Fact-checking : vérifier ses sources à l'ère de l'IA

Le fact-checking, ou vérification des faits, est une démarche méthodique qui consiste à vérifier l'exactitude d'une information, d'une affirmation ou d'un document avant de le considérer comme fiable. Né dans les rédactions journalistiques américaines au début du XXe siècle, le fact-checking est devenu une discipline à part entière, indispensable à tout professionnel de l'information.

Dans le contexte du journalisme, le fact-checking désignait à l'origine le travail de vérification effectué par des équipes dédiées au sein des grands magazines comme le New Yorker ou le Time. Ces fact-checkers vérifiaient chaque affirmation, chaque chiffre, chaque citation avant publication. Ce travail minutieux, souvent invisible pour le lecteur, constituait la garantie de fiabilité qui fondait la crédibilité de ces publications.

Aujourd'hui, le fact-checking s'est étendu bien au-delà des rédactions. Il concerne toute personne ou organisation qui produit, diffuse ou utilise de l'information : entreprises, institutions, créateurs de contenus, chercheurs, communicants. Dans un environnement informationnel marqué par la profusion des sources, la viralité des réseaux sociaux et l'émergence de contenus générés par intelligence artificielle, la capacité à vérifier ses sources est devenue une compétence professionnelle fondamentale.

Le fact-checking ne se limite pas à débusquer les « fake news ». Il englobe un spectre beaucoup plus large de vérifications : exactitude des données chiffrées, authenticité des images et des vidéos, fiabilité des témoignages, validité des sources citées, cohérence des informations contextuelles. C'est un travail qui exige rigueur, méthode et esprit critique.

Le paysage informationnel a profondément changé au cours de la dernière décennie, et plusieurs facteurs convergent pour rendre le fact-checking plus nécessaire que jamais.

Le premier facteur est la démocratisation de la production de contenus. N'importe qui peut publier une information sur les réseaux sociaux, un blog ou une plateforme vidéo, sans passer par les filtres éditoriaux traditionnels. Cette liberté est positive à bien des égards, mais elle a aussi multiplié les sources d'information non vérifiées. Une affirmation erronée ou trompeuse peut être partagée des milliers de fois avant que quiconque ne prenne le temps de la vérifier.

Le deuxième facteur est l'intelligence artificielle générative. Les modèles de langage comme ChatGPT, Claude ou Gemini peuvent produire des textes extrêmement convaincants sur n'importe quel sujet, y compris des textes factuellement incorrects. Le phénomène des « hallucinations » — ces informations inventées de toutes pièces par l'IA mais présentées avec aplomb — pose un défi inédit. Un texte généré par IA peut citer des études inexistantes, inventer des statistiques ou attribuer des propos jamais tenus à des personnalités réelles, le tout dans un style parfaitement fluide et crédible.

Le troisième facteur est la montée en puissance des deepfakes, ces contenus audio ou vidéo manipulés par intelligence artificielle pour faire dire ou faire faire à une personne des choses qu'elle n'a jamais dites ni faites. La qualité des deepfakes s'améliore rapidement, rendant leur détection de plus en plus difficile pour un oeil non averti. Les implications sont considérables : manipulation électorale, fraude à l'identité, atteinte à la réputation, désinformation géopolitique.

Le quatrième facteur est la vitesse de circulation de l'information. Dans l'écosystème des réseaux sociaux, une information circule en quelques minutes à travers le monde. Le temps de la vérification est structurellement plus long que le temps de la diffusion. Quand un démenti ou une correction est publié, l'information erronée a déjà touché des millions de personnes. Cette asymétrie temporelle est l'un des défis majeurs du fact-checking contemporain.

Face à ces évolutions, la vérification des sources n'est plus un luxe ou une précaution optionnelle : c'est une nécessité professionnelle pour quiconque produit ou utilise de l'information dans un cadre professionnel.

La vérification des sources repose sur une méthodologie rigoureuse, applicable aussi bien aux textes qu'aux images et aux vidéos. Voici les étapes fondamentales d'un processus de fact-checking professionnel.

Première étape : identifier la source primaire. Toute information a une origine. Le premier réflexe du fact-checker est de remonter à la source primaire : qui a publié cette information en premier ? S'agit-il d'un témoin direct, d'une institution officielle, d'une étude scientifique publiée dans une revue à comité de lecture, ou d'un compte anonyme sur un réseau social ? La nature de la source primaire conditionne le niveau de confiance que l'on peut lui accorder.

Deuxième étape : croiser les sources. Une information rapportée par une seule source, aussi crédible soit-elle, doit être considérée avec prudence. Le principe du croisement consiste à vérifier si la même information est confirmée par au moins deux ou trois sources indépendantes les unes des autres. Attention : des médias qui reprennent tous la même dépêche d'agence ne constituent pas des sources indépendantes.

Troisième étape : vérifier le contexte. Une information peut être factuellement exacte mais trompeuse si elle est sortie de son contexte. Un chiffre peut être vrai à une date donnée mais obsolète. Une citation peut être authentique mais tronquée de manière à en altérer le sens. Le fact-checker vérifie systématiquement le contexte temporel, géographique et éditorial de l'information.

Quatrième étape : vérifier les images et les vidéos. La recherche d'image inversée (reverse image search) permet de vérifier si une image a déjà été publiée dans un autre contexte. Des outils comme Google Lens, TinEye ou Yandex Images permettent d'effectuer cette vérification en quelques secondes. Pour les vidéos, l'analyse des métadonnées, la vérification de la géolocalisation et l'examen du contenu image par image permettent de détecter les manipulations.

Cinquième étape : évaluer la crédibilité de la source. La réputation et la fiabilité historique d'une source sont des indicateurs importants. Un média reconnu pour sa rigueur journalistique, une institution scientifique établie ou un organisme officiel méritent un niveau de confiance plus élevé qu'un site web anonyme ou un compte social récemment créé. Mais même les sources les plus réputées peuvent commettre des erreurs : le croisement reste toujours nécessaire.

Le fact-checker dispose d'un arsenal d'outils numériques qui facilitent et accélèrent le travail de vérification. Voici les principaux.

Pour la recherche d'images inversée, Google Lens et TinEye sont les outils les plus utilisés. Ils permettent de retrouver toutes les occurrences d'une image sur le web, de remonter à sa première publication connue et d'identifier d'éventuels recadrages ou modifications. Yandex Images est souvent plus performant que Google pour les images provenant de l'Europe de l'Est et de la Russie.

Pour l'analyse des métadonnées, des outils comme Jeffrey's EXIF Viewer, ExifTool ou FotoForensics permettent d'examiner les données techniques embarquées dans un fichier image : date de création, appareil utilisé, logiciel de retouche éventuellement utilisé, coordonnées GPS. Ces informations peuvent confirmer ou infirmer les affirmations associées à une image.

Pour la vérification géographique, Google Earth, Google Street View et des outils de géolocalisation par indices visuels (ombres, végétation, architecture, signalétique) permettent de confirmer le lieu présenté dans une image ou une vidéo. La communauté Bellingcat a popularisé ces techniques de géolocalisation open source, qui relèvent désormais de la pratique courante du fact-checking.

Pour la vérification des informations textuelles, les moteurs de recherche avancés, les bases de données académiques (Google Scholar, PubMed, JSTOR), les archives de presse (Europresse, LexisNexis) et les sites des institutions officielles (INSEE, Eurostat, OMS) permettent de vérifier des données chiffrées, des citations et des affirmations factuelles.

Pour la détection de contenus générés par IA, des outils émergent mais restent imparfaits. Des solutions comme Hive Moderation, Sensity ou Content Credentials (initiative de la Content Authenticity Initiative soutenue par Adobe) tentent de détecter les images et les textes générés par IA. Cependant, la course entre les capacités de génération et les capacités de détection est permanente, et aucun outil ne garantit une détection fiable à 100 %.

Pour l'archivage des preuves, la Wayback Machine d'Internet Archive permet de retrouver des versions antérieures de pages web qui ont depuis été modifiées ou supprimées. C'est un outil essentiel pour documenter l'état d'une source à un moment donné et prouver qu'une information a été publiée puis retirée.

L'intelligence artificielle est souvent présentée comme une solution au problème de la désinformation. En réalité, si l'IA peut assister le fact-checker, elle ne peut pas le remplacer. Comprendre ses limites est essentiel pour éviter une confiance aveugle dans des outils qui restent imparfaits.

Première limite : l'IA ne distingue pas le vrai du faux. Les modèles de langage actuels sont entraînés à produire des textes statistiquement plausibles, pas à vérifier la véracité de ce qu'ils affirment. Un modèle peut générer une phrase factuellement fausse avec la même assurance qu'une phrase vraie. Il ne « sait » rien au sens strict du terme : il prédit des séquences de mots probables. Cette caractéristique fondamentale rend les IA génératives inaptes au fact-checking autonome.

Deuxième limite : les biais des données d'entraînement. Les modèles d'IA sont entraînés sur des corpus de textes issus du web, qui contiennent eux-mêmes des erreurs, des biais et des informations obsolètes. Un modèle entraîné sur des données biaisées reproduira ces biais dans ses réponses. Si une fausse information est suffisamment répandue sur le web, le modèle peut la considérer comme une information « consensuelle » et la reprendre à son compte.

Troisième limite : l'absence de traçabilité. Quand un modèle d'IA fournit une information, il est généralement impossible de remonter à la source précise de cette information. Contrairement à un moteur de recherche qui affiche des liens vers les pages sources, un modèle de langage fournit une réponse synthétique sans références vérifiables. Même quand il cite des sources, ces citations peuvent être inexactes ou inventées.

Quatrième limite : la course technologique. Les outils de détection de deepfakes et de contenus générés par IA sont en retard structurel par rapport aux outils de génération. Chaque amélioration des modèles génératifs rend les détecteurs existants partiellement obsolètes. Cette asymétrie signifie qu'il y aura toujours des contenus artificiels indétectables par les outils automatisés.

Cinquième limite : le manque de contexte culturel et historique. La vérification d'une information nécessite souvent une connaissance contextuelle fine que l'IA ne possède pas : usages locaux, subtilités linguistiques, contexte géopolitique, histoire des institutions. Un fact-checker humain mobilise des connaissances implicites et un jugement situationnel que les algorithmes ne peuvent pas reproduire.

Face aux défis de la désinformation contemporaine, l'expertise humaine en matière de vérification des sources conserve une valeur irremplaçable. Voici pourquoi.

Le jugement qualitatif est la première force du fact-checker humain. Évaluer la crédibilité d'une source, détecter une incohérence narrative, identifier une manipulation par omission ou par cadrage : ces opérations relèvent d'un jugement critique qui s'appuie sur l'expérience, la culture générale et l'intuition professionnelle. Un fact-checker chevronné « sent » quand quelque chose ne colle pas, même quand il ne peut pas encore identifier précisément le problème. Ce flair professionnel, développé par des années de pratique, n'a pas d'équivalent algorithmique.

La mise en réseau est la deuxième force. Les fact-checkers professionnels travaillent en réseau, échangent des informations, partagent des méthodes et collaborent sur des vérifications complexes. Des organisations comme l'IFCN (International Fact-Checking Network), le réseau Desinfox en France ou la communauté Bellingcat illustrent cette intelligence collective qui démultiplie les capacités individuelles.

La responsabilité éditoriale est la troisième force. Un fact-checker humain engage sa responsabilité professionnelle et sa réputation lorsqu'il valide ou invalide une information. Cette responsabilité est un puissant facteur de rigueur. Un algorithme n'a pas de réputation à défendre et ne subit aucune conséquence s'il produit un résultat erroné.

Dans le domaine de la documentation audiovisuelle et de la recherche d'images, la compétence en fact-checking est particulièrement précieuse. Vérifier l'authenticité d'une photographie, confirmer l'identité des personnes représentées, s'assurer qu'une image d'archive correspond bien à l'événement annoncé : ces tâches exigent une combinaison d'outils techniques et de culture visuelle que seul un professionnel expérimenté peut mobiliser de manière fiable.

La Memothèque intègre cette dimension de vérification dans l'ensemble de ses prestations de recherche documentaire. Chaque document, chaque image, chaque source fait l'objet d'une vérification rigoureuse avant d'être livré au client. C'est cette exigence de fiabilité qui fait la différence entre une recherche documentaire amateur et une recherche documentaire professionnelle. Pour en savoir plus, consultez la page consacrée au service de recherche documentaire.

À l'ère de l'IA et de la surabondance informationnelle, la capacité à distinguer le fiable du douteux, le vérifié du supposé, l'authentique du fabriqué n'est pas une compétence en déclin. C'est au contraire une compétence dont la valeur ne cesse de croître.