Le fait que l'IA réponde différemment à chaque fois est, dans l'immense majorité des cas, tout à fait normal — ce n'est pas un signe de mauvaise mémoire. Il n'y a en réalité que deux types de raisons : d'une part, le modèle échantillonne les mots de façon aléatoire lorsqu'il génère du texte, donc la même question suivra naturellement des chemins de choix de mots différents à chaque exécution ; d'autre part, les conditions de vos deux questions ont changé — nouvelle conversation, fonction mémoire activée, changement de version du modèle en arrière-plan — des entrées différentes donnent naturellement des réponses différentes.
Trois raisons pour lesquelles les réponses diffèrent
Premièrement, l'aléatoire d'échantillonnage. Un grand modèle ne cherche pas la réponse dans une banque de questions ; il choisit les mots un par un, comme en « lançant des dés » — on parle techniquement d'échantillonnage temperature et top-p. Cet aléa est voulu, ce n'est pas un bug : des variations de formulation, d'exemples et de structure sont donc normales à chaque fois.
Deuxièmement, un contexte et une mémoire différents. Une nouvelle conversation n'a pas d'historique, le modèle ne peut donc interpréter la question qu'au sens littéral ; une conversation avec historique tient compte des demandes précédentes ; avec la fonction mémoire activée, il applique aussi les préférences mémorisées auparavant. La question semble identique, mais l'entrée réelle a changé. Si deux réponses vous semblent très différentes, demandez-vous d'abord : ont-elles été posées dans la même conversation ? Cet article connexe distingue bien l'aléatoire, le contexte et les sorties d'outils : Pourquoi le même prompt donne-t-il des résultats différents à chaque fois ? D'abord distinguer l'aléatoire, le contexte et les sorties d'outils.
Troisièmement, la version du modèle ou le routage a changé. Beaucoup de produits mettent à jour les modèles discrètement ou répartissent les requêtes entre plusieurs modèles. Le même point d'entrée peut donc être traité par des modèles totalement différents, et la dérive du style et des détails est alors normale.
Pour obtenir des réponses stables, procédez ainsi
- Alignez la base de comparaison : quand vous comparez deux réponses, comparez les « conclusions », pas la « formulation ». Une formulation différente ne signifie pas une réponse différente.
- Écrivez les contraintes dans le prompt : précisez le format de sortie, la longueur et les limites, par exemple « réponds en trois points, deux phrases maximum par point, sans exemples ». Plus les contraintes sont précises, plus l'espace d'aléatoire se réduit.
- Fixez les préférences durables : pour les exigences permanentes comme le style d'écriture ou les conventions de code, enregistrez-les dans la mémoire ou des instructions personnalisées au lieu de les redécrire à chaque fois.
- Verrouillez la version du modèle : dans les scénarios exigeant de la cohérence, vérifiez que les deux exécutions utilisent bien le même modèle précis et surveillez les annonces officielles de mise à jour des modèles.
Pour obtenir des réponses sous plusieurs angles, procédez ainsi
- Reformulez et échantillonnez plusieurs fois : demandez directement « une version du point de vue des partisans et une du point de vue des opposants » ou « trois autres solutions différentes ».
- Prenez l'intersection de plusieurs réponses : pour les contenus factuels, fiez-vous aux parties qui restent cohérentes d'une exécution à l'autre ; vérifiez séparément les parties incohérentes au lieu d'adopter les affirmations d'une seule exécution.
Quand s'inquiéter : ce n'est plus de l'aléatoire, c'est de la « dérive hallucinatoire »
Deux types d'incohérence ne relèvent plus de l'aléatoire normal et méritent attention. Le premier : deux réponses se contredisent sur des faits clés — si les dates, les chiffres ou les noms ne correspondent pas, au moins l'une d'elles a été inventée. Le second : la même question produit de plus en plus de détails à chaque répétition, mais aucun ne résiste à la vérification — hallucination classique. Pour comprendre comment naissent les hallucinations, voir : Qu'est-ce que l'hallucination de l'IA ? Pourquoi les grands modèles affirment-ils des erreurs avec aplomb. Pour les questions factuelles, recoupez toujours ; quand vous demandez des preuves au modèle, ajoutez « marque clairement ce dont tu n'es pas sûr » — cela filtre la plupart des inventions assurées.
