L’influence inférentielle
INFERENCE Consulting nomme influence inférentielle la discipline de communication stratégique qui agit sur les conditions dans lesquelles les IA génératives identifient, qualifient, comparent et recommandent les organisations, et leur attribuent des risques.
Elle vise à faire reconnaître les compétences et les réalisations d’une organisation dans les situations où elles comptent, et à corriger les représentations inexactes ou disproportionnées. Son intervention porte sur les faits à documenter, les preuves à rendre accessibles, les sources à mobiliser et les reconnaissances à établir.
Cette page en présente les fondements, les objets d’intervention et les règles. La méthode INFERENCE en organise la mise en œuvre.
Consulter la méthode INFERENCE
Les IA influencent ceux qui décident
Les réponses des IA génératives peuvent modifier les opinions et orienter les jugements de ceux qui les consultent. Cette capacité d’influence est documentée par la recherche. Une méta-analyse consacrée aux grands modèles de langage ne relève pas de différence globale significative entre leur pouvoir de persuasion et celui des humains, avec des effets variables selon les situations étudiées.[36]
Cette influence peut s’exercer au cours d’une tâche ordinaire. Dans une expérience réunissant 1 506 participants, les orientations d’un assistant d’écriture ont affecté les opinions exprimées dans les textes, puis les attitudes mesurées après leur rédaction. L’outil participait à la formation du jugement de ses utilisateurs.[44]
Pour les organisations, l’enjeu dépasse donc leur présence dans les réponses. Il concerne les raisons pour lesquelles une personne les considère, leur accorde sa confiance, les compare à d’autres ou les écarte. Une compétence omise, un critère de comparaison inadapté ou une controverse mal contextualisée peuvent intervenir dans la préparation de cette décision.
INFERENCE Consulting appelle arbitrage délégué la part du travail de recherche, de sélection et de jugement confiée à ces systèmes. Observer leurs réponses et agir sur les informations qui les alimentent devient, dans cette perspective, une responsabilité de communication stratégique.
Une nouvelle partie prenante
Les organisations ont appris à travailler avec des parties prenantes aux attentes et aux modes de fonctionnement différents. Les relations presse, la communication financière ou les relations institutionnelles répondent chacune à des exigences particulières.
Les IA génératives occupent désormais une place à prendre en compte dans cette relation avec les publics. Elles sélectionnent des informations, comparent des acteurs et formulent des recommandations. Pour une direction de la communication, elles peuvent être envisagées comme une nouvelle partie prenante en raison de leur capacité à peser sur les représentations et les décisions.
Leur rôle est toutefois celui d’un intermédiaire technique. Le travail consiste à comprendre les réponses produites et à agir sur les informations susceptibles de les alimenter. Il appelle une connaissance des systèmes génératifs autant qu’une expérience de la communication stratégique.
Des informations aux jugements
Une réponse générative associe des informations pour décrire une organisation, lui attribuer des compétences, la rapprocher d’autres acteurs ou formuler un jugement à son sujet.
Selon le système, elle mobilise les connaissances acquises pendant l’entraînement, le contenu de la conversation et des documents recherchés au moment de la demande. La génération augmentée par récupération d’information combine ainsi un modèle de langage avec une recherche documentaire.[2]
Le terme inférence désigne ici le passage de ces informations aux conclusions formulées dans la réponse. Il ne suppose pas une vérification systématique des faits. Un système peut reprendre une affirmation fragile, confondre des informations ou présenter une conclusion insuffisamment étayée.
La présence de citations ne suffit pas à résoudre cette difficulté. Une source citée peut ne pas soutenir la proposition qui lui est associée.[4]
Comment une IA forme une recommandation ou un jugement
INFERENCE Consulting distingue cinq fonctions pour analyser les réponses et orienter les actions. Cette grille fournit des repères de travail sans prétendre décrire une succession d’opérations identique dans tous les systèmes ni révéler leur fonctionnement interne.
La mémoire paramétrique
Le modèle acquiert des connaissances et des associations pendant son entraînement. Elles sont inscrites dans ses paramètres. Publier une information nouvelle ne les actualise pas directement. Une réponse peut néanmoins intégrer cette information si le système la retrouve ou si elle lui est fournie dans la conversation.[2]
La recherche documentaire au moment de la demande
Certains systèmes recherchent des documents sur le Web ou dans un ensemble de ressources accessibles. La publication d’une information ne garantit ni qu’elle sera retrouvée pour une question donnée, ni qu’elle sera utilisée dans la réponse. Le cabinet distingue donc l’accessibilité du document, sa présence parmi les sources retrouvées et la place que son contenu occupe dans la restitution.[5]
L’identification des entités
Les informations doivent être rattachées à la bonne organisation, à la bonne filiale, à la bonne marque ou à la bonne personne. Le diagnostic recherche notamment les confusions liées aux homonymes, aux anciennes dénominations et aux relations entre entités.
La sélection et la synthèse
L’analyse porte sur les informations retenues, les critères de comparaison et les éléments laissés de côté. Elle examine notamment si la réponse prend en compte les exigences de la situation et les preuves disponibles.
La restitution
La réponse ordonne les acteurs, attribue des qualités, formule des réserves et peut proposer un choix. Le cabinet examine ce narratif, la place accordée à chaque information et la cohérence entre les arguments présentés et la conclusion.
Les réponses peuvent varier entre les formulations, les répétitions et les périodes d’observation. Des travaux récents consacrés à la recherche générative soulignent l’intérêt de mesures répétées plutôt que d’un relevé unique.[61]
La méthode INFERENCE conserve donc les conditions de chaque observation et étudie des parcours de conversation comprenant des précisions, des objections et des demandes de preuve.
Le narratif a changé d’auteur
Le storytelling a donné une place centrale au récit dans la communication des organisations. Avec les IA génératives, ce récit est repris, rapproché d’autres informations et recomposé en fonction de la question posée.
L’organisation reste à l’origine de ses prises de parole. Elle ne maîtrise cependant ni les éléments que le système retient, ni les rapprochements qu’il effectue, ni la conclusion qu’il présente à la personne qui l’interroge.
Les promesses et les récits fondateurs peuvent subsister dans les réponses. Ils peuvent aussi être reformulés, contredits ou associés à des faits que l’organisation aurait placés au second plan. L’enjeu est de comprendre ce narratif et ce qui le soutient.
Pour INFERENCE Consulting, cette évolution renforce la place de la preuve dans la communication stratégique. Chaque position recherchée doit pouvoir être reliée à des faits précis, à des réalisations documentées et à des sources pertinentes. Le travail consiste aussi à identifier les sujets sur lesquels l’organisation peut faire autorité et les narratifs qu’elle peut légitimement préempter.
Une influence qui peut passer inaperçue
L’influence d’un outil ne suppose pas toujours une demande explicite de conseil. Les travaux sur l’écriture assistée montrent que les orientations d’un modèle peuvent infléchir les opinions au cours de la production d’un texte.[44]
D’autres expériences montrent que des utilisateurs peuvent sous-estimer l’influence du conseil reçu, y compris lorsqu’ils savent qu’il provient d’un assistant conversationnel. Ce résultat a notamment été observé dans des situations de jugement moral.[45]
La présence d’une explication ne garantit pas davantage un jugement mieux fondé. Dans des tâches d’aide à la décision étudiées par Bansal et ses collègues, les explications ont accru l’acceptation des recommandations, y compris lorsqu’elles étaient incorrectes.[7]
Ces travaux invitent à examiner les représentations produites par les IA jusque dans leurs arguments. Pour une organisation, l’enjeu porte autant sur les raisons données pour la retenir ou l’écarter que sur sa seule présence dans la réponse.
L’autorité que les IA attribuent
Une organisation fait autorité lorsqu’elle est reconnue comme compétente et légitime sur un sujet. Dans les réponses des IA, cette reconnaissance peut se traduire par sa présence parmi les références d’un domaine, par l’attribution d’une expertise ou par une recommandation motivée.
Le cabinet examine la relation entre cette place et ce que l’organisation peut effectivement établir : ses compétences, ses réalisations, ses résultats et les reconnaissances obtenues.
Une comparaison favorable n’est pas, à elle seule, une preuve d’autorité. Elle doit reposer sur des raisons pertinentes pour le besoin exprimé. De même, une absence mérite d’être analysée au regard des critères de sélection avant d’être considérée comme un écart à corriger.
La réputation couvre un ensemble plus large de qualités, de rôles, de risques, de controverses et de jugements. Son analyse porte sur l’exactitude et la proportion des représentations, au-delà de leur tonalité favorable ou défavorable.
Ce que désigne l’influence inférentielle
L’influence inférentielle vise à faire reconnaître une organisation pour des raisons qu’elle peut soutenir et à traiter les représentations susceptibles de lui porter préjudice lorsqu’elles sont inexactes, incomplètes ou disproportionnées.
Elle intervient sur sept objets, mobilisés selon le diagnostic.
Les faits
Préciser ce qui peut être affirmé, pour quelle entité, à quelle date et dans quel périmètre. Les limites d’une offre, les changements de statut et l’issue d’une controverse font également partie des faits à documenter.
Les preuves
Réunir les éléments qui étayent chaque affirmation et en délimitent la portée : résultats d’essais, certifications, données, études, références documentées ou décisions officielles.
Les entités
Clarifier les liens entre l’organisation, ses filiales, ses marques, ses offres et ses anciennes dénominations, afin que les informations soient attribuées sans ambiguïté.
Les sources
Identifier les supports capables d’établir les faits et de les rendre accessibles. Leur valeur dépend notamment de leur compétence sur le sujet, de leur précision et de leur actualité.
Les reconnaissances par des tiers
Faire valoir les évaluations, certifications, travaux ou prises de position qui apportent une reconnaissance extérieure. Leur portée dépend de ce que le tiers a réellement examiné et de son indépendance.
Le recoupement
Distinguer les confirmations issues de vérifications distinctes des reprises qui dépendent d’une même affirmation initiale.
L’accessibilité
Permettre aux informations utiles d’être retrouvées et comprises : documents identifiables, contenus lisibles, dénominations cohérentes, dates explicites et accès technique adapté.
Le mot influence désigne l’action menée sur cet environnement d’information et de preuve. Le cabinet choisit les positions à défendre, organise leur documentation et coordonne les actions avec les équipes internes et les prestataires existants. Il observe ensuite les évolutions pour adapter la stratégie.
Le recoupement comme principe
Plusieurs publications concordantes peuvent résulter de vérifications distinctes ou de la répétition d’une seule source. Le nombre de mentions ne suffit donc pas à apprécier la solidité d’une information.
Le cabinet examine chaque proposition en distinguant trois situations :
- La source initiale publie l’information à l’origine des reprises.
- La reprise dépendante la reproduit ou la reformule sans vérification indépendante identifiable.
- La confirmation indépendante apporte une mesure, une vérification ou une expertise distincte.
L’examen porte sur la compétence de la source, son indépendance, l’attribution de l’information, son accessibilité, sa précision, son actualité et sa traçabilité.
Ces critères s’appliquent à une proposition précise. Une source peut faire référence pour établir un statut sans être compétente pour comparer des performances.
La stratégie recherche des confirmations pertinentes et vérifiables. Elle améliore ainsi la solidité des éléments disponibles, sans présumer que tous les systèmes les retrouveront ou leur accorderont le même poids.
Le GEO ne tient pas lieu de stratégie
Le GEO propose d’améliorer la présence et la citation des contenus dans les réponses génératives. Certaines techniques produisent des gains dans les conditions étudiées. Ces résultats ne démontrent cependant ni une recommandation durable de l’organisation, ni un effet sur les décisions de ses publics.[9]
C’est le passage de l’optimisation à la promesse de maîtrise qui appelle une critique. Une revue de quarante-cinq études, publiée sous forme de prépublication, ne relève dans son corpus aucune technique démontrant un effet causal stable dans le temps et commun à plusieurs plateformes sur la découverte des contenus ou les comportements des utilisateurs.[5]
Une citation, une recommandation et une décision sont trois résultats différents. Les confondre conduit à donner à un score de visibilité une portée qu’il ne possède pas. Compter les apparitions d’une organisation ne permet pas, à lui seul, de déterminer si elle est comprise, comparée selon les bons critères ou recommandée pour des raisons exactes.
INFERENCE Consulting conteste cette réduction d’un enjeu d’influence à un problème de présence. La question stratégique consiste à déterminer auprès de qui l’organisation doit faire autorité, dans quelles situations, sur quels sujets et avec quelles preuves. Elle exige aussi de comprendre les narratifs qui orientent les réponses et les risques qu’ils font peser sur les décisions.
Le cabinet peut mobiliser le GEO pour exécuter certaines actions. Il refuse d’en faire le principe directeur de la stratégie.
Des règles d’intégrité
L’influence inférentielle repose sur des affirmations étayées et sur une présentation fidèle de leur portée. Les faits, les interprétations et les positions défendues par l’organisation doivent pouvoir être distingués.
Le cabinet exclut les sources de façade, les confirmations artificielles, les instructions dissimulées destinées à détourner les systèmes et les contributions qui masquent leur origine lorsqu’une déclaration est requise.
Les informations défavorables documentées sont examinées avec leur contexte, leur date et leur issue. Le travail peut porter sur la correction d’une erreur, la clarification d’une responsabilité ou la juste place d’un événement dans la présentation de l’organisation.
Les publications et les actions sensibles sont soumises aux validations des fonctions compétentes. La stratégie tient compte des exigences de confidentialité et des informations que l’organisation est en mesure de rendre publiques.
Ce que la recherche permet d’établir
Les travaux mobilisés par le cabinet éclairent deux dimensions de son intervention : l’influence des réponses sur les personnes et les conditions dans lesquelles ces réponses se forment.
Les recherches sur la persuasion et l’écriture assistée montrent que les productions des IA peuvent infléchir les opinions et les jugements. Elles donnent une portée humaine aux questions de représentation, de comparaison et de recommandation.[36] [44]
La recherche sur les connaissances rares montre que, dans les modèles et les tâches étudiés, les informations peu présentes dans les données d’entraînement sont plus difficiles à restituer correctement. Elle montre aussi que la recherche documentaire peut réduire cette difficulté.[14]
Les travaux sur les moteurs génératifs documentent les écarts possibles entre une affirmation et la source citée pour l’étayer. Les recherches sur le GEO établissent des effets dans des configurations précises, tandis que les travaux sur la mesure soulignent l’importance de répéter les observations.[4] [8] [61]
INFERENCE Consulting s’appuie sur ces résultats pour concevoir ses observations, examiner les preuves et choisir les actions. Leur application à une organisation exige un diagnostic propre à sa situation et une évaluation des évolutions constatées.
La méthode traduit cette démarche en trois temps : observer et diagnostiquer, définir la stratégie, conduire les actions et adapter la stratégie. Le protocole précise les conditions d’observation, de qualification et de suivi.
Glossaire
Arbitrage délégué
Part du travail de recherche, de sélection ou de jugement confiée à une IA pour préparer ou prendre une décision.
Attribution
Rattachement d’une information, d’une preuve ou d’un risque à l’organisation, à la marque, à la filiale, à l’offre ou à la personne concernée.
Autorité
Reconnaissance d’une organisation comme compétente et légitime sur un sujet. L’analyse examine la relation entre les qualités attribuées par les systèmes et les éléments qui peuvent les étayer.
Biais d’automatisation
Tendance à s’appuyer excessivement sur une aide automatisée, au risque d’accepter une recommandation erronée ou de négliger des informations contradictoires.[6]
Brief
Document qui précise une action à réaliser : public et situation concernés, objectif, faits à mobiliser, production attendue, contraintes, responsabilités, calendrier et critères de validation.
Citation
Mention visible d’une source dans une réponse. Sa présence ne garantit pas que la source étaye correctement l’affirmation associée. Elle ne constitue pas non plus une description complète de l’origine de la réponse.
Configuration
Ensemble des caractéristiques connues du dispositif testé : fournisseur, produit, modèle ou version, interface, fonctions activées, réglages et conditions d’accès. La date, la question et le contexte de conversation complètent la description de l’observation.
Confirmation indépendante
Corroboration d’un fait par une source qui apporte une vérification, une mesure ou une expertise distincte de l’affirmation initiale.
Conformité de restitution
Exactitude avec laquelle une réponse présente le statut et le cadre réglementaire applicables à une organisation, par comparaison avec un référentiel validé par les fonctions compétentes.
Contexte d’utilisation
Ensemble formé par les utilisateurs, leurs objectifs, leurs tâches, leurs ressources et leur environnement. La notion est notamment définie dans la norme ISO 9241-11:2018.[10]
Écart
Différence entre une réponse observée et ce que les faits, les preuves et le contexte permettent de soutenir. Une différence avec le discours souhaité par l’organisation ne suffit pas à caractériser un écart.
Écart réputationnel
Écart portant sur une qualité, un rôle, un risque, une controverse ou un jugement attribué à l’organisation. Sa gravité s’apprécie notamment selon ses conséquences possibles.
Entité
Organisation, filiale, marque, offre, personne, produit ou établissement auquel une information peut être rattachée.
Environnement de preuve
Ensemble des documents, données, sources et confirmations qui permettent d’étayer et de vérifier une affirmation.
Exposition réputationnelle
Conséquences possibles d’une représentation sur la réputation de l’organisation, compte tenu du public, de la décision concernée, de la sensibilité du sujet et de sa diffusion éventuelle.
Fait
Information vérifiable portant sur une réalité ou un événement, dans un périmètre et à une date précisés.
Génération augmentée par récupération d’information
Dispositif qui associe un modèle de langage à une recherche de documents utilisés pour produire une réponse. L’abréviation anglaise courante est RAG.[2]
GEO
Pratiques visant à améliorer la présence, la citation ou l’utilisation d’un contenu dans les réponses des moteurs génératifs. Dans la méthode INFERENCE, leur mobilisation dépend du diagnostic et des objectifs retenus.
Inférence
Dans le champ d’intervention du cabinet, passage des informations mobilisées par un système aux qualités, rapprochements, recommandations et jugements qu’il formule.
Influence inférentielle
Discipline de communication stratégique nommée par INFERENCE Consulting, qui agit sur les conditions dans lesquelles les IA identifient, qualifient, comparent et recommandent les organisations, et leur attribuent des risques.
LLM, grand modèle de langage
Modèle entraîné sur de grandes quantités de données pour traiter et produire du langage. Les assistants peuvent lui associer des fonctions de recherche, de mémoire ou d’action.
Mémoire paramétrique
Connaissances et associations acquises pendant l’entraînement et inscrites dans les paramètres du modèle. Elle se distingue des documents recherchés et des informations conservées dans une conversation.
Narratif
Manière dont une réponse présente et raconte l’organisation : faits retenus, rapprochements, ordre, importance accordée aux événements, qualités attribuées et réserves formulées.
Persona
Description d’une personne appartenant à un public prioritaire et placée dans une situation de décision ou de jugement. Elle précise son objectif, ses connaissances, ses contraintes, ses critères et ses objections possibles.
Persuasion latente
Influence exercée par les orientations d’un assistant sur les opinions de ses utilisateurs, sans être nécessairement identifiée comme une tentative de persuasion. Ce phénomène a notamment été étudié dans l’écriture assistée.[44]
Position légitime
Place ou qualité qu’une organisation peut raisonnablement chercher à faire reconnaître au regard d’un besoin, de critères pertinents et de preuves suffisantes.
Preuve
Document, donnée, mesure, décision ou observation qui étaye une affirmation dans un périmètre défini.
Recherche documentaire au moment de la demande
Recherche effectuée par le système pour répondre à une question, sur le Web ou dans des ressources auxquelles il a accès. Elle complète les connaissances acquises pendant l’entraînement.
Recommandation
Conclusion qui présente une organisation comme adaptée à un besoin, préférable selon certains critères ou susceptible d’entrer dans une sélection.
Recoupement
Examen de la concordance d’informations provenant de sources distinctes, en tenant compte de leur compétence et de leurs éventuelles dépendances.
Relevé initial
Premier ensemble documenté de réponses et d’indicateurs recueillis sur le périmètre de la mission. Il fournit le point de comparaison des observations ultérieures.
Représentation
Manière dont un système identifie, décrit, qualifie et situe une organisation dans une réponse donnée.
Reprise dépendante
Publication qui reproduit ou reformule une information sans vérification indépendante identifiable.
Réputation dans les IA génératives
Ensemble des qualités, rôles, compétences, risques, controverses et jugements que les systèmes attribuent à une organisation, ainsi que les narratifs qu’ils produisent à son sujet.
Source initiale
Source qui publie l’information à l’origine des reprises examinées.
Sujet d’autorité
Sujet sur lequel une organisation peut faire reconnaître une compétence étayée, auprès d’un public et dans une situation déterminés.
Variabilité
Différences observées entre les réponses selon les répétitions, les formulations, les périodes et les configurations. Leur analyse tient compte des conditions de collecte.
Sources
2. Patrick Lewis et al., « Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks », Advances in Neural Information Processing Systems, vol. 33, 2020.↩↩↩
Article de conférence évalué par les pairs.
4. Nelson F. Liu, Tianyi Zhang et Percy Liang, « Evaluating Verifiability in Generative Search Engines », Findings of the Association for Computational Linguistics: EMNLP 2023, p. 7001 à 7025.↩↩
Nelson F. Liu, Tianyi Zhang et Percy Liang, « Evaluating Verifiability in Generative Search Engines », Findings of EMNLP, 2023, p. 7001 à 7025. Article évalué par les pairs. DOI : 10.18653/v1/2023.findings-emnlp.467.
5. Olivier Martinez, « Optimizing Visibility in Generative Engines: A Critical Survey of Generative Engine Optimization (2023–2026) », prépublication arXiv:2607.14035, 15 juillet 2026.↩↩
Olivier Martinez, « Optimizing Visibility in Generative Engines: A Critical Survey of Generative Engine Optimization (2023–2026) », arXiv:2607.14035, 15 juillet 2026. Prépublication.
6. Raja Parasuraman et Dietrich H. Manzey, « Complacency and Bias in Human Use of Automation: An Attentional Integration », Human Factors, vol. 52, no 3, 2010, p. 381 à 410.↩
Raja Parasuraman et Dietrich H. Manzey, « Complacency and Bias in Human Use of Automation: An Attentional Integration », Human Factors, vol. 52, n° 3, 2010, p. 381 à 410. Article évalué par les pairs.
7. Gagan Bansal et al., « Does the Whole Exceed its Parts? The Effect of AI Explanations on Complementary Team Performance », Proceedings of the CHI Conference on Human Factors in Computing Systems, 2021.↩
Gagan Bansal et al., « Does the Whole Exceed its Parts? The Effect of AI Explanations on Complementary Team Performance », Proceedings of CHI, 2021. Article de conférence évalué par les pairs. DOI : 10.1145/3411764.3445717.
8. Pranjal Aggarwal et al., « GEO: Generative Engine Optimization », Proceedings of the 30th ACM SIGKDD Conference on Knowledge Discovery and Data Mining, 2024, p. 5 à 16.↩
Pranjal Aggarwal et al., « GEO: Generative Engine Optimization », Proceedings of KDD, 2024, p. 5 à 16. Article de conférence évalué par les pairs. DOI : 10.1145/3637528.3671900.
9. Zikang Liu et Peilan Xu, « Think Before Writing: Feature-Level Multi-Objective Optimization for Generative Citation Visibility », Proceedings of the 64th Annual Meeting of the Association for Computational Linguistics, 2026, p. 20290 à 20303.↩
Zikang Liu et Peilan Xu, « Think Before Writing: Feature-Level Multi-Objective Optimization for Generative Citation Visibility », Proceedings of ACL, 2026, p. 20290 à 20303. Article de conférence évalué par les pairs. DOI : 10.18653/v1/2026.acl-long.929.
10. Organisation internationale de normalisation, ISO 9241-11:2018, « Ergonomie de l’interaction homme-système, Partie 11 : utilisabilité, définitions et concepts », 2018. Norme internationale.↩
Organisation internationale de normalisation, ISO 9241-11:2018, Ergonomie de l’interaction homme-système, Partie 11 : Utilisabilité, définitions et concepts. Norme.
14. Nikhil Kandpal et al., « Large Language Models Struggle to Learn Long-Tail Knowledge », Proceedings of the 40th International Conference on Machine Learning, PMLR, vol. 202, 2023, p. 15696 à 15707.↩
Nikhil Kandpal, Haikang Deng, Adam Roberts, Eric Wallace et Colin Raffel, « Large Language Models Struggle to Learn Long-Tail Knowledge », Proceedings of ICML, PMLR, vol. 202, 2023, p. 15696 à 15707. Article de conférence évalué par les pairs.
36. Lukas Hölbling, Sebastian Maier et Stefan Feuerriegel, « A meta-analysis of the persuasive power of large language models », Scientific Reports, vol. 15, article 43818, 2025.↩↩
Article évalué par les pairs. DOI : 10.1038/s41598-025-30783-y.
44. Maurice Jakesch, Advait Bhat, Daniel Buschek, Lior Zalmanson et Mor Naaman, « Co-Writing with Opinionated Language Models Affects Users’ Views », Proceedings of the CHI Conference on Human Factors in Computing Systems, 2023.↩↩↩↩
Maurice Jakesch, Advait Bhat, Daniel Buschek, Lior Zalmanson et Mor Naaman, « Co-Writing with Opinionated Language Models Affects Users’ Views », Proceedings of CHI, 2023. Article de conférence évalué par les pairs. DOI : 10.1145/3544548.3581196.
45. Sebastian Krügel, Andreas Ostermaier et Matthias Uhl, « ChatGPT’s inconsistent moral advice influences users’ judgment », Scientific Reports, vol. 13, article 4569, 2023.↩
Article évalué par les pairs. DOI : 10.1038/s41598-023-31341-0.
61. Julius Schulte, Malte Bleeker et Philipp Kaufmann, « Don’t Measure Once: Measuring Visibility in AI Search (GEO) », prépublication arXiv:2604.07585, 8 avril 2026.↩↩
Julius Schulte, Malte Bleeker et Philipp Kaufmann, « Don’t Measure Once: Measuring Visibility in AI Search (GEO) », arXiv:2604.07585, 8 avril 2026. Prépublication.