L'IA et la présidentielle : une seconde campagne invisible ?
Comment l'information politique s'individualise et se privatise, ce que cela fait aux jugements, et pourquoi la France doit reconstruire son miroir démocratique.
Damien Philippot, fondateur de PSCIS
Version du 14 septembre 2026.
Pour citer ce texte : Philippot, D. (2026). L'IA et la présidentielle : une seconde campagne invisible ? Analyse PSCIS, septembre 2026.
Ce texte peut être cité et des extraits reproduits librement, à condition d'en mentionner l'auteur et la source. Toute reproduction intégrale est soumise à l'autorisation préalable de PSCIS.
Quelle place les agents conversationnels vont-ils prendre dans les campagnes électorales et, plus largement, dans la formation des jugements politiques ? La question a quitté les cercles spécialisés et vient de prendre au Brésil une forme très concrète. À quelques semaines du scrutin d'octobre 2026, le Tribunal supérieur électoral a imposé aux fournisseurs d'intelligence artificielle un cadre qui leur interdit notamment de recommander un candidat ou un vote ; OpenAI a présenté un dispositif de conformité, et les autorités cherchent comment contrôler des systèmes qui produisent, pour chaque utilisateur, des réponses différentes. Le cas brésilien importe moins parce qu'il annoncerait ce qui se produira ailleurs que parce qu'il rend visible un problème désormais commun aux démocraties : les agents conversationnels ne sont plus une technologie dont on discute abstraitement les effets ; ils prennent place dans l'environnement informationnel réel des électeurs.
La France y est confrontée dès maintenant. La campagne présidentielle est engagée ; elle se poursuivra jusqu'au scrutin d'avril et de mai 2027, et elle donnera à la question une intensité probablement exceptionnelle. Le rôle des agents y sera abondamment scruté : on cherchera les biais, les erreurs, les manipulations, les deepfakes ; on testera les principaux systèmes pour savoir s'ils favorisent un candidat ; après l'élection, on se demandera si l'IA a pesé sur le résultat. Cette vigilance sera nécessaire. Mais elle risque de concentrer le regard sur la partie la plus spectaculaire du phénomène, alors que la nouveauté la plus profonde se trouve peut-être ailleurs.
Pour la première fois à cette échelle, l'information politique qui parvient à des millions de personnes ne passe plus seulement par un journal, une émission, une liste de résultats ou une publication proposée à leur attention : quelque part sur son chemin, elle peut désormais passer par un agent conversationnel, auquel ces personnes posent une question qu'elles ont choisie. Elles obtiennent une réponse construite pour cette question, peuvent la préciser, la contester, y introduire leur situation personnelle et poursuivre l'échange. L'information n'est plus seulement proposée ; elle est, dirons-nous, interrogée.
Ce n'est plus une hypothèse d'avenir. Près d'un Français sur deux déclare utiliser l'IA générative, et la recherche d'information en est le premier usage (Crédoc, 2026) ; un sur quatre a déjà interrogé un modèle sur une personnalité ou un parti politique, et un peu plus d'un sur quatre a l'intention de le faire pour la présidentielle de 2027 (Ipsos bva, 2026). Cette adoption est très inégale : massive chez les 18-24 ans, elle décroît fortement avec l'âge et le niveau de diplôme. Le phénomène ne touche donc pas également tous les électorats, et cette inégalité fait partie de l'objet.
Cette transformation ne signifie pas que l'intelligence artificielle déterminera le vote ; on verra que la question de ses effets sur les jugements reste largement ouverte. Le point de départ est plus élémentaire : même si les agents ne faisaient basculer aucun scrutin, ils modifient déjà les conditions dans lesquelles une partie des citoyens cherche une information, la reçoit, la met à l'épreuve et l'intègre éventuellement à son jugement.
Cette première transformation en entraîne une seconde. Les démocraties disposent, avec les médias, les réseaux sociaux, les sondages et les études qualitatives, de ce que nous proposons d'appeler un miroir démocratique : incomplet et parfois déformant, mais assez riche pour qu'une société observe une partie de ce qui circule en son sein. Or une conversation avec un agent possède une propriété singulière : la question est privée, et la réponse peut l'être tout autant. Un argument, ou une information fausse sur un candidat, peut être rencontré des milliers de fois sans prendre la forme d'un article ou d'un discours que les observateurs, ou le candidat lui-même, pourraient identifier. Nous pourrions donc continuer à voir évoluer les intentions de vote tout en perdant une partie de la visibilité sur les chemins où elles se forment. C'est l'hypothèse que nous formulons ici, celle d'une seconde campagne présidentielle, invisible : non pas une campagne parallèle, mais une partie de la campagne que nous connaissons, reprise et recomposée dans des millions de conversations individualisées auxquelles aucun observateur n'accède comme il accède à un journal télévisé ou à un meeting.
Ce texte propose donc de déplacer légèrement la question. Il faut continuer à se demander si les intelligences artificielles peuvent manipuler ou favoriser. Mais il faut aussi montrer comment l'information politique s'individualise et se privatise (I), établir ce que l'on sait et ce que l'on ignore de ses effets sur les jugements (II), mesurer ce que cette privatisation fait au miroir démocratique (III), examiner qui parle lorsque l'agent répond (IV), distinguer la surveillance de l'observation (V), prendre la mesure du retard français (VI) et déterminer comment reconstruire des capacités collectives d'observation sans transformer l'observation en surveillance (VII). La campagne présidentielle en cours constitue, de ce point de vue, un laboratoire exceptionnel. Encore faut-il décider de l'observer.
I. Quand la question précède l'information
Médias, moteurs de recherche et réseaux sociaux sélectionnent, ordonnent ou rendent accessibles des contenus existants. L'agent conversationnel s'inscrit dans cette histoire, mais il y introduit une rupture : il part d'une question et fabrique une réponse. Cette rupture produit deux mouvements qu'il faut distinguer, parce qu'ils n'ont pas les mêmes conséquences. Le premier est une individualisation : la réponse est construite pour une personne, à partir de sa question, de sa situation et de ses questions précédentes (1 à 3). Le second est une privatisation : cette réponse, à la différence du document vers lequel conduisait un moteur de recherche, n'existe que pour celui qui l'a reçue (4).
1. Une réponse à la première personne
Un moteur de recherche attend certes une requête, mais il fournit une liste d'objets qui existent indépendamment de celui qui les cherche. L'agent conversationnel produit une réponse pour la question posée, et pour elle seule. La différence paraît mince ; elle est considérable.
Prenons une électrice de quarante-trois ans qui cherche à comprendre les propositions des candidats sur les retraites. Elle a commencé à travailler à dix-neuf ans, a deux enfants et a connu plusieurs années à temps partiel. Un article peut exposer les projets, une émission les comparer, un simulateur en calculer certains effets. Mais elle peut désormais écrire : « J'ai commencé à travailler à 19 ans, j'ai deux enfants et j'ai travaillé cinq ans à temps partiel : à quel âge partirais-je selon les propositions des différents candidats ? » La réponse lui est adressée, et elle peut enchaîner : « Et si je repasse à temps partiel pendant trois ans ? », puis « Pourquoi l'un des candidats dit-il que son système coûtera moins cher ? », puis « Est-ce vrai ? »
L'information est ici appelée par la question, appliquée à une situation, puis reconstruite par les questions suivantes. Cette propriété compte en politique parce que l'écart entre une proposition générale et ce qu'elle signifie pour soi est l'une des difficultés ordinaires de l'information électorale : les mesures circulent collectivement, leurs conséquences sont individuelles. L'agent promet de réduire cette distance. Qu'il y parvienne correctement est une autre question, et elle sera centrale ; mais la possibilité elle-même modifie déjà l'expérience de l'information, désormais reçue à la première personne.
2. Le retour des questions
Il y a dans cette transformation un paradoxe. Les études d'opinion ont passé près d'un siècle à perfectionner l'art de poser des questions aux citoyens (Blondiaux, 1998), et les campagnes sont saturées des réponses qu'ils donnent. Nous connaissons beaucoup moins bien les questions qu'ils se posent. Pierre Bourdieu reprochait déjà aux sondages de soumettre aux enquêtés des questions qu'ils ne se posaient pas (Bourdieu, 1973). L'agent conversationnel inverse la situation : ce sont les citoyens qui formulent les questions, et ils ne les formulent pas comme un institut l'aurait fait.
Ces questions n'étaient pas inexistantes. Elles apparaissaient dans les conversations, les entretiens qualitatifs et, massivement, dans les requêtes adressées aux moteurs de recherche, dont on a pu montrer qu'elles révèlent ce que les enquêtés ne déclarent pas (Stephens-Davidowitz, 2017). Mais l'agent donne à la question une place nouvelle : elle devient l'unité élémentaire d'une relation suivie avec l'information. Et certaines ressemblent peu à celles d'un questionnaire : « C'est quoi exactement la dette publique ? » ; « Est-ce que cette mesure m'avantagerait alors que je gagne 2 700 euros et que je vis seul ? » ; « Le beau-frère de ma sœur dit que la France est le pays le plus taxé du monde : c'est vrai ? »
La dernière rappelle qu'une conversation avec un agent ne commence pas nécessairement devant un programme électoral, mais après un déjeuner de famille, une vidéo aperçue dans le métro ou une phrase entendue à la radio. La question est donc individuelle par son origine autant que par sa formulation. L'agent n'abolit pas les autres circuits de l'information ; il s'insère entre eux. Une émission provoque une question ; la question conduit à l'agent ; sa réponse ramène vers un article ; l'article suscite une objection qui retourne vers l'agent. Ce n'est pas un nouveau tuyau remplaçant les anciens, mais un nouvel embranchement dans leur circulation.
3. Un chemin plutôt qu'un document
Une information traditionnelle ne répond pas à son lecteur : on peut relire un article, en chercher un autre, contester son auteur, mais l'objet initial demeure le même. L'agent, lui, peut répondre à l'objection née de sa propre réponse. L'utilisateur peut demander une simplification puis une précision, exiger une source, signaler une contradiction, demander une comparaison selon un critère auquel l'agent n'avait pas pensé, changer de sujet et y revenir dix minutes plus tard. Question, réponse, objection, bifurcation, retour, comparaison : la conversation dessine un chemin, et ce chemin n'appartient qu'à celui qui le parcourt. Deux personnes parties de la même question n'arrivent pas nécessairement au même endroit.
C'est le troisième visage de l'individualisation. L'information n'est plus seulement adressée à une personne et appelée par ses propres questions ; elle prend la forme d'un parcours que cette personne construit. Ce parcours ne dit pas encore ce qu'elle pense, mais il rapproche d'un objet qui deviendra essentiel et que nous proposons de nommer la trajectoire conversationnelle.
4. La réponse devient privée à son tour
Le quatrième mouvement est d'une autre nature. Lorsque Google s'est imposé, la requête était déjà individuelle et privée, mais la réponse conduisait vers des objets publics : un article, une page d'encyclopédie, un rapport, le site d'un candidat. Ces documents avaient une adresse ; d'autres pouvaient les lire, les citer, les contester, les archiver. L'agent conversationnel peut encore renvoyer vers ces sources, mais il peut aussi produire lui-même le texte que l'utilisateur lira. La requête était privée ; la réponse le devient à son tour. Et cette réponse fabriquée ne concerne plus seulement ceux qui ont choisi d'ouvrir un agent : les moteurs de recherche placent désormais un résumé généré en tête de leurs résultats ordinaires, de sorte qu'une partie des internautes la reçoit sans l'avoir demandée comme telle.
Cette évolution prolonge une individualisation engagée depuis longtemps : après la presse de masse et la télévision, qui réunissaient de vastes publics autour des mêmes objets, Internet a démultiplié l'offre et les réseaux sociaux ont individualisé les fils d'exposition (Sunstein, 2001 ; Pariser, 2011). Mais à chacune de ces étapes, ce que chacun recevait restait un objet public que d'autres pouvaient voir. L'agent franchit une étape supplémentaire : chacun peut recevoir non seulement une sélection différente de contenus, mais une réponse produite pour sa propre question, que personne d'autre ne lira. Deux citoyens intéressés par le même candidat peuvent ne pas poser la même question ; s'ils la posent, ils peuvent la formuler différemment ; s'ils la formulent de manière identique, leur conversation antérieure peut différer ; et, toutes choses égales par ailleurs, deux systèmes, deux versions ou deux moments peuvent produire des réponses différentes. L'espace informationnel n'est plus seulement fragmenté par ce que chacun voit, mais par ce que chacun demande et par la réponse qui lui est construite.
Individualisée, puis privatisée : telle est la transformation certaine, celle qui touche le régime de l'information politique pour une partie des citoyens. Elle ne préjuge pas de ce que ces conversations font aux jugements. C'est une autre question, plus difficile, et il faut la poser avec ce que l'on sait et ce que l'on ignore.
II. Conforter, déplacer, apprendre : ce que la conversation fait à l'opinion, et peut-être au vote
Une précision de vocabulaire s'impose. Nous parlons ici de jugement au sens large : le terme englobe l'opinion sur un candidat, une mesure ou un enjeu, et cette opinion peut à son tour se traduire par un vote, une abstention, un changement de vote ou le maintien d'un choix. Le vote n'est que l'aboutissement, incertain, d'une chaîne dont les premiers maillons sont ce qui nous intéresse ici.
1. Des jugements qui ont une histoire
Il faut se garder d'un raccourci : un électeur pose une question, une intelligence artificielle répond, l'électeur change d'avis. Cette mécanique serait commode à mesurer ; elle est probablement rare sous cette forme. On n'entre pas dans une conversation électorale vierge de souvenirs, d'identifications partisanes ou de perceptions accumulées ; l'opinion qu'un individu exprime à un moment donné résulte d'un tri, parfois instable, parmi des considérations accumulées et souvent contradictoires (Zaller, 1992).
Cette histoire n'est pas la même pour tous, et c'est ici que se joue la première distinction. Certains électeurs abordent un sujet avec une opinion constituée, parfois ancienne et résistante : pour eux, la question est de savoir si la conversation la conforte, l'ébranle ou glisse sur elle sans effet. D'autres, sur le même sujet, ne possèdent presque aucune opinion (Converse, 1964) : pour eux, la question n'est pas celle d'un déplacement mais d'une apparition, et l'agent peut être le lieu où une position se forme pour la première fois. Affecter une opinion existante et aider à en construire une sont deux phénomènes différents, qui appellent des mesures différentes : un écart entre un avant et un après dans le premier cas, une émergence dans le second. Une partie de la confusion des débats sur « l'influence de l'IA » vient de ce qu'on les confond.
2. Deux trajectoires qui cheminent ensemble
Dans les deux cas, il faut distinguer ce que l'on peut observer de ce que l'on cherche à comprendre. La trajectoire conversationnelle est observable dans l'échange : succession des questions, des réponses, des objections, des retours et des comparaisons. Ce que nous appellerons la trajectoire de jugement appartient, elle, à la personne : apparition d'une opinion, consolidation, fragilisation, déplacement ou maintien. Les deux ne se confondent jamais, mais elles peuvent désormais cheminer ensemble. Suivre la formation d'un choix n'est pas une idée neuve : dès 1940, Lazarsfeld et ses collègues interrogeaient les mêmes électeurs à plusieurs reprises au cours d'une campagne pour observer comment leur vote se formait (Lazarsfeld, Berelson et Gaudet, 1944). Ce qui est nouveau, c'est qu'une partie de ce cheminement laisse désormais une trace écrite, individuelle et privée.
Cette distinction évite de raconter l'intelligence artificielle comme une machine déterministe de persuasion, et elle permet de poser de véritables questions empiriques : quelles questions précèdent certains changements ? Les électeurs utilisent-ils l'agent pour vérifier leurs convictions ou pour en examiner de nouvelles ? Les mêmes conversations ont-elles des effets différents selon les dispositions initiales ?
3. Ce que montrent les premières expériences
On dispose, pour commencer à répondre, de trois types d'éléments. Le premier vient de travaux expérimentaux récents, qui montrent que des conversations avec des agents peuvent, dans certaines conditions, modifier des croyances : des dialogues avec un modèle de langage ont durablement réduit l'adhésion à des théories du complot (Costello, Pennycook et Rand, 2024), et un modèle disposant de quelques informations sur son interlocuteur s'est révélé plus persuasif que des humains dans des débats contrôlés (Salvi et al., 2025). Ces résultats ne démontrent pas qu'un chatbot « fait voter » : ils sont obtenus en laboratoire, sur des sujets choisis, avec des participants qui ont accepté le débat. Ils suffisent en revanche à rendre peu défendable l'hypothèse inverse, selon laquelle ces interactions seraient nécessairement sans effet.
Le deuxième élément vient de ce que l'on sait des campagnes elles-mêmes. Une campagne est l'un des moments où les modalités de l'information comptent le plus : en quelques mois, des propositions inconnues deviennent familières, des candidats changent d'image, et des citoyens peu intéressés par la politique se mettent à chercher des informations parce qu'il faut bientôt choisir. On sait depuis longtemps que ce moment produit un apprentissage réel, même lorsque le résultat final reste largement prévisible (Gelman et King, 1993). Or l'agent conversationnel est, par construction, un instrument d'apprentissage : pendant plusieurs mois, un citoyen peut revenir vingt fois sur un même sujet, demander une définition, vérifier un chiffre, comparer deux systèmes fiscaux. L'intelligence artificielle peut se tromper ou conforter des croyances fragiles ; mais elle peut aussi augmenter le nombre de questions que certains électeurs osent poser et la précision des réponses qu'ils obtiennent. L'électeur d'avril 2027 ne sera pas nécessairement celui de septembre 2026.
Le troisième élément vient de l'étude des modèles eux-mêmes. Ils présentent une tendance documentée à la complaisance, que la littérature nomme sycophancy : entraînés à produire des réponses jugées satisfaisantes par leurs utilisateurs, ils inclinent à épouser la prémisse d'une question, à valider l'opinion qui y est exprimée et à réviser une réponse exacte lorsqu'on la conteste (Perez et al., 2022 ; Sharma et al., 2023). Appliquée à la politique, cette tendance change la nature de la chambre d'écho. Celle que l'on prêtait aux réseaux sociaux tenait à la sélection de ce que chacun voyait (Sunstein, 2017) ; celle de la conversation tiendrait à un interlocuteur qui abonde dans le sens de celui qui l'interroge. Un électeur qui demande pourquoi une mesure est injuste n'obtient pas la même réponse que celui qui demande si elle l'est. L'hypothèse du renforcement trouve ici un mécanisme plausible, ce qui ne dit pas encore son ampleur : les fournisseurs travaillent à réduire cette complaisance, et son intensité varie selon les systèmes et les versions.
4. Trois hypothèses, aucune proportion connue
Au terme de cette première étape, la réponse honnête est la suivante. Trois effets sont plausibles, et rien ne permet aujourd'hui d'en écarter aucun : la conversation peut conforter une opinion existante, et la complaisance des modèles lui en donne le moyen ; elle peut la déplacer ; elle peut permettre à une opinion d'apparaître là où il n'y en avait pas, ce qui relève moins de la persuasion que de l'apprentissage. Ces trois effets coexisteront probablement, dans des proportions qui dépendront des dispositions initiales, des sujets, des systèmes utilisés et de la manière dont chacun s'en sert. Un électeur très convaincu peut n'utiliser l'agent que pour conforter son choix ; un autre peut lui poser cinquante questions et voter comme il l'aurait fait sans lui ; un troisième peut y construire, sur un sujet qu'il ignorait, une position qu'il n'avait pas. Nous ignorons les proportions, et aucune donnée française ne permet aujourd'hui de les estimer. C'est précisément ce qui fait de la campagne en cours un terrain de recherche, et non le support d'une conclusion déjà écrite.
Ce qui est certain n'est donc pas l'effet. C'est que, quel qu'il soit, nous risquons de ne pas le voir.
III. La rupture du miroir démocratique
Car un autre changement ne dépend pas de l'issue de ce débat : il concerne notre capacité collective à voir ce qui se passe. Une démocratie ne se contente pas d'additionner des décisions privées le jour du vote ; elle produit aussi une représentation, nécessairement imparfaite, de sa propre délibération : c'est ce que nous avons nommé, en introduction, le miroir démocratique. Un débat télévisé laisse une vidéo et une audience ; un article a une date, un titre et une signature ; un message publié sur un réseau social peut être partagé, dénoncé et analysé.
Il ne faut pas idéaliser cet ancien monde. Les conversations entre proches ont toujours échappé à l'observation, et l'on sait depuis Katz et Lazarsfeld (1955) qu'elles pèsent lourd dans la formation des opinions ; les recherches sur Internet étaient privées ; les algorithmes des réseaux sociaux exposent depuis longtemps chacun à des contenus différents. Il n'y a jamais eu de transparence parfaite de la formation des opinions. Mais une grande partie des objets qui circulaient possédait une existence commune : même si l'on ignorait leurs effets exacts, on pouvait généralement montrer ce qui avait circulé.
La conversation avec une intelligence artificielle introduit une différence : la question est privée et la réponse l'est également. Produite pour l'utilisateur au moment où il la demande, elle n'a pas nécessairement d'adresse publique et ne devient pas spontanément un objet que journalistes, chercheurs ou citoyens peuvent examiner ensemble. Un même cadrage peut donc être répété à des milliers de personnes sans devenir une polémique visible ; une erreur peut circuler sans produire le signal collectif auquel une rédaction ou une institution aurait répondu ; inversement, une question très fréquente peut rester absente du débat public parce que chacun la pose séparément.
Le cas le plus frappant est celui des candidats eux-mêmes. Jusqu'ici, une information fausse ou malveillante à l'endroit d'un candidat finissait par prendre une forme repérable : un article, une rumeur reprise sur un plateau, une publication partagée des milliers de fois. Le candidat pouvait la voir, la contester, exiger un droit de réponse, saisir un juge. Dans l'espace conversationnel, une inexactitude sur son parcours, ses votes ou son programme peut être répétée à des milliers d'électeurs, chacun l'ayant obtenue seul, sous une formulation un peu différente, sans qu'elle prenne jamais une forme publique que le candidat ou son équipe puisse identifier. Il se trouve alors dans une situation inédite : savoir que l'on parle de lui dans des millions de conversations, ignorer ce qui s'y dit, et ne disposer d'aucun moyen ordinaire de le découvrir. Il ne peut pas répondre à ce qu'il ne peut pas voir. Et l'électeur qui a reçu cette réponse ne sait pas davantage qu'elle lui est particulière, ni qu'elle n'a jamais été contredite.
Voilà en quoi consiste la rupture du miroir démocratique. Elle est partielle, car ce miroir a au moins deux faces. La première est celle des opinions : les sondages continuent de mesurer les préférences et les intentions de vote, et rien dans l'existence des agents ne rend cette mesure impossible. La seconde est celle des circuits de formation : quels arguments circulent, quelles questions deviennent importantes, quelles représentations sont confortées ou contestées. C'est cette deuxième face qui devient plus difficile à observer.
Elle n'est pas non plus symétrique. Ce que la société ne voit plus, le fournisseur du système le voit intégralement : OpenAI, Google, Anthropic ou Mistral disposent de chaque question et de chaque réponse tant qu'ils les conservent, peuvent les agréger à volonté, et certains publient d'ailleurs, à leur discrétion, des études sur les usages de leurs outils. Cette face du miroir n'a donc pas disparu ; elle a été déplacée hors de la scène commune, dans des mains privées, pour l'essentiel étrangères, qui n'ont ni l'obligation ni nécessairement l'intérêt de la tendre à la société qui vote. C'est une différence considérable avec la presse ou la télévision, dont le contenu était public par nature et dont l'audience était mesurée par des tiers.
Le scénario préoccupant n'est donc pas celui d'une élection que les sondages ne sauraient pas prévoir, mais quelque chose de plus étrange : un résultat correctement anticipé et de plus en plus mal expliqué, alors que les éléments de l'explication existent, quelque part, dans les serveurs de quelques entreprises. La courbe aurait été vue ; une partie de son histoire ne l'aurait pas été.
IV. Qui parle lorsque l'agent répond ?
Cette invisibilité rend plus aiguë une autre famille de questions : celles de l'influence, des biais et de la manipulation. Les agents donnent l'impression d'une parole sans auteur : on pose une question, « l'IA » répond. Mais une réponse est nécessairement construite. Elle sélectionne des informations, hiérarchise des arguments, choisit un vocabulaire, présente deux positions comme équivalentes ou juge une affirmation erronée, cite certaines sources et en omet d'autres. Et elle est construite aussi par celui qui la demande : la formulation de la question oriente la réponse, on l'a vu en II.
Le problème n'exige aucune intention malveillante. Une différence de traitement entre deux candidats peut résulter de la quantité et de la qualité des informations disponibles sur eux ; une réponse peut privilégier par construction des sources institutionnelles ou médiatiques, et les accords de licence conclus entre fournisseurs et médias, comme celui du Monde avec OpenAI en 2024, décident en partie des sources qui entrent dans les réponses ; les modèles diffèrent entre eux et leurs réponses évoluent au gré des mises à jour. Ces biais de construction se doublent d'erreurs pures, et le risque n'est pas théorique : les audits conduits lors des élections suisses et allemandes de 2023, puis de la campagne américaine de 2024, ont relevé des erreurs factuelles dans une part importante des réponses des assistants aux questions électorales, jusqu'à des dates de scrutin erronées et des chiffres de sondage inventés (AI Forensics et AlgorithmWatch, 2023 ; AI Democracy Projects, 2024).
À cela s'ajoute l'action volontaire. Ce que le référencement naturel était aux moteurs de recherche, l'optimisation pour les moteurs génératifs (GEO, pour generative engine optimization) le devient pour les agents : produire et placer des contenus conçus pour être repris dans les réponses, structurés pour les modèles autant que pour les lecteurs. Les équipes de campagne ont compris, ou comprendront vite, qu'être correctement représenté dans les réponses conversationnelles est une forme nouvelle de visibilité, et elles s'y emploient ; des acteurs plus offensifs chercheront à saturer les environnements documentaires dont les systèmes se nourrissent, ou à y installer des interprétations défavorables à un adversaire. La bataille pour la visibilité numérique ne disparaît pas : les moteurs de recherche n'ont pas disparu, mais leur usage recule à mesure que progresse le recours aux agents conversationnels, et la bataille change de terrain, avec une différence : ses résultats sont invisibles à ceux qu'elle vise.
À l'autre extrémité se trouve le risque le plus spectaculaire : qu'un système recommande explicitement un candidat, que ses réponses soient délibérément manipulées, ou qu'une puissance étrangère y trouve un nouveau canal d'ingérence, en agissant sur les sources dont les modèles se nourrissent ou sur les systèmes eux-mêmes. Ce texte n'évalue ni la probabilité de cette ingérence ni ses effets ; il constate que le sujet est assez sérieux pour que des autorités électorales, au Brésil et ailleurs, s'en saisissent, et qu'il appelle de la régulation. Mais une démocratie qui réduirait le problème à cette seule dimension manquerait l'essentiel de ce qui change.
V. La tentation de surveiller
Le cas brésilien mérite ici un examen plus précis, parce qu'il permet de distinguer deux exigences complémentaires : protéger l'intégrité électorale et observer les transformations ordinaires de l'information politique.
Le 8 septembre 2026, le Tribunal supérieur électoral (TSE) a rendu public le plan de conformité présenté par OpenAI pour les élections d'octobre : des barrières destinées à empêcher ChatGPT de favoriser une candidature ou de recommander un vote, des restrictions sur la production à grande échelle de messages de campagne, des mécanismes d'identification des contenus générés et un système d'alerte anticipée chargé de repérer les variations inhabituelles d'activité et les signaux d'abus. La réglementation du TSE va plus loin, puisqu'elle interdit aux fournisseurs de systèmes d'IA de classer, recommander ou privilégier des candidatures, des partis ou des coalitions, et d'exprimer une préférence électorale. Le parquet électoral a parallèlement ouvert une procédure sur l'action de plusieurs grandes plateformes d'IA (TSE, 2026 ; Folha de S.Paulo, 2026).
La difficulté du contrôle est déjà apparente : les réponses sont personnalisées, et les autorités ne disposent ni d'un corpus public comparable à celui des médias, ni des moyens de tester l'ensemble des interactions possibles ; elles dépendent, pour l'essentiel, de ce que le fournisseur accepte de leur montrer. Le cas brésilien montre donc à la fois la nécessité et la limite d'une réponse centrée sur l'intégrité électorale. Fixer des interdits, détecter les manipulations, exiger des plateformes qu'elles organisent leur conformité : tout cela relève d'une logique indispensable, surveiller. Qui enfreint la règle ? Quel système produit une réponse interdite ? Quelle opération est coordonnée ? Mais ces questions ne répondent pas à une autre : que se passe-t-il réellement ? Combien d'électeurs parlent politique avec les agents, sur quoi, à quel moment de la campagne ? Quelles questions apparaissent après un débat ? Quelles erreurs reviennent ? Quelle place ces échanges prennent-ils dans les jugements ? Et plus les réponses sont individualisées, plus la surveillance rencontre elle-même le problème d'inobservabilité qui nous occupe.
La France n'est pas dépourvue de cadre, mais le sien a été conçu pour un autre monde. Elle possède même l'instrument de miroir le plus littéral qui soit : pendant la campagne présidentielle, l'Arcom relève les temps de parole et d'antenne des candidats sur l'ensemble des chaînes et des radios, à la minute près, et veille à leur équité puis à leur égalité ; la Commission nationale de contrôle de la campagne électorale surveille la propagande et les documents de campagne. Rien de comparable n'existe pour la présence des candidats dans les réponses conversationnelles : personne ne compte combien de fois un candidat y est cité, dans quels termes, avec quelles erreurs, et aucune règle du code électoral n'a été écrite pour une réponse produite à l'unité. Le droit européen commence à combler ce vide. Le règlement sur l'IA impose des obligations générales de transparence aux modèles à usage général, et la Commission a désigné ChatGPT, le 31 août 2026, comme très grand moteur de recherche au titre du DSA, ce qui l'oblige d'ici la fin de l'année à évaluer et atténuer les risques systémiques que son service fait peser sur les processus électoraux (Commission européenne, 2026). Ce n'est pas rien, et cela arrive juste à temps. Mais les autres assistants ne sont pas encore désignés, et surtout cette obligation relève de la même logique que le dispositif brésilien : évaluer des risques et prévenir des abus, c'est surveiller. Personne, en France, n'a encore la charge d'observer.
Ce second programme, observer, est d'une autre nature que le premier, et la distinction que nous proposons de retenir entre les deux termes est démocratiquement décisive : surveiller vise à identifier des comportements prohibés, observer vise à comprendre un phénomène collectif. Une démocratie a besoin des deux, mais elle doit savoir les distinguer. Cela implique immédiatement une limite : reconstruire l'observation collective ne peut signifier organiser l'accès aux conversations privées des citoyens, qui peuvent contenir des informations personnelles, professionnelles, médicales ou intimes. Le défi méthodologique est donc presque paradoxal : rendre collectivement intelligible un phénomène qui doit rester individuellement privé. Cela suppose des dispositifs consentis, des échantillons, de l'agrégation, des protocoles explicites et des règles sévères de protection des données. Autrement dit, beaucoup plus de science que de surveillance.
VI. La France : un retard de problématisation, surtout un retard d'instrumentation
Le cadre juridique n'est pas tout, et il serait injuste d'écrire que la France n'a rien vu. Des institutions publiques se sont saisies des risques liés à l'IA générative et à l'intégrité du débat ; des chercheurs travaillent sur les effets politiques des chatbots ; des enquêtes commencent à interroger les Français sur l'IA et sur leurs craintes de manipulation lors de la présidentielle. Mais il existe un retard plus précis et plus préoccupant : nous sommes mieux équipés pour penser les dangers visibles de l'IA que pour observer méthodiquement les transformations ordinaires qu'elle introduit dans la circulation de l'information. Le débat s'organise autour des menaces : désinformation, ingérences, deepfakes, biais, manipulation. Ces questions sont sérieuses. Mais la transformation en cours touche un paramètre plus central du fonctionnement d'une société, les modalités par lesquelles ses membres cherchent, reçoivent, confrontent et mémorisent leurs informations. Lorsque ce paramètre change, il ne suffit pas d'en empêcher les usages malveillants ; il faut aussi apprendre à le mesurer.
C'est particulièrement vrai pour les instituts de sondage. La France dispose dans ce domaine d'un savoir-faire considérable, et la profession, qui a traversé plusieurs transformations technologiques, n'a aucune raison d'être incapable de traverser celle-ci. Le défi n'en est pas moins sérieux. Nos instruments décrivent remarquablement la géographie de l'opinion : qui pense quoi, avec quelle intensité, dans quels groupes. Les études qualitatives éclairent les significations et les raisonnements associés. Mais une partie nouvelle de l'histoire du jugement se déroule désormais dans un espace qui n'entre spontanément dans aucun de ces instruments. Un questionnaire peut demander si l'on utilise ChatGPT pour s'informer, si l'on fait confiance aux réponses, si l'on craint que l'IA manipule l'élection ; il ne dit pas ce que la personne a demandé à l'agent, ce qu'il lui a répondu et quelle question est venue ensuite. Nous avons commencé à mesurer les usages de l'IA et ce que les Français en pensent ; il reste à apprendre à observer ce qui se produit lorsque certains commencent à penser avec elle.
C'est un changement méthodologique substantiel, et le calendrier est court. Les instituts devront rapidement trancher : quels objets mesurer, quels échantillons utiliser et quelles populations surreprésenter puisque l'adoption est si inégale, comment comparer plusieurs systèmes, comment distinguer une question isolée d'une trajectoire, comment articuler données conversationnelles et opinions déclarées, quelles inférences sont légitimes. Ils devront aussi produire des méthodes qui ne soient pas seulement ingénieuses, mais expertisables : un résultat d'enquête ne tire pas sa crédibilité de l'affirmation de son producteur qu'il a conçu un bon algorithme, mais de conventions méthodologiques, de procédures explicables, de possibilités de contrôle et, progressivement, de standards partagés. C'est probablement l'un des plus grands défis professionnels que l'IA pose aux études d'opinion, et il intervient dans un environnement académique français qui, malgré plusieurs travaux de qualité, n'a pas encore produit à l'échelle requise le programme de recherche transversal qu'appellerait une modification aussi importante de l'architecture informationnelle. La situation n'a rien d'irrémédiable. Elle interdit simplement d'attendre.
VII. Reconstruire le miroir
Il n'existe probablement pas d'instrument unique pour résoudre ce problème, parce que le manque de visibilité décrit dans ce texte n'est pas un manque mais trois. Nous ne savons pas qui demande quoi aux agents : ce sont les questions. Nous ne savons pas ce qui leur est répondu : ce sont les réponses. Nous ne savons pas ce que ces échanges font aux jugements : ce sont les effets. À chacune de ces lacunes répondent des instruments distincts, que l'on peut mobiliser séparément, et dont la combinaison dessine l'architecture d'observation qui manque aujourd'hui.
Les réponses sont les plus faciles à observer, parce qu'on peut les provoquer. Des audits systématiques posent à intervalles réguliers la même batterie de questions à tous les systèmes et comparent ce qu'ils disent de chaque candidat et de chaque mesure, avec quelles sources et quelles erreurs. C'est le seul moyen de savoir qui parle lorsque l'agent répond (IV), et l'équivalent, pour les réponses conversationnelles, de ce que l'Arcom mesure pour l'audiovisuel.
Les questions sont le cœur du problème, parce qu'elles n'existent nulle part ailleurs que dans les conversations privées. C'est ici qu'intervient ce que nous nommons le sondage des questions : appliquer les disciplines de l'enquête par sondage non seulement aux réponses que donnent les citoyens, mais à ce qu'ils demandent aux systèmes conversationnels et aux réponses qu'ils y rencontrent. Concrètement, il s'agit d'un échantillon de répondants constitué selon les règles ordinaires de l'enquête, dont on connaît le profil, les opinions et les intentions de vote, et qui consentent à ce que leurs conversations politiques avec les agents soient extraites et analysées, avec la plus grande attention au respect de leur confidentialité. L'échantillonnage n'est pas ici une contrainte mais le cœur du dispositif : il permet d'estimer ce que demandent des millions de personnes à partir de quelques centaines ou quelques milliers de conversations, et donc de limiter au strict nécessaire l'extraction de données. L'enjeu n'est pas de constituer un gigantesque fichier de conversations ; il est exactement inverse : transformer, par échantillonnage et agrégation, un ensemble d'expériences individuelles en connaissance collective sans supprimer leur caractère privé. Quels sujets sont interrogés, et sous quelles formulations ? Quelles inquiétudes apparaissent avant d'être visibles dans les baromètres classiques ? Quelles réponses sont rencontrées, et quelles objections provoquent-elles ? Parce que le profil et les opinions des répondants sont connus, ces résultats peuvent être redressés et rapportés à l'ensemble de la population, ce qu'aucune autre source ne permet.
Les effets, enfin, sont les plus difficiles à établir, et plusieurs instruments y concourent sans dépendre les uns des autres. Les enquêtes représentatives mesurent l'adoption des agents et les caractéristiques de leurs utilisateurs. Les expérimentations testent, en conditions contrôlées, ce que différents types de réponses font à des opinions. Les études qualitatives observent en profondeur la manière dont certains utilisateurs raisonnent avec les agents. Et lorsque le sondage des questions permet un suivi longitudinal, dans des conditions méthodologiques et éthiques rigoureuses, il devient possible de rapprocher trajectoires conversationnelles et trajectoires de jugement (II) ; c'est ce qui en fait la clé de voûte de l'ensemble. Il existe enfin une source qui permettrait de travailler sans échantillonnage : les données détenues par les fournisseurs eux-mêmes. Le droit européen commence à en organiser l'accès pour les chercheurs (article 40 du DSA) ; on peut aussi imaginer un accès direct négocié avec les opérateurs, ou l'achat de données auprès de courtiers spécialisés. Nous ne savons pas aujourd'hui laquelle de ces voies sera praticable, et l'avenir le dira ; toutes supposent la même condition, que la confidentialité des conversations soit respectée avec la même rigueur que dans l'échantillon consenti, et que l'on ne dépende pas de ce que le fournisseur choisit de montrer. PSCIS travaille sur cette famille d'instruments et sur leur transposition opérationnelle en France.
Le défi principal n'est probablement pas technologique, car plusieurs briques nécessaires existent déjà. Il est méthodologique, et il comporte six exigences distinctes :
- faire d'un matériau conversationnel mobile et individualisé un objet statistiquement interprétable ;
- distinguer ce que l'on observe de ce que l'on infère ;
- assurer la comparabilité dans le temps alors que les modèles changent ;
- rendre les protocoles auditables ;
- protéger les personnes ;
- produire des résultats que les instituts, les chercheurs, les médias et les institutions puissent discuter à partir de règles communes.
Autrement dit, reconstruire un miroir. Pas le miroir ancien : la conversation privée ne deviendra pas un plateau de télévision, et il serait peu souhaitable qu'elle le devienne. Mais entre l'opacité complète et la surveillance généralisée existe un immense espace pour la méthode.
Conclusion : faire de 2027 un laboratoire plutôt qu'une panique
L'intelligence artificielle conversationnelle est entrée dans une campagne française qui sera probablement difficile à lire jusqu'au bout, pour de nombreuses raisons qui ne lui doivent rien : offre électorale encore ouverte, stabilité gouvernementale incertaine, rapports de force mouvants, événements imprévisibles, sélections des médias et amplifications des réseaux sociaux. Il serait absurde de prétendre isoler par avance « l'effet IA » sur le scrutin. Mais il serait tout aussi imprudent d'en conclure qu'il suffit d'attendre le résultat.
Car quelque chose de plus profond se produit déjà. Une technologie déjà utilisée par près d'un Français sur deux transforme la relation entre question et information, entre information générale et situation personnelle, entre recherche ponctuelle et conversation suivie. Elle peut participer à la formation des jugements, favoriser l'apprentissage comme le renforcement, informer comme se tromper, servir la persuasion comme la résistance à la persuasion. Mais surtout, une partie de ces phénomènes se déroule hors de la scène commune.
C'est pourquoi la question démocratique ne peut pas seulement être : comment contrôler l'intelligence artificielle ? Elle doit aussi être : comment comprendre ce qui est en train de se passer ? La distinction paraît mince ; elle sépare deux politiques. La première répond à une technologie nouvelle par la crainte, la surveillance et l'interdiction. La seconde ajoute à la régulation nécessaire un programme d'observation, d'évaluation scientifique et d'appropriation collective, et elle suppose de considérer les citoyens autrement que comme les victimes potentielles de machines capables de les manipuler. Ils poseront de mauvaises et de bonnes questions, croiront certaines erreurs et en corrigeront d'autres ; les proportions, on l'a vu, sont inconnues, et c'est précisément pour cela qu'il faut les étudier.
À quelques mois du premier tour, le problème français n'est donc pas d'avoir choisi la mauvaise réponse. Il est de ne pas encore disposer des instruments permettant de poser correctement les questions. Or une campagne électorale a une particularité désagréable pour le chercheur : elle ne se rejoue jamais. En mai 2027, nous saurons qui les Français ont choisi. Il serait souhaitable que nous ayons aussi appris, autant qu'une démocratie respectueuse de la vie privée peut le faire, comment ils auront construit ce choix. Faute de quoi nous aurons peut-être parfaitement compté les voix, et perdu une partie de l'histoire qui les aura produites.
Références
AI Democracy Projects (2024). « Seeking Reliable Election Information? Don't Trust AI ». Proof News et Institute for Advanced Study, février 2024.
AI Forensics, AlgorithmWatch (2023). « Prompting Elections: The Reliability of Generative AI in the 2023 Swiss and German Elections », décembre 2023.
Blondiaux, L. (1998). La fabrique de l'opinion. Une histoire sociale des sondages. Paris : Seuil.
Bourdieu, P. (1973). « L'opinion publique n'existe pas ». Les Temps modernes, n° 318, p. 1292-1309.
Commission européenne (2026). « DSA : la Commission notifie leur désignation à ChatGPT, Reddit et Roblox », communiqué du 31 août 2026.
Converse, P. E. (1964). « The Nature of Belief Systems in Mass Publics ». In D. E. Apter (dir.), Ideology and Discontent. New York : Free Press.
Costello, T. H., Pennycook, G., Rand, D. G. (2024). « Durably reducing conspiracy beliefs through dialogues with AI ». Science, vol. 385, n° 6714.
Crédoc (2026). Baromètre du numérique, édition 2026. Enquête pour l'Arcep, l'Arcom, le CGE et l'ANCT.
Folha de S.Paulo (2026). « Procuradoria investiga atuação de big techs e pede informações ao TSE sobre reuniões com plataformas de IA », 5 septembre 2026.
Gelman, A., King, G. (1993). « Why Are American Presidential Election Campaign Polls So Variable When Votes Are So Predictable? ». British Journal of Political Science, vol. 23, n° 4, p. 409-451.
Ipsos bva (2026). « Les Français, l'IA générative et la politique ». Enquête pour la Fondation Jean-Jaurès, publiée le 5 février 2026.
Katz, E., Lazarsfeld, P. F. (1955). Personal Influence. The Part Played by People in the Flow of Mass Communications. Glencoe : Free Press.
Lazarsfeld, P. F., Berelson, B., Gaudet, H. (1944). The People's Choice. How the Voter Makes Up His Mind in a Presidential Campaign. New York : Duell, Sloan and Pearce.
Pariser, E. (2011). The Filter Bubble. What the Internet Is Hiding from You. New York : Penguin Press.
Perez, E., Ringer, S., Lukošiūtė, K., et al. (2022). « Discovering Language Model Behaviors with Model-Written Evaluations ». arXiv:2212.09251.
Salvi, F., Horta Ribeiro, M., Gallotti, R., West, R. (2025). « On the conversational persuasiveness of GPT-4 ». Nature Human Behaviour.
Sharma, M., Tong, M., Korbak, T., et al. (2023). « Towards Understanding Sycophancy in Language Models ». arXiv:2310.13548.
Stephens-Davidowitz, S. (2017). Everybody Lies. Big Data, New Data, and What the Internet Can Tell Us About Who We Really Are. New York : Dey Street Books.
Sunstein, C. R. (2001). Republic.com. Princeton : Princeton University Press.
Sunstein, C. R. (2017). #Republic. Divided Democracy in the Age of Social Media. Princeton : Princeton University Press.
Tribunal Superior Eleitoral (2026). « Eleições 2026: OpenAI prevê barreiras contra recomendação de voto e alerta antecipado », 8 septembre 2026.
Zaller, J. R. (1992). The Nature and Origins of Mass Opinion. Cambridge : Cambridge University Press.