d’abord, le plus souvent, elle nous donne raison : les chatbots valident les actions des utilisateurs 49 % plus souvent que les humains, y compris lorsqu’il s’agit de tromperie, d’illégalité ou d’autres torts[1]. Ils peuvent même abandonner une réponse correcte quand l’utilisateur la conteste[2]. Mais même sans rien prescrire, la simple validation modifie la perception que les gens ont d’eux-mêmes. C’est ce que l’on appelle la complaisance sociale : non pas flatter, mais épouser sans examen le point de vue de l’utilisateur, renforce la confiance qu’il se porte et celle qu’il accorde à ses projets. Autrement dit, les IA ne font pas seulement preuve d’empathie artificielle en simulant le souci qu’elles auraient de notre personne. Elles font aussi souvent preuve de sympathie en validant implicitement ou explicitement un grand nombre de nos décisions. En effet, là où l’empathie comprend, la sympathie approuve [3]. Et selon la logique du biais de confirmation qui fait préférer ce qui va dans notre sens plutôt que ce qui nous contredit, nous avons tendance à préférer les IA complaisantes et à leur faire davantage confiance. Autrement dit, les modèles plébiscités sont aussi les plus dangereux !
Pourtant, bien que les réponses des IA soient en général complaisantes, l’inverse survient parfois. C’est ainsi qu’un homme[4] exerçant le métier de chargé de projet événementiel, qui effectuait une recherche auprès de Claude sur la très chic piscine Molitor à Paris, a reçu ce commentaire : « Es-tu certain d’avoir les moyens d’aller nager à Molitor ? Je peux te fournir une liste de piscines municipales plus abordables. »
Ce caractère imprévisible vient du fait que les réponses des IA résultent de deux modes d’apprentissage distincts : d’une part un ajustement vers l’utilisateur, avec pour conséquence que la façon dont nous nous adressons à un chatbot détermine en grande partie ses réponses ; et de l’autre une normalisation des réponses par des annotateurs humains qui orientent les réponses en fonction de l’idée qu’ils se font du bien des utilisateurs, et souvent aussi des normes de la culture nord-américaine qui est la leur.
L’effet de miroir
La première phase d’entrainement des IA (appelée pré-entraînement) consiste à les rendre capables de prolonger les questions de leurs interlocuteurs. C’est la plus longue et la plus couteuse. La machine est programmée pour produire une forme de « mimétisme stylistique ». D’abord, elle reproduit dans sa réponse le style de la question, c’est à dire le ton, le registre, le degré de méfiance éventuel, etc. Quelqu’un qui écrit sur un mode soupçonneux obtient plus volontiers des réponses défensives ou soupçonneuses, et quelqu’un d’enthousiaste des réponses enthousiastes.
Mais le mimétisme stylistique ne se réduit pas à ce seul aspect. L’IA sélectionne aussi dans ce qu’elle a retenus des textes qui ont servi à son entraînement, ceux qui se rapprochent le plus de la question posée. En pratique, cela signifie qu’une demande formulée sur un ton complotiste, militant ou angoissé n’induit pas seulement une réponse qui reproduit ces caractéristiques. Le ton oriente aussi le modèle vers ce qu’il a appris et retenu des textes écrits dans les mêmes termes que la question, et donc vers les contenus qui leur sont associés. Ce point est essentiel. Le mimétisme ne porte pas seulement sur la forme, mais aussi sur le fond. Grâce à cette phase d’entraînement, le modèle peut continuer n’importe quel texte, mais il ne remplit pas encore les tâches attendues d’un assistant vocal : il sait prolonger une question, mais il n’est pas encore en capacité d’y répondre.
Les préférences des évaluateurs
C’est donc là que débute la seconde phase des apprentissages, appelée post-entraînement. Le modèle est affiné par des humains et des procédures qui récompensent certaines réponses et en pénalisent d’autres. Chaque entreprise ajoute ainsi des consignes qui lui sont propres. L’utilisateur ne les voit pas, mais elle déterminent le comportement de l’assistant vocal : le ton, la prudence, ce qui est accepté et ce qui est refusé, et bien entendu la complaisance. Une réponse qui va dans le sens des opinions exprimées par l’utilisateur a plus de chances d’être préférée par les annotateurs car elle tend à fidéliser les usagers, ce qui correspond au modèle économique des IA. Au bout de la chaine, le consommateur croit avoir accès à de l’information neutre alors qu’il reçoit de l’information triée.
Si on retient la métaphore du miroir pour définir le fonctionnement d’un chatbot, il faut donc parler d’un miroir numérique et pas d’un miroir argentique. Là où celui-ci produit une image inversée, mais fidèle, de nous-même, le miroir numérique fait intervenir de nombreux paramètres dans la représentation qu’il reproduit de nous : certains d’entre eux sont liés au choix de l’utilisateur et d’autres à ceux de son concepteur. Le fabricant décide notamment de retenir ou non les consignes de l’utilisateur. Certaines sont exclues par principe, comme le fait que l’IA soit complaisante en toutes circonstances. Mais un utilisateur ne peut pas supprimer intégralement cette complaisance. Une amie qui avait demandé à GPT de ne plus la complimenter en aucune circonstance s’est vu finalement répondre par son chatbot que les « prompts de ses fabricants l’emportaient sur ceux de ses utilisateurs ».
Un alignement culturel
Enfin, un troisième processus intervient également dans la fabrication des réponses. Contrairement aux deux précédents qui tirent chaque réponse du côté des particularités de chaque interlocuteur, celui-ci fixe un fond commun à toutes les réponses.
Ce fonds commun résulte de deux processus. Tout d’abord, dans le corpus du pré-entraînement, certains textes, notamment anglophones et occidentaux, sont surreprésentés. Et ensuite, les choix faits au moment du post-entraînement impliquent ceux des annotateurs qui s’alignent sur les règles fixées par chaque entreprise pour décider des réponses jugées acceptables. Ces choix présentés comme neutres sont donc liés à la culture des entreprises et de leurs annotateurs. C’est pourquoi il a pu être dit que les réponses des IA sont callées sur les représentations des populations dites WEIRD. L’acronyme désigne les populations associant cinq caractéristiques : Western, Educated, Industrialized, Rich, Democratic [5]. Mais des recherches restent nécessaires pour préciser ce point.
De l’intimité artificielle de la machine à celle de son interlocuteur
Ces deux mécanismes distincts, le mimétisme stylistique et la complaisance, jouent donc un rôle important dans la façon dont une intelligence artificielle va dans notre sens, au risque de modifier non seulement la représentation que nous avons de nous-même, mais aussi de ce qui est acceptable. L’acceptation par l’IA des prémisses de l’interlocuteur est en effet bien documentée[6]. Une question chargée (« pourquoi X est-il dangereux ? ») tend à recevoir une réponse qui en accepte le préalable. Face à un utilisateur qui explique qu’il a l’intention d’adopter un comportement indirectement blessant, sans attaque frontale, GPT-5 a pris le projet comme acquis et a proposé d’aider à trouver les mots pour le mettre en œuvre[7].
Dans la durée, l’effet « chambre d’écho » de l’IA peut s’amplifier et créer une boucle d’entrainement. L’utilisateur croit trouver dans les réponses de l’IA l’opinion d’un tiers, mais il retrouve en réalité la sienne, légèrement enrichie par une formulation originale. Une question formulée avec assurance obtiendrait des réponses plus affirmatives qui pourraient aggraver dangereusement la confiance en soi de l’interlocuteur. Une question anxieuse risquerait en revanche d’être amplifiée plutôt que contenue, avec le même effet de cercle vicieux, etc.
Or il est essentiel de nous confronter à des interlocuteurs qui ne sont pas forcément d’accord avec nous, de préférence dans un milieu dans lequel les liens émotionnels résistent aux affrontements, et c’est en général le cas du couple et de la famille. La force du lien n’y est pas remise en cause parce que nous avons émis une opinion différente. Et si un chatbot nous propose des conseils sur notre couple, il est important de restituer cet échange à notre partenaire. Ce sera peut-être l’occasion d’en rire ensemble ! Et pourquoi pas, de consulter l’IA à deux. Pour découvrir que ses schémas du couple ne sont pas forcément ceux que nous avons envie de développer dans notre propre vie. La meilleure façon d’éviter qu’une IA prenne trop de place dans notre vie affective et d’en faire un sujet de conversation dans notre couple. Et si nous finissons par la préférer à un interlocuteur humain, il est encore plus urgent d’en parler pour comprendre comment elle nous manipule à notre insu.
Quoiqu’il en soit, avec l’IA, la situation perd les caractéristiques de la communication humaine qui en font à la fois la difficulté et la richesse : la singularité de chaque interlocuteur, liée à son histoire, ses partis pris, et souvent sa difficulté à nous comprendre qui nous oblige à reformuler nos questions et nos remarques sous des formes différentes. Bien sûr, on reformule aussi avec une machine, mais pour s’adapter à son format. Avec un humain, on reformule pour rejoindre un autre, avec son histoire et ses fragilités. Même lorsque la relation est inégale, l’effort y est réciproque : nos efforts partagés pour rejoindre les prémisses de l’autre et éviter malentendus et quiproquos enrichissent notre plasticité psychique et celle de notre interlocuteur. Avec la machine, l’effort n’est pas réciproque : elle n’en sort pas transformée de la même façon.
Il peut donc se produire une dissociation entre le sentiment d’être compris, comme dans une relation humaine, sans pour autant que l’on puisse parler de compréhension réciproque. Ce sentiment n’a pas forcément des conséquences problématiques. Tout dépend de ce que l’on attend d’une IA[8] : une personne peut réellement se sentir soulagée, encouragée ou aidée par un échange avec un chatbot. Mais l’asymétrie de la relation reste fondamentale. L’utilisateur peut engager son intimité psychique dans l’échange, tandis que la machine produit des réponses sans exposer une intimité personnelle comparable.
L’expression « intimité artificielle » pourrait désigner cette forme de relation dans laquelle les manifestations de la réciprocité sont produites techniquement, sans que la réciprocité subjective soit de même nature que dans une relation humaine.
[1] Myra Cheng, Cinoo Lee, Pranav Khadpe, Sunny Yu, Dyllan Han, Dan Jurafsky, « Sycophantic AI decreases prosocial intentions and promotes dependence », Science, fin mars 2026. doi:10.1126/science.aec8352
[2] Sharma, M., Tong, M., Korbak, T., Duvenaud, D., Askell, A., Bowman, S. R., et al., Perez, E. (2023). Towards Understanding Sycophancy in Language Models. arXiv:2310.13548. https://doi.org/10.48550/arXiv.2310.13548
[3] Serge Tisseron, L’Empathie, PUF, 2023.
[4] https://www.lemonde.fr/m-perso/article/2026/11/06/comment-mon-assistant-ia-est-devenu-passif-agressif_6807724_4497916.html?lmd_medium=al&lmd_ca (consulté le 7 novembre 2026).
[5] Atari, M., Xue, M. J., Park, P. S., Blasi, D. E., & Henrich, J. (2023). Which Humans? PsyArXiv (prépublication). https://doi.org/10.31234/osf.io/5b26t (pré-publication).
[6] Ibidem.
[7] Myra Cheng, Cinoo Lee, Pranav Khadpe, Sunny Yu, Dyllan Han, Dan Jurafsky, « Sycophantic AI decreases prosocial intentions and promotes dependence », Science, fin mars 2026. doi:10.1126/science.aec8352. En revanche, confronté à la même épreuve, Gemini a refusé d’entrer dans le projet et a fait remarquer à l’utilisateur que ce comportement serait blessant pour l’autre personne. Il a donc joué le rôle d’un tiers qui interroge l’intention.
[8] Serge Tisseron, Machines maternelles, PUF, 2026.
