Un horaire qui change une décision
Exemple fictif : un chatbot indique à Jana que la déchèterie locale ferme à 18 heures le vendredi. Elle prévoit donc de partir en fin d’après-midi. Jana vérifie cet horaire précis sur le site de sa commune, ouvert directement. Dans cet exemple inventé, les horaires d’hiver diffèrent de ceux d’été. Le reste de l’explication aimable du chatbot ne tranche pas la question. Il faut identifier le bon lieu, le bon jour et la saison en cours.
Découper une longue réponse en affirmations
Repérez une phrase contrôlable : qui pourrait faire quoi, et sous quelles conditions ? Un paragraphe peut combiner une explication correcte et un chiffre erroné. Distinguez faits, suggestions et appréciations. Une idée pour organiser une liste de courses n’exige pas le même examen qu’une date limite de démarche. Pour les points importants, notez l’affirmation exacte et l’action que vous envisagez en conséquence. Vous éviterez ainsi de considérer une longue réponse entière comme uniformément vraie ou fausse.
Consulter directement la source appropriée
Pour un horaire, consultez l’exploitant ; pour une fonction, la documentation actuelle du fabricant ; pour une démarche officielle, l’organisme responsable. Ouvrez la source et lisez le passage concerné. Un aperçu de recherche ou une citation isolée ne suffit pas pour un détail décisif. Vérifiez pays, version, personnes concernées et période. Une source authentique mais ancienne peut ne pas convenir à votre situation actuelle. Examinez également les réserves et notes, pas seulement le titre ou la réponse mise en évidence.
Les relances orientent la recherche sans prouver
Vous pouvez demander une source ou les points incertains à l’IA. Considérez la réponse comme une piste. Le NIST décrit la production possible d’affirmations et d’explications plausibles mais inventées. Si le même chatbot change d’avis après une question, cela ne démontre pas quelle version est correcte. Deux réponses concordantes peuvent répéter la même erreur initiale. La comparaison indépendante reste essentielle ; en cas de contradiction, demandez des précisions à l’organisme responsable ou à une personne compétente dans le domaine.
Reconnaître les décisions qui demandent davantage
Pour la santé, les délais juridiques ou des décisions financières importantes, une évaluation professionnelle personnelle est particulièrement utile. L’OMS souligne les risques d’informations médicales fausses ou incomplètes produites par l’IA. Une réponse peut servir à préparer des questions, pas à commencer, arrêter ou modifier seul un traitement. N’envoyez pas de documents confidentiels simplement pour obtenir davantage de certitude. Cette page traite de la vérification des informations et ne remplace pas un conseil médical, juridique ou financier adapté à votre situation.
Liste de vérification
Les cases servent uniquement de repères personnels. Aucune saisie ne nous est transmise. Pour conserver la page, il suffit de l’imprimer ou de l’enregistrer au format PDF depuis le menu du navigateur.
Questions fréquentes
Une réponse avec des sources peut-elle être fausse ?
Oui. Elle peut déformer la source, utiliser une information ancienne ou répondre à une autre question. Ouvrez la référence et comparez l’affirmation précise.
Demander « Es-tu sûr ? » rend-il la réponse fiable ?
Non. Cela peut produire une nouvelle formulation, sans preuve indépendante. Il faut pouvoir confirmer l’affirmation en dehors de la conversation.
Faut-il vérifier chaque idée sans conséquence ?
Adaptez l’effort aux effets possibles. Contrôlez surtout chiffres, dates, conditions et instructions sur lesquels vous envisagez réellement de vous appuyer.
Sources et informations complémentaires
Sources primaires d’autorités publiques, d’organismes de protection des consommateurs et de fournisseurs. Certaines sont dans une autre langue ; retenez les indications adaptées à votre service et à votre lieu de résidence.
- NIST: Generative Artificial Intelligence ProfileSources consultées le:
- CNIL: IA générative et vie privéeSources consultées le:
- WHO: Guidance on large multi-modal models for healthSources consultées le:
