Faut-il acheter une IA plus fiable, ou payer pour la corriger ?

Les entreprises utilisant des intelligences artificielles (IA) génératives rencontrent un problème récurrent : les hallucinations. Ce terme désigne des réponses plausibles mais fausses, présentées avec une certitude trompeuse. Par exemple, une IA peut inventer une source ou un fait sans fondement réel. Une étude de 2025 a testé des outils juridiques professionnels présentés comme « sans hallucination » : entre 17 % et 33 % des réponses contenaient des erreurs, comme des informations inventées ou des attributions erronées de sources. Ces erreurs posent des risques variables selon l'usage. Une mauvaise traduction interne pour du marketing n'a pas les mêmes conséquences qu'un conseil juridique erroné. Les entreprises doivent donc évaluer l'impact potentiel de ces erreurs avant de déployer une IA.

Pour limiter les erreurs des IA, les entreprises ont deux options principales. La première consiste à choisir un modèle plus fiable, souvent plus cher, en espérant réduire les hallucinations. La seconde option est de conserver un modèle moins coûteux et de vérifier systématiquement ses réponses, soit en interne, soit via un prestataire. Aucune de ces méthodes n'est parfaite : un modèle plus fiable ne supprime pas totalement le besoin de vérification, et le contrôle humain ou automatisé engendre des coûts supplémentaires. Par exemple, une entreprise peut comparer plusieurs réponses générées par l'IA et ne retenir que celles qui concordent, ou faire relire les résultats par un salarié. Ces méthodes mobilisent soit des ressources de calcul, soit du temps de travail.

L'étude citée modélise le choix entre ces deux stratégies en comparant leurs coûts. D'un côté, le coût d'accès à un modèle plus fiable payé au fournisseur. De l'autre, le coût du contrôle organisé en interne ou externalisé. Dans les deux cas, l'entreprise paie pour obtenir de la fiabilité. Le point de bascule, où l'une des options devient plus avantageuse que l'autre, dépend de la part des usages à fort enjeu dans l'entreprise. Par exemple, si une entreprise utilise l'IA principalement pour des tâches à faible risque comme la traduction interne, le contrôle humain peut suffire. En revanche, pour des usages critiques comme le conseil juridique ou la santé, un modèle plus fiable devient préférable malgré son coût plus élevé.

La valeur d'un usage dépend de deux facteurs : le gain apporté par une bonne réponse et le coût d'une réponse erronée, appelé aversion aux hallucinations. Les usages à fort enjeu incluent le conseil juridique, la santé, l'octroi de crédit ou la conformité réglementaire, où une erreur peut avoir des conséquences graves. À l'inverse, des tâches comme la traduction interne ou le résumé de réunion présentent un risque bien moindre. Le tri de candidatures se situe dans une zone intermédiaire : le gain est modeste, mais une erreur peut coûter cher en termes de réputation ou de litige. L'étude souligne que la composition des usages d'une entreprise détermine le choix optimal entre modèle fiable et contrôle renforcé.

Les entreprises peuvent choisir de contrôler les réponses de l'IA en interne ou de faire appel à un prestataire externe. Dans le cas d'un contrôle externalisé, le coût inclut l'accès à l'IA, le travail de vérification et la marge du prestataire. Cette marge n'est pas négligeable : négocier pour la réduire revient souvent à accepter un contrôle moins poussé. Si l'entreprise internalise le contrôle, elle doit organiser elle-même la vérification, ce qui mobilise du temps de travail et des ressources. Contrairement à un prestataire, l'entreprise ne peut pas sanctionner une erreur non détectée, car une hallucination est conçue pour paraître crédible. Le risque est donc réel : une erreur non repérée peut causer des dommages sans que l'entreprise puisse les imputer à un tiers.