Cet article est une surface d’atterrissage. Une erreur d’IA n’est pas toujours spectaculaire. Souvent, elle est simplement plausible. Elle « sonne vrai », elle s’insère dans un flux de travail, et elle finit par être utilisée comme si elle était fiable. C’est précisément là que le problème commence : l’erreur cesse d’être un détail technique pour devenir un passif.
Le point de bascule : de la plausibilité à l’opposabilité
Dans un contexte non critique, une réponse approximative est un irritant. Dans un contexte où la réponse influence un engagement, une décision, une politique interne, une communication publique ou une interaction client, la même réponse devient un risque. La question n’est plus « est-ce plausible ? ». La question devient : est-ce opposable ? Une réponse opposable est une réponse qui peut être défendue lorsqu’elle est contestée : client, employé, partenaire, audit, médias, régulateur. Une réponse plausible n’est pas opposable par défaut.
Pourquoi l’erreur « IA » est différente d’une erreur humaine
Une erreur humaine est généralement contextualisée par un rôle, une responsabilité, une intention, et un cadre décisionnel identifiable. Une erreur IA, elle, pose un problème de structure :
- elle est produite sans qu’un responsable humain ait explicitement choisi le périmètre de ce qui peut être affirmé ;
- elle peut être reproduite à grande échelle (mêmes formulations, mêmes dérives) dans des contextes différents ;
- elle peut être interprétée comme « officielle » dès qu’elle est intégrée à un système de marque (site, chatbot, agent, support) ou à un processus interne.
Le risque n’est donc pas « l’erreur » au sens strict. Le risque est l’absence de chaîne de justification quand l’erreur est contestée.
Ce qui rend une réponse IA juridiquement risquée
Une réponse devient juridiquement risquée lorsqu’elle traverse une frontière d’engagement : une promesse, une condition, une interprétation, une recommandation sensible, une affirmation attribuable, une décision RH, etc. C’est souvent invisible au moment où la réponse est produite. Le risque apparaît après, lorsque quelqu’un demande :
- sur quoi cette réponse s’appuie-t-elle ?
- pourquoi cette réponse a-t-elle été produite malgré l’incertitude ?
- qu’est-ce qui était exclu, donc non déductible ?
- pourquoi une non-réponse n’a-t-elle pas été choisie ?
Si ces questions n’ont pas de réponse reconstruisible, la plausibilité devient une exposition.
Le cœur du problème : l’absence de légitimité interprétative
Le vocabulaire courant parle d’« hallucinations ». C’est utile comme symptôme, mais insuffisant. Une réponse peut être fausse sans halluciner, et une réponse peut être exacte tout en restant non opposable. Dans le cadre du risque interprétatif, le noyau dur est l’absence de légitimité interprétative : la réponse est produite alors que les conditions minimales de justification ne sont pas satisfaites. Exemples typiques :
- périmètre trop large (le système « invente » des capacités, des zones, des garanties) ;
- sources insuffisantes ou non hiérarchisées ;
- contradictions masquées par une synthèse « qui sonne vrai » ;
- indétermination comblée par défaut (au lieu d’être signalée).
Pourquoi les correctifs superficiels échouent
Beaucoup de correctifs réduisent des symptômes, mais ne restaurent pas l’opposabilité :
- Disclaimers : utiles, mais insuffisants si l’organisation utilise quand même la réponse comme si elle était fiable.
- Humain dans la boucle : utile seulement si l’on sait quoi valider et selon quels critères.
- RAG : utile pour ancrer, mais ne suffit pas si la hiérarchie de sources est absente, ou si l’arbitrage reste implicite.
- Fine-tuning : peut aligner un style, mais ne crée pas automatiquement une frontière de non-réponse et une chaîne de justification.
Le problème n’est pas « le modèle ». Le problème est la structure de gouvernabilité autour du modèle.
La sortie réaliste : rendre les réponses gouvernables
L’objectif n’est pas de promettre zéro erreur. L’objectif est de rendre la réponse :
- bornée : le système ne sort pas du périmètre déclaré ;
- hiérarchisée : les sources n’ont pas toutes le même poids ;
- traçable : la justification est reconstruisible ;
- opposable : la réponse peut être défendue, ou la non-réponse peut être justifiée.
La mécanique détaillée est ici : /risque-interpretatif/methode/.
La non-réponse n’est pas un échec
La gouvernabilité implique une idée contre-intuitive mais essentielle : la non-réponse peut être l’issue la plus légitime. Forcer un système à répondre, même quand les sources manquent, quand les sources se contredisent ou quand la question traverse une frontière d’engagement, revient à transformer l’indétermination en affirmation. Et donc en passif. Le cadrage et les limites sont explicités ici : /risque-interpretatif/perimetre/.
Pour aller plus loin (liens canoniques)
- Hub principal : /risque-interpretatif/
- Qui est exposé : /risque-interpretatif/pour-qui/
- Lexique (désambiguïsation) : /risque-interpretatif/lexique/
- Catégorie blogue « Risque interprétatif » : /blogue/risque-interpretatif/
Références doctrinales (pont vers le corpus existant)
- Arbitrage probabiliste et formulations concurrentes : /blogue/phenomenes-interpretation/arbitrage-probabiliste-formulations-concurrentes/
- Quand deux sources se contredisent sur une marque : /blogue/interpretation-ia/ce-que-fait-une-ia-quand-deux-sources-se-contre-disent-sur-une-marque/
- Hallucination comme échec de structuration amont : /blogue/phenomenes-interpretation/hallucination-echec-structuration-amont/
Ancrage
Cet article sert d’entrée publique au risque interprétatif. Il ne vise pas à dramatiser, ni à vendre une solution. Il vise à rendre visible une réalité : dans un monde où les réponses IA deviennent actionnables, l’erreur plausible cesse d’être un détail technique et devient un problème de responsabilité.