Traduction de This Is What Will Ruin Public Opinion Polling for Good dans le New York Times, par Leif Weatherby et Benjamin Recht, le 6 avril 2026.
Le Dr Weatherby est directeur du Digital Theory Lab à l’Université de New York. Le Dr Recht est professeur de génie électrique et d’informatique à l’Université de Californie à Berkeley.
Un article récent d’Axios sur la politique de santé maternelle faisait référence à des « conclusions » selon lesquelles une majorité de personnes faisaient confiance à leurs médecins et infirmières. À première vue, cela n’a rien d’inhabituel. Ce qui n’était toutefois pas mentionné au départ, c’est que ces conclusions étaient inventées de toutes pièces.
En cliquant sur les liens, on découvrait (comme l’ont également révélé une note de la rédaction et une clarification ultérieures d’Axios) que ce sondage d’opinion était une simulation informatique réalisée par la start-up d’intelligence artificielle Aaru. Aucune personne n’a participé à la création de ces opinions.
La technique utilisée par Aaru s’appelle l’échantillonnage silicium, et elle est soudainement partout. Le principe de l’échantillonnage silicium est simple et séduisant. Comme les grands modèles linguistiques peuvent générer des réponses qui imitent celles des humains, les instituts de sondage y voient une opportunité d’utiliser des agents IA pour simuler des réponses à des enquêtes à un coût et en un temps bien inférieurs à ceux requis par les sondages traditionnels.
Les sondages téléphoniques sont devenus exponentiellement plus difficiles. Les sondages en ligne sont trop aléatoires. L’échantillonnage par simulation élimine la partie fastidieuse et coûteuse qui consiste à demander aux gens ce qu’ils pensent.
Mais cela sape l’idée même du sondage d’opinion. L’opinion publique sert à orienter les politiques, la politique et les sciences sociales, et elle n’a de valeur que dans la mesure où elle résume les croyances et les opinions d’êtres humains réels. Utiliser des simulations d’opinions humaines à la place des vraies ne fera qu’aggraver notre écosystème d’information déjà défaillant et semer la méfiance. Nous ne devrions pas nous tourner vers une société artificielle pour tenter de comprendre la nôtre.
Le journaliste Walter Lippmann, dans son ouvrage influent de 1922 intitulé « Public Opinion », a écrit que les êtres humains se forgent des « images dans leur tête » des sociétés dans lesquelles ils vivent. Il appelait ces images des « fictions » et des « pseudo-environnements », affirmant qu’une démocratie avait besoin d’outils pour corriger ces images, et que les sondages d’opinion pouvaient remplir ce rôle. Les sondages ne seraient jamais parfaits, mais M. Lippmann pensait qu’ils étaient essentiels pour nous rapprocher d’une perception précise de la volonté du peuple.
Mais les sondages se sont révélés difficiles à réaliser au fil des ans. Pour avoir une faible marge d’erreur, les sondages nécessitent de recueillir les réponses d’un échantillon large et représentatif de la population. Or, les sondeurs ont du mal à joindre les gens. Certaines personnes peuvent être trop occupées pour parler au téléphone ou remplir des questionnaires en ligne. Pour pallier ces problèmes, les sondeurs s’appuient sur des modèles statistiques afin de tenir compte des variables susceptibles de fausser les résultats.
Ce processus est imparfait et confus. Imaginons qu’un sondeur souhaite savoir combien de personnes aux États-Unis sont favorables à une certaine mesure politique, mais qu’il se retrouve avec un sondage comprenant 80 % de républicains et seulement 20 % de démocrates. Le sondeur peut penser qu’en réalité, le pays est plus proche d’un partage 50-50, et les résultats sont donc rééquilibrés pour refléter cette réalité perçue. Cela signifie que les pourcentages que vous lisez comme résultats du sondage sont le produit du modèle, et non des chiffres issus des données réelles de l’enquête.
Le problème est que chaque modèle est conçu avec ses propres biais, car les sondeurs ne s’accordent pas sur les variables qui méritent le plus de poids. En 2016, Nate Cohn, analyste politique en chef du New York Times, a mené une expérience dans laquelle il a fourni les mêmes données de sondage électoral à cinq sondeurs. (Parmi eux figurait le Siena College, qui réalise des sondages d’opinion pour le Times et qui a été le premier à obtenir ces données.)
M. Cohn a constaté un écart de 5 % entre les résultats des modèles des cinq instituts de sondage. Cet écart était supérieur à la marge d’erreur généralement associée à l’échantillonnage aléatoire, ce qui signifie que les hypothèses de modélisation faussaient considérablement les résultats. C’est alarmant, car cela suggère que les instituts de sondage peuvent utiliser la modélisation pour orienter les sondages dans une certaine direction et influencer l’opinion publique elle-même, plutôt que de se contenter de rapporter ce que pense le public.
L’échantillonnage par silicium aggrave ces problèmes. Les jeunes prodiges de l’informatique à l’origine de l’échantillonnage par silicium sont tellement enthousiasmés par l’IA qu’ils affirment que leurs simulations informatiques prédictives complexes sont précises parce qu’elles sont entraînées sur ce qui a été observé dans le passé — par conséquent, elles excellent à simuler le comportement humain dans le présent et à prédire ce qui va suivre. Cependant, la prédiction n’est pas l’objectif des sondages. L’objectif est de recueillir l’opinion actuelle.
Cette méthode peut sembler absurde ; nous pensons en tout cas qu’elle l’est. Et pour aggraver les choses, de nombreuses preuves montrent qu’elle ne produit pas de résultats particulièrement fiables. Une étude récente (qui n’a pas encore fait l’objet d’une évaluation par les pairs) suggère que les biais qui faussent les sondages faussent encore plus fortement les chiffres de l’échantillonnage sur silicium. Plus on s’éloigne des gens, plus la simulation devient le reflet des convictions du sondeur.
Néanmoins, les modélisateurs d’IA vont de l’avant, et ils sont soutenus par d’importants investissements. Ipsos affirme collaborer avec l’université de Stanford pour « ouvrir la voie à l’utilisation de l’IA et des données synthétiques dans les études de marché et d’opinion publique » en créant des jumeaux numériques — « des représentations virtuelles de répondants à des enquêtes du monde réel ». Gallup s’est associé à Simile, un spécialiste de l’échantillonnage synthétique, pour créer 1 000 jumeaux numériques générés par l’IA pour ses clients. CVS (dont la branche de capital-risque a investi dans Simile) s’est également associé à cette start-up pour « répondre aux questions concernant ses clients ».
Les entreprises proposant ce service se multiplient, bénéficiant de centaines de millions de dollars de financement provenant de certaines des plus grandes sociétés de la Silicon Valley. Elles promettent des « approximations crédibles du comportement humain » à quiconque a besoin de vérifier ce que les gens pourraient penser avant d’agir. Les études de marché constituent sans doute le secteur le plus important dans lequel l’échantillonnage par simulation sera utilisé, car cela rendra le lancement d’une entreprise beaucoup moins coûteux.
Si nous ne mettons pas un frein au « silicon sampling », nous pourrions assister à une érosion significative de la confiance dans les travaux sur l’opinion publique et, plus largement, dans la recherche en sciences sociales. Les résultats de ces études — comme le sondage Aaru entièrement simulé — sont des opinions confuses présentées comme des faits objectifs. Il est sans équivoque faux d’affirmer qu’une majorité de personnes font confiance à leurs propres médecins et infirmières sur la base d’un sondage réalisé par l’IA.
Que se passera-t-il lorsque ces enquêtes nous indiqueront les niveaux relatifs de soutien dans la course ouverte à l’investiture démocrate pour 2028 ? À titre d’exemple, Aaru a réalisé une simulation complète de l’élection présidentielle américaine de 2024 à la veille du jour du scrutin ; Kamala Harris l’a emporté, de justesse.
De pures fictions sont sur le point d’être considérées comme des connaissances scientifiques et politiques. Si nous ne faisons pas marche arrière, notre compréhension de la société pourrait elle aussi devenir artificielle.
Liste évolutive des traductions par Gilles en vrac
Les caractères gras dans le texte sont de Gilles.