7, 42
Régulièrement, sur les réseaux sociaux, on voit passer une phrase du genre : demandez à une IA de proposer un nombre entre 1 et 30, elle répondra 17. C’est vrai dans la grande majorité des cas, mais c’est bien plus large que cela… la suite pourrait bien vous surprendre.
Les intelligences artificielles (IA) génératives, comme celles d'OpenAI, Anthropic ou Google, ne fonctionnent pas comme des générateurs de nombres aléatoires. Lorsqu'on leur demande de produire un nombre, une lettre ou une couleur, elles s'appuient sur des données d'entraînement issues de textes écrits par des humains. Leur réponse n'est donc pas le fruit du hasard, mais une estimation statistique de ce qui semble le plus probable selon ces données. Par exemple, le nombre 17 revient fréquemment dans les réponses, car il est perçu comme un nombre central, impair et premier, ce qui correspond à des biais humains courants dans le choix des nombres.
Les IA génératives reproduisent les biais présents dans leurs données d'entraînement, qui proviennent majoritairement de contenus humains. Ainsi, lorsqu'on demande un nombre entre 1 et 30, le nombre 17 est souvent choisi car il est proche du milieu de la plage, impair et premier, des caractéristiques qui le rendent plus
Pour valider ces observations, une expérience a été menée en testant des dizaines de modèles d'IA générative avec des demandes variées : des nombres entre 1 et 50 ou 1 et 100, des lettres de l'alphabet, ou encore des couleurs comme bleu. Les résultats, obtenus sur des milliers de réponses, révèlent des motifs récurrents. Par exemple, la lettre M ou la couleur bleu apparaissent plus fréquemment que d'autres, reflétant des préférences humaines dans les choix arbitraires. Ces tests ont été réalisés sur des modèles comme GPT-5 à GPT-6, Sonnet 4.6 à Fable 5.1, et Gemini 3.1 à 3.8, avec ou sans mécanisme de raisonnement intégré.
Une IA générative fonctionne en analysant des motifs dans ses données d'entraînement pour prédire la réponse la plus probable à une question. Elle n'a pas de capacité à générer du hasard pur, car elle ne dispose pas de source d'entropie (aléatoire) comme un générateur de nombres aléatoires classique. Au lieu de cela, elle calcule une probabilité basée sur la fréquence des occurrences dans ses données. Par exemple, si le nombre 17 apparaît souvent dans les textes humains comme réponse à une question similaire, l'IA aura tendance à le privilégier. Ce mécanisme explique pourquoi les réponses semblent prévisibles, même si elles sont présentées comme aléatoires.
Cette absence d'aléatoire dans les réponses des IA génératives soulève des questions sur leur fiabilité et leur utilité dans des contextes où l'imprévisibilité est souhaitée, comme les jeux ou les simulations. Les biais reproduits peuvent aussi renforcer des stéréotypes ou des préférences culturelles présentes dans les données d'entraînement. Par exemple, si une IA génère systématiquement des nombres comme 17 ou des lettres comme *M*, cela peut limiter la diversité des réponses et donner une impression de rigidité. Les développeurs doivent donc prendre en compte ces limites lors de la conception et de l'utilisation de ces outils.
