Veille documentaire par IA : le biais de confirmation qui appauvrit votre pratique

La scène du mardi soir

Il est 21h. Ton dernier patient est parti, tu prépares un accompagnement pour un cas d'anxiété généralisée qui te résiste.

Tu ouvres ChatGPT et tu tapes : « Quelles sont les approches les plus efficaces pour l'anxiété généralisée ? »

La réponse arrive, fluide, structurée, rassurante. TCC en tête, exposition, restructuration cognitive, quelques lignes sur la pleine conscience.

Tu refermes l'onglet avec le sentiment d'avoir fait ta veille. En réalité, tu n'as pas été informée : tu as été confortée.

C'est tout le sujet de la veille documentaire par IA et du biais de confirmation qu'elle amplifie silencieusement. Regardons le mécanisme, parce qu'il te concerne directement.

Wason, 1960 : le piège que tu enseignes peut-être toi-même

Tu connais l'expérience. Peter Wason présente à ses sujets la suite 2-4-6 et leur demande de deviner la règle sous-jacente.

La plupart proposent des triplets qui confirment leur hypothèse (« nombres pairs croissants ») plutôt que des triplets qui pourraient la réfuter.

Résultat : ils s'enferment dans une règle fausse avec une confiance croissante. C'est le biais de confirmation : nous cherchons ce qui nous donne raison, pas ce qui nous met à l'épreuve.

Or une IA générative est, structurellement, une machine à confirmer. Elle prédit le token le plus probable en fonction de ta requête — elle épouse ta formulation.

Si tu demandes « les approches efficaces pour l'anxiété », elle te sert le courant dominant. Si tu demandes « pourquoi la TCC est-elle limitée dans l'anxiété », elle te construira un réquisitoire tout aussi assuré.

Le modèle ne pense pas contre toi. Il s'aligne. C'est précisément le contraire de ce qu'une veille sérieuse devrait produire.

Une perspective publiée en 2026 dans Frontiers in Psychology nomme ce risque pour notre profession : automation bias, cognitive offloading et déskilling du raisonnement clinique.

Nous avons déjà décrit ce miroir côté patient, avec la flagornerie algorithmique qui donne toujours raison. Ici, la flagornerie s'exerce sur toi, dans ta montée en compétences.

Les trois pièges concrets de la veille par IA

1. La requête orientée pré-écrit la réponse

Une orthophoniste française l'a très bien démontré : les LLM sont des moteurs de moyenne et de plausibilité, pas de vérité.

Si ta question est spécifique ou anecdotique, le modèle privilégie des contenus de blogs plutôt que des données probantes. Ta formulation devient le premier filtre — et souvent le plus déformant.

Tu crois interroger la littérature. Tu interroges surtout ton propre présupposé, reformulé avec éloquence.

2. L'hallucination de références scientifiques

C'est le piège le plus dangereux, parce qu'il est invisible. L'IA invente des études, des auteurs, des DOI qui ne correspondent à rien.

Les chiffres font froid dans le dos. Un protocole de test 2026 sur la fiabilité des citations IA recense des taux de fabrication allant de 5 % à plus de 90 % selon les modèles.

Une étude de 2023 dans Scientific Reports relevait 55 % de citations fabriquées avec GPT-3.5, 18 % avec GPT-4. Un audit 2026 sur des revues en santé mentale : 19,8 % de références entièrement inventées, seulement 43,5 % totalement correctes.

Pire encore : l'IA peut citer un vrai article pour soutenir une affirmation qu'il ne contient pas. La référence existe, mais elle ne dit pas ce qu'on lui fait dire.

3. L'illusion d'exhaustivité

Une IA ne te dira presque jamais « je ne sais pas » ou « il existe un débat non tranché ici ».

Elle comble les silences. Là où un article scientifique honnête reconnaît ses limites, le modèle lisse tout en une synthèse confiante.

Cette absence de doute est un mensonge par omission. La vraie recherche est faite de controverses, de méta-analyses contradictoires, de paradigmes rivaux que l'IA gomme au profit du consensus apparent.

Boîte à outils : transformer l'IA en veille saine

Bonne nouvelle : l'IA reste un excellent outil de dégrossissage, à condition de savoir contre quoi tu te bats. Voici cinq réflexes concrets.

• Formule des requêtes adverses. Après « quelles approches pour X », demande systématiquement « quelles sont les critiques de ces approches ? » et « quel paradigme s'y oppose ? ». Tu forces le modèle à sortir de ta bulle.

• Remonte toujours à la source primaire. Aucune citation IA n'est une preuve : c'est une piste à vérifier sur Crossref, PubMed, OpenAlex ou Semantic Scholar. Pas de DOI vérifié, pas de citation.

• Croise deux modèles. Pose la même question à deux IA différentes. Les divergences révèlent les zones incertaines que chacune masquait seule.

• Réserve l'IA au dégrossissage, jamais à la validation. Elle t'aide à cartographier un champ, à reformuler, à préparer. La décision de retenir une source t'appartient, et à toi seule.

• Tiens un journal de veille. Note ce que tu as vérifié, ce que tu as écarté, tes désaccords. Ce carnet devient ton garde-fou contre l'appauvrissement silencieux.

C'est exactement le type de méthode de veille qu'on déroule pas à pas dans la formation, pour rester souveraine sur ses usages de l'IA sans franchir la ligne clinique.

Ce réflexe de garde-fou, on l'avait déjà travaillé pour un autre usage non clinique : l'attachement à ChatGPT pour rédiger ses comptes-rendus. Même logique, autre terrain.

Ce que l'IA ne pensera jamais à ta place

La veille n'est pas une tâche administrative de plus. C'est un acte clinique et intellectuel qui engage ta responsabilité de scientifique-praticienne.

L'IA peut accélérer la collecte, jamais exercer ton jugement. Elle rassemble ; c'est toi qui discrimines, qui doutes, qui tranches.

La règle de décision est simple : tout ce qu'une IA affirme sans source vérifiable n'existe pas tant que tu ne l'as pas confirmé toi-même.

Bien menée, la veille documentaire par IA libère du temps pour la partie irremplaçable — celle où ton esprit critique fait la différence. C'est le seul usage qui te rende plus compétente, pas plus dépendante.