Quand ChatGPT donne un prix faux, un service que vous ne vendez plus ou un ancien nom de produit, l’erreur vient presque toujours de ce que le modèle a lu ou n’a pas su lire, pas d’un caprice de la machine. Et elle se corrige rarement dans l’IA elle-même. Elle se corrige dans les pages qu’elle consulte. Voici d’où viennent ces erreurs, comment les repérer sur un échantillon sérieux et dans quel ordre les traiter.
La question nous arrive sous des formes variées, du « ChatGPT raconte n’importe quoi sur nous » au « que faire pour qu’il parle de nous correctement ? ». Elle mérite une réponse méthodique, parce qu’une réponse fausse n’est pas un incident isolé. Elle est lue par des clients potentiels, et en France 33 millions de personnes utilisent chaque mois un service d’IA, soit près de 57 % de la population (Arcom, juin 2026).
Quelles erreurs les IA font-elles sur une entreprise ?
Dans nos audits, les mêmes familles d’erreurs reviennent : des prix faux, des services disparus, des informations inexactes et des noms de produits qui ont changé. Aucune n’est spectaculaire. Toutes coûtent quelque chose.
Le prix faux est le plus gênant, parce qu’un acheteur compare vite. Le service disparu, c’est ce que vous avez arrêté de vendre et que l’IA présente encore. Le nom de produit change quand vous rebaptisez une gamme et que les médias qui parlent de vous n’ont pas suivi : l’IA reprend l’ancien nom. Reste la catégorie des informations simplement fausses, que personne n’a jamais écrites mais que l’IA produit avec aplomb.
Un point de méthode. Une erreur isolée ne prouve rien, parce que les réponses varient d’une fois sur l’autre. Ce qui compte, c’est la fréquence : sur combien de réponses, et sur quelles IA, la même information fausse revient-elle ?
Pourquoi une IA se trompe-t-elle sur votre marque ?
Parce qu’un modèle de langage produit une réponse plausible même quand il ne sait pas, et que votre marque lui laisse souvent peu de matière. C’est la thèse d’un article de recherche publié en septembre 2025 (Kalai, Nachum, Vempala et Zhang, avec un billet d’OpenAI) : les méthodes d’entraînement et d’évaluation récompensent la devinette plutôt que l’aveu d’incertitude, comme un élève qui tente sa chance à un examen.
Les mêmes auteurs montrent que les faits rares sont les plus exposés. Leur exemple est une date de naissance : si 20 % des dates de naissance n’apparaissent qu’une seule fois dans les données d’entraînement, on peut s’attendre à ce qu’un modèle de base se trompe sur au moins 20 % d’entre elles. Transposez à une entreprise. Le prix d’une prestation, le nom du dirigeant ou la date d’un changement de gamme sont des faits peu répétés sur le web. C’est exactement le terrain où l’IA devine.
Deuxième cause, les sources. Les IA citent surtout des sites tiers, pas le site de la marque. Muck Rack le mesure : plus de 84 % de sources gagnées ou tierces dans son étude d’octobre 2026, contre 15,2 % de contenu de la marque. Si l’IA lit surtout les autres, une page de presse de 2023 ou un comparatif obsolète pèse plus lourd que votre page tarifs à jour.
Troisième cause, la contradiction. Nous l’avons vu en audit : une marque connue, solide sur Google, écartée des réponses parce que les informations disponibles sur elle ne concordaient pas. Quand les sources se contredisent, l’IA a deux options, trancher au hasard ou ne rien dire. Aucune ne vous sert.
Comment repérer les erreurs, au-delà d’un test à la main ?
En posant les mêmes questions que vos clients, à plusieurs IA, plusieurs fois, et en relevant chaque affirmation fausse avec sa fréquence. Le test manuel est utile pour un premier constat. Un article de Detekia détaille les questions à poser et les précautions à prendre, notamment une session neutre et plusieurs essais.
Il a pourtant une limite. Dix questions ne disent rien de ce que répondent les IA aux centaines de formulations de vos clients, et la plupart des vraies questions ne nomment pas votre marque. C’est le rôle d’un audit : au moins 100 requêtes posées à ChatGPT, Gemini, Perplexity et Claude, soit 400 réponses que nous lisons une à une, avec les sources citées et le ton employé. Pour un exemple de lecture, voir comment se lit un audit de visibilité IA. Les IA ne se trompent pas toutes de la même façon, ce que détaille notre comparaison de ChatGPT, Gemini, Perplexity et Claude : Perplexity cite souvent le plus de marques, Claude est le plus prudent. Une erreur qui n’apparaît que sur l’une d’elles n’a pas la même origine qu’une erreur partagée par les quatre.
Comment corriger une information fausse ?
On part de l’erreur pour remonter à la page qui la nourrit, puis on corrige à la source, et on remesure. Nous ne savons pas corriger la réponse d’une IA directement, et nous ne promettons pas qu’une correction sera reprise : nous agissons sur ce que les IA lisent.
L’ordre que nous suivons :
D’abord, identifier la source de l’erreur. Les réponses des IA qui font des recherches affichent leurs sources, ce qui permet de retrouver la page fautive : la vôtre, celle d’un annuaire, d’un article ou d’un comparatif. Ensuite, corriger ce que vous maîtrisez, c’est-à-dire votre site, vos fiches et vos profils, de façon identique partout, avec des dates visibles. Puis traiter les sources tierces : demander une mise à jour à l’éditeur du comparatif, au média, à l’annuaire. C’est lent, et c’est le plus efficace, puisque ces sites pèsent plus que le vôtre. Enfin, publier ce qui manque. Un fait écrit en un seul endroit sur le web reste un fait rare, donc exposé à la devinette. Une page claire, reprise par d’autres, le rend moins rare. Sur ce que les IA choisissent de citer, voir comment les LLM choisissent les marques.
Une limite honnête : le délai entre une correction en ligne et son effet dans les réponses n’est pas connu à l’avance, et il diffère d’une IA à l’autre. C’est pourquoi nous remesurons sur les mêmes requêtes une fois les actions en place, au lieu de supposer que ça a marché.
Que faire en premier ?
Mesurez avant de corriger. Sans fréquence ni IA concernée, on risque de réparer une erreur rare et de laisser la répétée. Pour savoir par où commencer entre mesurer, planifier et déléguer, notre guide par où commencer en GEO compare les trois options, et le prix d’un audit est détaillé à part.
Un audit relève ce que disent les IA sur votre marque et face à vos concurrents, et nous vous le restituons en visio. Il vous donne la liste des erreurs et leur fréquence. La Stratégie GEO en fait un plan sur 6 mois, avec les sources tierces à viser. L’Accompagnement GEO rédige les contenus avec vous et mesure chaque mois. Pour partir d’un constat gratuit, le pré-audit pose 10 questions de votre marché aux quatre IA, en 30 minutes de visio : il montre, il ne mesure pas.
Questions fréquentes
Peut-on demander à OpenAI de corriger une réponse de ChatGPT sur son entreprise ?
Nous n’avons pas pu vérifier de procédure fiable pour une entreprise, et nous ne conseillons pas de s’y fier. Ce qui se contrôle, ce sont les pages que les IA consultent : les corriger, puis remesurer les réponses.
Pourquoi ChatGPT donne-t-il une réponse différente à chaque fois ?
Parce qu’un modèle de langage génère sa réponse à chaque question, sans la copier d’une fois sur l’autre. Une erreur se juge donc sur sa fréquence, sur un nombre suffisant de réponses, pas sur un test isolé.
Combien de temps faut-il pour qu’une correction soit prise en compte ?
Nous ne pouvons pas l’annoncer. Le délai dépend de l’IA, de la source corrigée et de la fréquence à laquelle elle est relue. C’est pourquoi nous remesurons sur les mêmes requêtes, une fois les actions en place.
Mon site à jour ne suffit-il pas ?
Rarement. Selon Muck Rack (octobre 2026), plus de 84 % des sources citées par les IA sont gagnées ou tierces, contre 15,2 % de contenu de la marque. Si une page extérieure affirme autre chose que la vôtre, l’IA peut suivre l’extérieur ou renoncer à répondre.
Sources
Adam Tauman Kalai, Ofir Nachum, Santosh S. Vempala, Edwin Zhang, « Why Language Models Hallucinate », arXiv 2509.04664, septembre 2025 (arxiv.org). Arcom, Baromètre d’audience des services d’IA, 1re édition, juin 2026 (PDF). Muck Rack, « What is AI reading? », octobre 2026 (muckrack.com), étude américaine d’un éditeur de logiciel de relations presse. Étude Beeleven de 317 pages : 7 critères de citation.
Voyez ce que les IA disent de vous
Erreurs, absences, concurrents cités à votre place : votre audit de visibilité IA, dès 500 € HT.
Demander mon audit