Le vérificateur de faits pour les sorties IA : repérer les affirmations hallucinées avant d'envoyer
Pourquoi ce prompt est important
AI hallucinations follow predictable patterns — invented statistics, misattributed quotes, fabricated citations — but they're specifically designed to be fluent and plausible-sounding, which is exactly why people miss them under time pressure. A single fabricated quote or wrong statistic in a client deliverable, published article, or legal filing has already led to real retractions, lawsuits, and sanctioned attorneys in 2026; the fix costs 15 minutes of structured review, while the failure mode costs a client relationship or a professional reputation.
À quoi nous l'utilisons
You used an AI assistant to draft a client-facing quarterly report that includes market statistics, a competitor comparison, and two quotes attributed to industry analysts, and you have 15 minutes before the file needs to go out to review it for anything that could be wrong or made up.
Prompt
Act as a rigorous fact-checking editor reviewing AI-generated or human-written text before it goes out the door.
CONTEXT:
[PASTE THE FULL TEXT TO BE FACT-CHECKED HERE]
Domain/topic area: [E.G., FINANCE, HEALTHCARE, LEGAL, GENERAL BUSINESS, TECHNICAL DOCUMENTATION]
Where this is going: [E.G., CLIENT-FACING REPORT, PUBLISHED ARTICLE, INTERNAL MEMO, LEGAL FILING]
Acceptable risk level: [E.G., ZERO TOLERANCE FOR ERROR — LEGAL/MEDICAL, LOW TOLERANCE — CLIENT-FACING, MODERATE — INTERNAL DRAFT]
TASK:
Go through the text claim by claim and identify every statement that could be factually wrong, specifically:
1. Statistics, percentages, or numerical claims
2. Dates, timelines, or sequences of events
3. Direct quotes or attributions to specific people or organizations
4. Named sources, studies, or citations
5. Claims about a specific product, company, or technical specification
6. Absolute or superlative claims ("first," "only," "largest," "never")
For each flagged claim, assess whether it is: (a) verifiable and correct based on what you know, (b) verifiable but you cannot confirm accuracy with confidence, (c) a claim pattern strongly associated with AI hallucination (oddly specific numbers, plausible-sounding but unverifiable citations, quotes that don't sound like they'd actually be said), or (d) clearly fabricated or internally inconsistent with other parts of the text.
CONSTRAINTS:
- Do not simply say a claim "sounds plausible" — plausibility is not the same as accuracy, and hallucinated claims are specifically designed to sound plausible
- Pay special attention to specific numbers and dates that are not rounded — oddly precise figures ("73.4% of users") without an obvious source are a common hallucination signature
- If a quote is attributed to a real, identifiable person or organization, flag it as high-risk unless you have strong reason to believe it's accurate — fabricated quotes are one of the most damaging and common hallucination types
- Do not rewrite the entire text — only propose specific edits to the flagged claims
- If you cannot verify a claim with confidence, say so explicitly rather than guessing
OUTPUT FORMAT:
1. Risk Summary — one line stating how many claims were flagged and the highest-risk category found
2. Claim-by-Claim Table — each flagged claim, its risk classification (a/b/c/d from above), and a one-line explanation
3. High-Priority Fixes — the 3-5 claims that pose the most risk if wrong, with a suggested safer rewording or a note to verify against a specific source type
4. Safe-to-Publish Verdict — a direct yes/no/not-yet judgment on whether the text is ready to send, and what would need to change to get to yesRésultat
Risk Summary
7 claims flagged across the report; highest risk category is one fabricated-pattern quote attributed to a named analyst (category c) and one unverifiable statistic (category b).
Claim-by-Claim Table
| Claim | Risk | Why |
|---|---|---|
| "Market grew 34.7% year-over-year" | (c) Hallucination pattern | Oddly precise figure with no cited source in the surrounding text — classic fabrication signature |
| "According to Sarah Chen, Senior Analyst at Gartner, 'this segment will triple by 2027'" | (c) Hallucination pattern | Specific quote attributed to a named person at a real firm; cannot confirm this person said this — high fabrication risk |
| "Our Q3 revenue was $4.2M, up from $3.1M in Q2" | (a) Verifiable, likely correct | Matches figures used consistently elsewhere in the document; internally consistent |
| "We are the only company offering this feature" | (d) Fabricated/unsupported | Absolute superlative claim with no supporting evidence in the text — high legal/reputational risk if wrong |
| "launched in March 2024" | (b) Unverifiable with confidence | Plausible but I cannot confirm this specific date without an external source |
High-Priority Fixes
1. The Sarah Chen/Gartner quote — do not publish without directly verifying this quote exists in an actual Gartner report or interview. If unverifiable, remove the attribution and rephrase as your own analysis, or cut the claim entirely.
2. "34.7% year-over-year" — replace with a rounded, sourced figure (e.g., "approximately 30%, per [specific named source]") or remove if no source exists.
3. "Only company offering this feature" — this is a legally risky absolute claim. Either verify it directly against competitor offerings or soften to "one of the few companies offering this feature."
Safe-to-Publish Verdict
Not yet. The document is safe to send once the Gartner quote is either verified or removed and the unsourced statistic is either sourced or rounded down to a defensible range. The revenue figures and general narrative appear internally consistent and low-risk as-is.
Le texte généré par IA possède un mode de défaillance spécifique, différent d'une erreur humaine ordinaire : il produit des affirmations confiantes, fluides et plausibles qui sont parfois simplement inventées. Une statistique hallucinée se lit exactement comme une vraie. Une citation fabriquée sonne exactement comme ce qu'un analyste réel pourrait dire. C'est précisément ce qui rend les hallucinations dangereuses : elles ne semblent pas erronées, et une simple relecture de ton et de clarté ne les détectera pas.
Ce prompt est conçu pour capturer ce mode de défaillance spécifique en traitant la vérification des faits comme un passage séparé, avec sa propre taxonomie explicite de ce qu'il faut rechercher.
Pourquoi le prompt cible des types d'affirmations spécifiques
La section Tâche ne se contente pas de demander au modèle de « vérifier les erreurs » — elle liste six catégories spécifiques : statistiques, dates, citations, références, entités nommées et superlatifs. Cela est important car des instructions génériques de vérification produisent un résultat générique et de faible valeur (« cela semble exact »). Nommer les catégories exactes où les hallucinations se concentrent force le modèle à réellement rechercher ces schémas plutôt que de faire un vague contrôle de plausibilité.
Les citations et références reçoivent une attention particulière car elles constituent la catégorie d'hallucination la plus risquée. Une statistique fabriquée est grave ; une citation fabriquée attribuée à une personne réelle et nommée est un problème d'un autre ordre — c'est une fausse déclaration sur ce que quelqu'un a dit, ce qui a causé des ennuis juridiques et réputationnels à de vraies organisations en 2026, y compris au moins un cas largement rapporté d'un dépôt juridique citant une jurisprudence fabriquée.
Pourquoi la plausibilité n'est pas le critère
La ligne la plus importante dans la section Contraintes est l'instruction de ne jamais accepter « semble plausible » comme standard de vérification. Cela cible directement le fonctionnement réel des hallucinations : un modèle qui a inventé une statistique en premier lieu, si on lui demande de vérifier son propre travail de manière superficielle, trouvera souvent cette même statistique inventée plausible — parce qu'il l'a générée pour être plausible. Forcer une classification à quatre voies (vérifié / invérifiable / schéma d'hallucination / fabriqué) au lieu d'une vérification binaire pousse le modèle à être explicite sur sa propre incertitude plutôt que de se rabattre sur une fausse confiance.
Pourquoi les nombres étrangement précis sont signalés spécifiquement
L'instruction de signaler les figures non arrondies et étrangement spécifiques (« 73,4 % » plutôt qu'« environ 75 % ») cible un schéma documenté et réel de la manière dont les statistiques hallucinées ont tendance à se présenter — les nombres inventés portent souvent une fausse précision que les statistiques réelles, provenant généralement d'enquêtes imparfaites ou de rapports arrondis, ne partagent pas. C'est une heuristique, pas une garantie, mais c'est un premier filtre utile qui capture une part significative des figures fabriquées à vue.
À quoi ressemble un bon résultat
Une exécution utile de ce prompt devrait se terminer par un verdict sans ambiguïté — pas « a l'air plutôt correct » mais un oui/non/pas encore spécifique, lié à une courte liste de ce qui doit exactement être corrigé. Si la sortie du modèle est une esquive vague sans évaluations concrètes par affirmation, le prompt a échoué et il faut probablement rappeler au modèle de travailler sur le texte systématiquement plutôt que de résumer son impression générale.
Les limites de ce schéma
Ce prompt n'est aussi bon que la capacité du modèle à vérifier réellement les affirmations par rapport à des informations réelles — sans recherche web ou source de connaissance connectée, le modèle fait des suppositions éclairées sur les affirmations qui semblent risquées, pas une confirmation de la vérité terrain. Traitez la sortie comme un tri structuré des risques qui vous indique où concentrer votre temps de vérification limité, pas un substitut à la vérification des éléments les plus risqués (en particulier les citations et références) contre une source primaire vous-même.