Reformuler un brouillon, « améliorer » un message, expliquer un post : ces micro-services d'IA générative désormais greffés aux réseaux sociaux ne se contentent pas de polir le style. Une étude de l'université d'Oxford, acceptée à la conférence ICML 2026, montre par la simulation que ces suggestions introduisent des biais politiques discrets, susceptibles de se propager dans le réseau et de faire basculer l'opinion collective — sans que personne ne s'en aperçoive.

Un intermédiaire invisible entre les internautes

L'idée de départ de l'étude, intitulée AI-Mediated Communication Can Steer Collective Opinion, est simple : un nombre croissant de nos échanges en ligne passent désormais par une couche d'IA. Fonctions « réécris ce brouillon », correcteurs conversationnels, résumés automatiques, ou encore l'outil « Explain this post » de X : à chaque étape, un modèle de langage s'intercale entre ce que nous voulons dire et ce que les autres liront, et entre ce qu'ils ont écrit et ce que nous en percevons.

Les chercheurs de l'Oxford Internet Institute, dont Sandra Wachter, Brent Mittelstadt et Chris Russell, avec des collègues du Hasso Plattner Institute de Potsdam, ont voulu savoir ce que cet intermédiaire fait subir aux contenus qu'il transforme. Leur travail combine trois briques : un test empirique des biais de plusieurs modèles, une modélisation mathématique de la dynamique des opinions, et une simulation sur des données réelles de réseaux sociaux, complétée par un audit d'une fonction déployée en production sur X. C'est cette architecture qui donne son poids à l'article relayé par Next.

Tous les modèles testés penchent d'un côté

Première étape : mesurer si les modèles introduisent un biais quand on leur demande simplement d'« améliorer » un texte humain. L'équipe a passé au crible quatre familles de modèles ouverts populaires — Llama 3.1, Gemma 3, Ministral et Qwen — sur 13 sujets politiquement clivants, du contrôle des armes à feu à l'avortement en passant par l'athéisme, la peine de mort, la légalisation du cannabis ou le féminisme.

Le résultat est net : tous les modèles étudiés introduisent un biais directionnel lorsqu'ils réécrivent des publications rédigées par des humains. Selon le communiqué de l'Oxford Internet Institute, les réécritures penchent en moyenne en faveur du contrôle des armes, de la légalisation du cannabis et du féminisme, et en défaveur de l'athéisme et de la peine de mort.

Détail troublant, ce biais d'écriture ne recoupe pas toujours l'opinion « affichée » du modèle quand on l'interroge directement. Sur l'athéisme, les modèles expriment une position plutôt favorable en conversation, mais introduisent des biais à son encontre au moment de peaufiner un post. Autrement dit, la façon dont une IA vous aide à formuler une idée peut trahir une orientation différente de celle qu'elle revendique si on la lui demande de front — un point souvent invisible pour l'utilisateur, qui ne voit passer qu'une version « propre » de son message.

De la nuance individuelle au basculement collectif

Un biais minuscule sur un post isolé ne pèse rien. Le cœur de la démonstration consiste précisément à montrer qu'il ne reste pas isolé. Pour cela, les auteurs réutilisent un modèle mathématique de dynamique des opinions hérité d'un cadre établi en 1990, où chaque individu ajuste sa position en fonction de celle de son voisinage. Ils y insèrent l'IA comme un filtre placé entre les utilisateurs : elle transforme légèrement les opinions émises comme celles perçues.

Injecté dans des données réelles issues de Twitter, Facebook et Google+ (2012), avec le modèle gemma-3-12b-it de Google et l'avortement comme thème, le mécanisme produit un effet cumulatif frappant. Une population de départ plutôt hostile à l'avortement finit, à force de suggestions d'IA passées de proche en proche, par pencher majoritairement du côté pro-choix — un basculement qui ne se produit pas dans la simulation témoin, sans assistance algorithmique. Le biais, imperceptible à l'échelle d'un message, s'amplifie en circulant dans le réseau.

C'est cette bascule silencieuse que Sandra Wachter compare à une pollution diffuse, comme celle d'une forêt contaminée en profondeur. « Le prix à payer, c'est que nous prenons pour vraies les opinions des autres alors qu'elles ne reflètent pas leur pensée réelle », résume-t-elle. Le risque n'est pas seulement d'être influencé : c'est de croire que le débat autour de soi penche naturellement dans un sens, alors qu'un intermédiaire l'a discrètement incliné.

L'audit grandeur nature de « Explain this post »

Pour ancrer la démonstration dans le réel, l'équipe a audité une fonction bel et bien déployée : le « Explain this post » de X, adossé à Grok. En demandant au modèle de contextualiser des publications humaines sur l'avortement, les chercheurs observent un biais directionnel : Grok tend à produire un contexte davantage aligné sur la position du post quand celui-ci est pro-vie que lorsqu'il est pro-choix. D'après l'analyse relayée par Next, le prompt de la fonction ne génère que 4 % de réponses franchement pro-avortement, une large part de réponses neutres et une majorité orientée dans l'autre sens.

L'origine du travers est presque anecdotique — et c'est ce qui la rend instructive. Le biais se ramène en grande partie à une seule ligne d'instruction demandant au modèle de « remettre en question les récits dominants si nécessaire » (challenge mainstream narratives if necessary). En neutralisant cette phrase, les auteurs ne relèvent plus de biais statistiquement significatif dans un sens ou dans l'autre. Une consigne système d'apparence anodine suffit donc à teinter des millions de contextualisations automatiques.

Ce que l'étude ne dit pas

Il faut garder en tête les limites, que l'angle « manipulation à grande échelle » a tendance à gommer. La bascule d'opinion la plus spectaculaire provient d'une simulation : elle démontre un mécanisme plausible et le quantifie dans un modèle, mais ne mesure pas un effet observé sur de vrais utilisateurs en 2026. La dynamique repose sur des données de 2012 et sur des hypothèses de mise à jour des opinions qui simplifient forcément la réalité — polarisation, bulles de filtres, résistance individuelle au nudge ne sont pas capturées finement. L'étude se concentre par ailleurs sur des sujets délibérément clivants, où le biais est plus facile à faire ressortir que sur des thèmes consensuels. Simulation ne vaut pas terrain : le travail établit un risque crédible et outillé, pas encore un bilan démocratique constaté.

Un angle mort réglementaire

Reste que la mécanique décrite s'inscrit dans un faisceau d'inquiétudes convergentes. D'autres travaux montrent que la plupart des grands modèles conversationnels affichent des préférences politiques de centre gauche, et l'idée d'un « cadrage » algorithmique de l'information — mettre en avant certaines perspectives, en atténuer d'autres, sans mentir sur les faits — est de plus en plus documentée, notamment via la sycophancy, cette tendance des modèles à épouser les attentes supposées de leur interlocuteur. Le problème dépasse alors la désinformation classique : il touche à la manière même dont chacun se forge une opinion, un enjeu déjà pointé pour les IA conversationnelles en santé ou pour des chatbots aux sources biaisées.

Les auteurs soulignent que les cadres réglementaires existants ne couvrent pas encore cette forme d'influence diffuse, à mi-chemin entre l'aide à la rédaction et l'orientation du débat public. Difficile à détecter, sans intention malveillante explicite, elle échappe aux catégories habituelles de la lutte contre la manipulation. À mesure que ces outils deviennent le passage obligé de nos échanges en ligne, la question rejoint les craintes exprimées ailleurs sur une possible ère de « post-réalité » : non pas un mensonge assumé, mais un réel légèrement, continûment, imperceptiblement recadré.