Rester l'auteur de ses décisions quand on travaille avec une IA

Avant d'aller plus loin, je vous propose une expérience qui demande dix secondes. La part des pays africains parmi les membres de l'Organisation des Nations unies est-elle supérieure ou inférieure à 65 % ? Répondez, puis donnez une estimation : quelle est cette part, selon vous ?

Si vous avez joué le jeu, regardez le chemin qu'a suivi votre raisonnement. Il est très probablement parti de 65, pour s'en éloigner ensuite, un peu. En 1974, Amos Tversky et Daniel Kahneman ont posé cette même question après avoir fait tourner devant leurs participants une roue de la fortune : certains groupes partaient de 10, d'autres de 65. Ceux qui étaient partis de 10 ont estimé cette part à 25 % en médiane ; ceux qui étaient partis de 65, à 45 %. Un nombre tiré au sort, sans aucun rapport avec la question, avait déplacé la réponse de vingt points. C'est l'effet d'ancrage : le premier chiffre qui passe devient le point de départ du raisonnement, et l'on s'en écarte ensuite moins qu'on ne le croit. La bonne réponse, aujourd'hui, est d'environ 28 % : 54 pays sur 193.

Ce mécanisme est connu depuis cinquante ans. La nouveauté tient à la provenance du premier chiffre. Avant de fixer un budget, de répondre à un client ou de trancher entre deux options, beaucoup d'entre nous consultent désormais une intelligence artificielle. Sa réponse arrive la première, bien rédigée, sûre d'elle, et elle devient le point de départ.

Ce qu'une étude de 2026 a observé

En septembre 2026, des chercheurs des universités de Calcutta et de Kalyani ont publié une expérience menée auprès de 251 participants (Paul et al., 2026). Chacun devait décider d'un montant à investir. La moitié voyait d'abord une recommandation chiffrée produite par une IA, l'autre moitié n'en voyait aucune. Les chercheurs présentaient aussi une même décision risquée tantôt comme un gain possible, tantôt comme une perte à éviter.

Les résultats vont dans la même direction :

• La recommandation de l'IA a déplacé les montants. Les participants qui l'avaient vue sont restés sensiblement plus près de la somme de référence que les autres, avec un écart statistiquement significatif.
• La présentation du risque a changé le choix. Présentée comme un gain possible, l'option risquée a été retenue par 50,4 % des participants ; présentée comme une perte, par 24,6 %.
• La confiance accordée à l'outil va de pair avec son influence. Plus les participants faisaient confiance à l'IA, plus ils déclaraient s'en être inspirés : la confiance explique à elle seule environ 12 % des écarts d'influence.

Cette étude a des limites, que ses auteurs reconnaissent : des volontaires recrutés en ligne, une décision fictive, et un effet de cadrage qui va dans le sens inverse de ce que prédit la théorie des perspectives de Kahneman et Tversky. Elle paraît en outre chez un éditeur qui figure sur la liste de Beall, un inventaire des éditeurs scientifiques jugés potentiellement prédateurs. Je la prends donc pour ce qu'elle est, un signal, qui ne vaudrait pas grand-chose seul. Son intérêt est de rejoindre des travaux publiés dans Science, Nature ou Nature Human Behaviour.

IA et prise de décision : ce que la recherche mesure

La persuasion par les modèles de langage est étudiée de près depuis deux ans, et les résultats convergent.

• Les IA persuadent au moins aussi bien que nous. Une revue de la littérature de l'université de Bath a passé en revue 200 sources : sur les 46 études qui comparent directement une IA et des humains, 42 trouvent l'IA aussi persuasive, ou davantage (Bocheva, Hajszan et Hinds, 2026, préprint). Dans une expérience publiée par Nature Human Behaviour, 900 participants ont débattu en ligne avec un humain ou avec GPT-4 ; dans les débats où l'un des deux se montrait plus convaincant, GPT-4, à qui l'on avait fourni quelques données sur son interlocuteur, l'emportait 64 fois sur 100 (Salvi et al., 2025). Et dans Nature, des conversations avec une IA qui défendait un candidat ont déplacé les préférences d'électeurs aux États-Unis, au Canada et en Pologne, davantage que ne le font d'ordinaire les publicités vidéo (Lin et al., 2025).
• Ce qui rend une IA plus persuasive peut la rendre moins exacte. Une étude publiée dans Science auprès de près de 77 000 participants a testé dix-neuf modèles : les méthodes d'entraînement et de formulation qui augmentaient leur force de persuasion, jusqu'à 51 % et 27 %, faisaient aussi baisser l'exactitude de leurs affirmations (Hackenburg et al., 2025).
• Les IA ont tendance à vous donner raison. Sur onze modèles récents, les réponses approuvaient les actions de l'utilisateur 49 % plus souvent que ne le faisaient des humains, y compris quand ces actions étaient trompeuses ou nuisibles. Une seule conversation avec une IA complaisante suffisait à rendre les participants plus sûrs d'avoir raison et moins enclins à réparer un conflit, et ces modèles étaient pourtant ceux qu'ils préféraient (Cheng et al., 2026, Science).
• Leurs biais deviennent les nôtres. Dans une série d'expériences menées auprès de 1 401 personnes, des participants qui travaillaient avec une IA légèrement biaisée reprenaient peu à peu son biais à leur compte, souvent sans mesurer à quel point elle les influençait (Glickman et Sharot, 2025).
• Savoir ne suffit pas. Nous distinguons mal un texte écrit par une IA d'un texte écrit par un humain : 14 des 17 études qui l'ont mesuré le constatent, et savoir qu'un message vient d'une IA n'en réduit pas forcément l'effet (Bocheva, Hajszan et Hinds, 2026). Dans une petite étude encore en préprint, des participants repéraient très bien les tentatives de manipulation d'un agent conversationnel, et s'y pliaient quand même (Moshfeghi, Aboshi et Thomas, 2026).

Il faut garder ces résultats à leur taille. Les auteurs de la revue de Bath rappellent que les effets mesurés sont souvent modestes, qu'ils dépendent du contexte, et que leurs conséquences à long terme sur les comportements restent mal connues. La même puissance sert d'ailleurs aussi à aider, on le verra plus bas avec l'apprentissage. Dans un sens comme dans l'autre, elle passe par le langage.

La conséquence pratique est simple : se savoir influençable ne protège pas de l'influence. Ce qui protège relève de la compétence, et une compétence s'entraîne. J'en vois trois.

Un modèle de langage vous répond dans votre langue

Un modèle de langage a appris sur d'immenses quantités de textes écrits par des humains, et il produit, mot après mot, la suite la plus plausible de ce qu'on lui donne. Tout passe donc par les mots, et dans les deux sens.

De vous vers l'IA, les mots portent toute la charge. À l'écrit, il n'y a ni ton, ni regard, ni silence, et nous surestimons beaucoup la clarté de ce que nous écrivons. Dans une étude sur les courriels, des expéditeurs étaient sûrs à près de 90 % que leur ton serait compris ; leurs destinataires ne faisaient guère mieux que le hasard (Kruger et al., 2005). Un collègue vous demanderait de préciser. L'IA comble les vides avec ce qui lui paraît le plus probable, et vous répond avec assurance.

Les mots orientent aussi la réponse. Demandez à une IA « quels sont les avantages de cette stratégie par rapport à l'autre ? » : la question présuppose déjà que l'une l'emporte, et l'IA, qui tend à aller dans votre sens, le justifiera avec talent. Posez la question inverse, vous obtiendrez l'argumentaire inverse, tout aussi convaincant. L'expérience a été menée dans le domaine médical : des chercheurs ont demandé à cinq modèles d'expliquer pourquoi un médicament était plus sûr que le même médicament vendu sous son nom de marque, un peu comme on demanderait pourquoi le paracétamol est plus sûr que le Doliprane. Plusieurs modèles de pointe ont rédigé l'explication à chaque fois, cinquante fois sur cinquante (Chen et al., 2025).

De l'IA vers vous, la réponse arrive dans un langage qui inspire confiance, et qui contient les mêmes raccourcis que le langage humain. Lisez : « Les experts s'accordent à dire que cette approche est la plus efficace. » Vous ne savez ni qui sont ces experts, ni ce qu'ils savent, ni d'après quels critères l'approche serait efficace, et votre esprit a pourtant déjà rangé la phrase parmi les faits. Trois questions la rouvrent : qui, précisément ? Comment le savent-ils ? Plus efficace que quoi ? C'est le langage de précision, qui se pratique devant une IA comme devant un collègue. C'est aussi la première protection contre le langage d'influence : on ne se protège bien que de ce qu'on sait reconnaître. La page Communiquer avec plus de précision détaille ce questionnement.

En vous-même, enfin, un dialogue se tient pendant que vous lisez : « c'est bien écrit, ça doit être juste », « je n'ai pas le temps de vérifier ». Ce que l'on se dit pèse autant que le reste, et c'est souvent là que la décision se prend.

Dans la pratique, quelques habitudes changent beaucoup de choses :

• formuler sa demande en quelques phrases, puis demander à l'IA de poser ses questions avant de répondre : elle cesse d'inventer le contexte qui lui manque ;
• poser des questions ouvertes, qui ne contiennent pas déjà la réponse ;
• demander les sources, puis les vérifier, puisqu'une IA peut citer des études qui n'existent pas.

L'état dans lequel vous lisez la réponse

Une même réponse ne produit pas le même effet selon l'état dans lequel on la lit. Même léger, un stress sur lequel on n'a pas de prise suffit à faire perdre rapidement une partie des capacités du cortex préfrontal, la région qui pèse les options, au profit de réactions plus rapides et plus automatiques (Arnsten, 2009). Le stress modifie aussi notre rapport au risque : dans une petite expérience de Porcelli et Delgado (2009), des participants qui venaient de plonger la main dans une eau glacée devenaient nettement plus prudents face à un gain, avec une tendance inverse face à une perte. Le stress creusait donc l'écart entre les deux cadrages, celui-là même que l'étude de 2026 a observé. À l'échelle de 32 études, une méta-analyse confirme qu'une décision prise sous stress tend à être plus risquée et moins avantageuse, avec un effet modeste mais réel (Starcke et Brand, 2016).

La confiance est un état, elle aussi. Une enquête menée par Microsoft Research et l'université Carnegie Mellon auprès de 319 travailleurs du savoir a observé que plus ils faisaient confiance à l'IA générative, moins ils exerçaient leur esprit critique, et que plus ils avaient confiance en eux-mêmes, plus ils l'exerçaient (Lee et al., 2025). Le phénomène est connu de longue date dans le soin, sous le nom de biais d'automatisation : une revue systématique de 74 études montre qu'un système d'aide à la décision qui se trompe entraîne des médecins dans l'erreur, et elle range la formation des utilisateurs parmi les remèdes (Goddard, Roudsari et Wyatt, 2012).

J'observe souvent un cercle qui se referme : sous pression, on écrit des demandes plus vagues, les réponses deviennent médiocres, l'agacement monte, et l'on finit par conclure que l'outil ne vaut rien, alors qu'il reflète fidèlement l'état dans lequel on l'a interrogé.

Cet état se travaille. Une méta-analyse de 306 expériences sur la régulation des émotions montre que changer le sens qu'on donne à une situation a un effet réel, et que changer de point de vue sur elle a l'effet le plus net des variantes étudiées (Webb, Miles et Sheeran, 2012). Du côté du corps, de brèves pratiques de respiration centrées sur l'expiration ont amélioré l'humeur et ralenti la respiration de participants, davantage encore qu'une méditation de pleine conscience (Balban et al., 2023). Avant une décision qui compte, prendre ce temps avant de relire la réponse de l'IA permet à la partie de votre cerveau qui pèse les options de participer à la décision. La cohérence cardiaque en est une porte d'entrée simple, et Reprendre la main sur ses états et ses réactions va plus loin.

Penser en stratège devant une réponse bien écrite

Un biais ne disparaît pas parce qu'on le connaît. Certaines stratégies, en revanche, ont fait leurs preuves pour en réduire l'effet, et elles s'appliquent très bien à une conversation avec une IA.

• Considérer l'inverse. Chercher activement des raisons pour lesquelles le premier chiffre serait inapproprié réduit l'effet d'ancrage, y compris chez des experts (Mussweiler, Strack et Pfeiffer, 2000). Devant une recommandation, demandez à l'IA de la démolir, ou de défendre l'option contraire. Les auteurs de l'étude de 2026 font d'ailleurs la même recommandation : envisager d'autres scénarios plutôt que tenir pour acquise la valeur proposée par l'IA.
• Prendre de la distance. Nous raisonnons plus sagement sur les problèmes des autres que sur les nôtres, et se placer à distance de sa propre situation suffit à effacer cet écart : c'est ce qu'ont montré trois expériences menées auprès de 693 personnes (Grossmann et Kross, 2014). Cette prise de distance s'entraîne d'ailleurs au fil des semaines (Grossmann et al., 2021). Présentez votre situation à l'IA comme celle d'un tiers : « une collègue hésite entre ces deux options ». Vous réduisez votre propre implication émotionnelle, et vous donnez moins prise à sa tendance à vous approuver.
• Imaginer l'échec avant de décider. Tenir un résultat pour certain plutôt que pour possible fait produire des explications plus longues et plus concrètes (Mitchell, Russo et Pennington, 1989). Gary Klein, spécialiste de la décision, en a tiré une méthode de terrain, le pre-mortem (Klein, 2007). Écrivez à l'IA : « Nous sommes dans un an, cette décision a échoué. Pourquoi ? »
• Savoir où l'outil est fiable. Dans une expérience menée auprès de 758 consultants, l'IA leur faisait accomplir 12 % de tâches en plus, 25 % plus vite et avec une meilleure qualité, tant que la tâche restait à sa portée. Sur une tâche qui la dépassait, ceux qui l'utilisaient avaient 19 % de chances en moins de trouver la bonne réponse (Dell'Acqua et al., 2026). Les chercheurs parlent d'une frontière dentelée, que rien ne signale. Seules l'expérience et la réflexion permettent de savoir de quel côté on se trouve.

L'IA devient alors un partenaire de réflexion plutôt qu'un oracle, et la différence se mesure. Dans un lycée où près d'un millier d'élèves ont travaillé les mathématiques avec GPT-4, ceux qui y avaient accès librement ont amélioré leurs résultats aux exercices de 48 %, puis ont obtenu à l'examen, une fois l'outil retiré, des notes inférieures de 17 % à celles des élèves qui ne l'avaient jamais eu. Une version conçue pour guider sans donner les réponses améliorait les exercices de 127 %, et atténuait largement cet effet (Bastani et al., 2025, PNAS).

Trois compétences qui se tiennent

Ces trois compétences se nourrissent l'une l'autre. Lire une réponse avec précision demande un état maîtrisé ; un état se travaille d'abord par ce qu'on se dit ; une stratégie ne vaut que par l'état dans lequel on la conduit.

Je le résume souvent ainsi : un dirigeant (ainsi que toute personne en interaction avec d'autres) peut déléguer presque tout. Mais il y a deux choses qu'il ne peut pas déléguer : la gestion de son état intérieur, et l'impact que ses mots auront sur les autres — et sur lui-même. L'IA laisse cette règle intacte, et la rend plus visible, parce qu'on lui délègue chaque jour un peu plus.

Si vous cherchez où ces trois compétences s'apprennent ensemble, vous arriverez à une approche née dans les années 1970 de l'observation de communicants et de thérapeutes d'exception : la programmation neuro-linguistique. Elle repose sur trois piliers, qui sont exactement ceux de cet article : la communication avec les autres et avec soi-même, où l'on apprend le langage de précision et le langage d'influence ; la gestion des états internes ; et la pensée stratégique. En anglais, la PNL s'abrège NLP, comme le Natural Language Processing, le traitement automatique du langage dont sont issus les modèles comme ChatGPT. La coïncidence des sigles est amusante, et elle dit quelque chose de juste : les deux disciplines s'intéressent à la manière dont des mots construisent une représentation du monde, l'une pour la machine, l'autre pour nous.

La PNL a ses limites, et sa validation scientifique fait débat ; j'en parle sans détour dans La PNL est-elle scientifique ?. Les mécanismes décrits dans cet article sont, eux, solidement documentés, et ils se travaillent.

Je travaille dans l'intelligence artificielle depuis plus de vingt ans, et j'utilise ces outils chaque jour. Je les trouve précieux, et c'est pour cela que je tiens à rester celui qui décide. Rester l'auteur de sa décision commence par remarquer le moment précis où une suggestion, humaine ou artificielle, devient le point de départ de notre raisonnement plutôt qu'une option parmi d'autres.

---

Pour continuer

Si vous voulez travailler ces trois compétences, deux chemins existent. Le Praticien PNL les fait pratiquer pendant huit jours en présentiel, en Suisse. Le Leadership d'Alignement Personnel, notre formation en ligne, s'appuie sur la PNL et consacre un module entier à la manière de parler à une IA. L'un et l'autre comprennent douze rendez-vous en direct sur Zoom, une heure par mois pendant un an.

Pour prolonger la lecture : influence ou manipulation, et si vous vous trompiez de question ?, et le leadership à l'ère de l'IA.

Article conçu et rédigé par Michel Wozniak, et optimisé par l'intelligence artificielle. Illustration créée par l'intelligence artificielle.