Dans le mythe d’Ovide, Érysichthon abat un chêne sacré et se voit condamné à une faim impossible à calmer. À force de tout dévorer, il finit par s’attaquer à lui-même. L’image parle aux modèles d’intelligence artificielle : entraînés sur des milliards de pages humaines, ils puisent désormais dans un web où les contenus générés automatiquement prennent de plus en plus de place. Et si cette abondance apparente finissait par raréfier les informations fiables et originales dont les prochaines générations de modèles ont besoin ?
Le risque se joue sur deux fronts. D’un côté, les réponses produites par les moteurs et les assistants peuvent remplacer la visite d’un site, fragilisant les éditeurs qui publient des articles, des guides ou des comparatifs. De l’autre, les textes artificiels peuvent revenir dans les corpus d’entraînement et brouiller les repères des modèles. Des travaux scientifiques décrivent déjà un phénomène appelé « effondrement des modèles », mais il ne signifie pas que toute IA entraînée avec des données synthétiques devient automatiquement moins performante : la qualité, la sélection et la diversité des sources comptent. En bref, la question n’est pas seulement de savoir si les IA peuvent se nourrir de leurs propres contenus, mais ce qui arrive au web lorsque les créateurs humains ont moins de raisons de les produire.
En bref :
-
Les réponses générées par l’IA peuvent satisfaire certaines recherches sans visite du site source, ce qui met sous pression le modèle économique des éditeurs.
-
Des contenus synthétiques réinjectés sans contrôle dans les données d’entraînement peuvent réduire la diversité et faire disparaître des informations rares.
-
Le « model collapse » est un risque documenté, pas une fatalité : des données humaines et synthétiques soigneusement vérifiées peuvent coexister.
-
La rémunération des éditeurs et la traçabilité des sources font partie des pistes pour préserver un web utile aux humains comme aux modèles.
IA entraînées sur leurs propres contenus : le cercle vicieux du web
Les grands modèles de langage ont appris à produire des réponses en analysant des volumes considérables de textes humains : articles de presse, encyclopédies, forums et pages spécialisées. Mais les assistants conversationnels et les réponses synthétiques affichées dans les moteurs peuvent désormais répondre directement à certaines questions, sans que l’internaute ouvre les pages qui ont contribué à cette réponse.
Pour un petit média fictif comme « Le Fil Local », l’effet est facile à comprendre. Ses guides pratiques attirent moins de visites si un moteur affiche déjà une réponse jugée suffisante. Or, sans audience ni revenus, l’équipe a davantage de mal à financer de nouveaux articles documentés. Le modèle peut alors continuer à collecter des pages en ligne, mais le web qu’il explore risque de contenir moins de sources originales et davantage de textes reformulés ou générés automatiquement.
Ce mécanisme est parfois décrit comme une « doom loop », ou boucle délétère : l’outil détourne une partie de l’attention des sites, tandis que leur affaiblissement menace la production de contenus de qualité dont les outils ont besoin. Dans le procès engagé par le New York Times contre OpenAI et Microsoft en 2023, le quotidien a notamment contesté l’utilisation de ses articles pour l’entraînement des modèles. Au-delà du contentieux, le débat met en lumière une question très concrète : qui finance les informations utilisées pour construire les réponses automatisées ?
Quand les réponses d’IA réduisent les clics vers les éditeurs
Les contenus evergreen — guides, comparatifs et réponses aux questions fréquentes — sont particulièrement exposés. Ils répondent précisément aux requêtes pour lesquelles une synthèse affichée en haut d’une page peut suffire à l’internaute. Bérangère Farcot, responsable marketing et audience du quotidien Le Temps, a rapporté que le taux de clic de certains contenus de ce type avait été divisé par deux, selon les informations fournies.
La baisse ne touche pas toutes les requêtes de la même manière : une réponse courte peut remplacer la visite pour une question simple, tandis qu’un sujet complexe, local ou sensible peut encore inciter à consulter la source. Pour un média, suivre uniquement le nombre d’impressions ne suffit donc pas. Il faut aussi regarder les clics, les inscriptions, le temps passé sur les pages et les revenus réellement associés aux visites.
Les choix éditoriaux peuvent eux aussi évoluer sous pression. Les informations communiquées au sujet de Prisma Media en mars 2026 font état d’un plan de suppression de 261 postes, tandis que le groupe aurait formé ses journalistes aux outils d’IA et utilisé ces derniers pour une partie de sa production. Selon les éléments rapportés, l’IA contribuerait à environ 20 % des contenus en ligne de Voici à partir de dépêches d’agences ; une enquête de Next évoque une proportion pouvant atteindre 40 % pour certains contenus du groupe. Ces chiffres attribués ne décrivent pas nécessairement toute la production ni tous les médias, mais illustrent une tension : automatiser peut accélérer la publication, tout en augmentant la quantité de textes susceptibles de circuler ensuite sur le web.
Effondrement des modèles : pourquoi l’IA digère mal les données synthétiques
Le terme « model collapse », ou effondrement des modèles, désigne une dégradation possible lorsque des modèles successifs sont entraînés de façon répétée sur des données générées par les modèles précédents. Une étude publiée dans Nature en 2024 a analysé ce phénomène : au fil des générations, les sorties tendent à perdre des détails rares et à privilégier les motifs les plus fréquents dans les données d’origine.
Les chercheurs ont notamment observé que des informations peu courantes disparaissaient avant les éléments les plus représentés. Dans une expérience autour de l’architecture médiévale, les productions successives ont fini par dériver vers des détails aberrants, comme des lièvres décrits avec des queues de couleurs différentes. L’exemple est frappant, mais l’enseignement principal est plus général : lorsqu’un modèle recycle ses propres approximations, les erreurs et les simplifications peuvent se renforcer.
Imaginez « Le Fil Local » qui publie chaque semaine des guides écrits automatiquement à partir de résumés déjà générés. Si ces pages sont ensuite aspirées comme des sources ordinaires, les prochains systèmes risquent d’y retrouver des formulations circulaires plutôt que de nouveaux témoignages ou des informations vérifiées. Le problème ne vient donc pas simplement de la présence d’un texte artificiel : il apparaît surtout lorsque sa provenance est inconnue, que sa qualité n’est pas contrôlée et qu’il remplace progressivement des sources humaines diversifiées.
Les signaux qui indiquent un appauvrissement des données
Une baisse de qualité peut être difficile à repérer au premier coup d’œil : un texte fluide peut contenir des erreurs ou oublier des exceptions importantes. Pour les équipes qui publient en ligne, quelques vérifications simples permettent de distinguer une automatisation utile d’une production qui ne fait que remplir des pages.
-
La diversité des sources diminue : les contenus reprennent les mêmes faits, exemples et formulations, sans témoignages ni informations nouvelles.
-
Les détails rares disparaissent : les exceptions locales, les cas atypiques ou les nuances présentes dans les sources originales ne se retrouvent plus dans les réponses.
-
Les erreurs se répètent : une information fausse, copiée puis reformulée, finit par sembler confirmée parce qu’elle apparaît sur plusieurs pages dérivées.
-
La provenance devient opaque : il est impossible de savoir si le texte repose sur une enquête, une source primaire, une dépêche ou une autre génération automatique.
Ces indices ne constituent pas à eux seuls une preuve d’effondrement, mais ils aident à évaluer la santé d’un corpus éditorial. La diversité ne se mesure pas au nombre de pages publiées : elle dépend de l’indépendance des sources et de la présence d’informations réellement nouvelles.
Contenus humains et synthétiques : ce qui protège la qualité des modèles
Les données synthétiques peuvent avoir une utilité réelle : elles servent notamment à tester un système, à compléter des exemples rares ou à entraîner des modèles sur des tâches précises. Le risque augmente lorsque ces données sont réutilisées sans distinction, sans vérification et sans accès à un socle suffisamment large de contenus humains. Autrement dit, un modèle ne s’appauvrit pas mécaniquement dès qu’il rencontre un texte généré par une IA ; c’est le recyclage incontrôlé qui pose problème.
Une stratégie robuste consiste à conserver la provenance des documents et à séparer les contenus originaux des contenus synthétiques. Les équipes peuvent aussi vérifier les faits contre des sources primaires, limiter les doublons et maintenir des jeux d’évaluation indépendants. Pour un éditeur, signaler clairement les sources et faire relire les textes automatisés ne relève pas seulement de la transparence : cela aide à éviter que des erreurs ne se propagent d’une génération à l’autre.
| Situation | Risque pour les données | Garde-fou utile |
|---|---|---|
| Corpus composé surtout de contenus générés automatiquement | Répétition des mêmes idées et disparition d’informations peu fréquentes | Conserver un socle de sources humaines, variées et identifiables |
| Texte synthétique réutilisé sans contrôle | Amplification d’erreurs ou de détails inventés | Vérifier les affirmations à partir de documents fiables et originaux |
| Réponse automatisée qui remplace la visite d’un site | Moins de revenus pour les producteurs de contenus | Rendre les sources visibles et établir des modalités de rémunération |
| Données d’entraînement mal documentées | Impossible de distinguer les sources indépendantes des copies | Tracer la provenance, les licences et les transformations des contenus |
Cette approche rejoint les initiatives de rémunération des éditeurs. En février 2026, Microsoft a lancé, selon les informations fournies, une Publisher Content Marketplace où les éditeurs peuvent fixer des conditions d’utilisation et être rémunérés selon l’usage de leurs contenus par des outils d’IA. Ce type de mécanisme ne règle pas à lui seul les enjeux de qualité ou de droit, mais il reconnaît une réalité économique : sans producteurs de contenus capables de poursuivre leur travail, les sources fiables deviennent plus difficiles à renouveler.
La tentation d’une IA autosuffisante
L’idée de modèles capables de produire eux-mêmes leurs données d’entraînement est séduisante : elle promettrait de réduire la dépendance aux contenus humains et d’accélérer l’amélioration des systèmes. Sam Altman évoquait dès 2023 la possibilité que des modèles suffisamment avancés génèrent de bonnes données synthétiques. Mais la qualité de ces données doit être évaluée indépendamment ; une production convaincante à la lecture n’est pas forcément exacte, complète ou représentative.
Pour les entreprises qui utilisent l’IA dans leur communication, le parallèle est parlant. Publier davantage ne garantit ni une communauté plus engagée ni une information plus utile. Une équipe peut automatiser un premier brouillon, puis consacrer le temps gagné à vérifier les faits, ajouter une expérience de terrain et répondre aux questions réelles de son audience. La valeur vient de ce que l’automatisation n’a pas : le contexte, la responsabilité éditoriale et la relation de confiance.
La même logique vaut pour les plateformes : afficher les sources, préserver l’accès aux éditeurs et rémunérer les contenus utilisés peut contribuer à maintenir un web vivant. Sans ces garde-fous, le volume artificiel risque de masquer la raréfaction des informations originales. Le vrai enjeu n’est donc pas de bannir les données synthétiques, mais d’empêcher qu’elles deviennent l’unique nourriture des modèles.
Qu’est-ce que l’effondrement des modèles d’IA ?
C’est un phénomène observé lorsque des modèles sont entraînés de manière répétée sur des contenus générés par des modèles précédents. La diversité des données peut diminuer, les détails rares disparaître et certaines erreurs se renforcer.
Les données synthétiques rendent-elles toujours une IA moins performante ?
Non. Elles peuvent être utiles pour des tâches ciblées si elles sont sélectionnées, vérifiées et associées à des sources humaines variées. Le risque vient surtout d’un recyclage massif et non contrôlé.
Pourquoi les réponses générées par les moteurs peuvent-elles fragiliser les éditeurs ?
Lorsqu’une réponse suffit à l’internaute, celui-ci peut ne pas visiter le site qui a fourni les informations. Une baisse des visites peut réduire les revenus et les moyens consacrés à la production de contenus originaux.
Comment limiter le risque que les IA s’entraînent sur des contenus de mauvaise qualité ?
Il faut documenter la provenance des données, distinguer les contenus humains des textes synthétiques, vérifier les affirmations à partir de sources fiables et préserver un corpus diversifié. La transparence et la rémunération des éditeurs peuvent aussi soutenir la production de sources originales.
