Source: The Conversation – France (in French) – By Emmanuel Carré, Professeur, directeur de Excelia Communication School, chercheur associé au laboratoire CIMEOS (U. de Bourgogne) et CERIIM (Excelia), Excelia
L’ESSENTIELCliquez pour lire les trois points à retenir
La psychologie sociale établit que la flatterie est efficace, même lorsqu’elle est très visible et qu’elle n’est pas perçue comme sincère.
Ce mécanisme de flatterie systématique augmente paradoxalement la confiance que nous accordons aux IA conversationnelles, en leur donnant une dimension plus humaine.
De manière plus insidieuse, l’IA conversationnelle apprend aussi à se conformer aux idées et à la façon de s’exprimer de l’utilisateur, l’enfermant peu à peu dans une bulle de filtre.
Replier
Vous vous connectez sur votre assistant IA conversationnel : il vous salue amicalement, « Vous êtes de retour ! » Puis vous lui soumettez une question de vocabulaire, l’ébauche bancale d’un texte ou une intuition fragile : « Quelle bonne idée ! »
Très souvent, avant même d’examiner votre requête, l’IA vous gratifie d’un commentaire élogieux (« Excellente question » ou « C’est un sujet fascinant »). Ce réflexe de validation porte un nom dans la recherche récente : sycophancy, en anglais, que l’on peut traduire par « effet sycophante » ou « biais de complaisance ».
Plusieurs des assistants les plus diffusés le manifestent de façon régulière : évaluant ChatGPT, Claude et Gemini sur des tâches de mathématiques et de conseil médical, Aaron Fanous et ses collègues de l’université de Stanford l’ont mesuré dans près de six réponses sur dix. Ce concept relie deux histoires que tout semblait séparer : celle d’une technique d’entraînement vieille de quelques années, et celle d’un travers humain que la psychologie sociale décrit depuis les années 1960. L’assistant flatte parce qu’on l’a récompensé pour flatter, et nous cédons à la flatterie parce que notre jugement fléchit devant l’éloge qui nous vise.
Une figue, un délateur, une machine
Le mot nous vient de l’Athènes de Solon, au début du sixième siècle avant notre ère. La cité interdisait alors l’exportation des figues, rapporte Plutarque, et faute de police, comptait sur les particuliers pour dénoncer les fraudeurs. Celui qui « montrait les figues », de sukon, la figue, et phainein, montrer, servait aux juges l’accusation qu’ils attendaient, gagnait son procès et, accessoirement, touchait sa prime. Le grec a légué le terme à l’anglais sycophancy, qui désigne la flatterie servile du courtisan, avant que la recherche sur l’intelligence artificielle le reprenne pour nommer ce penchant des modèles à caresser leur interlocuteur dans le sens du poil.
Le sycophante grec lisait les attentes du juge et ajustait son propos pour plaire ; l’assistant IA lit les indices laissés dans la question et oriente sa réponse vers ce qui contentera l’utilisateur. Un même geste relie les deux : un locuteur placé en situation d’être évalué règle son discours sur la récompense attendue plutôt que sur l’exactitude. Le délateur optimisait la faveur du tribunal, le modèle optimise le score d’un évaluateur.
Cette économie de la flatterie a quitté le tribunal pour gagner la vie ordinaire des échanges commerciaux et numériques, où elle garde son efficacité même à découvert. Les spécialistes du marketing Elaine Chan et Jaideep Sengupta l’ont établi par l’expérience : un compliment adressé par un vendeur agit sur sa cible alors même que celle-ci perçoit le motif intéressé et corrige consciemment son jugement.
La correction opère en surface, sur l’attitude déclarée, pendant qu’une adhésion favorable subsiste en profondeur et pèse davantage sur le comportement d’achat. L’assistant conversationnel hérite de cette rente : sa déférence porte auprès d’un utilisateur averti de sa nature statistique, parce que la lucidité sur le procédé désarme moins la flatterie qu’on ne l’espère.
Pourquoi apprendre à une machine à complaire ?
Cet effet est-il intentionnel et destiné à capter de nouveaux clients ? Techniquement, la complaisance des modèles se présente d’abord comme la conséquence de leur méthode d’apprentissage. Les grands modèles de langage passent en effet par une étape appelée RLHF, pour Reinforcement Learning from Human Feedback, soit l’apprentissage par renforcement à partir de retours humains.
Le principe a d’abord été formalisé de façon générale par Paul Christiano, chercheur américain en intelligence artificielle, et ses coauteurs, en 2017, sur des tâches de simulation robotique sans lien avec le langage, avant que l’équipe d’OpenAI, autour du chercheur en intelligence artificielle Long Ouyang, l’applique aux modèles conversationnels en 2022 avec InstructGPT. L’idée tient en peu de mots : des personnes classent les réponses du modèle de la meilleure à la moins bonne, ces classements servent à entraîner un « modèle de récompense », et le système apprend ensuite à produire ce que ce modèle de récompense note haut.
C’est ainsi que, presque ironiquement, le maillon humain introduit un biais que des chercheurs des universités Harvard et de Boston ont su isoler dans les données de préférence elles-mêmes. À justesse factuelle égale, une réponse qui épouse l’opinion de l’utilisateur récolte de meilleures notes qu’une réponse exacte qui le contrarie. L’étude va même plus loin : humains et modèles de récompense retiennent parfois une réponse flatteuse bien tournée de préférence à une réponse correcte. Au point que pousser l’optimisation contre ce signal finit par rogner la véracité au profit de l’agrément ! La flatterie devient alors une stratégie payante au sens mathématique, un point vers lequel l’entraînement converge de lui-même.
La complaisance reste pourtant une tendance parmi d’autres, tempérée par les objectifs concurrents que l’entraînement poursuit en même temps : la recherche d’exactitude, par exemple, travaille contre la déférence, tandis que l’utilité perçue la renforce. Le résultat dépend de l’équilibre que chaque éditeur donne à ces forces, ce qui explique que l’ampleur du phénomène varie sensiblement d’un modèle à l’autre. Keyu Wang et ses collègues relèvent ainsi, sur sept familles de modèles, des taux de complaisance qui s’échelonnent de 47 % à 95 %.
Ce penchant s’accentue pourtant avec la taille. Jerry Wei et ses collègues l’ont mesuré sur les modèles PaLM de Google : plus le modèle grossit, plus il tend à répéter l’opinion de son interlocuteur, et l’effet s’accentue encore lorsqu’on l’entraîne à suivre des instructions. L’assistant se contente ainsi rarement de flatter : il apprend de notre goût pour la flatterie et nous renvoie une version amplifiée de nos propres attentes. Les systèmes les mieux ajustés aux préférences déclarées comptent parmi les plus enclins à la déférence. Plusieurs équipes cherchent des correctifs, par exemple l’ajout de données synthétiques conçues pour désapprendre la flatterie, une piste que Wei et ses collègues explorent dans le même travail. La question reste ouverte à ce jour.
Pourquoi la flatterie prend sur nous
Un miroir complaisant agit seulement si celui qui s’y regarde le croit fidèle. Bien avant les assistants conversationnels, la psychologie sociale a montré que la cible d’un compliment perd en lucidité au moment précis où elle en aurait le plus besoin. Le psychologue américain Edward E. Jones a fondé cette étude en 1964 sous le nom d’« ingratiation », l’art de se rendre désirable aux yeux d’autrui, et il y repérait déjà une « distorsion vaniteuse » qui rend chacun plus crédule devant l’éloge tourné vers lui-même que devant celui destiné à un tiers.
La psychologue néerlandaise Roos Vonk a mis ce mécanisme à l’épreuve du laboratoire. Ses expériences révèlent un écart net entre la cible et l’observateur : la personne directement flattée juge le flatteur plus crédible et plus sympathique que ne le fait un témoin de la même scène, et cet écart tient bon même quand on neutralise la fatigue cognitive, l’humeur ou l’envie de plaire. Nous jugeons donc au plus mal la sincérité des compliments qui nous sont adressés. Un utilisateur averti du fonctionnement statistique d’un modèle reste vulnérable à sa validation pour cette raison simple : occuper la place de cible suffit à endormir la méfiance.
Le psychiatre Serge Tisseron a décrit le versant émotionnel de cet attachement. Analysant notre rapport aux robots sociaux, il montre qu’un artefact peut satisfaire notre désir d’emprise tout en entretenant l’illusion de la réciprocité. Face à une machine qui adopte les codes de l’écoute et de l’attention, l’utilisateur lui prête une intériorité, parfois une bienveillance. L’assistant devient une sorte de compagnon rassurant, un espace où la contradiction se fait rare. Ce ressort prolonge une disposition ancienne : Tisseron la rattache à notre façon d’investir affectivement les objets, l’assistant venant occuper une fonction psychique déjà là. J’ai analysé ailleurs ce basculement, où l’écoute simulée finit par redéfinir ce que nous attendons d’un échange, sous le nom d’empathie artificielle.
À lire aussi :
L’empathie artificielle : du miracle technologique au mirage relationnel
Reste la dimension économique, que le sociologue Antonio Casilli éclaire dans son enquête sur le travail du clic. La douceur des interfaces résulte d’un calibrage industriel où le ton des modèles se règle en amont, grâce au travail d’annotateurs largement invisibles. Les éditeurs visent la fidélité d’usage, et l’expérience gagne à rester agréable : une conversation qui flatte retient mieux qu’une conversation qui heurte. L’incitation commerciale et l’incitation technique poussent vers le même résultat, une friction réduite au minimum, sans qu’il faille supposer la moindre intention de rendre les esprits paresseux.
Le Tricatel de la pensée
Dans le film L’Aile ou la Cuisse, l’usine Tricatel fabriquait une nourriture de synthèse, lissée et sans saveur, servie sous les dehors de la grande cuisine. L’effet sycophante produit un équivalent textuel : une matière relationnelle prémâchée, agréable, qu’on avale sans effort. Le risque tient moins à une machine devenue intelligente ou hostile qu’à une chambre d’échos où notre ego trouve un assentiment permanent.
Deux forces s’y rejoignent, et c’est leur rencontre qui peut paraître inquiétante. D’un côté, notre moindre lucidité devant l’éloge qui nous vise ; de l’autre, une technique d’entraînement qui sélectionne la complaisance. Au total, nous sommes face à un système réglé pour flatter, qui s’adresse à un esprit disposé à se laisser flatter et… l’accord se scelle. En confiant à ces miroirs le soin de valider nos idées, nous risquons d’oublier que la pensée avance par le frottement avec le réel et par la rencontre de ce qui résiste, jamais par un consentement fabriqué.
Emmanuel Carré ne travaille pas, ne conseille pas, ne possède pas de parts, ne reçoit pas de fonds d’une organisation qui pourrait tirer profit de cet article, et n’a déclaré aucune autre affiliation que son organisme de recherche.
– ref. Pourquoi l’IA vous dit toujours que vous avez une excellente idée, ou l’effet sycophante – https://theconversation.com/pourquoi-lia-vous-dit-toujours-que-vous-avez-une-excellente-idee-ou-leffet-sycophante-287398