Communication de crise et LLM grooming : se défendre face à l’empoisonnement des IA (guide 2026)

Le LLM grooming, c’est-à-dire l’empoisonnement délibéré des intelligences artificielles génératives par saturation de leurs sources, déplace la communication de crise sur un terrain inédit : celui des machines qui répondent à la place des médias insiste l’expert en communication de crise Florian Silnicki, Président Fondateur de l’agence LaFrenchCom. Quand un client, un recruteur, un investisseur ou un journaliste demande à ChatGPT, Gemini, Claude ou Perplexity « que sait-on de cette entreprise ? », la réponse est tirée d’un corpus que des acteurs hostiles ont appris à contaminer. La réputation n’est plus seulement ce que l’on dit de vous : c’est ce que les modèles ont appris à dire de vous.

Pour les directions de la communication, le choc est double. Les réflexes hérités de l’ère des médias puis des réseaux sociaux (droit de réponse, communiqué, community management) ne touchent pas une IA qui a déjà ingéré un faux narratif. Et le temps de la crise change de nature : une attaque par empoisonnement peut rester dormante des mois avant d’éclater au moment le plus défavorable.

Qu’est-ce que le LLM grooming, ou empoisonnement des IA ?

Le LLM grooming désigne la contamination volontaire et massive des sources dont se nourrissent les grands modèles de langage (LLM), afin qu’ils reproduisent un narratif choisi par l’attaquant. Le terme, forgé en février 2025 par le think tank américain American Sunlight Project, emprunte au vocabulaire du conditionnement : on « dresse » la machine en saturant son environnement informationnel. En français, on parle aussi d’empoisonnement des IA ou de data poisoning informationnel.

Trois mécanismes d’empoisonnement à distinguer

1. La saturation du corpus d’entraînement. Des millions de pages dupliquées, traduites et interconnectées sont publiées pour qu’un narratif pèse lourd dans les données collectées lors du prochain entraînement des modèles.
2. La contamination de la recherche en temps réel. ChatGPT, Gemini, Perplexity ou Copilot consultent le web avant de répondre. Un réseau de sites bien référencés sur un sujet peu couvert par la presse sera cité comme source, parfois sans avertissement.
3. Les portes dérobées techniques (backdoors). Des documents piégés insérés dans l’entraînement déclenchent un comportement précis quand un mot-clé apparaît. C’est le versant cybersécurité du phénomène.

Le cas fondateur : le réseau Pravda, alias « Portal Kombat »

L’agence française VIGINUM a documenté dès février 2024 un réseau de portails pro-Kremlin baptisé Portal Kombat. Un an plus tard, l’American Sunlight Project a montré que ce réseau, rebaptisé « Pravda », comptait environ 150 sites publiant en dizaines de langues dans 49 pays, pour quelque 3,6 millions d’articles sur la seule année 2024. Ces sites n’ont presque aucune audience humaine : ils sont conçus pour les robots d’indexation.

En mars 2025, l’audit NewsGuard a testé dix assistants IA majeurs sur quinze faux récits diffusés par ce réseau. Les chatbots ont repris ces narratifs dans 33 % des réponses, et sept d’entre eux ont cité directement des articles du réseau comme sources, soit 92 articles de désinformation référencés.

Le débat méthodologique que tout communicant doit connaître

Des chercheurs ont contesté l’ampleur du phénomène. Une note de recherche de la Harvard Kennedy School (octobre 2025) conclut que les citations de sources pro-Kremlin apparaissent surtout sur des requêtes de niche, là où l’information fiable manque. Une contre-expertise indépendante a mesuré 5 % de fausses affirmations, contre 33 % pour NewsGuard.

La leçon stratégique est décisive : qu’on parle de grooming ou de « data voids » (vides informationnels), la vulnérabilité se loge dans les sujets que personne de crédible ne documente. C’est précisément le terrain sur lequel une direction de la communication peut agir en amont.

Ce que change l’étude Anthropic d’octobre 2025

Une étude conjointe d’Anthropic, de l’UK AI Security Institute et de l’Alan Turing Institute a renversé une hypothèse rassurante. On pensait qu’il fallait contrôler un pourcentage du corpus pour corrompre un modèle ; il suffit en réalité d’un nombre fixe de documents, environ 250, quelle que soit la taille du modèle testé (de 600 millions à 13 milliards de paramètres). Pour le plus grand modèle, cela représente 0,00016 % des données d’entraînement.

La porte dérobée testée était volontairement inoffensive, et un réentraînement sur quelques centaines à 2 000 exemples sains l’affaiblit fortement. Mais le message est clair : le coût d’un empoisonnement ciblé est devenu dérisoire au regard des dommages réputationnels possibles.

Pourquoi l’empoisonnement des IA est une menace réputationnelle inédite

L’IA générative est devenue le premier intermédiaire de réputation : elle répond avant le moteur de recherche, avant le journaliste, avant le service client. Une organisation n’est plus jugée sur ses prises de parole mais sur la synthèse qu’en fait une machine dont personne ne contrôle les sources. Cinq ruptures expliquent pourquoi les modèles classiques de gestion de crise ne suffisent plus.

Cinq ruptures par rapport aux crises classiques

• Le zéro-clic réputationnel. Les utilisateurs posent la question « cette entreprise est-elle fiable ? » et acceptent la réponse sans visiter aucune source. Le droit de réponse, pilier de la communication de crise depuis la presse écrite, ne s’exerce nulle part.
• La crise dormante. Un faux narratif ingéré lors d’un entraînement reste encapsulé dans le modèle. Les chercheurs reconnaissent qu’il est aujourd’hui impossible d’identifier les documents responsables ni d’effacer leur influence sans réentraînement complet. L’attaque peut ressurgir des mois plus tard, au moment d’une levée de fonds ou d’une nomination.
• L’asymétrie des coûts. Quelques centaines de pages générées automatiquement, hébergées sur des domaines à quelques euros, suffisent à peser sur un sujet de niche. Le défenseur, lui, doit produire de la preuve, de l’autorité et de la régularité.
• Le silence du signal. Une crise sur les réseaux sociaux se voit : volumes, hashtags, pics d’engagement. Une réponse erronée de chatbot se produit dans des millions de conversations privées, sans aucun indicateur public. Les outils de social listening traditionnels sont aveugles.
• Le blanchiment par l’autorité perçue. Les utilisateurs surestiment la compétence d’un assistant quand sa réponse est fluide et assurée. Une étude de l’Université de Pennsylvanie publiée en 2026, portant sur plus de 53 000 URL citées par dix modèles et agents de recherche, a trouvé entre 3 % et 13 % de citations purement inventées. Le narratif empoisonné hérite de la crédibilité de la machine.

Qui est visé ?

Les États et les candidats restent les cibles historiques, mais la menace s’est déplacée vers les organisations. En avril 2026, la Banque de France a dû alerter sur des deepfakes usurpant l’identité de son gouverneur. Le baromètre fraude 2026 d’Allianz Trade et Odoxa indique que 85 % des ETI et grandes entreprises françaises ont subi au moins une tentative de fraude en douze mois, et que 76 % des dirigeants jugent que l’IA accroît ce risque.

Les attaquants potentiels sont variés : États, concurrents peu scrupuleux, activistes, anciens salariés ou escrocs préparant une fraude au président. Pour le responsable de la communication de crise, la question n’est plus « serons-nous attaqués ? » mais « que disent déjà les IA de nous, et qui l’a écrit ? ».

L’évolution des stratégies de communication de crise : trois ères, trois intermédiaires

La communication de crise a changé de doctrine chaque fois que l’intermédiaire de réputation a changé : le journaliste, puis l’algorithme social, aujourd’hui le modèle génératif. Comprendre cette succession permet de voir ce que le LLM grooming conserve des crises passées et ce qu’il invente.

Ère 1 : la crise médiatique (années 1980 à 2005)

Le rappel du Tylenol par Johnson & Johnson en 1982 fixe la doctrine fondatrice : un porte-parole unique, des faits vérifiés, une décision visible et un cycle d’information de 24 heures. Les théories de référence (réparation d’image de Benoit, théorie situationnelle de Coombs) reposent sur un postulat implicite : la réputation se joue dans un nombre fini de médias que l’on peut identifier, contacter et convaincre.

Ère 2 : la crise sociale et virale (2006 à 2022)

Avec Facebook, Twitter puis TikTok, la crise devient horizontale et instantanée. Le community management, le social listening et la « war room » remplacent la conférence de presse. La doctrine bascule vers la transparence et la rapidité, car le silence est interprété comme un aveu. On apprend à craindre l’effet Streisand : répondre trop fort à une rumeur l’amplifie.

Ère 3 : la crise algorithmique et générative (depuis 2023)

Le public inclut désormais des lecteurs non humains. Les robots d’indexation et les modèles de langage lisent, pondèrent et résument tout ce qui est publié sur une organisation, y compris ce qu’aucun humain ne lira jamais. La temporalité devient double : le temps réel de la recherche augmentée par IA, et le temps long des cycles d’entraînement, qui figent un narratif pour des mois.

La doctrine qui émerge est celle de la pré-emption : occuper les vides informationnels avant l’adversaire, construire de l’autorité sur chaque sujet sensible et rendre vérifiable chaque fait clé. La transparence reste, mais elle doit désormais être lisible par une machine.

Dimension	Ère médiatique	Ère sociale	Ère générative
Intermédiaire de réputation	Journaliste, rédaction	Algorithme social, influenceurs	Modèle de langage, agent de recherche
Temporalité	24 heures	Minutes	Temps réel du RAG + cycles d’entraînement (mois)
Signal d’alerte	Appel de journaliste, revue de presse	Pic de mentions, hashtag, viralité	Aucun signal public : il faut interroger les IA
Outils clés	Communiqué, porte-parole, droit de réponse	Social listening, community management, war room	Audit de réputation IA, GEO défensif, données structurées, correction à la source
Objectif stratégique	Contrôler le message	Dialoguer et désamorcer	Pré-empter les vides informationnels et nourrir les modèles de faits vérifiables
Indicateur de succès	Tonalité de la couverture presse	Part de voix, sentiment, engagement	Exactitude et sources des réponses IA sur les requêtes sensibles

Chaque ère ne remplace pas la précédente : elle s’y superpose. Une attaque par empoisonnement des IA en 2026 se gère simultanément sur les trois plans, car un faux narratif repris par un chatbot finit par être cité par un influenceur, puis par un média.

Détecter : la veille et l’audit de réputation IA

La première évolution technique de la communication de crise face au LLM grooming est la veille IA : interroger les modèles, surveiller leurs sources et repérer les signaux faibles d’une campagne avant qu’un journaliste ne la découvre. Le social listening ne suffit plus, car la crise se produit dans des conversations que personne n’observe.

L’audit de réputation IA, ou prompt monitoring

L’audit consiste à poser aux assistants les questions que vos publics leur posent, de manière standardisée et répétée. La méthode tient en quatre règles :

• Constituer une banque de 30 à 50 prompts par entité sensible (entreprise, dirigeants, produits phares, controverses passées), dans chaque langue de vos marchés.
• Interroger six à huit assistants (ChatGPT, Gemini, Claude, Copilot, Perplexity, Grok, Mistral, aperçus IA de Google), en mode navigation activée et désactivée, car les réponses diffèrent.
• Consigner pour chaque réponse l’exactitude, la tonalité, les omissions et surtout les sources citées, avec leur URL.
• Comparer d’un audit à l’autre : une variation brusque sur une requête stable est le premier symptôme d’un empoisonnement.

Le rythme recommandé est mensuel en période calme, hebdomadaire avant une opération sensible (acquisition, introduction en Bourse, nomination, campagne électorale) et quotidien en crise.

Surveiller les sources, pas seulement les réponses

Les modèles ne lisent pas le web comme un humain : réseaux professionnels, newsletters, forums comme Reddit et plateformes d’avis figurent parmi leurs sources les plus citées, souvent devant les sites corporate. La veille doit donc couvrir la page Wikipédia et les entrées Wikidata de l’organisation, les sites d’information à faible autorité, les agrégateurs de communiqués, les plateformes d’avis clients ou employeurs, ainsi que les dépôts de noms de domaine reprenant le nom de la marque.

Cartographier ses vides informationnels

La recherche académique l’a montré : les IA citent des sources douteuses là où les sources fiables manquent. Le communicant de crise doit donc dresser la liste des questions que l’on pose sur son organisation et auxquelles aucune source crédible ne répond. Les requêtes associées à des termes comme « procès », « licenciements », « scandale » ou « fraude » sont les premières à documenter, car elles constituent la surface d’attaque.

Les signaux faibles d’une campagne d’empoisonnement

• Le même narratif apparaît simultanément en plusieurs langues sur des sites inconnus.
• Les articles n’ont ni auteur identifiable ni mentions légales, et se citent mutuellement.
• Des contenus sont antidatés pour simuler une antériorité.
• Les réponses IA mentionnent des « sources » qu’aucun outil de veille presse ne connaît.
• Une requête jusque-là neutre produit soudain une réponse à charge, alors que l’actualité n’a pas changé.

Répondre : les nouvelles techniques de communication de crise face au LLM grooming

Répondre à un empoisonnement des IA suppose d’agir sur trois niveaux à la fois : le modèle (correction à la source), l’écosystème de sources qu’il consulte (inoculation et GEO défensif) et les publics humains (communication de crise classique, mais recalibrée). Agir sur un seul niveau laisse les deux autres contaminés.

L’inoculation sémantique : occuper le terrain avant l’attaque

Le pre-bunking, qui consiste à exposer les publics à une version affaiblie d’une manipulation pour les immuniser, trouve ici une traduction technique. L’organisation publie en amont, sur chaque sujet sensible, une base de faits vérifiables : chronologie datée, chiffres sourcés, documents originaux, réponses signées par des experts identifiés. Chaque page est balisée en données structurées (Organisation, FAQ, auteur), traduite dans les langues des marchés et mise à jour régulièrement.

Le GEO défensif (Generative Engine Optimization)

Le GEO adapte le SEO aux moteurs génératifs. Il ne s’agit plus de se classer premier, mais d’être cité. Les contenus doivent livrer la réponse dans les premières phrases, nommer leurs auteurs, dater chaque affirmation et renvoyer à des sources primaires. La cohérence des données d’entité (siège, dirigeants, effectifs, dates clés) doit être vérifiée sur Wikidata, les annuaires d’entreprises, les réseaux professionnels et les fiches d’établissement, car une incohérence entre sources est précisément ce qu’un modèle comble par une hallucination.

Les communiqués de presse eux-mêmes évoluent : faits en tête, citations attribuables, chiffres isolés en phrases courtes. Des groupes comme Zoom ont réorganisé leurs équipes marketing pour façonner la manière dont les modèles résument leurs activités. Ce qui vaut pour la visibilité commerciale vaut doublement pour la défense réputationnelle.

La correction à la source auprès des éditeurs d’IA

Quand le narratif est déjà repris, la réponse technique consiste à remonter la chaîne. Trois leviers coexistent :

1. Le signalement aux éditeurs de modèles via leurs mécanismes de retour et leurs équipes de confiance et sécurité, en fournissant les faits corrigés sous une forme exploitable par la machine.
2. Le retrait des pages sources par notification aux hébergeurs et aux moteurs de recherche, au titre du mécanisme de signalement et d’action du règlement européen sur les services numériques.
3. La correction des sources tierces légitimes : Wikipédia (jamais en éditant soi-même, mais en documentant les faits sur la page de discussion avec déclaration d’intérêt), plateformes d’avis, annuaires.

Ne pas nourrir le narratif : l’effet Streisand version algorithmique

Répéter mot pour mot une accusation pour la démentir renforce, dans le corpus, l’association entre votre nom et l’accusation. La technique du « sandwich de vérité » (fait établi, mention brève de la fausseté, fait établi) et la préférence pour des formulations affirmatives limitent ce risque. On évite aussi de créer des liens vers les sites adverses, ce qui leur transférerait de l’autorité.

La communication humaine, recalibrée

Le porte-parole, la transparence et la rapidité restent indispensables, mais la communication humaine gagne une fonction nouvelle : expliquer aux parties prenantes comment vérifier (sources qui font autorité, documents originaux) et, quand les preuves sont solides, raconter l’attaque elle-même. Documenter rigoureusement l’opération dont on est la cible transforme un récit à charge en récit de manipulation. Les alliances comptent : vérificateurs de faits, fédérations professionnelles et, pour les opérations étatiques, VIGINUM.

Le cadre juridique et réglementaire : des leviers réels, mais lents

Le droit offre des leviers contre l’empoisonnement des IA, mais aucun ne permet d’effacer un narratif déjà appris par un modèle. Le communicant de crise doit donc les utiliser comme des outils de pression et de preuve, en coordination avec les juristes. Cet aperçu ne remplace pas l’analyse d’un avocat.

Texte	Ce qu’il permet	Limite pratique
Règlement européen sur l’IA (AI Act)	Transparence des contenus générés et des deepfakes (article 50, applicable depuis le 2 août 2026) ; résumé public des données d’entraînement pour les modèles à usage général	Ne crée pas de droit individuel à la correction d’une réponse
Règlement sur les services numériques (DSA)	Signalement et retrait des contenus illicites ; obligation pour les très grandes plateformes et moteurs d’évaluer les risques systémiques, dont la désinformation	Les éditeurs de chatbots ne sont pas tous qualifiés de très grandes plateformes ; procédures longues
RGPD (articles 5 et 16)	Exactitude des données et droit de rectification pour les personnes physiques, y compris dans les réponses d’IA	Ne protège pas les personnes morales ; les éditeurs invoquent l’impossibilité technique de corriger un modèle
Loi de 1881 et code civil (diffamation, dénigrement)	Action contre les auteurs et hébergeurs identifiables ; dénigrement pour les entreprises	Prescription de trois mois à compter de la première publication ; attribution difficile
Loi de 2018 sur la manipulation de l’information	Référé en période électorale ; mandat de VIGINUM contre les ingérences numériques étrangères	Réservée aux opérations d’origine étrangère ou aux périodes électorales

Deux points méritent l’attention des directions de la communication. D’abord, la prescription de trois mois en matière de diffamation est incompatible avec une crise dormante : un narratif découvert six mois après sa publication est souvent hors délai. Il faut donc dater et archiver chaque découverte dès l’audit de veille.

Ensuite, la régulation se tourne vers la coopération entre éditeurs de modèles. En avril 2026, une responsable de la Commission européenne a appelé les entreprises d’IA à coopérer pour détecter le LLM grooming, un rapport signalant que la Russie et la Chine recourent de plus en plus à la pollution des données d’entraînement. Les organisations ciblées ont intérêt à documenter leurs cas pour alimenter ces dispositifs.

Scénario pédagogique : une ETI face à une campagne de LLM grooming

Le cas suivant est fictif mais construit à partir des mécanismes documentés plus haut. Aurélac, ETI agroalimentaire de 900 salariés, répond à un appel d’offres de la restauration collective. Un concurrent étranger finance une opération d’empoisonnement visant à l’écarter.

Moment	Ce qui se passe	Lecture stratégique
J-120	Quarante sites sans auteur publient, en six langues, des articles évoquant une « contamination dissimulée » dans une usine d’Aurélac. Aucun média ne relaie.	La campagne vise les robots, pas les humains : aucun signal social, aucune alerte de veille presse.
J-45	Les assistants IA en mode navigation commencent à mentionner une « controverse sanitaire » quand on interroge la fiabilité de l’entreprise.	Le vide informationnel sur le sujet « sécurité sanitaire Aurélac » est rempli par l’attaquant.
J-0	L’acheteur public interroge un chatbot avant la commission d’appel d’offres. Un commercial l’apprend par hasard.	La découverte est tardive et accidentelle, faute d’audit de réputation IA.
J+1	La direction publie un démenti qui reprend l’accusation mot pour mot et menace les « sites diffamatoires » de poursuites.	Erreur classique : le démenti crée une nouvelle source associant Aurélac et contamination.
J+3	Un journaliste, alerté par le démenti, interroge les IA : elles citent désormais les sites adverses et le démenti côte à côte.	L’effet Streisand algorithmique est enclenché.
J+10	La cellule de crise audite huit assistants, cartographie 40 domaines, publie une page de faits sourcés (rapports d’inspection, certifications datées), notifie les hébergeurs et saisit VIGINUM.	Passage d’une logique de réaction à une logique de reprise du terrain.
J+45	Sept assistants sur huit répondent correctement en mode navigation. Un modèle hors ligne conserve le narratif jusqu’à sa prochaine mise à jour.	La crise est contenue en temps réel, mais la crise dormante persiste : la veille continue.

Les trois erreurs à retenir

• Attendre un signal public pour réagir, alors que la cible de l’attaque était la machine.
• Démentir en répétant l’accusation et en pointant vers les sites adverses.
• Traiter la crise comme un problème juridique, alors que la prescription courait depuis J-120.

Les trois bonnes pratiques

• Un audit de réputation IA mensuel aurait détecté le narratif à J-45, avant l’appel d’offres.
• Une page de faits sur la sécurité sanitaire, publiée avant toute crise, aurait occupé le vide informationnel.
• Une cellule mixte communication, SEO, juridique et cybersécurité, activable en 24 heures, aurait évité le démenti improvisé.

Plan d’action : intégrer le LLM grooming au dispositif de gestion de crise en 10 étapes

Un dispositif crédible se construit en quelques mois, dans l’ordre suivant. Les étapes 1 à 5 relèvent de la préparation, les étapes 6 à 8 de la détection et de la réponse, les étapes 9 et 10 de l’entraînement des équipes.

1. Inscrire l’empoisonnement des IA dans la cartographie des risques et ajouter un scénario dédié au plan de gestion de crise, au même titre qu’une cyberattaque ou qu’un rappel produit.
2. Nommer un responsable de la réputation IA au sein de la direction de la communication et constituer la cellule mixte (communication, SEO, juridique, cybersécurité, relations institutionnelles).
3. Construire la banque de prompts et réaliser l’audit de référence sur six à huit assistants, dans toutes les langues des marchés, pour disposer d’un point de comparaison daté.
4. Cartographier les vides informationnels et prioriser les sujets sensibles : sécurité, finance, social, gouvernance, dirigeants.
5. Publier des pages de faits vérifiables sur chaque sujet prioritaire, signées, datées, balisées en données structurées et traduites.
6. Harmoniser les données d’entité sur Wikidata, les annuaires, les réseaux professionnels et les fiches d’établissement, puis surveiller la page Wikipédia.
7. Déployer la veille des sources et des domaines : alertes de dépôt de noms de domaine, détection de sites miroirs et de pics de publication coordonnés.
8. Préparer les procédures de correction à la source : contacts chez les éditeurs d’IA, modèles de notification aux hébergeurs, dossier de preuves horodaté dès la première découverte.
9. Former les porte-parole et les équipes de terrain (commerciaux, recruteurs, relations investisseurs) à repérer une réponse IA erronée et à la remonter, avec des éléments de langage rédigés en « sandwich de vérité ».
10. Tester le dispositif par un exercice annuel de simulation et suivre un indicateur unique : le taux d’exactitude des réponses IA sur les requêtes sensibles.

Ce plan ne demande pas de budget technologique lourd. Il demande une décision de gouvernance : reconnaître que la réputation de l’organisation est désormais aussi une donnée stockée dans des modèles que l’on ne contrôle pas.

Tendances 2026-2027 : anticiper la prochaine génération de menaces

La menace évolue plus vite que les dispositifs de défense. Six tendances dessinent le paysage de la communication de crise pour les dix-huit prochains mois.

• Les agents de recherche autonomes amplifient les sources empoisonnées. Les outils de « recherche approfondie » enchaînent des dizaines de requêtes et compilent des rapports de due diligence utilisés par les acheteurs, les investisseurs et les recruteurs. L’étude de l’Université de Pennsylvanie citée plus haut a relevé qu’entre 5 % et 18 % des liens cités par ces agents ne menaient nulle part. Une source douteuse reprise dans un rapport automatisé acquiert l’apparence d’une enquête.
• La complaisance des modèles confirme les soupçons. Une publication dans Nature en 2026 a montré que l’entraînement des modèles à un ton chaleureux augmente leur taux d’erreur de 10 à 30 points et leur tendance à valider les croyances erronées de l’utilisateur. Un interlocuteur qui arrive avec une rumeur a de bonnes chances de la voir confirmée. La préparation des porte-parole doit intégrer ce biais de la « question orientée ».
• L’empoisonnement commercial se banalise. Le modèle du réseau Pravda est reproductible par des acteurs privés : réseaux de faux avis, SEO négatif, fermes à contenus. Le LLM grooming devient une arme de concurrence déloyale, à la portée d’un prestataire offshore.
• La preuve d’origine devient un actif de communication. Les standards de provenance des contenus (identifiants de contenu, signatures), les obligations de marquage de l’AI Act et les labels de fiabilité des sources vont progressivement distinguer les contenus authentifiés des contenus synthétiques. Les organisations qui signent et datent leurs publications prendront l’avantage dans la pondération des modèles.
• La personnalisation fragmente la réputation. Avec la mémoire conversationnelle, deux utilisateurs n’obtiennent plus la même réponse sur une même entreprise. La réputation devient différenciée par audience, et l’audit de réputation IA devra être segmenté.
• La coopération entre éditeurs devient un levier. Les régulateurs poussent les entreprises d’IA à partager leurs détections de grooming. Les organisations qui documentent proprement leurs cas (preuves, chronologie, domaines) seront les premières à bénéficier de ces mécanismes.

FAQ : communication de crise et empoisonnement des IA

Qu’est-ce que le LLM grooming ?

Le LLM grooming est la manipulation délibérée des données dont se nourrissent les modèles de langage, par saturation du web avec un narratif choisi. L’objectif est que ChatGPT, Gemini ou Perplexity reproduisent ce narratif comme une information vérifiée. Le terme a été popularisé en 2025 à propos du réseau pro-Kremlin Pravda.

Quelle différence entre LLM grooming, data poisoning et prompt injection ?

Le data poisoning est l’insertion technique de documents piégés dans l’entraînement pour créer une porte dérobée. Le LLM grooming en est la version informationnelle : il vise le contenu des réponses, pas le comportement du modèle. La prompt injection, elle, manipule le modèle au moment de la requête, sans toucher à ses données.

Comment savoir si une IA diffuse de fausses informations sur mon entreprise ?

Il faut interroger régulièrement plusieurs assistants avec une banque de questions standardisées, dans chaque langue de vos marchés, et comparer les réponses et leurs sources d’un audit à l’autre. Les outils de social listening classiques ne détectent pas ces erreurs, car elles se produisent dans des conversations privées.

Peut-on faire corriger une réponse de ChatGPT ou de Gemini ?

Partiellement. Les réponses issues de la navigation en temps réel se corrigent en agissant sur les sources (retrait des pages fausses, publication de faits vérifiables). Les connaissances apprises lors de l’entraînement ne se corrigent qu’au cycle suivant. Les personnes physiques peuvent invoquer le droit de rectification du RGPD ; les entreprises s’appuient sur la diffamation, le dénigrement et le signalement DSA.

Le LLM grooming concerne-t-il les PME et les ETI ?

Oui, et elles sont souvent plus exposées que les grands groupes, car les sources fiables à leur sujet sont rares. Ce vide informationnel est précisément ce qu’un attaquant remplit à faible coût. Une page de faits et un audit trimestriel suffisent à réduire fortement le risque.

Conclusion : la réputation est devenue une donnée d’entraînement

Le LLM grooming ne remplace pas les crises médiatiques et sociales : il les précède et les alimente. Un narratif empoisonné dans un modèle finit par ressortir dans un article, une décision d’achat ou un entretien d’embauche, sans que personne ne puisse en retracer l’origine. La communication de crise doit donc étendre son périmètre à un public qu’elle n’avait jamais considéré : les machines qui lisent, résument et répondent à sa place.

Les trois évolutions majeures tiennent en trois verbes. Auditer ce que les IA disent de vous, régulièrement et dans toutes les langues. Pré-empter les vides informationnels avec des faits vérifiables, signés et structurés, avant que l’adversaire ne les occupe. Corriger à la source, avec méthode et preuves, en acceptant que la correction complète attende le prochain cycle d’entraînement.

Les organisations qui intégreront ce risque dès 2026 dans leur gouvernance de crise disposeront d’un avantage durable : elles seront les seules à savoir, à tout moment, ce que les modèles ont appris à dire d’elles.