Vérifier une réponse de ChatGPT, Gemini ou Claude avec une procédure en 6 étapes

Votre objectif est de transformer une réponse produite par ChatGPT, Gemini, Claude ou un autre assistant en contenu vérifiable avant de l’utiliser. Le niveau est débutant à intermédiaire. La méthode convient à une note de synthèse, une publication, un courrier, une analyse ou un extrait de code, mais elle doit être renforcée dès que les conséquences deviennent importantes.

Une IA générative produit du texte en calculant des suites probables à partir de son modèle et du contexte fourni. Elle peut formuler une réponse plausible sans disposer d’une preuve fiable. Une « hallucination » désigne ici une information inventée, déformée ou présentée avec une assurance injustifiée. La fluidité du style ne permet pas de détecter ce problème.

Étape 1 : classer le niveau de risque de la réponse

Le niveau de vérification doit dépendre des conséquences d’une erreur. Une proposition de titre réversible ne demande pas le même contrôle qu’une procédure de cybersécurité, une information médicale, un calcul financier ou une interprétation juridique.

Niveau	Exemple	Contrôle minimal
Faible	Idées de titres ou reformulation interne	Relecture, cohérence et respect du ton
Modéré	Article public, comparaison d’outils, tutoriel	Vérification des faits, sources, dates et limites
Élevé	Sécurité, santé, droit, finance ou décision importante	Sources de référence et validation par une personne compétente

L’assistant ne remplace pas un professionnel qualifié dans les domaines à fort enjeu. Si une erreur peut affecter la sécurité, les droits, la santé ou une somme importante, considérez la réponse comme une première matière à examiner, pas comme une décision finale.

Étape 2 : découper le texte en affirmations vérifiables

Une affirmation vérifiable est une proposition qui peut être confirmée ou réfutée par une source, un calcul, un test ou une observation. Séparez les faits des recommandations et des hypothèses.

Utilisez trois étiquettes :

• Fait : « ce protocole utilise tel code de statut » ;
• Recommandation : « il est préférable d’activer cette option » ;
• Hypothèse : « cette baisse pourrait venir d’un changement de comportement ».

Une recommandation doit indiquer ses critères et ses contraintes. Une hypothèse doit rester formulée comme telle. Cette classification empêche une possibilité vraisemblable de devenir un fait dans la version finale.

Vous pouvez demander à l’IA de préparer le travail avec ce prompt : « Extrais les affirmations factuelles de ta réponse dans un tableau. Pour chacune, indique si elle dépend d’une date, d’une version, d’un pays ou d’une hypothèse. Ne crée aucune source. » Ce tableau aide à organiser le contrôle, mais il doit lui-même être relu.

Étape 3 : contrôler les sources sans faire confiance aux citations seules

Une citation fournie par un modèle peut être incomplète, mal attribuée ou inexistante. Ouvrez chaque lien, vérifiez que la page existe et recherchez le passage qui soutient réellement l’affirmation.

Privilégiez les sources primaires : documentation officielle d’un logiciel, texte réglementaire, publication originale, dépôt GitHub du projet ou page de l’organisme responsable. Une source secondaire peut expliquer le sujet, mais ne remplace pas toujours le document d’origine.

1. Identifier l’auteur ou l’organisme.
2. Vérifier le titre, l’adresse et la date.
3. Lire le passage dans son contexte.
4. Confirmer qu’il traite exactement de l’affirmation.
5. Rechercher une version plus récente si le sujet évolue.

Deux pages qui reprennent la même erreur ne forment pas deux confirmations indépendantes. Cherchez l’origine de l’information et distinguez les contenus qui se citent mutuellement.

Étape 4 : vérifier dates, versions et périmètres

Les tarifs, interfaces, modèles d’IA, bibliothèques de code, algorithmes de plateforme et règles peuvent évoluer. Toute affirmation relative à ces éléments doit comporter une date ou une version vérifiable.

Contrôlez notamment :

• le nom exact de l’offre ou du modèle ;
• la date de mise à jour de la documentation ;
• le pays et la devise pour un tarif ;
• la version d’un langage, d’une extension ou d’une API ;
• le contexte juridique ou réglementaire applicable.

Si l’information ne peut pas être confirmée, retirez-la ou reformulez-la avec une limite explicite. Écrire « cette option est disponible dans toutes les offres » exige une vérification plus forte que « vérifiez la disponibilité de cette option dans votre offre actuelle ».

Étape 5 : tester les calculs, le code et les procédures

Un calcul doit être repris indépendamment avec ses données et sa formule. Vérifiez les unités, pourcentages, arrondis et dénominateurs. Demander au même modèle de « revérifier » n’est pas un contrôle indépendant : il peut répéter le même raisonnement.

Pour du code, utilisez un environnement isolé, des données fictives et les versions annoncées. Lisez les dépendances, les droits demandés et les traitements d’erreur. Ne lancez pas une commande inconnue avec des privilèges administrateur et ne collez jamais une clé API réelle dans une conversation ou un dépôt public. Une API est une interface qui permet à des logiciels d’échanger des requêtes et des données.

Pour une procédure, exécutez les étapes sur une copie ou un environnement de test lorsque c’est possible. Vérifiez les prérequis, le résultat attendu, la possibilité de retour arrière et les conséquences d’un échec.

Ajouter des critères d’acceptation

Un critère d’acceptation décrit le résultat observable qui permet de valider une production. Pour un article, il peut imposer que chaque chiffre comporte une source et une date. Pour un script, il peut exiger un message d’erreur clair en cas de panne réseau. Pour un résumé, il peut demander que chaque point soit retrouvé dans le document fourni.

Ces critères ne rendent pas l’IA fiable par magie. Ils rendent les erreurs plus faciles à détecter et facilitent la décision humaine.

Étape 6 : consigner la décision humaine

À la fin du contrôle, classez chaque élément : validé, corrigé, supprimé ou à confirmer. Notez la source retenue et la date de consultation pour les informations susceptibles d’évoluer.

Une fiche de contrôle peut contenir les colonnes suivantes :

• affirmation ou extrait ;
• niveau de risque ;
• type : fait, recommandation ou hypothèse ;
• source ou méthode de test ;
• date et version ;
• décision finale ;
• personne responsable de la validation.

Cette traçabilité est particulièrement utile lorsqu’un texte est publié, lorsqu’une équipe réutilise la réponse ou lorsqu’une automatisation intervient dans le processus.

Protéger les données pendant la vérification

Ne transmettez pas de mots de passe, clés API, données de clients, documents confidentiels ou informations sensibles sans base légitime et sans comprendre les conditions du service. La suppression des noms ne suffit pas toujours à anonymiser un document : le contexte peut permettre une réidentification.

Réduisez les données au strict nécessaire, remplacez les exemples réels par des cas fictifs et consultez les réglages de conservation proposés par l’outil. Pour un usage professionnel, vérifiez les règles internes, les engagements contractuels du fournisseur et les exigences liées au RGPD avec les personnes compétentes.

Créer un prompt qui facilite le contrôle

Un prompt est l’instruction donnée au modèle. Un bon prompt ne garantit pas une réponse exacte, mais il peut rendre l’incertitude plus visible. Exemple réutilisable :

« Réponds en séparant : 1) faits vérifiables, 2) recommandations, 3) hypothèses, 4) informations qui dépendent d’une date ou d’une version. N’invente aucune citation. Lorsque tu ne peux pas vérifier un point, indique clairement “à confirmer”. Termine par une liste de contrôles à effectuer par une personne. »

Demandez aussi au modèle de signaler les données manquantes plutôt que de les compléter. Si une date, un pays ou une version modifie la réponse, il doit les demander ou présenter plusieurs scénarios explicitement conditionnels.

Actions prioritaires à retenir

1. Évaluer les conséquences possibles d’une erreur.
2. Extraire et classer les affirmations.
3. Ouvrir les sources et vérifier les passages pertinents.
4. Contrôler les dates, versions, pays et périmètres.
5. Recalculer et tester indépendamment dans un environnement sûr.
6. Consigner ce qui est validé, corrigé ou rejeté.

Le bon réflexe n’est ni de croire systématiquement l’IA ni de rejeter toutes ses réponses. Il consiste à adapter le contrôle au risque, à rechercher des preuves indépendantes et à conserver une responsabilité humaine claire.

FAQ sur la vérification des réponses d’une IA

Demander des sources à l’IA suffit-il ?

Non. Il faut ouvrir chaque source, vérifier son existence, son actualité et le passage qui soutient l’affirmation.

Une réponse identique obtenue avec deux modèles est-elle fiable ?

Pas nécessairement. Les modèles peuvent reproduire la même information erronée. Une source indépendante ou un test reste nécessaire.

Comment vérifier un résumé de document ?

Exigez que chaque point renvoie à une section ou un extrait du document, puis contrôlez ces correspondances. Évitez de valider un résumé uniquement sur sa fluidité.

Peut-on automatiser toute la vérification ?

Certains contrôles peuvent être assistés, comme la détection de dates ou l’exécution de tests. La décision finale et les cas ambigus doivent conserver un point de contrôle humain, surtout lorsque le risque est élevé.