Une hallucination de marque est un énoncé faux qu'un moteur génératif produit sur votre entreprise avec exactement la même assurance qu'un énoncé vrai : un tarif que vous ne pratiquez plus, un dirigeant parti depuis deux ans, une fonctionnalité que vous n'avez jamais eue, ou pire, les caractéristiques d'un concurrent homonyme présentées comme les vôtres.

Le sujet est traité presque partout sous l'angle du scandale. Il mérite un traitement d'ingénieur, parce que le mécanisme est connu, que la marge de manœuvre existe, et qu'elle ne se situe pas du tout là où on la cherche spontanément. Aucun formulaire ne permet de « faire retirer » une phrase d'un modèle de langage. Ce qui se corrige, c'est l'écosystème d'informations dans lequel il puise, et l'écart entre ce que vous publiez et ce que le reste du web raconte de vous.

Ce que les études mesurent, et ce qu'elles ne mesurent pas

La mesure la plus sérieuse disponible aujourd'hui ne porte pas sur les marques mais sur l'actualité. En octobre 2025, l'Union européenne de radio-télévision et la BBC ont publié une évaluation de plus de 3 000 réponses produites par ChatGPT, Copilot, Gemini et Perplexity, notées par des journalistes professionnels de 22 médias de service public, dans 18 pays et 14 langues.

Indicateur Résultat
Réponses avec au moins un problème significatif 45 %
Réponses avec un problème quelconque 81 %
Problèmes significatifs de sourcing 31 %
Problèmes significatifs d'exactitude 20 %
Réponses problématiques de Gemini 76 %

Deux précautions avant d'en faire quoi que ce soit. D'une part, ces chiffres portent sur des questions d'actualité, un terrain où l'information bouge à l'heure : les transposer tels quels à « 45 % de ce que l'IA dit de ma marque est faux » serait malhonnête. D'autre part, la première cause de problème n'est pas l'invention pure mais le sourcing, c'est-à-dire l'attribution : sources manquantes, trompeuses, ou qui ne disent pas ce que la réponse leur fait dire.

Cette nuance a une conséquence directe pour vous. Une réponse peut citer votre site en source et énoncer sur vous quelque chose que votre site ne dit pas. La citation fait office de garantie visuelle, alors qu'elle ne garantit rien.

Le point est confirmé sur un terrain où l'on pouvait s'attendre au contraire. L'équipe RegLab de Stanford a mené la première évaluation préenregistrée des outils de recherche juridique par IA, sur 202 requêtes de droit. Ces outils sont adossés à des bases documentaires fermées, vérifiées, et vendus comme exempts d'hallucination : LexisNexis annonçait des citations « 100 % sans hallucination », Thomson Reuters affirmait éviter le problème en s'appuyant sur des contenus de confiance. Résultat mesuré : les trois outils testés hallucinent entre 17 % et 33 % du temps selon l'outil. La conclusion des chercheurs est sans ambiguïté, les promesses des éditeurs sont surévaluées.

Autrement dit : brancher un modèle sur une base de sources fiables réduit le problème, mais ne le supprime pas. Ce n'est pas un défaut d'implémentation, c'est une propriété de l'objet.

Un dernier chiffre circule beaucoup dans le marché du GEO, et nous le citons pour la raison inverse. Un éditeur d'outils, Kodec, a annoncé en décembre 2025 que les plateformes d'IA donnaient un prix ou une fonctionnalité erronés dans 62 % des requêtes d'acheteurs de logiciels B2B. Le chiffre est plausible et l'échantillon annoncé est de l'ordre de 200 cycles de requêtes, mais il provient d'un communiqué de presse, sans méthodologie publiée, et la cause identifiée par l'étude se trouve être exactement ce que l'éditeur vend. À traiter comme un signal de marché, pas comme une mesure.

Pourquoi un modèle invente plutôt que d'admettre son ignorance

La réponse la plus solide vient d'OpenAI elle-même. En septembre 2025, Adam Tauman Kalai, Ofir Nachum, Santosh Vempala et Edwin Zhang ont publié Why Language Models Hallucinate, qui déplace le débat du mystère vers la statistique.

Leur thèse tient en deux mouvements. Au préentraînement, les hallucinations naissent comme de simples erreurs de classification binaire : si un énoncé faux n'est pas distinguable d'un fait dans les données, la pression statistique produit mécaniquement des erreurs. Ensuite, et c'est le point décisif, elles persistent parce que les évaluations récompensent le pari. Les auteurs le formulent ainsi : les modèles sont optimisés pour être de bons candidats à un examen, et deviner quand on est incertain améliore la note. Une réponse « je ne sais pas » est comptée comme un échec par la quasi-totalité des classements qui font autorité dans le secteur.

Transposez cette logique d'examen à votre entreprise. Un modèle interrogé sur le tarif d'un logiciel très documenté répondra correctement, parce que l'information est répétée partout et cohérente. Interrogé sur la date de création d'une ETI régionale, une entreprise de taille intermédiaire, le nom de son directeur commercial ou le périmètre exact d'une offre, il se trouve dans la situation de l'étudiant devant une question rare : il produira la réponse la plus vraisemblable au vu de ce qu'il a vu, et elle sera formulée avec le même aplomb que les autres.

Les faits qui vous concernent le plus, ceux qui distinguent votre entreprise, sont précisément ceux qui sont les moins répétés dans le corpus. Ce sont donc les plus exposés.

Les quatre formes que prend une erreur sur une marque

Toutes ne demandent pas le même traitement, et les confondre fait perdre des semaines.

  • Le fait périmé. Un prix supprimé, une offre d'essai retirée, un dirigeant parti, un siège déménagé. La cause est double : la date de coupure des données d'entraînement, et le fait que la page corrigée chez vous n'ait pas été revisitée ni surtout reprise ailleurs. C'est la forme la plus fréquente et la plus facile à corriger.
  • La confusion d'entité. Le moteur mélange votre société avec un homonyme, une filiale, une ancienne raison sociale ou un concurrent au nom proche. Elle se reconnaît à un signe : la réponse est cohérente, simplement elle décrit quelqu'un d'autre. C'est la forme la plus coûteuse, parce qu'elle ne se règle pas en publiant une page.
  • L'attribution inversée. Une fonctionnalité, une certification ou une référence client qui appartient à un concurrent vous est prêtée, ou l'inverse. Elle vient presque toujours des contenus comparatifs rédigés par des tiers, tableaux « X vs Y » et articles d'annuaires, que les moteurs consultent volontiers parce qu'ils sont structurés.
  • La citation en trompe-l'œil. La source affichée existe, elle est réelle et souvent c'est la vôtre, mais elle ne soutient pas l'affirmation. C'est le cas le plus insidieux, car un lecteur pressé considère la réponse comme sourcée. Le repérer suppose d'ouvrir la source citée et de chercher la phrase, ce que personne ne fait spontanément.

Pourquoi on ne « supprime » pas une erreur d'un modèle

C'est le malentendu central, et il a été tranché publiquement dans un dossier juridique.

En mars 2025, l'association autrichienne noyb a déposé auprès de l'autorité norvégienne de protection des données une plainte contre OpenAI au nom d'un particulier à qui ChatGPT attribuait des faits criminels entièrement inventés, mêlés à des éléments biographiques exacts. Le fondement invoqué est l'article 5(1)(d) du RGPD, qui impose l'exactitude des données personnelles, complété par l'article 15 sur le droit d'accès.

Ce qui nous intéresse ici est la défense d'OpenAI, qui vaut description technique : l'entreprise indique qu'elle ne peut pas corriger une information à l'intérieur du modèle, seulement bloquer son affichage en réponse à certaines questions, l'information restant présente dans le système. Elle s'appuie par ailleurs sur l'avertissement affiché en bas d'écran, selon lequel ChatGPT peut commettre des erreurs. noyb objecte, à juste titre, que bloquer un affichage n'est pas rectifier une donnée.

Retenez la structure, elle commande tout le reste. Il y a deux couches, et elles n'ont ni le même délai ni le même degré de prise.

Mémoire du modèle Couche de récupération
Ce que c'est Ce que le modèle a appris à l'entraînement Les pages qu'il va chercher au moment de répondre
Délai de correction Un cycle de réentraînement, plusieurs mois Quelques jours à quelques semaines
Votre prise Indirecte, via ce que le web dit de vous Directe, via vos pages et les sources tierces

L'erreur stratégique consiste à dépenser son énergie sur la première colonne. Le travail utile est presque entièrement dans la seconde : rendre la version exacte plus disponible, plus datée et plus cohérente que la fausse.

Le protocole de correction, dans l'ordre

1. Constater proprement. Une capture d'écran ne constitue pas un constat. Rejouez la question au moins trois fois, dans une conversation neuve à chaque fois, sur les quatre moteurs, et notez la formulation exacte de l'erreur ainsi que les sources affichées. Ces réponses varient d'une exécution à l'autre : une occurrence unique peut être un accident, une erreur reproduite trois fois sur deux moteurs est un fait établi. Notre article sur la mesure de la visibilité IA détaille ce protocole de relevé, et le comparatif des outils GEO précise la profondeur d'échantillonnage à exiger avant d'interpréter un taux.

2. Remonter à la source, pas au symptôme. Si les réponses citent une page tierce, un annuaire, une fiche marketplace, un vieil article de presse ou un comparatif, c'est là que se joue la correction, et pas sur votre site. Une demande de mise à jour polie auprès d'un éditeur d'annuaire produit plus d'effet en trois semaines que six mois de publication sur votre blog. C'est le levier hors site que nous décrivons dans sources tierces et citations IA.

3. Publier une version canonique, datée, autoportante. Une seule page fait autorité sur le fait litigieux, tarifs, dirigeants, périmètre d'offre, et elle porte une date visible. La formulation doit se suffire à elle-même, extractible sans le contexte de la page : « Depuis le 1er janvier 2026, l'offre Pro est facturée 49 € par mois et par utilisateur » se reprend telle quelle ; « nos tarifs ont évolué cette année » ne se reprend pas. Le balisage aide à lever l'ambiguïté d'entité, avec les réserves que nous avons documentées sur ce que schema.org change réellement.

4. Faire converger toutes vos surfaces. C'est l'étape la plus négligée et la plus rentable. Le modèle parie quand les sources divergent : si votre site annonce un chiffre, votre fiche d'établissement un autre et votre profil sur un annuaire sectoriel un troisième, vous avez vous-même créé l'incertitude qu'il comble par une moyenne plausible. Alignez raison sociale, adresse, dates, chiffres et intitulés partout, y compris sur les surfaces locales que nous traitons dans référencement local et IA.

5. Signaler dans le produit, sans en attendre grand-chose. Les mécanismes de retour existent chez tous les éditeurs et ne coûtent que quelques minutes. Ils traitent des cas individuels, sans engagement de délai ni de résultat. À faire, à ne pas attendre.

6. Re-relever à deux, quatre et huit semaines. Les corrections passant par la couche de récupération se voient dans ce délai. Au-delà, si l'erreur persiste alors que toutes les sources visibles ont été alignées, c'est qu'elle vient de la mémoire du modèle : il faudra un cycle de réentraînement, et la seule action utile entre-temps est de continuer à densifier la version exacte hors de votre site.

Ce qui ne marche pas

  • Publier un démenti. Une page intitulée « Non, notre logiciel n'a jamais coûté 19 € » crée un texte de plus qui associe votre marque au chiffre faux, et l'offre en pâture au moteur. Énoncez le fait exact, jamais la négation de l'erreur.
  • Multiplier les rectificatifs sur le site. La répétition interne ne produit rien : les mesures disponibles montrent que ce sont les signaux hors site qui corrèlent avec la visibilité générative, comme nous l'avons détaillé à propos de l'E-E-A-T et de l'IA.
  • Bloquer les robots d'IA en représailles. C'est la réaction la plus courante et la plus contre-productive : elle retire de la circulation votre version exacte, tout en laissant intactes les sources tierces qui portent l'erreur. Le sujet est traité en détail dans quels crawlers IA autoriser.
  • Attendre le prochain modèle. Sans changement dans ce que le web dit de vous, un réentraînement reconduit l'erreur, puisqu'il réapprend sur les mêmes sources.

Le cas le plus fréquent : l'erreur vient de chez vous

Sur les dossiers que nous traitons, une majorité des « hallucinations » signalées n'en sont pas. Ce sont des informations exactes, prélevées sur une ancienne page toujours en ligne, une plaquette PDF indexée, une page de tarifs oubliée sous une autre URL, ou un communiqué de 2023 mieux repris par la presse que votre page actuelle.

Le modèle ne choisit pas la version la plus récente. Il choisit la version la mieux corroborée, celle qui apparaît sur le plus de sources indépendantes et cohérentes entre elles. Une page à jour, isolée, pèse moins qu'une information périmée répétée sur quinze sites.

Le premier réflexe devant une erreur n'est donc pas de contester le moteur, mais de chercher où l'information fausse existe encore. Elle existe presque toujours quelque part. C'est le premier bloc de tout audit de visibilité IA sérieux, et souvent le plus productif.

Ce qu'il faut retenir

Une erreur sur votre marque dans une réponse générative n'est pas un bug isolé : c'est le comportement attendu d'un système qui préfère parier plutôt que s'abstenir, appliqué à des faits peu répétés et parfois contradictoires. Personne ne peut effacer une phrase dans un modèle, et les éditeurs le disent noir sur blanc.

Le travail utile tient en trois gestes : constater avec un protocole reproductible plutôt qu'avec une capture d'écran, corriger à la source plutôt que sur votre blog, et supprimer les divergences entre vos propres surfaces avant d'accuser la machine. Le reste relève d'un calendrier que vous ne maîtrisez pas.