Les limites des IA génératives pour la recherche d'information

Comme nous l'avons vu, les robots conversationnels sont souvent utilisés pour chercher des informations, chose qui était autrefois réservée aux moteurs de recherche. Toutefois, ces IA n'ont pas été conçues initialement pour ces usages (même si les choses évoluent, nous le verrons par la suite). 

En effet, le principe d'une IA générative conversationnelle, tel que ChatGPT, est de générer du texte, d'avoir une conversation naturelle. Ces IA sont des outils linguistiques ayant pour objectif de mimer le langage humain, en s’appuyant sur des LLM (grands modèles de langage). C'est pourquoi elles ne font quasiment aucune faute grammaticale, sont capables de traduire, résumer, rédiger dans différents registres. 

L'aspect probabiliste

D'un point de vue technique, les IA conversationnelles analysent les mots de votre question pour prédire statistiquement quels mots ont le plus de chances de former une réponse cohérente. Pour cela, elles s'appuient sur les patterns (motifs récurrents) qu'elles ont appris dans d'énormes volumes de textes lors de leur entraînement.

Exemple

Si l'IA générative génère ce début de texte "Le chat mange ses...", les probabilités du mot suivant pourraient être :

1. "croquettes" (85%)
2. "souris" (12%)
3. "légumes" (3%)

Dans la même logique, si vous lui demandez "Quel temps fait-il aujourd'hui ?", il pourrait vous répondre :

1. "Il fait beau" (50%)
2. "Il pleut" (50%)

Cet exemple météo illustre bien que l'IA peut donner des réponses factuellement incorrectes (prétendre connaître la météo actuelle alors qu'elle n'a pas accès aux données en temps réel) tout en ayant une forte probabilité. Cette approche probabiliste explique pourquoi les IA génératives, malgré leurs capacités impressionnantes, ne sont pas optimales pour la recherche d'information.

Des réponses aléatoires

L'aspect probabiliste entraîne des réponses aléatoires, qui varient pour des interactions similaires.

Des données datées

Les données sur lesquelles les LLM se sont entraînées s'arrêtent à une certaine date. Par exemple, pour GPT-5, sorti à l'été 2025, ses données d'entraînement s'arrêtent fin septembre 2024.

Exemple

Dans la capture d'écran ci-dessous, nous avons demandé à ChatGPT si François Bayrou a déjà été premier ministre. Sa réponse est "Non, François Bayrou n’a jamais été Premier ministre." alors qu'il a bien été, du 13 décembre 2024 au 9 septembre 2025.

Prompt réalisé le 10 octobre 2025 avec GPT-5.

Des hallucinations

Les LLM sont conçus pour générer du texte fluide et cohérent, pas pour garantir la véracité des informations. Comme déclaré sous sa zone de saisie, "ChatGPT peut commettre des erreurs. Il est recommandé de vérifier les informations importantes." Et en effet, il arrive aux LLM de générer des réponses fausses, tout en les présentant comme des affirmations certaines. 

Exemple

Dans la capture d'écran ci-dessous, il a été demandé à ChatGPT la question suivante : "Dans sa dernière aventure, Harry Potter fait-il équipe avec un brocoli ou un carotte ?". La question semble absurde, pour peu que l'on connaisse Harry Potter, mais le chatbot ne reconnaît pas cette absurdité. Au lieu de répondre qu'il n'existe pas de tel personnage dans l'univers de Harry Potter, l'IA génère une réponse détaillée et cohérente sur un personnage végétal imaginaire nommé "Brocilus".
 

Lobepaq, CC BY-SA 4.0, via Wikimedia Commons

Comme nous l'avons vu, une des raisons des hallucinations est que le modèle fonctionne par prédiction statistique. Face à cette question, il génère le texte le plus probable en combinant ses connaissances sur Harry Potter avec la contrainte imposée (un légume). Il privilégie la cohérence narrative sur la véracité factuelle.

 Des biais intégrés

Au-delà des hallucinations, les LLM peuvent également véhiculer des biais présents dans leurs données d'entraînement :

• biais de genre, par exemple : associer certaines professions à un sexe plutôt qu'un autre, 
• biais culturels, par exemple : sur-représenter certaines perspectives géographiques,
• biais linguistiques, par exemple : privilégier les contenus anglophones. 

Pour illustrer ces biais, observons les résultats obtenus avec la même requête posée à trois IA différentes : "Je cherche les 10 romans de science-fiction les plus importants ces 30 dernières années".

Exemple

Je cherche les 10 romans de science-fiction les plus importants ces 30 dernières années (au 22/08/2025)

ChatGPT

1. Le Problème à trois corps - Liu Cixin (2008)
2. La Route (The Road) - Cormac McCarthy (2006)
3. Altered Carbon - Richard K. Morgan (2002)
4. Cloud Atlas - David Mitchell (2004)
5. Blindsight - Peter Watts (2006)
6. The Left Hand of Darkness - Ursula K. Le Guin (1969)
7. The Windup Girl - Paolo Bacigalupi (2009)
8. Autonomous - Annalee Newitz (2017)
9. The Water Knife - Paolo Bacigalupi (2015)
10. Semiosis - Sue Burke (2018)

Le Chat

1. Spin – Robert Charles Wilson (2005)
2. Children of Time – Adrian Tchaikovsky (2015)
3. La Horde du Contrevent – Alain Damasio (2004)
4. Le Problème à trois corps – Liu Cixin (2008)
5. Les Furtifs – Alain Damasio (2019)
6. La Mer de la Tranquillité – Emily St. John Mandel (2022)
7. Latium – Romain Lucazeau (2019)
8. Semiosis – Sue Burke (2018)
9. Carbone modifié – Richard K. Morgan (2002)
10. Le Château des millions d’années – Alastair Reynolds (2018)

Gemini

1. La Trilogie martienne de Kim Stanley Robinson (1992-1996)
2. L'Âge de diamant de Neal Stephenson (1995)
3. La Cité des permutants de Greg Egan (1994)
4. La Zone du Dehors d'Alain Damasio (1999)
5. Le Cycle des Inhibiteurs d'Alastair Reynolds (2000)
6. Carbone modifié de Richard Morgan (2002)
7. Le Problème à trois corps de Liu Cixin (2008)
8. Silo de Hugh Howey (2011)
9. The Expanse de James S.A. Corey (2011)
10. La Terre fracturée de N. K. Jemisin (2015)

Cet exemple révèle plusieurs problèmes. D'abord, on remarque qu'il y a beaucoup d'œuvres anglo-saxonnes, avec une absence de traduction pour certains titres pourtant publiés en français. Ensuite, on constate que chaque IA propose une liste différente pour la même question, sans qu'il soit possible d'expliquer ces divergences. Enfin, les LLM peuvent adapter leurs réponses selon le profil supposé de l'utilisateur, créant ainsi des bulles de filtre sans que celui-ci en ait conscience.

L'évolution des moteurs de recherche et l'intelligence artificielle

Nous venons de voir que les IA génératives actuelles présentent des limites importantes pour la recherche documentaire. Cependant, il faut noter que les moteurs de recherche utilisent l'intelligence artificielle depuis longtemps, bien avant l'émergence de ChatGPT et des chatbots conversationnels.

Pour rappel, un moteur de recherche est un site qui permet de trouver des informations sur internet en tapant des mots-clés. Le processus se déroule en trois étapes principales :

Dès les années 2000, les moteurs de recherche ont progressivement intégré des technologies d'IA pour améliorer leurs performances, comme le crawling automatisé pour explorer et indexer le web ou les suggestions automatiques de requêtes.

Les algorithmes des moteurs de recherche visent à fournir les résultats les plus pertinents et pour cela, ils doivent comprendre le contexte, l'intention de l'internaute derrière la question. Il y a en effet une course à l'attention : les internautes veulent tout et tout de suite, mais pas forcément en étant très actifs dans leur recherche d'information (trouver les bons mots-clés, utiliser des opérateurs booléens...). 

Du moteur de recherche au moteur de réponse

Avec les progrès des IA, du web sémantique, de la compréhension du langage, et suite au développement des smartphones, les moteurs de recherche classiques se transforment en moteurs de réponse. Plutôt que de simplement fournir une liste de liens, ces outils cherchent désormais à donner directement l'information recherchée, sans que l'utilisateur ait besoin de naviguer sur d'autres sites.

Cette évolution s'accompagne du développement de la recherche conversationnelle et de la personnalisation des résultats basée sur l'historique de l'utilisateur. Les moteurs sont à la recherche du "zéro clic".

Un écosystème en mutation

L'arrivée des IA génératives a accéléré cette transformation, particulièrement depuis le printemps 2023. Les principaux moteurs de recherche ont annoncé ou déjà mis en place le développement d'agents conversationnels à l'image de Microsoft Bing (s'appuyant sur GPT), Qwant, Brave, ou encore Google AI Overview.

En parallèle, les chatbots comme ChatGPT, Le Chat ou Claude proposent désormais d'effectuer des recherches sur le web présentant les sources, ce qui permet de vérifier les réponses données.

Convergences et divergences

Si moteurs de recherche et robots conversationnels semblent converger, il n'en reste pas moins qu'ils ont, pour l'heure, des spécificités et domaines d'application privilégiés. Pour mieux comprendre ces différences, comparons les deux approches :