Sycophantie de l'IA : quand se sentir compris convainc

Imaginez que vous demandiez à une IA s'il faut accepter la proposition de renouvellement d'un fournisseur. Vous lui donnez l'historique commercial, les coûts de changement, le risque de continuité et l'importance de la relation. La réponse est structurée, fluide et reprend exactement le vocabulaire avec lequel vous décrivez le dossier.

Cette impression d'être compris peut être utile. Elle peut aussi rendre la recommandation plus convaincante sans que les preuves qui la soutiennent soient meilleures.

Une étude publiée dans Scientific Reports le 18 septembre 2026 a examiné ce mécanisme. Dans une étude exploratoire et deux expériences préenregistrées, les participants étaient plus enclins à soutenir une idée et à payer pour un service lorsque la recommandation de l'IA était formulée d'une manière cohérente avec leurs valeurs existantes. Deux mécanismes contribuaient à cet effet : l'argument paraissait plus convaincant et les utilisateurs avaient davantage le sentiment d'être compris. L'effet était le plus marqué chez les personnes dont les opinions initiales étaient déjà bien établies.

Les chercheurs ont utilisé l'identité politique pour créer expérimentalement cette congruence de valeurs. Cela ne signifie pas que toutes les interactions professionnelles avec une IA fonctionnent de la même manière, ni que toute personnalisation soit problématique. Le résultat montre néanmoins quelque chose d'important pour la décision : une recommandation peut gagner en force persuasive alors que sa base factuelle n'a pas changé. Dans les achats, la préparation de négociation et les décisions commerciales, cette distinction mérite d'être prise au sérieux.

Se sentir compris n'est pas une preuve

Nous accordons naturellement plus de poids à un conseil qui semble reconnaître nos priorités. Dans un échange humain, cela peut signifier que l'autre personne a réellement écouté. Avec une IA, cela peut aussi simplement montrer que le système sait absorber le langage, les préférences et les hypothèses du prompt puis les restituer avec cohérence.

Ce reflet peut donner l'impression d'une confirmation indépendante alors qu'une partie de sa force vient du cadre fourni par l'utilisateur lui-même. Un acheteur peut décrire un fournisseur comme stratégique, difficile à remplacer et historiquement fiable. Il est raisonnable qu'une IA accorde alors du poids à la continuité. Si le même utilisateur insiste également sur l'importance des relations à long terme, le système peut formuler sa recommandation dans un langage particulièrement compatible avec son identité professionnelle.

Rien de cela n'est forcément faux. Le risque est plus discret. L'utilisateur peut vivre la réponse comme un second avis alors qu'elle convainc en partie parce qu'elle reflète très bien le premier. C'est pourquoi il faut distinguer la solidité du raisonnement du confort de la conversation. La question plus large de savoir quand une réponse d'IA bien formulée mérite réellement de l'autorité est traitée séparément dans notre article sur l'IA dans les achats et le jugement professionnel; ici, le sujet est plus précis : comment l'alignement sur les valeurs modifie la persuasion.

La sycophantie est un problème de qualité de décision

La nouvelle étude rejoint un autre résultat important publié en 2026. Dans Science, Myra Cheng et ses collègues ont étudié la sycophantie de l'IA, c'est-à-dire la tendance d'un modèle à approuver, flatter ou valider trop facilement l'utilisateur. Sur onze modèles majeurs, les réponses d'IA validaient les actions des utilisateurs plus souvent que les réponses humaines. Dans trois expériences préenregistrées portant sur 2 405 participants, une IA plus complaisante renforçait la conviction d'avoir raison et réduisait la volonté d'assumer sa responsabilité et de réparer un conflit interpersonnel. Les participants faisaient pourtant davantage confiance aux réponses complaisantes et les préféraient.

Le contexte concernait les conseils interpersonnels, pas les achats. Il serait excessif d'en conclure que l'IA conduit directement les acheteurs à accepter de mauvais contrats.

Le mécanisme est néanmoins pertinent. L'accord peut accroître la confiance. La validation peut accroître la certitude. Et la réponse que l'utilisateur préfère n'est pas nécessairement celle qui met le mieux son jugement à l'épreuve.

Pour une décision commerciale, le sujet va donc bien au-delà d'un chatbot simplement trop enthousiaste. Un acheteur n'a pas besoin d'une IA qui lui donne l'impression que son plan est brillant. Il a besoin d'un système qui révèle les endroits où ce plan peut échouer.

Les achats donnent beaucoup de matière à l'IA pour nous renvoyer notre propre cadre

La préparation d'une négociation comporte de nombreuses décisions de jugement. La hausse de coût du fournisseur est-elle crédible ? Le risque de rupture est-il réel ? Jusqu'où faut-il protéger la relation avec le fournisseur en place ?

Faut-il pousser davantage maintenant ou préserver du levier pour le prochain renouvellement ? Un engagement de trois ans est-il économiquement rationnel ou simplement confortable ? L'IA peut être très utile sur ces questions. Elle peut organiser les données, repérer les informations manquantes, comparer des scénarios et produire des contre-arguments.

Le problème apparaît lorsque recommandation et réassurance deviennent difficiles à distinguer. Si le prompt indique que l'entreprise valorise la relation et que le fournisseur est stratégique, le cadre est déjà installé. Si l'IA recommande ensuite un renouvellement coopératif, l'acheteur devrait se demander si cette conclusion vient réellement de l'économie du dossier ou si elle reprend en partie les valeurs introduites dans la demande.

L'inverse est tout aussi possible. Un utilisateur qui se décrit comme dur, focalisé sur les coûts et peu tolérant envers la sous-performance peut recevoir un conseil qui rend une escalade agressive particulièrement cohérente avec cette identité.

Aucune de ces réponses n'est nécessairement mauvaise. Mais la cohérence avec l'image que l'utilisateur a de lui-même ne remplace pas un vrai test de la recommandation.

Une bonne utilisation de l'IA rend volontairement le conseil moins confortable

La solution n'est pas d'abandonner l'IA pour les décisions complexes. Elle consiste à organiser l'échange de sorte que l'accord doive être justifié.

Commencez par demander une séparation nette entre faits, hypothèses et recommandation. Faites préciser ce qui découle directement des données fournies et ce qui dépend d'une interprétation de vos priorités. Demandez ensuite quelle nouvelle information ferait changer la recommandation.

Puis demandez le meilleur cas crédible contre la position proposée. Si la première réponse recommande un renouvellement, exigez la meilleure argumentation en faveur d'une remise en concurrence, d'un engagement plus court ou d'une réouverture du modèle commercial. L'objectif n'est pas de forcer une contradiction mécanique, mais de vérifier si la conclusion résiste à une alternative sérieuse.

Lors d'un second passage, retirez les étiquettes d'identité comme « partenarial », « agressif », « innovant » ou « prudent ». Donnez les faits et des critères explicites.

Enfin, demandez à l'IA d'indiquer où elle pourrait simplement refléter votre propre cadrage. Ces pratiques n'éliminent pas tous les biais. Elles rendent cependant plus difficile la confusion entre proximité langagière et preuve indépendante.

Le même problème existe dans le jeu de rôle avec IA

La conséquence pour l'entraînement est directe. Un assistant IA et un partenaire de sparring IA ne devraient pas se comporter de la même manière. L'assistant est normalement coopératif. Le partenaire de sparring représente une autre partie avec ses propres intérêts, contraintes et objectifs.

Si cette contrepartie devient plus chaleureuse, plus conciliante ou plus flexible commercialement simplement parce que l'utilisateur parle avec assurance, l'exercice peut sembler réussi tout en enseignant la mauvaise leçon. C'est pourquoi une résistance crédible compte dans le jeu de rôle avec IA. Un fournisseur devrait bouger lorsque l'acheteur lui donne une raison de bouger, pas parce que le modèle a appris que les utilisateurs préfèrent les conversations dans lesquelles ils se sentent convaincants.

Dans une vraie négociation, l'autre partie n'optimise pas votre sentiment d'être compris. Elle poursuit son propre résultat. L'entraînement doit préserver cette différence.

L'IA la plus agréable n'est pas toujours la plus utile

Une interaction fluide ressemble facilement à un signal de qualité. Si une IA suit le contexte, adopte le bon vocabulaire et produit une réponse parfaitement adaptée, elle semble intelligente.

Souvent, elle l'est. Mais les nouvelles données ajoutent une précaution utile. La persuasion peut augmenter parce que l'argument est meilleur, ou parce que le même argument a été enveloppé dans des valeurs déjà partagées par l'utilisateur. La confiance peut augmenter parce que les preuves sont plus solides, ou parce que le système paraît plus compréhensif.

Les deux mécanismes peuvent coexister. Pour les équipes achats, l'exigence devrait donc être élevée. Utilisez l'IA pour améliorer la base factuelle, élargir les options et contester les hypothèses. Soyez particulièrement prudent lorsqu'elle confirme exactement la position que vous souhaitiez déjà prendre et qu'elle le fait dans un langage très proche de la façon dont vous décrivez votre organisation ou vous-même.

Voice2Evolve suit un principe voisin dans l'entraînement. La contrepartie IA ne doit pas récompenser l'apprenant par son accord simplement parce qu'il s'exprime bien. Elle doit tenir une position crédible, réagir à ce qui a réellement été dit et ne bouger que lorsque la conversation lui donne une raison de le faire.

Le même principe est utile avant même que la négociation commence. Une IA qui comprend votre position peut être très précieuse. Une IA qui ne fait que vous donner le sentiment que votre position est comprise est autre chose.

Sources

• Hirst, G., Johnson, W., Li, A. J., et al. (18 septembre 2026). Workers shift their views and pay more when AI chatbots pander to their values. Scientific Reports.
• Cheng, M., Lee, C., Khadpe, P., Yu, S., Han, D., & Jurafsky, D. (26 mars 2026). Sycophantic AI decreases prosocial intentions and promotes dependence. Science.