7, 42, M, bleu… Le hasard très prévisible des IA génératives
Les modèles d'IA générative, souvent perçus comme des outils capables de produire des réponses aléatoires, reproduisent en réalité des biais humains systématiques. Une enquête approfondie révèle que des réponses comme le nombre 17 ou des lettres comme M émergent de manière récurrente, non par hasard, mais par mimétisme statistique des données d'entraînement. Cette observation interroge la prétendue neutralité des algorithmes et leur capacité à générer de la diversité.
Pourquoi les IA génératives produisent-elles des réponses comme 17 de manière récurrente ?
Les modèles d'IA générative ne génèrent pas de nombres aléatoires, mais s'appuient sur des données d'entraînement issues de productions humaines. Le nombre 17 est statistiquement privilégié car il est impair, premier, et proche du milieu d'une plage comme 1 à 30, reflétant ainsi des biais cognitifs humains plutôt qu'un véritable aléatoire. Les tests menés sur des dizaines de modèles confirment cette tendance, indépendamment des configurations techniques.
Quels acteurs ont été testés dans cette étude et comment ont été structurées les expérimentations ?
Les expérimentations ont porté sur des modèles d'Anthropic, OpenAI et Google, incluant des versions comme GPT-5 à GPT-6, Sonnet 4.6 à Fable 5.1, et Gemini 3.1 à 3.8. Les tests ont consisté en 171 requêtes envoyées à OpenAI, 48 à Anthropic et 55 à Google, en variant les niveaux de raisonnement et les configurations de version, mais sans nécessairement impliquer des modèles distincts à chaque fois.
L'absence d'aléatoire dans les réponses des IA génératives est-elle surprenante ?
Non, cette absence d'aléatoire n'est pas surprenante, car les IA génératives fonctionnent comme des outils de prédiction statistique basés sur des données humaines. Leur objectif n'est pas de produire du hasard, mais de générer des réponses plausibles et cohérentes avec les attentes culturelles ou linguistiques des utilisateurs, ce qui explique la récurrence de certaines réponses comme 17.
Ce que ça pourrait changer
Cette étude souligne les limites des IA génératives en matière de créativité ou d'imprévisibilité, et pose la question de leur fiabilité pour des applications nécessitant une véritable diversité de réponses. Elle rappelle aussi que les biais humains se reproduisent à grande échelle, ce qui peut renforcer des stéréotypes ou des schémas de pensée dominants. À l'inverse, cette prévisibilité pourrait être exploitée pour des usages nécessitant une cohérence forte, comme l'éducation ou la formation.
