Note méthodologique IA : « Biais des modèles d'IA : le risque réputationnel que votre marque ne voit pas »

Cette note accompagne mon article, Biais des modèles d’IA : le risque réputationnel que votre marque ne voit pas, pour le blog MBA DMB. J'y explique comment j'ai utilisé l'IA, ce qui vient de moi, et les erreurs que j'ai corrigées. L'IA a produit des erreurs, et je les ai détectées ou fait corriger.

1. Les outils utilisés

J'ai utilisé Claude (Anthropic), modèle Claude Sonnet 5.5, comme assistant tout au long du travail : cadrage du sujet, proposition d'angles, plan, rédaction d'un premier jet, recherche et vérification de sources, création de prompts pour générer l'infographie, réalisation des visuels en HTML (tableau des risques, schéma du cycle, checklist) et aide à la mise en forme sur WordPress.

J'ai utilisé ChatGPT (OpenAI), modèle GPT-6, uniquement pour générer l'infographie à partir de prompts rédigés avec Claude. Plusieurs versions ont été nécessaires pour obtenir une mise en page lisible.

2. Exploration et choix du sujet

Le sujet se relie à ma thèse, que je continue d'explorer et que je suis prête à faire évoluer. J'ai choisi un angle centré sur le risque réputationnel et marketing, plutôt que sur l'approche technique (corriger le modèle) ou la réflexion éthique générale. Pour moi, c'est là que le biais devient concret pour une organisation : il touche directement les décisions des managers, une campagne, un visuel, une traduction.

3. Planification et organisation

Je n'ai pas demandé d'article complet en une seule fois. Le travail s'est fait par étapes : cadrage, validation du plan, recherche de sources, texte section par section, puis visuels. À chaque étape, j'ai validé ou corrigé avant de passer à la suivante.

4. Rédaction et articulation

Claude a rédigé des premières versions de chaque section. J'ai demandé des exemples concrets pour vulgariser le sujet, et j'ai veillé à ce que chaque chiffre soit suivi de sa source. Le texte final reprend ces versions, avec mes corrections sur les formulations et les liens.

5. Éthique, sources et hallucinations

C'est le point le plus important de cette note. Claude a fait plusieurs erreurs, que j'ai détectées ou qui ont été corrigées pendant le travail :

Un chiffre (« 25 consignes ») figurait dans un prompt sans avoir été vérifié. Je l'ai retiré.
Une vidéo YouTube ne pouvait pas être intégrée (erreur 153). Claude l'avait proposée sans vérifier ce point. Je l'ai remplacée par un lien cliquable.
Une étude était présentée comme donnant « des résultats similaires » à une autre, ce qui était inexact. La phrase a été reformulée.
Un chiffre (« 8 sur 10 ») venait d'un article de presse qui reprend l'enquête WIRED, et non de l'enquête elle-même. Je l'ai retiré.
Les visuels générés par ChatGPT contenaient des erreurs de texte et des caractères parasites. Ils ont été corrigés ou refaits.

Concernant les sources, j'ai appliqué la règle des 3 ans maximum. J'ai écarté une étude de 2018 (Gender Shades) et une enquête Bloomberg de 2023. Les sources retenues sont : WIRED (mars 2025), Nadeem et al. (IEEE Intelligent Systems, 2025), VEAT (arXiv, 2026), Zhou et al. (arXiv, 2024) et le reportage ARTE, Le dessous des images (2024). Le Règlement européen sur l'IA (2024/1689) est cité comme référence.

6. Exemples de prompts

Pour l'infographie, le prompt imposait un style précis (palette limitée à cinq couleurs, fond sombre, vert en accent) et le texte exact à afficher, avec les chiffres et sources validés. Pour la rédaction, j'ai demandé à Claude de distinguer les faits sourcés des interprétations, et de signaler toute affirmation qu'il ne pouvait pas vérifier.

7. Visuels

Infographie : générée avec ChatGPT à partir d'un prompt rédigé avec Claude, puis corrigée.
Tableau des risques, schéma du cycle et checklist : créés en HTML avec Claude, puis capturés pour l'article.
Vidéo : reportage ARTE mis en lien cliquable sur une image. Il n'est pas intégré, car le diffuseur a désactivé l'intégration.

8. Limites

Deux sources principales, VEAT et Zhou et al., sont des prépublications sur arXiv, qui n'ont pas encore été évaluées par des pairs. Les données de Zhou et al. concernent les États-Unis, et leur classification raciale repose sur l'analyse automatique des visages, ce qui reste une approximation. Le chiffre de corrélation (0,93) mesure un lien, pas une cause. L'article ne couvre ni tous les marchés ni toutes les langues.