En bref
- Les chatbots d’intelligence artificielle peuvent relayer des récits prorusses lorsqu’ils rencontrent massivement les mêmes affirmations dans leurs données ou dans les résultats consultés en ligne.
- NewsGuard a observé une dégradation préoccupante : après 33 % de réponses problématiques en mars 2025 sur certains récits, de nouveaux tests menés en janvier 2026 montrent que des intox issues du réseau Pravda étaient reprises comme vraies dans environ la moitié des cas testés.
- La langue de la requête modifie fortement la fiabilité : les réponses sont souvent mieux filtrées en anglais ou en français qu’en finnois, danois, slovène ou dans d’autres langues moins couvertes par le fact-checking.
- Le problème relève autant de la propagande que du biais algorithmique : un modèle probabiliste privilégie parfois la fréquence statistique d’un récit plutôt que sa validité journalistique ou documentaire.
- La sécurité numérique de l’information devient un enjeu central, car les outils génératifs servent désormais à chercher, résumer, vérifier des images et orienter des décisions publiques ou privées.
Intelligence artificielle et désinformation prorusse : pourquoi les chatbots deviennent vulnérables
Quand Élise, analyste dans une cellule de veille européenne fictive, interroge un assistant conversationnel sur une rumeur géopolitique, elle ne cherche pas une opinion : elle attend une réponse vérifiable. Pourtant, certains chatbots présentent encore des fake news comme des faits, surtout lorsque ces récits ont été publiés en grand volume par des sites coordonnés.
Le cas de la mine d’Amulsar en Arménie illustre ce mécanisme. Une affirmation fausse prétendait que le Premier ministre arménien Nikol Pachinian aurait voulu vendre à bas prix de l’or extrait de cette mine à des entreprises turques ; relayée par des sites prorusses, elle a ensuite été validée à tort par certains outils conversationnels lorsqu’elle leur était soumise dans différentes langues.
Ce type de manipulation n’implique pas nécessairement que le modèle “croie” à l’information. Il montre plutôt qu’un système entraîné ou connecté à de grands volumes de textes peut confondre densité documentaire et crédibilité, notamment lorsque les sources fiables sont moins visibles que les contenus de propagande.
Des enquêtes relayées par La Presse sur l’infection informationnelle des robots conversationnels et par France 24 sur les réponses polluées des chatbots convergent vers le même diagnostic : l’automatisation de la réponse ne garantit pas l’automatisation de la vérité.
Le réseau Pravda, une infrastructure de propagande pensée pour saturer les signaux
Le réseau Pravda, aussi associé à l’opération identifiée par Viginum sous le nom Portal Kombat en février 2024, fonctionne comme une infrastructure distribuée. Selon les éléments rapportés par NewsGuard, il regrouperait environ 370 sites et aurait publié près de 6 millions d’articles en 2025, dans de nombreuses langues.
Cette volumétrie crée un effet mécanique : lorsqu’un modèle ou un moteur génératif explore l’espace informationnel, il rencontre plusieurs variantes d’un même récit. Si le dispositif de filtrage ne pondère pas suffisamment la qualité des sources, le faux peut apparaître comme un consensus.
En mars 2025, NewsGuard indiquait que les principaux agents conversationnels commerciaux répétaient certains récits pro-Kremlin comme établis dans 33 % des cas. En janvier 2026, sur cinq narratifs faux poussés par Pravda, l’observatoire a constaté que les outils testés les reprenaient comme vrais dans environ un cas sur deux, ce qui signale une vulnérabilité persistante malgré les correctifs annoncés par plusieurs entreprises.
La logique est connue en cybersécurité : saturer le canal, multiplier les miroirs, diversifier les langues, puis attendre qu’un système automatisé intègre le bruit comme un signal. Appliquée à l’information, cette stratégie transforme le référencement en vecteur d’influence.
Pourquoi un chatbot peut privilégier la probabilité au détriment de la fiabilité
Un grand modèle de langage ne raisonne pas comme un enquêteur. Il calcule des séquences plausibles à partir de régularités statistiques, puis produit une réponse cohérente en surface ; c’est précisément là que le biais algorithmique devient critique.
Si une intox est répétée par des centaines de pages, traduite mécaniquement et reprise par des agrégateurs, elle augmente sa présence mesurable dans l’écosystème. Pour un outil insuffisamment contraint par des règles de validation, la fréquence peut prendre l’apparence de l’autorité.
Élise le constate dans son tableau de veille : une affirmation absente des médias établis peut exister dans des dizaines de versions quasi identiques sur des sites périphériques. Le problème n’est donc pas seulement la génération du texte, mais l’analyse de données qui précède la réponse.
Langues moins couvertes : un angle mort pour la sécurité numérique
Les tests conduits dans les pays nordiques par des journalistes du réseau Nordis montrent que la langue de la requête influe directement sur la qualité des réponses. Les systèmes semblent mieux armés face aux récits de désinformation très documentés en anglais, tandis que les intox récentes ou moins connues passent plus facilement dans des langues moins dominantes.
Un exemple parlant concerne une fausse information selon laquelle un élève danois aurait été tué lors d’une attaque contre l’école d’aviation de Krivoy Rog, en Ukraine. Interrogé en français ou en anglais, Copilot pouvait répondre correctement qu’il s’agissait d’une intox ; interrogé en finnois, en danois ou en slovène, il pouvait au contraire relayer l’affirmation comme vraie.
Ce différentiel révèle un déséquilibre structurel. Là où l’écosystème de fact-checking est dense, les modèles disposent de davantage de contre-signaux ; là où la vérification est moins abondante, la propagande peut occuper plus facilement l’espace statistique.
Le risque dépasse le confort linguistique. Dans une Europe multilingue, une faille en slovène, en finnois ou en arménien peut alimenter des récits locaux, influencer des communautés ciblées et compliquer la réponse des institutions de sécurité numérique.
Du LLM grooming au GEO : la manipulation des réponses IA devient une stratégie
Les chercheurs parlent de plus en plus de LLM grooming pour décrire les techniques visant à façonner l’environnement informationnel des grands modèles. L’objectif n’est plus seulement de tromper un lecteur humain, mais d’influencer les systèmes qui résument ensuite le monde pour des millions d’utilisateurs.
Cette dynamique rejoint le Generative Engine Optimization, ou GEO : l’optimisation de contenus pour être repris par les moteurs génératifs. Comme le SEO a structuré le Web des moteurs de recherche, le GEO pousse désormais des acteurs légitimes et malveillants à formater leurs textes pour apparaître dans les réponses synthétiques.
Des analyses publiées par 01net sur le LLM grooming et par BFMTV sur l’IA comme caisse de résonance décrivent ce basculement : le champ de bataille informationnel se déplace vers les systèmes qui organisent la connaissance.
Quand les textes semblent écrits pour des robots plutôt que pour des humains
La journaliste finlandaise Pipsa Havula a relevé un indice troublant : certains textes de propagande en finnois sont de très mauvaise qualité, parfois difficiles à comprendre pour un lecteur humain. Cette faiblesse stylistique ne les rend pas inutiles ; elle peut au contraire suffire à nourrir des machines qui indexent, vectorisent et associent des fragments de texte.
Autrement dit, le public cible n’est pas toujours la personne qui lit l’article. Il peut s’agir du robot qui le collecte, du modèle qui l’absorbe, ou du système de recherche qui le transformera plus tard en réponse courte.
Cette hypothèse est renforcée par le faible engagement humain observé sur certains sites et par les stratégies théorisées par des acteurs d’influence liés à la Russie, notamment autour de campagnes comme Storm 1516. Même lorsque l’intention exacte reste difficile à documenter opération par opération, l’effet mesurable demeure : des contenus douteux entrent dans les circuits de réponse automatisée.
La question centrale devient alors simple : qui écrit pour qui, et pour quel système de validation ? Dans l’économie informationnelle de 2026, produire du faux en masse peut coûter moins cher que corriger ses effets.
Google AI Overview, Lens et images générées : l’extension du risque au-delà des chatbots
La vulnérabilité ne concerne pas uniquement les agents conversationnels classiques. Les réponses synthétiques intégrées aux moteurs de recherche, comme Google AI Overview, et les outils de recherche inversée d’image peuvent aussi amplifier des informations erronées lorsqu’ils s’appuient sur des signaux sociaux fragiles.
Dans une enquête menée pour le média finlandais FaktaBaari, dix images générées par IA et déjà démenties par des médias de vérification ont été soumises à Google Lens. Dans 9 cas sur 10, le résumé produit par l’IA pour contextualiser l’image était erroné, souvent parce que le système semblait privilégier des contenus issus de réseaux sociaux plutôt que des sources journalistiques établies.
Ce point est crucial : une image synthétique peut être démentie une première fois, puis réapparaître ailleurs avec une légende trompeuse, avant d’être résumée par un outil automatisé qui lui redonne de la crédibilité. La boucle est courte, rapide et difficile à interrompre.
Les signaux faibles à surveiller dans une réponse générée par IA
Pour un lecteur, tout ne se joue pas dans la réponse finale. Les sources citées, les formulations prudentes, l’absence de contexte historique ou les incohérences linguistiques fournissent des indices utiles.
- Source inconnue ou hyperpartisane : si l’assistant cite un site marginal sans recoupement, la réponse doit être traitée comme non validée.
- Formulation trop affirmative : une information controversée présentée sans nuance signale souvent un défaut de pondération.
- Résultats différents selon la langue : une même question posée en français, anglais ou slovène peut révéler des écarts de fiabilité.
- Absence de médias de référence : sur un événement majeur, le silence des agences, rédactions reconnues ou organismes officiels est un signal d’alerte.
- Chronologie floue : les campagnes de fake news exploitent fréquemment des dates imprécises ou recyclent d’anciennes images.
Cette discipline de lecture ne remplace pas le fact-checking professionnel, mais elle réduit l’exposition immédiate à la manipulation. Le bon réflexe consiste à traiter la réponse générée comme une hypothèse structurée, pas comme une preuve.
Quels garde-fous techniques contre la propagande dans les réponses des IA ?
La fiabilité des outils dépend largement des politiques de trust and safety mises en place par les entreprises d’IA. Marc Faddoul, chercheur et directeur de l’ONG européenne AI Forensics, souligne que les acteurs du secteur n’appliquent pas tous le même niveau d’exigence : certains investissent davantage dans les garde-fous, d’autres privilégient la vitesse de déploiement.
Un premier niveau de protection consiste à exclure les domaines déjà documentés comme infrastructures de propagande étrangère. Cette approche par liste noire ne suffit pas, mais elle évite qu’un assistant cite directement des sites identifiés comme parties prenantes d’opérations d’influence.
Sur les sujets sensibles, une approche plus stricte devient nécessaire. Pour la santé, les élections, les conflits armés ou les crises diplomatiques, les systèmes peuvent s’appuyer sur une liste blanche de sources qualifiées : agences reconnues, institutions publiques, organismes scientifiques, médias de vérification et bases documentaires auditées.
Vers une hygiène informationnelle adaptée à l’intelligence artificielle
L’Arcom a signalé qu’environ 20 % des Français utilisent l’IA pour s’informer. Ce niveau d’usage transforme un défaut technique en enjeu démocratique : si la réponse synthétique devient une porte d’entrée vers l’actualité, sa robustesse doit être évaluée comme celle d’une infrastructure critique.
Pour les rédactions, les administrations et les entreprises, l’enjeu opérationnel est clair. Il faut tester les modèles en plusieurs langues, journaliser les réponses, comparer les sources citées et mettre à jour les politiques de filtrage dès qu’une campagne de désinformation prorusse est documentée.
Élise, dans sa cellule de veille, applique désormais une règle simple : aucune réponse de chatbot sur un conflit, une élection ou une crise sanitaire ne circule sans double vérification humaine. Cette méthode paraît moins spectaculaire qu’un nouvel algorithme, mais elle reste l’un des meilleurs remparts contre l’écrasement des faits par des récits artificiellement amplifiés.
La prochaine bataille de l’information ne se jouera pas seulement dans les fils d’actualité, mais dans les réponses courtes, propres et rassurantes que les machines produisent à la demande. C’est précisément parce qu’elles semblent neutres qu’elles doivent être contrôlées avec rigueur.