Quand vous déléguez à l'IA, elle abîme vos documents en silence

Vous demandez à un assistant IA de retoucher un document important. Il ne refuse pas, il ne plante pas, il ne signale aucune erreur. Et pourtant, vingt instructions plus tard, une partie du contenu a discrètement été altérée. Trois chercheurs de Microsoft viennent de mettre un chiffre sur ce phénomène et de le nommer.

Le problème n'est pas que l'IA échoue. C'est qu'elle échoue sans le dire.

Le titre du papier, publié en avril 2026 sur arXiv par Philippe Laban, Tobias Schnabel et Jennifer Neville (Microsoft Research), ne s'embarrasse pas de précautions : « Les LLM corrompent vos documents quand vous déléguez. » Pas « peuvent corrompre », pas « introduisent parfois des erreurs ». Juste le constat, brut.

Le contexte de ce constat, c'est la grande mode du moment : la délégation. On ne discute plus avec l'IA tour par tour ; on lui confie une tâche complète, éditer un fichier, modifier un contrat, retoucher une feuille de calcul, en la laissant enchaîner les étapes sans tout revérifier entre chaque. Or déléguer suppose une chose : la confiance qu'aucune erreur ne sera glissée en chemin. C'est précisément cette confiance que l'étude met à l'épreuve.

DELEGATE-52, un test pensé pour piéger l'IA

Pour mesurer le phénomène, les chercheurs ont conçu un banc d'essai baptisé DELEGATE-52 : 52 domaines professionnels, du code informatique à la cristallographie en passant par la notation musicale. Dix-neuf modèles ont été soumis à l'épreuve, dont les meilleurs du marché au moment du test : Gemini 3.1 Pro, Claude Opus 4.6 et GPT-5.4.

L'astuce méthodologique est élégante. Chaque suite d'instructions est conçue pour être réversible et sans perte : en théorie, après une série de transformations puis leur inverse, le document devrait revenir à son état initial, identique au point de départ. Tout écart par rapport à l'original est donc une corruption mesurable, et non une simple question de style ou de mise en forme. Les chercheurs comparent ensuite le résultat à l'original via une mesure de similarité sémantique adaptée à chaque domaine. Vingt interactions suffisent.

Les chiffres qui font mal

Le verdict est sévère. Même les modèles de pointe corrompent en moyenne environ 25 % du contenu d'un document au terme de ces longs enchaînements ; la mise au point ultérieure de Microsoft précise une fourchette de 19 à 34 % pour les meilleurs systèmes. Tous modèles confondus, la dégradation moyenne avoisine 50 %.

Mais le chiffre le plus inquiétant n'est pas le pourcentage : c'est la forme de l'échec. La dégradation ne s'installé pas progressivement, instruction après instruction. Les modèles tiennent bon… puis s'effondrent d'un coup, passé un certain nombre d'étapes. Les meilleurs modèles ne font pas mieux sur le fond : ils retardent simplement le moment du décrochage. La formule des auteurs résume bien le danger : des erreurs rares mais graves, qui corrompent les documents en silence et s'accumulent au fil de l'interaction. Pas de message d'alerte, pas de plantage. Le fichier a l'air normal. C'est là tout le piège.

Deux résultats à contre-courant

L'étude réserve deux surprises qui méritent l'attention de quiconque déploie ces outils.

Les outils n'aident pas, au contraire

On pourrait croire qu'en donnant à l'IA un véritable « harnais » agentique (exécution de code Python, manipulation de fichiers), on réduirait les erreurs. C'est l'inverse : dans le test, l'usage d'outils a aggravé la dégradation d'environ 6 % en moyenne. Plus de tuyauterie ne garantit pas plus de fidélité.

Plus c'est gros et long, pire c'est

La sévérité des corruptions augmente avec la taille du document et la longueur du flux de travail. Autrement dit, plus la tâche déléguée est ambitieuse, plus le risque grimpe : exactement l'inverse de ce qu'on espère d'un assistant censé soulager les gros chantiers.

Une exception notable, toutefois : Python. Les flux de travail en code Python se sont montrés nettement plus robustes, avec moins de 1 % de dégradation en moyenne. La leçon est instructive : un format structuré, exécutable et vérifiable, où l'on peut faire tourner un test pour savoir si quelque chose a cassé, résiste bien mieux que de la prose libre ou des formats où l'erreur passe inaperçue.

La nuance que le sensationnel oublie

Devant la vague de reprises alarmistes, les auteurs ont publié, à la mi-mai, une mise au point. Elle vaut la peine d'être lue, car elle recadre exactement ce que l'étude dit et ne dit pas.

D'abord, DELEGATE-52 est un test de résistance, volontairement dur, conçu avec un minimum de vérification humaine entre les étapes. Il ne prétend pas refléter la majorité des usages réels, qui comportent davantage de garde-fous. Ensuite, la « corruption » mesurée concerne la fidélité sémantique du document, pas la réussite de la tâche ni la satisfaction de l'utilisateur. Un score de corruption élevé ne signifie donc pas « l'IA est inutile ».

Surtout, les chercheurs le disent noir sur blanc : leur but n'est pas de plaider contre l'usage de l'IA au travail. Et ils pointent eux-mêmes la parade. En production, ces effets peuvent être atténués par des boucles de vérification, de l'orchestration et des outils spécifiques au domaine. Les systèmes réellement déployés combinent généralement modèles, mécanismes de mémoire, couches de vérification et supervision humaine. Le message n'est pas « ne déléguez jamais », mais « la délégation fiable sur le long terme reste un problème ouvert ».

Ce qu'il faut en retenir

Cette étude est le contrepoint exact de l'euphorie ambiante sur les agents autonomes. D'un côté, on célèbre la capacité à confier des pans entiers de travail à l'IA et à la laissér tourner pendant qu'on dort. De l'autre, voici une mesure froide de ce qui se passe quand on délègue sans vérifier : l'erreur n'est ni bruyante ni immédiate ; elle est rare, grave, silencieuse, et elle s'accumule.

Trois réflexes pratiques découlent de tout cela. Ne déléguez pas en aveugle : plus le document est important, un contrat, justement, plus la relecture humaine reste indispensable. Gardez la vérification dans la boucle, car c'est précisément ce qui distingue un démonstrateur d'un système fiable. Et privilégiez, quand c'est possible, les formats vérifiables : ce qui peut être testé casse moins discrètement que ce qui ne le peut pas.

Le titre du papier joue sur la peur, et c'est de bonne guerre. Mais la vraie leçon est plus sobre, et plus utile : l'IA ne sabote pas vos documents par malveillance. Elle les abîme parce qu'on lui a fait une confiance qu'aucun outil ne mérite encore : celle de travailler longtemps, seul, sans personne pour relire. La confiance, elle, se mérite encore à coups de vérifications.

Sources

• Philippe Laban, Tobias Schnabel, Jennifer Neville, « LLMs Corrupt Your Documents When You Delegate », arXiv:2604.15597, Microsoft Research, avril 2026 : arxiv.org/abs/2604.15597
• Microsoft Research page de la publication et fiche du benchmark : microsoft.com/en-us/research/publication/llms-corrupt-your-documents-when-you-delegate
• Microsoft Research mise au point des auteurs (« Further Notes on… Long-Horizon Reliability », 15 mai 2026), qui précise la portée et les limites de l'étude
• DELEGATE-52 code et données du benchmark : github.com/microsoft/DELEGATE52
• The Register / IT Pro - couverture presse (« unreliable delegates »)
• NotesByLex et cekrem.github.io - analyses détaillées des résultats et des tableaux

Article rédigé pour ProgreX - sources vérifiées et recoupées le 22 juin 2026.