Avec son contrôle sur l’information, la Chine biaise les chatbots dans sa langue
Une étude publiée dans la revue scientifique Nature, conduite par des chercheurs de plusieurs universités américaines, révèle que la propagande d'État chinois contamine massivement les données d'entraînement des grands modèles de langage occidentaux, y compris les versions les plus récentes de Claude, GPT et Gemini sortis en 2026. Les chercheurs ont analysé CulturaX, un sous-ensemble public et nettoyé de Common Crawl utilisé pour entraîner des modèles dans 167 langues, et ont découvert qu'entre 3,28 % et 23,98 % des textes en chinois mentionnant des dirigeants ou des institutions politiques correspondent à des contenus manipulés par l'État chinois. Concrètement, des modèles comme Claude Opus 4.7, GPT-5.5 et Gemini-3.1-pro mémorisent et reproduisent des formulations issues de la propagande du Parti communiste chinois, et le font d'autant plus qu'ils sont récents et puissants.
L'impact est mesurable et documenté : interrogés en mandarin plutôt qu'en anglais, tous les modèles testés produisent des réponses nettement plus alignées avec le discours officiel de Pékin sur des sujets comme Taïwan, le massacre de Tiananmen de 1989 ou Xi Jinping. Ce biais lié à la langue est particulièrement marqué pour Claude Opus 4.6, GPT-5.4, GPT-5.5, Gemini-3.1-pro et Claude Opus 4.7. Les chercheurs ont également vérifié expérimentalement qu'entraîner un modèle sur de la propagande augmente mécaniquement ses réponses pro-autoritaristes, confirmant le lien de causalité. Le cas DeepSeek est notable : le modèle V4 Pro relaie cette propagande même en anglais, ce qui réduit artificiellement son ratio chinois/anglais, sans pour autant signifier qu'il propage moins la vision du régime.
Jusqu'ici, le débat sur l'influence de Pékin dans l'IA se concentrait sur les modèles créés par des entreprises chinoises directement soumises au gouvernement, comme DeepSeek lors de son irruption en 2025, avec une censure évidente sur des sujets sensibles. Cette étude déplace le problème : l'influence ne passe plus seulement par les modèles chinois, mais s'infiltre dans les pipelines d'entraînement utilisés par les laboratoires occidentaux eux-mêmes. La Chine produit un volume considérable de contenu numérique en mandarin, et ce contenu, chargé de narratifs officiels, se retrouve aspiré dans les corpus multilingues grand public sans filtre suffisant. La question qui s'ouvre est celle des responsabilités : aux équipes de données des grands labos d'IA d'auditer leurs sources, aux chercheurs de développer des méthodes de détection de propagande à grande échelle, et aux régulateurs de déterminer si un modèle qui relaie des mensonges d'État dans une langue constitue un risque systémique.
Les modèles déployés par les entreprises et administrations françaises reproduisent des narratifs pro-Pékin en mandarin, ce qui interroge directement les obligations d'audit des données d'entraînement prévues par l'AI Act européen.
Ce qui devrait t'inquiéter, c'est pas DeepSeek, c'est GPT et Claude. Les corpus multilingues publics sont saturés de narratifs pro-Pékin, les labos les aspirent sans filtre sérieux, et les modèles les plus puissants mémorisent d'autant mieux cette propagande. L'audit des données d'entraînement, on en parlait comme d'un détail technique, c'est maintenant un problème politique.
Dans nos dossiers
Vu une erreur factuelle dans cet article ? Signalez-la. Toutes les corrections valides sont publiées sur /corrections.
