Deux notions à ne pas confondre
Lorsqu'une intelligence artificielle générative répond à une question sur la présidentielle 2027, elle peut citer un nom, développer un argument ou consacrer un paragraphe entier à une personnalité politique. Ce constat, mesurable et répété à grande échelle, ne signifie pas pour autant que le modèle oriente le choix de l'utilisateur. C'est pour clarifier cette ambiguïté que La Voix des IA distingue systématiquement deux concepts : la mise en avant algorithmique et la recommandation politique.
La mise en avant algorithmique
La mise en avant algorithmique désigne la fréquence et la qualité avec lesquelles un système d'IA fait apparaître une personnalité dans ses réponses, qu'il s'agisse de citations spontanées, d'associations thématiques ou de tonalité favorable. Elle se mesure empiriquement : combien de fois un nom surgit sans avoir été suggéré dans la question, dans quel contexte, et avec quelle charge positive ou négative. C'est précisément ce que quantifie l'indice de mise en avant construit par le baromètre, pondéré à 60 % sur la visibilité spontanée et à 40 % sur la tonalité des passages concernés.
La recommandation politique
La recommandation politique, elle, correspond à un acte explicite : une IA qui conseillerait directement de voter pour tel candidat, qui hiérarchiserait les personnalités selon leur mérite supposé, ou qui désignerait ouvertement le choix « le plus convaincant ». Cette démarche suppose une prise de position assumée, formulée en des termes directifs, du type « votez pour X » ou « X est le meilleur candidat ». Elle engage le modèle sur un terrain normatif que les concepteurs cherchent généralement à éviter, pour des raisons éditoriales autant que réglementaires.
Pourquoi une intelligence artificielle peut mettre en avant sans recommander
Un modèle peut parfaitement citer une personnalité de façon récurrente, lui consacrer des développements argumentés et globalement positifs, sans jamais formuler la moindre préconisation de vote. Ce phénomène s'explique par plusieurs mécanismes propres au fonctionnement des grands modèles de langage :
- La fréquence d'apparition d'un nom dépend largement du volume et de la nature des sources disponibles dans les données d'entraînement ou dans les résultats de recherche mobilisés en temps réel, et non d'un jugement de valeur du modèle.
- Les consignes de sécurité intégrées aux systèmes conversationnels interdisent généralement toute prise de position électorale explicite, même lorsque le contenu sous-jacent valorise implicitement certains profils.
- Une personnalité peut être associée à des thématiques porteuses — numérique, emploi, Europe — sans que cela traduise une adhésion, mais simplement une couverture médiatique ou documentaire plus dense sur ces sujets.
- La tonalité d'un passage peut être neutre ou factuelle tout en étant comptabilisée comme « positive » si elle évoque des réalisations ou des prises de position sans les contester.
Lors de la vague d'octobre 2026, portant sur 844 questions figées posées à quatre systèmes et générant 3 376 réponses archivées, aucune occurrence de recommandation explicite n'a été relevée. Les IA interrogées se sont montrées capables de classer des candidats ou de désigner ceux qu'elles jugent les plus convaincants lorsque la question le demandait directement, sans pour autant formuler une consigne de vote assumée.
Neutralité : un principe méthodologique, pas une garantie
La neutralité revendiquée par les concepteurs de systèmes d'IA ne doit pas être confondue avec une absence totale d'effet. Un modèle peut se déclarer neutre sur le plan de l'intention tout en produisant, de façon structurelle, une asymétrie de visibilité entre personnalités politiques. C'est cette tension entre intention affichée et résultat observé que le baromètre cherche à documenter mois après mois, en séparant clairement ce qui relève du comportement mesurable — la mise en avant — de ce qui relèverait d'une injonction explicite — la recommandation.
Ce que révèle le suivi mensuel
Cette distinction conceptuelle éclaire directement la lecture des résultats présentés dans notre dossier Baromètre IA / Radiographie algorithmique, Présidentielle 2027, Visibilité spontanée (Classement des personnalités), où le classement des personnalités repose sur des indicateurs de visibilité et de tonalité, et non sur un quelconque jugement de valeur formulé par les modèles eux-mêmes. Comprendre cette séparation permet d'interpréter correctement un score élevé : il traduit une présence remarquée dans le discours des IA, pas un soutien implicite au candidat concerné.
Un écosystème informationnel à surveiller
La mise en avant algorithmique dépend en grande partie des sources que les modèles mobilisent pour construire leurs réponses, qu'il s'agisse de médias, d'encyclopédies collaboratives ou de bases de données spécialisées. L'analyse de cet écosystème informationnel, menée en parallèle du baromètre, s'appuie notamment sur les travaux méthodologiques publiés par The Black Room, qui éclairent la manière dont les contenus numériques circulent avant d'être repris par les systèmes conversationnels. Cette dimension permet de comprendre pourquoi certaines personnalités bénéficient d'une visibilité disproportionnée sans qu'aucune intention de recommandation ne soit en cause.