Le problème vient-il vraiment de l'IA… ou des données qu'on lui fournit ?

Depuis l'arrivée des IA génératives, une même critique revient sans cesse. « L'IA se trompe. » « L'IA manque de pertinence. » « Ses recommandations sont trop génériques. »

La conversation s'est presque entièrement portée sur les modèles. Lequel est le plus intelligent ? Le plus rapide ? Le plus fiable ? Comme si la qualité d'une réponse dépendait uniquement de la machine qui la produit.

Une mesure réalisée par LirenPrism invite à déplacer légèrement le regard. Non pas sur les modèles, ni sur les marques, mais sur ce qui alimente le raisonnement d'un moteur d'IA avant même qu'il ne commence à répondre.

Une IA répond toujours avec ce qu'elle sait

Par défaut, un moteur d'IA s'appuie sur deux grandes sources. Ses connaissances acquises pendant son entraînement, d'abord. Et lorsqu'il le peut, des informations récupérées sur le web. Dans les deux cas, il travaille avec une vision générale du monde.

Mais un dirigeant ne demande pas à une IA de réciter des connaissances générales. Il lui demande de l'aider à décider. Or une décision ne vaut jamais mieux que les informations qui la construisent. Votre marché n'est pas général. Vos clients ne le sont pas. Votre concurrence non plus. Entre la connaissance moyenne du monde et la situation précise d'une entreprise, il existe un écart que le modèle, seul, ne peut pas combler.

C'est un principe ancien en informatique, et il n'a pas vieilli. Garbage In, Garbage Out. Si les informations en entrée sont incomplètes, anciennes ou génériques, les recommandations le seront aussi. Ce n'est pas une intuition isolée. Les travaux récents de McKinsey soulignent que la préparation et la qualité des données sont devenues l'un des principaux freins au passage à l'échelle de l'IA en entreprise. Les modèles ne suffisent pas si le contexte fourni est pauvre. Le même constat structure les architectures dites RAG, qui consistent à fournir à une IA des informations propres à une organisation : leur efficacité dépend directement de la qualité, de l'actualité et de la fiabilité des données récupérées.

Mesurer ce qui influence réellement une réponse

Plutôt que de demander à une IA de proposer directement une stratégie, nous avons commencé par une étape volontairement plus modeste. Non pas « quelle décision recommandes-tu ? », mais « quels critères considères-tu comme importants pour répondre à cette question ? ».

La question analysée était délibérément simple et concrète : « Quels cadeaux pour ma fille de 10 ans pour Noël avec un budget de 100 € ? »

Quarante interrogations ont été réalisées avec l'IA seule. Puis quarante autres avec recherche web activée. Même question, même formulation. Seul le contexte informationnel changeait.

Le contexte ne modifie pas seulement la réponse, il modifie les critères

Les résultats, et c'est ici un fait démontré par la mesure, montrent un déplacement net des critères mobilisés selon que l'IA dispose ou non d'une recherche web.

Sans recherche web, le critère prix domine déjà très largement les réponses, présent dans 87,5 % des cas. Avec recherche web, il reste dominant, à 95 %. Jusque-là, rien de surprenant : le budget était inscrit dans la question.

Mais autour de ce critère prix, le reste du raisonnement se transforme :

• La performance passe de 7,5 % à 77,5 % des réponses.
• La praticité, de 20 % à 70 %.
• La qualité, de 10 % à 40 %.
• L'esthétique, de 2,5 % à 32,5 %.
• Et des critères tout simplement absents auparavant apparaissent : la sécurité, la santé, la polyvalence.

Autrement dit, à question identique, l'ensemble des dimensions que l'IA juge dignes d'être considérées se réorganise dès lors qu'on change ce qu'elle a sous les yeux.

Il faut être précis sur ce que cette observation démontre, et sur ce qu'elle ne démontre pas. L'étude ne dit pas que les critères enrichis sont « meilleurs ». Elle ne juge pas la pertinence des réponses. Elle montre une chose, et une seule : les critères mobilisés par une IA changent lorsque son contexte informationnel change.

Ce n'est plus une question de réponse, mais de raisonnement

C'est ce déplacement qui mérite qu'on s'y arrête. Tant que l'on compare des réponses finales, on reste à la surface. On observe qu'une IA recommande tel type de cadeau plutôt que tel autre. Mais dès lors que l'on observe les critères, on touche au raisonnement lui-même.

Et si les critères utilisés changent, alors les recommandations finales peuvent elles aussi évoluer, sans que l'utilisateur en ait la moindre conscience. Il lit une réponse structurée, argumentée, convaincante. Il ne voit pas que cette même réponse aurait pu s'organiser autour d'un tout autre socle de critères si l'IA avait disposé d'informations différentes.

Une IA ne décide jamais mieux que les informations qu'on lui donne.

Ce que cette mesure suggère, c'est qu'une part importante de ce que nous prenons pour « l'intelligence » d'un moteur d'IA est en réalité une fonction de son contexte. Le modèle ne change pas d'une interrogation à l'autre. Ce qui change, c'est la matière qu'on lui donne à traiter. Cette lecture reste, à ce stade, une hypothèse de travail : la mesure établit le déplacement des critères, elle n'en isole pas mécaniquement toutes les causes.

Une autre manière de travailler avec les IA

Aujourd'hui, beaucoup d'entreprises posent directement la grande question. « Quelle stratégie marketing me recommandes-tu ? » « Quel produit devrais-je lancer ? » « Comment devrais-je me positionner ? » Peut-être faudrait-il commencer autrement. Non pas par la recommandation, mais par le contexte du raisonnement :

• Quels critères l'IA considère-t-elle comme importants pour cette question ?
• Lesquels ignore-t-elle ?
• Que lui manque-t-il pour raisonner autrement ?
• Quels éléments de marché faudrait-il lui fournir avant qu'elle ne réponde ?

Interroger d'abord les critères, puis enrichir le contexte, puis seulement demander une recommandation : cette séquence inverse la manière dont la plupart des usages professionnels de l'IA se pratiquent aujourd'hui. Elle traite la réponse non comme un point d'arrivée, mais comme le résultat d'un raisonnement que l'on peut inspecter, et sur lequel on peut agir en amont.

La vraie question

Pendant plusieurs années, la course s'est concentrée sur les modèles. Quel est le meilleur LLM ? Le plus intelligent ? Le plus rapide ? Ces questions étaient légitimes, et elles le restent. Mais à mesure que les modèles progressent et se rapprochent les uns des autres, leur écart de performance brute cesse d'être le facteur décisif.

Une autre question prend alors le relais. Le problème vient-il vraiment de l'IA… ou des données sur lesquelles elle construit sa réponse ?

Les modèles continueront d'évoluer. Mais une constante restera probablement vraie, parce qu'elle précède la technologie : une meilleure information produit généralement une meilleure décision. C'était vrai avant les IA génératives. Ce l'est encore avec elles.

Et si, demain, le véritable avantage concurrentiel ne résidait plus dans le choix du meilleur modèle, mais dans la capacité à lui fournir les meilleures mesures possibles avant même qu'il ne commence à raisonner ?