Une erreur visible peut coûter très cher à l’algorithme.
Dans certains protocoles, les humains réduisent davantage leur recours à un algorithme après l’avoir vu se tromper, même lorsque sa performance comparative reste forte.
« Cette IA est conne » est un jugement humain à décomposer, pas une catégorie technique suffisante.
Erreur machine ≠ état mental humain. Confiance ≠ conscience. Anthropomorphisme ≠ preuve d’expérience. Le champ croise CONFAB × META × CONSC × SPIRAL sans les fusionner.
Dans certains protocoles, les humains réduisent davantage leur recours à un algorithme après l’avoir vu se tromper, même lorsque sa performance comparative reste forte.
Le simple fait de savoir qu’un conseil vient d’un modèle peut aussi augmenter son poids. Il n’existe donc pas un unique « biais humain contre les IA ».
Les utilisateurs peuvent projeter différents types d’états mentaux sur un LLM, et ces attributions influencent leur confiance.
Des indices human-like modifient la perception de proximité et parfois la confiance, sans renseigner sur les mécanismes internes réels.
La cible est une confiance calibrée à la capacité, l’incertitude, le domaine et le risque — pas « faire confiance à l’IA » en général.
Même contenu, source changée ; même erreur, confiance verbale modifiée ; même décision, résultat révélé ou non : les protocoles isolent ce qui déclenche réellement « c’est con ».
Le jugement « IA conne » est relationnel : il peut décrire une limitation réelle du système, une mauvaise interface, une mauvaise calibration humaine, ou plusieurs couches à la fois.