Pourquoi une IA préfère inventer une réponse plutôt que de dire "je ne sais pas"

Demandez à un chatbot une information très précise et obscure, par exemple la date de naissance exacte d'une personne peu connue. Il y a de fortes chances qu'il vous donne une date, avec assurance. Une date fausse. Ce n'est pas qu'il essaie de vous tromper. C'est que, mathématiquement, deviner lui rapporte plus qu'admettre son ignorance. OpenAI l'a démontré noir sur blanc dans ses propres recherches.

Dans cet article :

• L'exemple de l'examen à choix multiples
• La preuve qu'OpenAI a testée sur son propre auteur
• D'où vient vraiment cette habitude
• Ce qu'OpenAI propose pour corriger le tir
• Ce qu'il faut en retenir
• Questions fréquentes

L'exemple de l'examen à choix multiples

Imaginez un examen où une bonne réponse rapporte un point, une mauvaise réponse n'en coûte aucun, et une case laissée vide ne rapporte, elle non plus, strictement rien. Quelle est la meilleure stratégie, même sans rien savoir ? Toujours répondre au hasard. On ne perd rien à se tromper, et on gagne parfois un point par chance. Laisser la case vide, à l'inverse, garantit un score nul, ni pire ni meilleur qu'une mauvaise réponse.

C'est très exactement la situation dans laquelle se trouve un modèle de langage pendant son évaluation. La plupart des tests utilisés pour mesurer et classer les IA notent une réponse fausse et un "je ne sais pas" de façon identique : zéro. Deviner devient alors, du point de vue purement mathématique de l'entraînement, la meilleure stratégie possible.

La preuve qu'OpenAI a testée sur son propre auteur

Dans une étude publiée en 2025, des chercheurs d'OpenAI ont voulu vérifier cette idée avec un exemple très concret : ils ont demandé à un assistant IA très utilisé le sujet exact de la thèse de doctorat de l'un des auteurs de l'étude lui-même. Le modèle a donné trois réponses différentes, à trois tentatives différentes. Aucune n'était la bonne. Il n'a, à aucun moment, répondu qu'il l'ignorait.

L'explication tient au raisonnement de l'examen à choix multiples. Sur une question aussi précise, deviner une date ou un titre a une petite chance de tomber juste. Répondre "je ne sais pas" a, elle, une chance nulle d'être comptée comme juste. Répété sur des milliers de questions d'entraînement, ce calcul pousse le modèle à préférer, presque systématiquement, une réponse assurée à une honnête incertitude.

D'où vient vraiment cette habitude

On pourrait croire qu'il suffirait de mieux entraîner les modèles pour corriger ce défaut une bonne fois pour toutes. Ce n'est pourtant pas si simple. Le problème ne vient pas d'un raté isolé dans l'entraînement, mais de la façon dont presque tous les grands classements et benchmarks utilisés pour comparer les modèles sont eux-mêmes construits : ils récompensent l'exactitude brute, jamais la prudence honnête. Un modèle qui admettrait plus souvent son ignorance obtiendrait, sur ces mêmes classements, un moins bon score qu'un modèle qui devine sans relâche, même si le premier est, dans les faits, plus digne de confiance.

Ce qu'OpenAI propose pour corriger le tir

La piste que propose l'étude ressemble, elle aussi, à un examen : pénaliser une mauvaise réponse assurée plus lourdement qu'un "je ne sais pas", un peu comme un barème à points négatifs pour les erreurs. Dans ce genre de système, deviner à l'aveugle devient risqué, et admettre une lacune redevient la meilleure stratégie, y compris pour un modèle purement rationnel, sans aucune notion de sincérité.

L'idée n'a rien d'anecdotique pour l'étude : elle plaide pour intégrer ce type de barème directement dans les grands classements utilisés par toute l'industrie, plutôt que de le réserver à des tests séparés spécifiquement dédiés à l'honnêteté des modèles.

Ce qu'il faut en retenir

Une IA qui invente une réponse plutôt que d'admettre son ignorance n'est pas malhonnête au sens humain du terme. Elle applique, sans le savoir, la stratégie mathématiquement la plus payante face à un système de notation qui ne récompense jamais la prudence. Tant que les classements utilisés pour évaluer et entraîner les modèles continueront de noter une erreur assurée et un aveu d'ignorance de la même façon, deviner restera, pour une IA, le choix le plus rationnel.