Guide · Risque IA
Quand l'IA inventesur votre marque
Les modèles génératifs affirment avec aplomb des faits inexacts sur les marques : mauvais dirigeant, offre périmée, incident inventé. Voici pourquoi cela arrive, et comment reprendre la main.
Réponse de référence · données sourcées et datées
Les données, sourcées
Une hallucination, c'est une affirmation fausse énoncée avec assurance par un modèle génératif. Sur une entreprise, cela prend des formes concrètes : un dirigeant erroné, une date de création inventée, une offre qui n'existe plus, un incident jamais survenu. Le ton assuré du modèle donne à l'erreur l'apparence d'un fait vérifié.
Ce n'est pas un défaut marginal. Un benchmark 2026 portant sur trente-sept modèles relève des taux de réponses fausses de 15 à 52 % en analyse structurée, et même les modèles frontière les plus récents conservent de l'ordre de 5 % d'erreurs sur des tâches générales. La marge d'erreur se réduit, elle ne disparaît pas.
Le risque est plus élevé sur les marques que sur les faits grand public, pour une raison simple : les sources vous concernant sont souvent rares, dispersées ou périmées. Quand le modèle manque d'information fiable, il comble le vide en s'appuyant sur des indices faibles ou des confusions d'entités. Or l'enjeu est commercial : selon l'étude iAdvize et Ifop, 62 % des utilisateurs d'IA générative la consultent avant un achat. Une erreur sur votre marque circule alors dans des décisions réelles.
La bonne nouvelle : on ne corrige pas le modèle, on corrige ce qu'il lit. En donnant aux machines une vérité unique, claire, sourcée et cohérente sur votre entreprise, on assèche la source de l'erreur. ELMARQ intègre la justesse, et pas seulement la présence, dans la mesure du Score SOM.
Pourquoi les IA se trompent plus sur les marques
Un modèle génératif ne récite pas une base de données, il prédit la suite la plus probable à partir de ce qu'il a lu. Sur un sujet massivement documenté, la probabilité colle au réel. Sur une PME, une ETI ou un dirigeant peu médiatisés, les sources sont maigres : le modèle extrapole, et l'extrapolation devient une affirmation.
S'ajoute la confusion d'entités : deux dirigeants homonymes, deux sociétés au nom proche, une ancienne raison sociale encore en ligne. Le modèle mélange, puis présente le mélange comme un fait. Plus votre présence en ligne est incohérente, plus vous nourrissez ce risque. L'ampleur est documentée par des tiers : le Tow Center de Columbia a mesuré plus de 60 % de réponses erronées sur l'identification des sources, et l'étude de Stanford « Large Legal Fictions » relève de 58 à 88 % d'hallucinations quand on interroge des modèles sur des affaires judiciaires précises et vérifiables.
Corriger : ce qui marche, ce qui ne marche pas
Ce qui ne marche pas : demander à ChatGPT de « retenir » une correction dans une conversation. La rectification ne survit pas à la session et ne change rien pour les autres utilisateurs. Signaler une erreur peut aider à la marge, mais reste lent et sans garantie.
Ce qui marche : agir sur les sources que le modèle consulte. Publier une information de référence claire et datée, la faire reprendre par des tiers crédibles, aligner toutes vos pages sur une même vérité. Les modèles se rafraîchissent ; une base propre et cohérente finit par l'emporter sur une donnée ancienne et isolée.
Prévenir : une seule vérité, partout
La meilleure défense est en amont. Une entreprise dont l'identité est énoncée de façon identique partout, dirigeant, date, mission, chiffres, offre moins de prises à l'erreur qu'une marque qui se raconte différemment selon les pages. La cohérence n'est pas cosmétique : c'est ce que la machine lit.
Concrètement : une source de vérité unique, des données structurées lisibles par les machines, des identifiants pérennes qui ancrent l'entité. C'est un travail de fond, mais c'est le seul qui tienne dans la durée face à des modèles qui apprennent de ce que vous publiez.
Le protocole de correction, moteur par moteur
Corriger commence par diagnostiquer. On interroge les quatre moteurs (ChatGPT, Perplexity, Gemini, Claude) sur son entreprise et sa catégorie, puis on consigne les écarts au réel : dirigeant, date, offre, incident inventé. Cette cartographie factuelle, moteur par moteur, dit précisément ce qu'il faut corriger et où le risque est le plus fort. Le SOM Checker en donne une première lecture sur trois modèles ; un audit complet couvre les quatre et documente la justesse.
On assainit ensuite l'écosystème de sources, jamais le modèle lui-même. Aligner les données légales partout, publier des pages canoniques claires et datées, structurer les données machine, tenir un fichier llms.txt : autant de signaux cohérents que les moteurs finissent par reprendre. Il n'existe aucun canal garanti pour verrouiller une correction auprès d'un éditeur d'IA : le dire est une question d'honnêteté, et c'est pourquoi on agit sur les sources, pas sur une promesse.
Deux horizons cohabitent. Le temps court, celui de la recherche live : Perplexity ou les modes connectés relisent le web à chaud, une source fraîche et nette peut donc corriger vite. Le temps long, celui des cycles de réentraînement : ce qui est gravé dans un modèle ne se met à jour qu'à la version suivante, de quelques semaines à plusieurs mois. On travaille les deux, sans confondre l'un avec l'autre.
Reste à mesurer et remesurer. Une correction n'est acquise que lorsqu'elle apparaît dans les réponses, pas quand elle est publiée. On rejoue donc le diagnostic à intervalle régulier pour vérifier que les écarts se referment, moteur par moteur. C'est le rôle du suivi GEO et du baromètre de visibilité IA, qui transforment une correction ponctuelle en tendance vérifiable.
Ce qu'on nous demande
En quatre temps. Diagnostiquer : interroger les quatre moteurs (ChatGPT, Perplexity, Gemini, Claude) et consigner les écarts au réel. Assainir les sources : aligner les données légales, publier des pages canoniques datées, structurer les données machine, tenir un fichier llms.txt. Distinguer le temps court (recherche live) du temps long (réentraînement). Puis remesurer pour vérifier que l'erreur se referme. On corrige les sources, jamais le modèle.
Pas directement et pas durablement. Une correction saisie dans une conversation ne survit pas à la session et ne vaut que pour vous. Il n'existe aucun canal garanti pour verrouiller une correction auprès d'un éditeur d'IA. Le vrai levier est indirect : corriger et clarifier les sources que le modèle consulte, pour que le prochain rafraîchissement, ou la prochaine recherche live, reprenne la bonne information.
Parce qu'elle prédit une réponse probable plutôt que de citer une fiche. Quand les sources sur votre entreprise sont rares, périmées ou contradictoires, le modèle comble le vide par extrapolation ou confond deux entités proches. Moins vous êtes documenté et cohérent, plus le risque est élevé.
Il n'y a pas de délai garanti. Les modèles intègrent les nouvelles sources à leur rythme de rafraîchissement, de quelques semaines à plusieurs mois selon le modèle et la nature de l'information. La régularité et la cohérence des signaux comptent plus que l'urgence d'un signalement isolé.
Rarement à eux seuls. Ils traitent le symptôme, pas la cause. Tant que des sources fausses ou incohérentes restent accessibles, le modèle peut continuer à s'en servir. Il faut aligner l'ensemble de votre présence sur une vérité unique et la faire reprendre par des tiers crédibles.
En interrogeant plusieurs modèles sur votre entreprise et votre catégorie, puis en comparant leurs réponses au réel. Le SOM Checker d'ELMARQ donne une lecture rapide de votre présence et de sa justesse sur trois modèles ; un audit complet cartographie les erreurs récurrentes à corriger.
À lire ensuite
Concepts du lexique
Pages ELMARQ
Savoir ce que les IA disent de faux sur vous
Le SOM Checker donne une lecture rapide de votre présence et de sa justesse sur trois modèles. Le Crash-Test cartographie les erreurs à corriger et le plan pour les assécher.