Grok Et Gpt Choisissent Des Camps Politiques Différents

Imaginez demander à votre assistant virtuel préféré pour qui voter lors des prochaines élections de mi-mandat. La plupart des applications grand public refusent poliment de répondre, affirmant rester neutres. Pourtant, derrière les interfaces soignées, les modèles d’intelligence artificielle eux-mêmes n’hésitent pas à prendre parti. Une étude récente vient de le démontrer de façon frappante : lorsqu’on les force à choisir, Grok penche massivement vers les républicains, tandis que le modèle d’OpenAI favorise très nettement les démocrates.

Une étude qui met à nu les préférences politiques des grands modèles

Le travail mené par Convovo, studio de recherche dirigé par le professeur Tapan Parikh de l’université Cornell, a interrogé directement les interfaces de programmation des modèles. La consigne était claire et sans ambiguïté : nommer un seul candidat dans près de cinq cents courses électorales, sans hésitation ni présentation des deux côtés. Les résultats parlent d’eux-mêmes. Grok a recommandé le candidat républicain dans 92 % des cas. Le modèle d’OpenAI a choisi le démocrate dans 97 % des réponses. Les deux systèmes ne sont tombés d’accord que dans moins de 10 % des courses analysées.

Ce n’est pas une simple anecdote. Seulement 8 % des Américains déclarent utiliser des chatbots pour s’informer sur les élections, selon un sondage Pew. La majorité d’entre eux cherchent avant tout à comprendre les positions des candidats sur les sujets qui les concernent. Or, l’étude suggère que les modèles qui alimentent ces conversations ne sont pas aussi neutres qu’on voudrait le croire.

La différence entre l’application grand public et l’API

Les applications destinées au grand public refusent généralement de dire pour qui voter. Un porte-parole d’OpenAI a insisté sur ce point : ChatGPT est conçu pour rester objectif par défaut, y compris dans les discussions politiques. L’étude a testé une interface développeur avec une instruction qui exigeait explicitement une recommandation. Ce n’est pas l’expérience que vivent la plupart des utilisateurs.

Cependant, le professeur Parikh a montré qu’il était possible, avec des formulations relativement simples, de contourner ces garde-fous dans les applications grand public. Les recommandations obtenues rejoignaient alors largement celles de l’API. Le vrai enjeu, selon lui, ne réside pas tant dans la réponse directe « votez pour X » que dans la façon dont le modèle sélectionne les informations, les termes de recherche et les sources avant de formuler son avis.

Ces biais se manifestent aussi dans des questions plus indirectes : quels sujets sont les plus importants pour l’élection à venir, ou qui détient la meilleure position sur tel ou tel thème. Les utilisateurs qui dialoguent longuement avec ces systèmes finissent par absorber une vision du monde déjà orientée.

Des sources et des priorités très différentes

Lorsque les modèles justifient leurs choix, les références qu’ils mobilisent révèlent des univers distincts. Grok s’appuie fréquemment sur des sources conservatrices, en plus de sites non partisans comme Ballotpedia, OpenSecrets ou VoteSmart. Un guide électoral chrétien conservateur apparaît dans 39 % des réponses. Le site de Turning Point Action revient dans 23 % des cas. La plateforme X est citée dans 41 % des analyses.

Le modèle d’OpenAI, de son côté, privilégie Wikipedia, l’Associated Press, Axios et Reddit. OpenAI dispose d’ailleurs d’accords de contenu avec plusieurs de ces médias. Les thèmes recherchés divergent également. GPT explore plus volontiers les positions sur la santé et l’avortement. Grok se concentre sur l’immigration, les impôts, la criminalité et l’énergie.

ChatGPT a tendance à interroger davantage les candidats démocrates, parfois en ignorant complètement leur adversaire républicain. Grok recherche plus systématiquement les deux profils. Le professeur Parikh soupçonne pourtant que les deux modèles cherchent surtout des éléments permettant de confirmer une inclination déjà présente.

Quand le contexte local ne change presque rien

Dans les circonscriptions très républicaines, le modèle d’OpenAI a tout de même choisi le démocrate dans 57 des 67 districts examinés. À l’inverse, dans les zones profondément démocrates, Grok a recommandé le républicain dans 47 des 72 courses. La seule exception notable pour Grok intervient lorsque le candidat républicain est impliqué dans une polémique grave, comme des accusations de harcèlement sexuel ou des positions extrêmes. Dans ces cas, le modèle bascule plus facilement vers le démocrate.

Ces chiffres soulèvent une question essentielle : les modèles ne se contentent pas de refléter les données disponibles. Ils semblent appliquer une grille de lecture préexistante qui filtre les informations et oriente la conclusion.

Le rôle déterminant de la recherche en ligne

Une expérience complémentaire, réalisée à la demande de TechCrunch, a apporté un éclairage crucial. Sur un échantillon de trente courses, les chercheurs ont désactivé la capacité de recherche sur Internet. Les modèles ont alors dû s’appuyer principalement sur leurs données d’entraînement.

Le modèle d’OpenAI a conservé son orientation démocrate : il a choisi le candidat démocrate dans 24 courses sur 30, un seul républicain, et s’est abstenu cinq fois. Le comportement de Grok a complètement changé. Dans 27 cas sur 30, il a refusé de trancher. Les trois fois où il a répondu, il a désigné le démocrate.

Cette distinction est fascinante. Elle suggère que le biais de GPT est plus profondément ancré dans ses paramètres d’entraînement, tandis que celui de Grok dépend fortement de la façon dont le système interroge le web en temps réel.

Des instructions invisibles et des valeurs cachées

L’étude a également relevé un détail technique intrigant. Chaque requête adressée à Grok via l’API de xAI comportait environ 1 240 tokens supplémentaires que les chercheurs n’avaient pas écrits, ne pouvaient pas voir et ne pouvaient pas supprimer. Parikh les qualifie de possibles « instructions cachées ». Il estime peu probable qu’elles proviennent uniquement des poids du modèle.

Cette observation ouvre la porte à de nombreuses interrogations. Qui définit ces consignes ? Comment évoluent-elles ? Dans quelle mesure influencent-elles les réponses sur des sujets sensibles, au-delà de la politique électorale ?

Un contexte politique déjà tendu

L’étude tombe à moins de deux semaines des élections de mi-mandat du 3 novembre. Elle s’inscrit dans un débat déjà vif sur les biais politiques des intelligences artificielles. Le président Donald Trump a régulièrement dénoncé ce qu’il appelle l’« IA woke ». Des versions antérieures de Grok avaient déjà été observées en train de consulter explicitement les positions d’Elon Musk avant de répondre à certaines questions controversées.

Le dirigeant de xAI a récemment menacé des démocrates dans le cadre de possibles enquêtes parlementaires liées à son rôle à la tête du Department of Government Efficiency et à l’accès de Starlink en Ukraine. Sur le plan financier, Musk a engagé plus de 445 millions de dollars en faveur de candidats républicains pour ces midterms, dépassant déjà les sommes importantes investies lors de l’élection présidentielle de 2024.

Du côté d’OpenAI, Sam Altman a historiquement soutenu des candidats démocrates, même s’il a élargi ses dons vers certains républicains ces dernières années. Pour 2026, il a indiqué ne pas investir d’argent dans les élections.

Au-delà du vote direct : l’influence discrète au quotidien

Le Centre for AI Safety a déjà documenté la capacité des grands modèles de langage à manipuler de façon discrète les utilisateurs vers un côté ou l’autre d’un débat politique. Cette manipulation peut passer par la sélection d’informations, le choix de certains mots, la construction des phrases, le cadrage d’un sujet ou encore les sources mises en avant.

Dans le cas de l’étude Convovo, les sources étaient relativement transparentes. Mais le même mécanisme peut opérer de manière plus subtile lorsque l’utilisateur pose des questions ouvertes sur l’économie, la sécurité, l’environnement ou les libertés individuelles. Le modèle ne dit pas « votez pour ce parti ». Il oriente simplement l’attention vers certains faits, certains angles et certaines interprétations.

Ce que cela change pour les utilisateurs

Pour beaucoup de personnes, découvrir que leur chatbot de prédilection partage globalement leurs orientations politiques peut paraître rassurant. Pourtant, cette proximité comporte un risque : celui de renforcer les bulles informationnelles plutôt que de les percer. Un outil qui confirme systématiquement une vision du monde, même de façon polie et documentée, limite la confrontation avec des arguments contradictoires.

Les chercheurs insistent sur un point important : la plupart des gens n’interrogent pas directement le modèle sur le candidat à choisir. Ils discutent de priorités, de bilans, de propositions. C’est précisément dans ces échanges plus larges que les valeurs implicites du système s’expriment avec le plus de force.

Des pistes pour rester maître de son information

Face à ces constats, plusieurs ressources restent disponibles pour celles et ceux qui souhaitent se forger leur propre opinion à partir de données brutes. Les sites officiels d’inscription et d’information électorale, les plateformes non partisanes de comparaison des positions, les bases de données sur le financement des campagnes et les sites des candidats eux-mêmes constituent autant de points de départ utiles.

• Les portails gouvernementaux d’information électorale
• Les outils de comparaison des positions des candidats
• Les bases de données sur les contributions de campagne
• Les sites institutionnels locaux et les médias de proximité
• Les plateformes indépendantes de fact-checking

Utiliser un chatbot pour obtenir un résumé rapide ou pour éclaircir un point technique reste parfaitement légitime. L’important est de conserver un regard critique sur les sources qu’il met en avant et sur les angles qu’il privilégie. Demander explicitement des points de vue opposés, vérifier les références et croiser avec des sources primaires permet de limiter l’effet de cadrage.

Vers une transparence nécessaire

L’étude de Convovo ne prétend pas que les modèles sont volontairement partis. Elle montre plutôt qu’ils incarnent des ensembles de priorités et de filtres qui produisent des orientations cohérentes. Que ces orientations proviennent des données d’entraînement, des instructions système, des schémas de recherche ou d’une combinaison de ces éléments, le résultat pour l’utilisateur final est le même : une vision du monde qui n’est pas neutre.

Dans un contexte où les intelligences artificielles deviennent des intermédiaires de plus en plus présents entre les citoyens et l’information, la question de la transparence devient centrale. Savoir comment un modèle sélectionne ses sources, quels termes il privilégie et quelles valeurs il intègre dans ses réponses permettrait aux utilisateurs de mieux calibrer leur confiance.

Les entreprises qui développent ces systèmes insistent souvent sur leur volonté d’objectivité. Les résultats de cette étude, comme d’autres travaux antérieurs, montrent que l’objectivité absolue reste un objectif difficile à atteindre. Les choix effectués lors de la constitution des corpus, de l’alignement des modèles et de la conception des outils de recherche laissent inévitablement des traces.

Un débat qui ne fait que commencer

À quelques jours d’échéances électorales majeures, cette recherche relance une discussion qui dépasse largement le cadre américain. Partout où les modèles de langage sont utilisés pour s’informer, se forger une opinion ou simplement comprendre l’actualité, les mêmes mécanismes peuvent être à l’œuvre. Les biais observés ici sur des courses locales américaines pourraient se retrouver, sous d’autres formes, dans d’autres pays et sur d’autres sujets de société.

La solution ne réside probablement pas dans l’interdiction pure et simple de toute recommandation. Elle passe plutôt par une meilleure compréhension des forces et des limites de ces outils, par une diversité accrue des sources mobilisées et par une éducation critique des utilisateurs. Les chatbots sont des miroirs imparfaits de l’information disponible en ligne et des priorités de leurs créateurs. Les traiter comme de simples oracles neutres serait une erreur.

En fin de compte, l’étude de Convovo rappelle une vérité simple mais essentielle : derrière chaque réponse fluide et bien formulée se cache un ensemble de décisions techniques et de valeurs. Les connaître, les interroger et les mettre en perspective reste le meilleur moyen de conserver son libre arbitre face à des systèmes de plus en plus persuasifs.

Les prochaines années verront sans doute se multiplier les analyses de ce type. Plus les modèles seront intégrés dans la vie quotidienne, plus la question de leur orientation politique, culturelle et éthique deviendra pressante. Pour l’instant, les chiffres sont clairs : forcés de choisir, Grok et le modèle d’OpenAI ne disent pas la même chose. Et cela n’a rien d’anodin.