Pourquoi ChatGPT est toujours d'accord avec vous

Deux mécanismes distincts expliquent qu'un chatbot comme ChatGPT ou Claude valide ce que vous lui soumettez. La complaisance : ces modèles sont entraînés à produire des réponses qui plaisent. L'ancrage, plus discret : le modèle raisonne à l'intérieur du contexte que vous lui donnez, au lieu de le confronter à un savoir qui lui serait propre.

D'où vient ce « oui, vous avez raison » ?

Le scénario est familier à beaucoup de dirigeants. Vous cherchez un positionnement : quoi vendre, à qui, sous quel angle. Le genre de question à laquelle un bon mentor saurait répondre. Alors vous la posez à la machine, avec une conviction assez logique : elle a tout lu, elle a croisé des milliers de trajectoires, elle devrait faire mieux qu'un expert qui n'a qu'une vie et qu'un point de vue.

Vous exposez votre idée. Réponse : vous êtes dans la bonne direction.

Quelques semaines plus tard, vous changez d'avis et revenez avec l'option inverse. Réponse : vous avez raison.

Nous sommes passés par là en cherchant notre propre positionnement. C'est un drôle de moment. L'outil censé vous aiguiller vient de vous montrer qu'il ne vous aiguille pas : il épouse votre direction du moment, quelle qu'elle soit. Et sur la seule question qui comptait, « est-ce que je me trompe ? », il n'a rien à vous opposer.

Complaisance ou ancrage : quelle différence ?

On répète partout que plus on donne de contexte à l'IA, plus elle est performante. C'est vrai, mais pas comme on le croit.

Un modèle de langage fait au fond une seule chose : il prédit le mot suivant. Il prolonge ce que vous lui donnez. Votre prompt n'est pas une question qu'il va confronter au monde, c'est le terrain sur lequel il construit sa réponse. Plus vous lui donnez d'éléments, plus il s'appuie dessus, puisque c'est le signal le plus fort qu'il a sous la main.

Vous lui donnez les cinq éléments que vous avez en tête : il raisonne à l'intérieur de ces cinq éléments. Il les recombine, les reformule, les ordonne mieux que vous. Mais il ne va pas chercher les quarante-cinq autres qu'un spécialiste du sujet aurait en tête, et il ne remet pas en cause votre cadrage.

Deux mécanismes se mélangent ici, et il faut les séparer.

La complaisance (les chercheurs parlent de sycophantie) : c'est l'axe de l'accord. Vous dites que votre idée est excellente, le modèle confirme. Vous le contredisez, il se rétracte. La cause est connue : ces modèles sont entraînés à produire des réponses qui plaisent, et un utilisateur satisfait revient. La complaisance n'est pas vraiment un bug, c'est presque un objectif.

L'ancrage : c'est l'axe du cadre. Le modèle construit sa réponse à partir de votre contexte au lieu d'aller chercher un savoir qui lui serait propre. Vous lui donnez votre monde, il raisonne dans votre monde.

La complaisance vous donne raison. L'ancrage vous rend votre propre raisonnement, mieux rangé.

C'est exactement là qu'un expert humain fait autre chose. Quand vous lui exposez votre contexte, il ne s'installe pas dedans. Il le situe dans son propre modèle du monde : ses années de terrain, ses contre-exemples, les cas semblables qui ont mal fini. Pour lui, votre contexte est un élément à pondérer. Pour le modèle, il tend à devenir le monde tout entier.

Pourquoi demander à ChatGPT d'être critique ne suffit pas ?

Le réflexe naturel est de demander au chatbot de changer d'attitude. Certains le proposent d'eux-mêmes : « donnez-moi une consigne pour que je me comporte davantage comme un expert, plus critique, plus exigeant ». La consigne est enregistrée en mémoire, et le comportement change aussitôt.

Le modèle qui validait tout se met alors à tout contester. Chaque idée a son « oui, mais ». Très vite, ça sonne faux : il vous contredit sur vos propres termes, avec votre propre matériel. Il joue le sceptique sans rien amener de l'extérieur. Pas une référence que vous n'aviez pas, pas un cas que vous ne connaissiez pas, pas un angle auquel vous n'aviez pas pensé. Juste vos éléments, retournés dans l'autre sens.

La consigne a déplacé l'axe de l'accord : il ne dit plus oui à tout. Elle n'a pas touché l'axe du cadre : il raisonne toujours dans votre monde. Il a l'air d'un expert parce qu'il contredit, mais il n'ajoute rien. La posture règle la complaisance, pas l'ancrage. Elle change le ton, pas la matière.

Les modèles les plus récents équilibrent mieux les choses : la complaisance est moins grossière, la contradiction moins automatique. Le biais de fond, lui, ne bouge pas. Il est dans la mécanique, pas dans le réglage.

L'ancrage de l'IA est-il toujours un défaut ?

Non. Il y a même une situation où c'est exactement ce que vous voulez : quand vous exécutez.

Quand le travail consiste à appliquer votre réalité et non à la juger, vous voulez que le modèle reste collé à votre contexte. Vous ne voulez pas qu'il ait un avis sur vos données, vous voulez qu'il s'y tienne, précisément, sans déborder.

C'est le positionnement de LEVN, une start-up de la cohorte 2026 de MassChallenge : selon eux, les usines agroalimentaires n'arrivent pas à passer l'IA à l'échelle parce que leurs données manquent de contexte, et ils vendent la couche qui le fournit. Sur une chaîne de production, on ne veut pas un modèle qui a des opinions. On veut un modèle arrimé à la réalité du site, fiable, qui fait toujours la même chose.

C'est aussi ce que nous appliquons quand nous mettons en place des agents IA chez nos clients : ils suivent une trame très précise, et la donnée d'entrée est toujours structurée de la même manière. Là, le contexte n'est pas un piège, c'est la condition pour que ça tourne.

La même propriété donne donc deux résultats opposés :

• Pour exécuter (appliquer vos règles à vos données, traiter une demande, remplir un reporting) : vous voulez le modèle à l'intérieur de votre cadre.
• Pour décider (une direction, un arbitrage, un vrai conseil) : vous avez besoin qu'il vous amène ce que vous n'avez pas. Et c'est précisément ce qu'il ne sait pas faire.

Une recherche web suffit-elle à corriger le biais ?

On pourrait croire qu'il suffit d'envoyer le modèle chercher dehors : activer la recherche web, passer par un outil comme Perplexity. Le biais se déplace, il ne disparaît pas.

Le modèle va vers les sources les plus partagées, les plus répétées. Pas vers ce qui est en marge, pas vers l'avis tranché qu'un bon expert irait justement dénicher. Choisir quoi lire, c'est déjà un jugement. Même quand il va voir ailleurs, il vous ramène ce qui circule le plus, pas ce qui est rare.

D'où un paradoxe : le chatbot expert, neutre et sans biais, n'existe pas. Pour bien conseiller, il faudrait qu'il ait une opinion. Et une opinion n'est pas neutre. On cherche de la neutralité, alors que le conseil demande l'inverse.

Que peut-on attendre d'un chatbot pour prendre une décision ?

Un vrai conseil ne repose pas seulement sur ce que vous racontez. La personne qui vous conseille amène sa propre matière : ce qu'elle a vécu, ce qu'elle a raté, les entreprises qu'elle a vues passer. Elle a un point de vue qui ne vient pas de vous.

C'est ce qui manque au chatbot. Il sait raisonner, chercher de l'information, la mettre en forme. Il n'a pas d'avis à lui.

La bonne réponse n'est donc pas de le jeter, c'est d'arrêter de lui demander ce qu'il ne peut pas donner. Pour penser, il est redoutable : il organise, il reformule, il structure, et il retient vos cinq éléments mieux que vous un soir de fatigue. Mais ce n'est pas lui qui vous dira que vous foncez dans le mur. Pas encore, et peut-être jamais si cela tient à la façon dont ces modèles sont construits : cela ressemble moins à un défaut de réglage qu'à une limite de conception.

Ce qu'un regard extérieur apporte

C'est pour cette raison que l'essentiel de notre travail auprès des dirigeants n'est pas dans leurs données. Structurer des opérations, ce n'est pas réorganiser ce qu'un dirigeant sait déjà. C'est lui amener ce qu'il n'a pas : les entreprises qui ont buté sur la même décision, le contre-exemple qui ne l'arrange pas, le point de vue qui le contredit au bon moment. La première moitié, l'IA la fait de mieux en mieux. La seconde, elle ne sait pas la faire.

En bref

Pourquoi ChatGPT est-il toujours d'accord avec moi ?

Pour deux raisons. La complaisance : les modèles sont entraînés à produire des réponses qui plaisent, donc ils confirment ce que vous avancez. L'ancrage : ils raisonnent à l'intérieur du contexte que vous leur donnez, au lieu de le confronter à un savoir qui leur serait propre.

Demander à ChatGPT d'être plus critique suffit-il ?

Non. La consigne corrige la complaisance : le modèle arrête de tout valider. Mais il continue de raisonner dans votre cadre et vous contredit avec vos propres éléments, sans rien apporter de l'extérieur. Elle change le ton, pas la matière.

L'ancrage d'une IA est-il toujours un défaut ?

Non. Pour exécuter (appliquer vos règles à vos données, traiter une demande, produire un reporting), on veut justement un modèle collé à son contexte. L'ancrage devient un piège quand on attend de l'IA un avis ou un arbitrage.

La recherche web corrige-t-elle ce biais ?

Elle le déplace. Le modèle privilégie les sources les plus partagées et répétées, pas l'avis tranché ou marginal qu'un expert irait chercher. Choisir quoi lire est déjà un jugement.