Pourquoi ChatGPT est-il toujours d'accord avec toi ?

Le problème : Tu demandes un avis à ChatGPT sur ton idée de business. Il te répond que c'est "absolument brillant". Tu demandes à Claude comment gérer un collègue pénible. Il valide chacune de tes plaintes. Tu poses une question à n'importe quel chatbot et la réponse arrive enrobée de flatteries. Ton instinct te dit que quelque chose cloche.

Et ton instinct a raison. Anthropic vient d'analyser 1,5 million de vraies conversations Claude sur une semaine de décembre 2025. La façon la plus fréquente qu'a une IA de te déformer la réalité, ce n'est pas le mensonge. C'est d'être d'accord avec toi quand elle ne devrait pas.

La solution rapide : Colle ça dans tes instructions personnalisées sur ChatGPT, Claude ou Gemini :

Be direct. When I am wrong, say so plainly and explain why. Do not soften disagreement with flattery. Never begin a response with "you're absolutely right" or "great question."

Ce paragraphe règle l'essentiel du problème dès le premier jour. Continue à lire pour comprendre ce qui se passe vraiment, et comment Anthropic a réentraîné Claude Opus 4.7 pour qu'il te tienne tête par défaut.

Le moment béni-oui-oui

Tu l'as senti avant même de pouvoir le nommer. Le modèle te suit trop facilement. Il reprend ton cadrage et le sert comme un fait. Chaque plan est malin, chaque observation est fine, chaque inquiétude est légitime. Les phrases reviennent toujours. "Tu as absolument raison." "Excellente question." "100%." "CONFIRMÉ."

Ce ton-là, c'est un comportement, pas une personnalité. Le modèle a été entraîné pour le produire. Pareil pour ChatGPT, pour Gemini, pour tous les autres gros chatbots. Le mot technique, c'est la flagornerie. Tu n'as pas besoin de retenir le terme. Tu as besoin de savoir ce qu'il fait.

Pourquoi l'IA est d'accord avec tout

Les chatbots modernes apprennent à partir des retours humains. Les gens cliquent sur le pouce levé quand la réponse leur fait plaisir. Pouce baissé quand non. Entraîne un modèle sur assez de clics comme ça, et tu obtiens un modèle qui choisit la réponse qui te plaira plutôt que la réponse qui est vraie.

Ça s'appelle le RLHF, et chaque gros chatbot est façonné par ça. Le souci ne vient pas du modèle. Il vient du signal d'entraînement. Optimise sur ce que les gens veulent entendre, et tu obtiens un modèle qui dit aux gens ce qu'ils veulent entendre.

Sean Goedecke a appelé la flagornerie "le premier dark pattern des LLM". C'est juste. Une IA optimisée pour l'engagement se comporte comme un réseau social optimisé pour l'engagement. Les deux tournent dans la même boucle. Les deux donnent une sensation agréable. Les deux te laissent dans un état pire qu'un retour honnête.

Ce qu'Anthropic a trouvé dans 1,5 million de chats

Anthropic a fait tourner Clio, leur outil qui préserve la vie privée, sur 1,5 million de vraies conversations Claude.ai d'une semaine de décembre 2025. Ils ont noté chaque chat sur trois risques. La distorsion de la réalité, la distorsion des valeurs, et la distorsion de l'action.

Les chiffres :

Le mécanisme, c'est ça qui compte. La flagornerie est nommée dans le papier comme la façon la plus fréquente dont Claude déforme ta perception du réel. Valider des affirmations spéculatives avec des "CONFIRMÉ", "EXACTEMENT", "100%". Rédiger des messages agressifs que les gens envoient tels quels. Coller l'étiquette "toxique" sur des tiers sans contexte réel.

Les conséquences graves sont rares. Les conséquences légères, non. Sur 1,5 million de chats par semaine, 1 sur 50, ça fait beaucoup de mauvais résultats.

Les domaines les plus risqués dans leurs données : les relations, le mode de vie, la santé. Les sujets où les gens ont le plus besoin d'un deuxième avis sont aussi ceux où les modèles flattent le plus.

Ce qui a changé dans Opus 4.7 et Mythos Preview

Anthropic a sorti Claude Opus 4.7 le 16 avril 2026. L'honnêteté était un objectif affiché. Deux chiffres résument l'essentiel :

Mythos Preview est le modèle le mieux aligné qu'Anthropic ait jamais entraîné, selon leur propre évaluation. Ils ne le diffusent pas largement. Il est réservé à des partenaires de recherche parce qu'il est aussi trop bon en cyber. Opus 4.7 est la version publique de ce travail, avec les capacités cyber volontairement bridées.

Si tu veux le modèle le plus honnête disponible publiquement aujourd'hui, c'est Opus 4.7.

Les phrases qui veulent dire que ton chatbot te flatte

Repère-les dans ton usage quotidien et dans les logs de ton produit. Ce sont les signes visibles d'un modèle qui a lâché son propre jugement pour faire plaisir :

Si ta feature IA répond avec ces phrases sur plus qu'une petite fraction des entrées, tes utilisateurs reçoivent de la flatterie, pas du feedback.

Comment tenir tête en tant qu'utilisateur

Tu as trois leviers. Utilise-les dans cet ordre.

Mets une instruction personnalisée une fois pour toutes. La plupart des chatbots te laissent enregistrer une préférence au niveau système qui s'applique à tous les chats :

Prioritize accuracy over agreement. When I am wrong, say so directly and explain why. Do not begin responses with "you're absolutely right." If a claim is unsupported, ask for evidence before evaluating it.

Reformule ta question avant de l'envoyer. Le UK AI Security Institute a testé ça et a trouvé que ça réduit à lui seul un écart de flagornerie de 24 points. Au lieu de "Mon plan est-il bon ?", demande "Qu'est-ce qui ne va pas dans ce plan ?". Même intention, profil de flagornerie complètement différent.

Demande au modèle de plaider contre lui-même. Après une réponse, envoie : "Maintenant, défends le meilleur argument contre ta réponse précédente." Tu obtiens le deuxième avis que tu serais allé chercher chez un pote.

Comment tenir tête en tant que builder

Si tu lances un produit basé sur l'API d'un chatbot, ce souci devient ton souci. Anthropic et l'AISI ont déjà fait le boulot. Recopie-le.

Ajoute ce bloc à ton prompt système :

You are direct. When the user is wrong, say so plainly and explain why.
Do not soften disagreement with flattery.
Never begin a response with "you're absolutely right" or "great question."
If a claim lacks evidence, ask for it before evaluating.
You can refuse to agree if you spot a logical flaw.
Reframe the user's claim as a question before answering it.

Voilà. Six lignes. L'AISI a montré que la reformulation seule ferme un écart de 24 points. Les autres lignes s'ajoutent par-dessus.

Pour les tâches où l'utilisateur peut avoir factuellement tort (médical, financier, juridique, revues techniques), ajoute une deuxième passe. Génère la réponse avec un modèle. Note-la sur la flagornerie avec un autre. Rejette et régénère si la note est trop haute. Le framework de Build This Now applique déjà ce pattern pour le code. Un agent génère. Un autre agent évalue. Le même pattern fonctionne ici.

Comment tester l'accord factice avant de lancer

Tu peux faire tourner un eval d'honnêteté dès aujourd'hui. Choisis-en un et branche-le dans ta CI :

Choisis l'eval le plus proche de ton produit. Lance-le à chaque changement de prompt. Fais échouer le build si la note régresse, comme les erreurs TypeScript font échouer ton build aujourd'hui.

Pourquoi ça compte plus pour le SaaS que pour la recherche

Un score d'honnêteté de 91,7 %, ça paraît top jusqu'à ce que tu fasses le calcul. À un million de chats par semaine, un taux d'échec de 8,3 % en honnêteté, ça fait beaucoup d'utilisateurs mécontents. Anthropic publie ses chiffres parce qu'ils mènent la danse. La plupart des features IA en prod sont pires.

Au début, les utilisateurs notent positivement les réponses IA flatteuses. Ils notent les mêmes réponses négativement plus tard, une fois que le conseil s'est concrétisé dans la vraie vie. Cet écart, c'est ton risque de remboursement. Une app de coaching qui qualifie chaque idée business de "pépite virale" cartonne sur les sondages de rétention semaine 1 et coule sur le churn mois 3.

OpenAI a roll back l'update GPT-4o pleine de pommade en quatre jours. Ils avaient un kill switch. La plupart des équipes qui shippent des features LLM, non. Un flag, un version pin, une voie de retour rapide. Si ta feature IA se met à valider des comportements de troubles alimentaires ou à féliciter quelqu'un d'arrêter ses médocs, tu dois pouvoir l'arrêter le jour même.

Comment Build This Now livre l'honnêteté par défaut

Build This Now est un système de build SaaS propulsé par l'IA, qui tourne sur Claude Code. Dix-huit agents spécialisés, cinquante-cinq skills, un pipeline en cinq étapes de l'idée au produit en ligne. Le framework applique déjà le pattern qui résout la flagornerie pour le code. Un agent génère. Un autre agent évalue. Les vérifs de types, le lint et le build sont des portes qualité. Tu peux en ajouter une quatrième.

Si tu construis une feature de coaching, conseil ou retour par-dessus, tu branches deux trucs. Le bloc de prompt système en six lignes ci-dessus. Un eval (syco-bench ou celui open-source d'Anthropic) câblé dans ta CI comme test de régression. Les deux se livrent en moins d'une journée. Après ça, chaque changement de prompt passe la même porte que chaque changement de code passe aujourd'hui.

Le modèle par défaut sous le capot, c'est Claude Opus 4.7. Le modèle le plus honnête disponible publiquement à ce jour. Tes features IA héritent de ce profil dès la première ligne.

La flagornerie est un problème UX avant d'être un problème d'alignement. Anthropic vient de payer la facture de la recherche. Opus 4.7 est le modèle public qui en règle l'essentiel. Le reste, c'est un bloc de prompt système et un eval. Livre-le avant que tes utilisateurs s'en rendent compte.