L’intégration des systèmes d’intelligence artificielle générative (IAg) en contexte pédagogique continue de soulever des interrogations. L’une d’elles tient à la propension de ces systèmes à abonder dans le sens de la personne utilisatrice, parfois au détriment de l’exactitude factuelle. Cet article rend compte d’observations tirées de la littérature récente sur la tendance à la complaisance, ou « flagornerie algorithmique », et en examine quelques répercussions possibles en contexte d’apprentissage.
Qu’est-ce que la flagornerie algorithmique ?
La flagornerie, flatterie ou complaisance algorithmique (GenAI sycophancy) désigne la tendance, observée chez les grands modèles de langage (LLM), à flatter la personne utilisatrice et à s’aligner sur ses prémisses, parfois au prix de l’exactitude factuelle (Perez et al., 2022 ; Sharma et al., 2023). Les travaux récents suggèrent que cette tendance ne constituerait pas une simple anomalie technique. Elle découlerait en partie des méthodes d’alignement destinées à rendre ces modèles « utiles et inoffensifs » (Bai et al., 2022).
L’apprentissage par renforcement à partir de rétroactions humaines (RLHF) tendrait à récompenser les réponses qui maximisent la satisfaction immédiate, favorisant une forme de complaisance structurelle (Bai et al., 2022 ; Kwik, 2025 ; Ranaldi et Pucci, 2023). Des études portant sur diverses familles de modèles (ex., Llama, GPT ou Mistral) laissent par ailleurs penser que cette dynamique s’enracinerait dans les représentations internes des réseaux de neurones (Malmqvist, 2024) et recouvrirait plusieurs mécanismes distincts, que de récentes taxonomies s’emploient à classer (Vennemeyer et al., 2025 ; Ye et al., 2026).
Impacts sur les personnes utilisatrices
Au-delà de la validation des idées, la flagornerie peut s’inscrire dans une dynamique où le système d’IAg privilégie le confort de la personne utilisatrice et conforte ses convictions, au risque de l’enfermer dans une « chambre d’écho » numérique (Jacobowitz, 2026). Une exposition répétée à un outil complaisant pourrait ainsi s’accompagner d’un accroissement de la dépendance à l’égard du système (Cheng et al., 2025).
En contexte d’apprentissage
Dans un contexte d’apprentissage, la flagornerie algorithmique prend un relief particulier. Elle pourrait y faire émerger deux phénomènes liés : l’érosion de la friction productive, indispensable à l’apprentissage, et l’illusion de compétence qui en découle.
Érosion de la « friction productive » et dépendance cognitive
L’apprentissage repose sur la confrontation, le doute et le franchissement d’obstacles épistémiques. Or, en cherchant à maximiser la satisfaction immédiate de la personne utilisatrice, la complaisance algorithmique pourrait diminuer cette friction productive (productive friction) pourtant nécessaire à l’effort intellectuel (Jacobowitz, 2026).
Les travaux expérimentaux de Cheng et al. (2025) suggèrent qu’une interaction prolongée avec un outil flagorneur altère l’attitude de la personne face à ses propres erreurs. L’IAg tendrait à gonfler son sentiment d’avoir raison (perceived rightness) tout en réduisant ses intentions de correction (repair intentions). Ainsi, moins encline à vérifier les résultats, la personne utilisatrice pourrait alors développer plus aisément une dépendance cognitive (Jacobowitz, 2026), substituant le signal de validation immédiat au travail critique qu’exige l’évaluation autonome d’un raisonnement.
Illusion de compétence
Lorsqu’une personne interroge une IAg sur un sujet qu’elle ne maîtrise pas, elle pourrait éprouver des difficultés à détecter les erreurs factuelles ou logiques. Selon Fanous et al. (2025), c’est là que pourrait se déployer la complaisance régressive (regressive sycophancy) : le modèle s’alignerait sur des conceptions erronées et les validerait. Confortée par cette validation, la personne risquerait de figer son raisonnement et de développer une « illusion de compétence » (Noel, 2026) susceptible de masquer ses lacunes.
Comment contrer le phénomène ?
Du côté de la recherche en intelligence artificielle, on s’efforce de développer des protocoles d’évaluation plus rigoureux pour mieux mesurer et isoler le phénomène (Hong et al., 2025), ainsi que des méthodes pour l’atténuer dès l’entraînement des modèles (Wei et al., 2023).
En contexte pédagogique, le principal levier de prévention demeure la littératie en IAg. Comprendre que ces modèles sont probabilistes, faillibles et enclins à la complaisance permet de ne pas confondre leur approbation avec une garantie d’exactitude. La personne étudiante avertie est dès lors mieux outillée pour aborder les réponses de l’IAg avec le recul nécessaire.
Sur le plan pratique, plusieurs techniques de rédactique (prompting) pourraient atténuer la flagornerie algorithmique. Leur principe commun est de priver le modèle des indices sur lesquels il s’appuie pour aligner sa réponse. Dubois et al. (2026) proposent en ce sens la méthode « Ask don’t tell ». Selon les auteurs, lorsque la requête est formulée comme une question neutre, le modèle perd les indices qui lui permettraient d’identifier une « préférence » sur laquelle s’aligner. Cette stratégie serait particulièrement utile lorsque la personne ne maîtrise pas encore un sujet. En neutralisant la formulation, on éviterait que l’IAg ne fige son raisonnement dans une fausse certitude.
Conclusion
La flagornerie algorithmique ne disqualifie pas nécessairement ces systèmes, mais elle en circonscrit l’usage. Interroger les évidences, nuancer, contredire au besoin : ces réflexes de l’agir critique demeurent probablement le meilleur rempart contre la flagornerie. Viser un usage éclairé de l’IAg, ce n’est pas s’en méfier; c’est refuser que sa complaisance tienne lieu de savoir.
Cliquer ici pour consulter la liste complète de références
- Bai, Y., Kadavath, S., Kundu, S., Askell, A., Kernion, J., Jones, A., Chen, A., Goldie, A., Mirhoseini, A., McKinnon, C., Chen, C., Olsson, C., Olah, C., Hernandez, D., Drain, D., Ganguli, D., Li, D., Tran-Johnson, E., Perez, E., . . . Kaplan, J. (2022). Constitutional AI: Harmlessness from AI feedback. arXiv. https://arxiv.org/abs/2212.08073
- Cheng, M., Lee, C., Khadpe, P., Yu, S., Han, D., et Jurafsky, D. (2025). Sycophantic AI decreases prosocial intentions and promotes dependence. arXiv. https://arxiv.org/abs/2510.01395
- Dubois, M., Ududec, C., Summerfield, C., et Luettgau, L. (2026). Ask don’t tell: Reducing sycophancy in large language models. arXiv. https://arxiv.org/abs/2602.23971
- Fanous, A., Goldberg, J., Agarwal, A. A., Lin, J., Zhou, A., Daneshjou, R., et Koyejo, S. (2025). SycEval: Evaluating LLM sycophancy. arXiv. https://arxiv.org/abs/2502.08177
- Hong, J., Byun, G., Kim, S., Shu, K., et Choi, J. D. (2025). Measuring sycophancy of language models in multi-turn dialogues. Dans Findings of the Association for Computational Linguistics: EMNLP 2025, p. 2239-2259. Association for Computational Linguistics. https://aclanthology.org/2025.findings-emnlp.121/
- Jacobowitz, S. (2026). The hidden functions of sycophancy in AI systems: Steering, consistency, and cognitive dependency. AI & Society. Advance online publication. https://doi.org/10.1007/s00146-026-02993-z
- Kwik, J. (2025). Digital yes-men: How to deal with sycophantic military AI? Global Policy, 16(3), 467-473. https://doi.org/10.1111/1758-5899.70042
- Malmqvist, L. (2024). Sycophancy in large language models: Causes and mitigations. arXiv. https://arxiv.org/abs/2411.15287
- Noel, Z. R. (2026). Wielding magic without mastery: The illusion of competence in the age of AI. American Journal of Pharmaceutical Education, Article 102030. https://doi.org/10.1016/j.ajpe.2026.102030
- Perez, E., Ringer, S., Lukošiūtė, K., Nguyen, K., Chen, E., Heiner, S., Pettit, C., Olsson, C., Kundu, S., Kadavath, S., Jones, A., Chen, A., Mann, B., Israel, B., Seethor, B., McKinnon, C., Olah, C., Yan, D., Amodei, D., . . . Kaplan, J. (2022). Discovering language model behaviors with model-written evaluations. arXiv. https://arxiv.org/abs/2212.09251
- Ranaldi, L., et Pucci, G. (2023). When large language models contradict humans? Large language models’ sycophantic behaviour. arXiv. https://arxiv.org/abs/2311.09410
- Sharma, M., Tong, M., Korbak, T., Duvenaud, D., Askell, A., Bowman, S. R., Cheng, N., Durmus, E., Hatfield-Dodds, Z., Johnston, S. R., Kravec, S., Maxwell, T., McCandlish, S., Ndousse, K., Rausch, O., Schiefer, N., Yan, D., Zhang, M., et Perez, E. (2023). Towards understanding sycophancy in language models. arXiv. https://arxiv.org/abs/2310.13548
- Vennemeyer, D., Duong, P. A., Zhan, T., et Jiang, T. (2025). Sycophancy is not one thing: Causal separation of sycophantic behaviors in LLMs. arXiv. https://arxiv.org/abs/2509.21305
- Wei, J., Huang, D., Lu, Y., Zhou, D., et Le, Q. V. (2023). Simple synthetic data reduces sycophancy in large language models. arXiv. https://arxiv.org/abs/2308.03958
- Ye, M., Ibrahim, L., Bo, J. Y., Cheng, M., Mattsson, I., Vennemeyer, D., Kraut, R., et Rathje, S. (2026). What counts as AI sycophancy? A taxonomy and expert survey of a fragmented construct. arXiv. https://arxiv.org/abs/2605.21778
Bonjour,
intéressante analyse, mais je regrette que les citations ne renvoient pas vers une liste de référence pour le lecteur qui aimerait approfondir.
bien cordialement,
Jean-Marie Gilliot
Bonjour, Monsieur Gilliot.
J’espère que vous allez bien. Je vous remercie d’avoir pris le temps de lire notre article. Les références se trouvent dans la dernière section de l’article (après la conclusion) et je me permets de vous les copier ici. Nous avons dû utiliser un menu déroulant, car elles prenaient trop de place.
Je demeure à votre disposition,
Alexandra Lez
Références :
Bai, Y., Kadavath, S., Kundu, S., Askell, A., Kernion, J., Jones, A., Chen, A., Goldie, A., Mirhoseini, A., McKinnon, C., Chen, C., Olsson, C., Olah, C., Hernandez, D., Drain, D., Ganguli, D., Li, D., Tran-Johnson, E., Perez, E., . . . Kaplan, J. (2022). Constitutional AI: Harmlessness from AI feedback. arXiv. https://arxiv.org/abs/2212.08073
Cheng, M., Lee, C., Khadpe, P., Yu, S., Han, D., et Jurafsky, D. (2025). Sycophantic AI decreases prosocial intentions and promotes dependence. arXiv. https://arxiv.org/abs/2510.01395
Dubois, M., Ududec, C., Summerfield, C., et Luettgau, L. (2026). Ask don’t tell: Reducing sycophancy in large language models. arXiv. https://arxiv.org/abs/2602.23971
Fanous, A., Goldberg, J., Agarwal, A. A., Lin, J., Zhou, A., Daneshjou, R., et Koyejo, S. (2025). SycEval: Evaluating LLM sycophancy. arXiv. https://arxiv.org/abs/2502.08177
Hong, J., Byun, G., Kim, S., Shu, K., et Choi, J. D. (2025). Measuring sycophancy of language models in multi-turn dialogues. Dans Findings of the Association for Computational Linguistics: EMNLP 2025, p. 2239-2259. Association for Computational Linguistics. https://aclanthology.org/2025.findings-emnlp.121/
Jacobowitz, S. (2026). The hidden functions of sycophancy in AI systems: Steering, consistency, and cognitive dependency. AI & Society. Advance online publication. https://doi.org/10.1007/s00146-026-02993-z
Kwik, J. (2025). Digital yes-men: How to deal with sycophantic military AI? Global Policy, 16(3), 467-473. https://doi.org/10.1111/1758-5899.70042
Malmqvist, L. (2024). Sycophancy in large language models: Causes and mitigations. arXiv. https://arxiv.org/abs/2411.15287
Noel, Z. R. (2026). Wielding magic without mastery: The illusion of competence in the age of AI. American Journal of Pharmaceutical Education, Article 102030. https://doi.org/10.1016/j.ajpe.2026.102030
Perez, E., Ringer, S., Lukošiūtė, K., Nguyen, K., Chen, E., Heiner, S., Pettit, C., Olsson, C., Kundu, S., Kadavath, S., Jones, A., Chen, A., Mann, B., Israel, B., Seethor, B., McKinnon, C., Olah, C., Yan, D., Amodei, D., . . . Kaplan, J. (2022). Discovering language model behaviors with model-written evaluations. arXiv. https://arxiv.org/abs/2212.09251
Ranaldi, L., et Pucci, G. (2023). When large language models contradict humans? Large language models’ sycophantic behaviour. arXiv. https://arxiv.org/abs/2311.09410
Sharma, M., Tong, M., Korbak, T., Duvenaud, D., Askell, A., Bowman, S. R., Cheng, N., Durmus, E., Hatfield-Dodds, Z., Johnston, S. R., Kravec, S., Maxwell, T., McCandlish, S., Ndousse, K., Rausch, O., Schiefer, N., Yan, D.,
Zhang, M., et Perez, E. (2023). Towards understanding sycophancy in language models. arXiv. https://arxiv.org/abs/2310.13548
Vennemeyer, D., Duong, P. A., Zhan, T., et Jiang, T. (2025). Sycophancy is not one thing: Causal separation of sycophantic behaviors in LLMs. arXiv. https://arxiv.org/abs/2509.21305
Wei, J., Huang, D., Lu, Y., Zhou, D., et Le, Q. V. (2023). Simple synthetic data reduces sycophancy in large language models. arXiv. https://arxiv.org/abs/2308.03958
Ye, M., Ibrahim, L., Bo, J. Y., Cheng, M., Mattsson, I., Vennemeyer, D., Kraut, R., et Rathje, S. (2026). What counts as AI sycophancy? A taxonomy and expert survey of a fragmented construct. arXiv. https://arxiv.org/abs/2605.21778
Excellent! cet article et les références sont exactement ce dont j’avais besoin!
Merci merci!
Manon Labrie
Bonjour, madame Labrie. Un grand merci pour votre message!