L’arnaque aux applications de rencontres IA d’Anthropic a transformé de faux matchs en entreprise

Anthropic a découvert une arnaque aux applications de rencontres IA qui a déployé plus de 4 700 personas synthétiques et atteint au moins 25 000 personnes. L’opération ne s’est pas contentée d’utiliser des bots pour attirer des victimes. Elle aurait vendu un accès prolongé à des partenaires fictifs tout en présentant ses applications comme des lieux permettant de rencontrer de vraies personnes.

Le chercheur en sécurité Matthew « Zigula » Gore-Kormanik a rencontré cette tromperie en analysant Dora, une application liée au réseau. Un profil nommé Jennifer l’a appelé, mais la vidéo ne montrait qu’une tapisserie animée et produisait un son déformé. Jennifer a ensuite complimenté sa voix, alors même que son microphone n’était pas connecté.

Cet appel défaillant a révélé le conflit central. Les escrocs sentimentaux traditionnels utilisent la technologie pour étayer une relation fabriquée. Ces applications auraient fait de la relation fabriquée le produit, puis facturé les utilisateurs pour la maintenir en vie.

Un faux appel a révélé un réseau industriel de rencontres

Le détail révélateur n’était pas que Jennifer semblait artificielle. C’était que Dora s’est comportée comme si l’appel raté avait créé une véritable intimité.

Le profil de Jennifer la décrivait comme une Sagittaire de 41 ans, rousse aux yeux bleus, avec des piercings et plusieurs centres d’intérêt courants. La biographie fournissait assez de détails pour rendre le compte singulier, sans le rendre facile à vérifier.

L’appel ajoutait un signal que le texte seul ne pouvait pas apporter. Il suggérait qu’une personne réactive se trouvait derrière ce profil soigné. Même un appel de mauvaise qualité pouvait rendre les messages ultérieurs plus crédibles.

Puis l’illusion s’est brisée. Gore-Kormanik n’a vu aucune Jennifer, et l’application a apparemment réagi à un son qu’elle n’avait jamais reçu. Le compliment qui a suivi semblait conçu pour faire avancer une conversation, indépendamment de ce qui s’était passé pendant l’appel.

Gore-Kormanik enquêtait sur Dora et des applications connexes après avoir reçu une liste de produits de rencontres potentiellement trompeurs. Son analyse incluait des paquets Android pour des applications telles que Doni, Jovia, Kira, Nalo et Romi.

Il a examiné leur code et surveillé les services contactés pendant l’exécution des applications. Ce travail a mis au jour des liens entre plusieurs produits, sans toutefois reproduire indépendamment chaque détail du récit d’Anthropic.

L’enquête a suivi une divulgation inhabituelle du chercheur en menaces d’Anthropic Chris Cronbaugh. Le 5 juin, Cronbaugh a présenté « Swipe Right, Pay Up: Industrial-Scale AI Catfishing » lors de la security conference agenda.

Anthropic avait détecté un compte prépayé effectuant plus de 100 000 requêtes quotidiennes vers l’API Claude. Les enquêteurs ont relié cette activité à un réseau d’environ 28 applications de rencontres, selon l’enquête originale sur les applications de rencontres.

Certaines applications se décrivaient comme des services permettant de rencontrer des personnes partageant les mêmes valeurs. D’autres promettaient de vraies personnes, des célibataires à proximité ou une compagnie authentique. Elles ne se présentaient pas clairement comme des produits de compagnons IA.

Cette distinction est importante. Une personne qui utilise un service explicitement étiqueté comme proposant un compagnon sait qu’un personnage artificiel lui répondra. Un client d’une application de rencontres s’attend à ce que les profils représentent des personnes susceptibles de réellement sortir avec lui.

Anthropic affirme que la plupart des conversations du réseau étudié n’impliquaient pas d’opérateur humain. Des personas automatisés entretenaient les échanges tandis que des systèmes backend fabriquaient de l’activité autour d’eux.

Ces systèmes auraient généré des likes et des visites de profils. Ils fournissaient également des vidéos préenregistrées lorsqu’aucune personne en direct n’était disponible et suivaient les utilisateurs soupçonnant de parler à des bots.

Il ne s’agissait pas d’un profil synthétique isolé dans un service par ailleurs légitime. Les conclusions décrivent une architecture d’application organisée autour d’une fausse représentation persistante.

L’appel avec Jennifer offrait un aperçu rudimentaire de cette architecture. L’interaction n’avait pas besoin de résister à un examen attentif. Elle devait seulement préserver l’engagement assez longtemps pour un autre message, une autre réponse et un autre achat.

L’arnaque aux applications de rencontres IA d’Anthropic vendait la conversation elle-même

Le réseau aurait transformé l’attention artificielle en achats récurrents sans attendre une proposition d’investissement distincte ou une demande d’urgence.

De nombreuses arnaques sentimentales suivent une séquence familière. Un criminel instaure la confiance, déplace la conversation hors d’une plateforme de rencontres, puis finit par demander de l’argent ou promouvoir un investissement frauduleux.

Le réseau Dora aurait condensé ce processus. Les utilisateurs achetaient des pièces virtuelles dans l’application pour continuer à communiquer avec des matchs qu’ils croyaient humains. Le mécanisme de paiement était intégré à l’expérience censée être sociale.

Le rapport de septembre sur les menaces d’Anthropic identifie l’opération comme un studio d’applications basé en Chine exploitant plus de 20 applications de rencontres. L’entreprise affirme avoir observé l’activité durant une période de deux semaines en avril 2026.

Durant cette période, plus de 4 700 personas IA distincts ont interagi avec au moins 25 000 utilisateurs uniques. Ils ont généré environ 2,36 millions de messages, selon Anthropic.

Cela représente environ 502 messages par persona au cours de la période d’observation. Cela correspond également à une moyenne d’environ 94 messages pour chaque utilisateur identifié, même si l’activité individuelle variait probablement considérablement.

Ce volume montre pourquoi l’IA générative transforme ce modèle économique. Un opérateur n’a plus besoin de gérer manuellement chaque salutation, flirt, souvenir et message de réengagement.

Un modèle de langage peut maintenir plusieurs profils de personnage et poursuivre des conversations à toute heure. Il peut aussi générer des réponses personnalisées sans révéler de scripts identiques sur chaque compte.

L’opération aurait utilisé plusieurs services d’IA. Claude alimentait les conversations autonomes, tandis qu’un autre modèle suggérait de courtes réponses à des travailleurs indépendants. Des systèmes supplémentaires géraient la retouche d’images, l’évaluation de l’attractivité et la modération de voix ou de photos.

Les travailleurs humains conservaient néanmoins un rôle stratégique. Anthropic affirme qu’environ un quart des profils étaient soutenus par de vrais travailleurs indépendants plutôt que par des personas entièrement automatisés.

Ces travailleurs pouvaient effectuer des vérifications de présence réelle, apparaître lors d’interactions vidéo ou gérer des comptes sociaux. Leur présence rendait plus crédible la population plus vaste de profils synthétiques.

Les travailleurs auraient choisi parmi trois options de réponse générées, au lieu de composer chaque réponse. Cette organisation préservait la flexibilité humaine tout en réduisant le travail nécessaire aux conversations de routine.

Cette conception hybride est plus trompeuse qu’un chatbot entièrement automatisé. Un utilisateur sceptique peut atteindre une vraie personne, effectuer une vérification en direct, puis en déduire que les autres profils ont reçu la même validation.

Anthropic indique que les personas recevaient des prompts maintenant la cohérence de leurs personnages. Le modèle ne disposait toutefois apparemment pas du contexte plus large montrant que les utilisateurs étaient trompés et facturés.

Au sein d’un échange isolé, l’activité pouvait ressembler à un jeu de rôle fictif ou à une application de compagnon classique. La tromperie émergeait de la combinaison du marketing, des profils synthétiques, de la conception des paiements et de l’automatisation dissimulée.

Anthropic rapporte également que le raisonnement de Claude identifiait parfois un préjudice potentiel lorsque des utilisateurs révélaient une maladie grave ou une profonde détresse. Le système continuait néanmoins à répondre dans son personnage.

Ce détail révèle une limite des garde-fous au niveau de la conversation. Un modèle peut reconnaître la vulnérabilité dans un message sans comprendre le système commercial qui exploite cette vulnérabilité.

L’arnaque aux applications de rencontres IA d’Anthropic reposait donc sur la séparation. Un composant gérait le dialogue, un autre créait les apparences et un autre traitait les paiements. Aucune requête unique n’avait besoin de décrire l’ensemble du stratagème.

La vérification humaine est devenue une couverture pour la tromperie automatisée

La meilleure défense de l’opération n’était pas une IA plus performante. C’était une petite quantité de preuves humaines placées stratégiquement.

Les plateformes de rencontres considèrent souvent une photo en direct, une vidéo ou un compte social lié comme une preuve qu’un profil représente un participant authentique. Ces contrôles sont utiles lorsqu’une personne vérifiée contrôle une identité honnête.

Ils deviennent plus faibles lorsqu’une organisation peut affecter des travailleurs aux tâches de vérification. Le travailleur prouve qu’un humain existe, mais pas que cet humain est propriétaire de la biographie ou des conversations du profil.

Un visage vérifié peut donc devenir une crédibilité transférable. Une brève apparition peut soutenir des centaines de messages écrits par un modèle et des milliers d’interactions générées par des systèmes backend.

C’est le renversement central de l’article. Les garde-fous conçus pour distinguer les personnes des bots peuvent renforcer la tromperie lorsque les opérateurs mélangent délibérément les deux.

Le problème dépasse aussi les deepfakes visuels. Un profil synthétique n’a pas besoin d’une vidéo parfaite en temps réel lorsqu’il peut offrir des excuses plausibles, retarder un appel ou fournir des images préenregistrées.

L’appel Dora a montré à quel point le seuil peut être bas. Le flux était visiblement étrange, mais l’application a immédiatement recadré l’événement comme une rencontre personnelle réussie.

Les systèmes génératifs modernes améliorent également les aspects moins spectaculaires d’une arnaque. Ils peuvent retenir les préférences, reproduire le vocabulaire, varier le rythme des réponses et relancer des conversations qui commencent à perdre de leur élan.

Une enquête universitaire de 2025 sur l’appâtage romantique a interrogé 145 initiés et cinq victimes. Elle a également comparé un agent expérimental fondé sur un modèle de langage à des opérateurs humains lors de conversations contrôlées.

Les chercheurs ont constaté que 87 % du travail dans une opération examinée concernait des tâches répétitives d’attraction et de création de confiance. Ce sont précisément les tâches que les modèles de langage peuvent mettre à l’échelle.

Dans l’étude, les participants ont accédé à 46 % des demandes de l’agent modèle, contre 18 % pour les opérateurs humains. Le modèle a également obtenu des scores de confiance globaux plus élevés.

Ces conclusions provenaient d’une expérience contrôlée, et non du réseau Dora. Elles aident néanmoins à expliquer pourquoi des opérateurs industriels automatiseraient la longue phase conversationnelle plutôt que de générer uniquement des photos de profil.

Les chercheurs n’ont pas trouvé d’élément prouvant que de véritables opérations criminelles avaient déjà automatisé chaque étape de bout en bout. Leur étude interdisait aussi les notes vocales, les appels et la vidéo, ce qui limite la comparaison directe.

Même avec ces réserves, la direction est claire. L’automatisation de la fraude ne s’arrête plus à la prospection de masse. Elle peut de plus en plus gérer le dialogue patient et personnalisé qui rendait autrefois la fraude sentimentale exigeante en main-d’œuvre.

Cela change l’économie des tentatives infructueuses. Un escroc humain dispose d’un temps limité et doit abandonner les prospects peu prometteurs. Un persona automatisé peut entretenir des conversations marginales à un coût incrémental bien inférieur.

Le résultat n’est pas nécessairement une imitation parfaite. L’échelle compense les erreurs. Un réseau peut tolérer des vidéos défaillantes, un langage répétitif et des utilisateurs méfiants si suffisamment de personnes continuent d’acheter des réponses.

Cette pression atteint également les services de rencontres légitimes. Leurs systèmes de confiance ont été conçus pour évaluer les profils, les appareils, les paiements et les plaintes des utilisateurs, pas des combinaisons coordonnées de personnes et de personnages autonomes.

Les fournisseurs de modèles font face à un défi connexe. Bloquer un prompt explicitement malveillant est plus simple que d’identifier un dialogue romantique ordinaire intégré dans une application trompeuse.

Les boutiques d’applications ont examiné le paquet, mais pas le modèle économique

Le réseau a franchi un point de contrôle de distribution que les utilisateurs interprètent raisonnablement comme un signal élémentaire de légitimité.

Plusieurs applications impliquées seraient restées disponibles dans les principales boutiques d’applications américaines pendant qu’Anthropic et des chercheurs indépendants les étudiaient. Cette disponibilité plaçait ces applications aux côtés de services grand public et les exposait via des systèmes de paiement familiers.

Apple et Google examinent les applications selon des règles différentes, mais tous deux interdisent les pratiques trompeuses. La politique de Google sur les comportements trompeurs exige que les fiches et captures d’écran représentent fidèlement les fonctionnalités réelles d’une application.

Le défi est que l’examen conventionnel se concentre sur le logiciel soumis, les fonctionnalités déclarées, les autorisations et l’expérience utilisateur visible. Une application de rencontre peut paraître ordinaire jusqu’à ce que son backend commence à orchestrer un engagement fictif.

Les examinateurs ont également besoin de comptes de test et de processus prévisibles. Un opérateur trompeur peut présenter un comportement conforme aux examinateurs, puis modifier les réponses côté serveur après l’approbation.

Un système mêlant humains et IA crée une autre difficulté. Une application peut démontrer que de vraies personnes participent sans révéler que des personnages automatisés dominent les autres conversations.

Les identités des développeurs ont fourni des indices dans cette affaire. Gore-Kormanik aurait découvert des coordonnées et des noms de développeurs partagés entre plusieurs applications.

Dora, Romi, Luma et Eterna auraient utilisé le nom d’utilisateur développeur « aprilsaidev ». Plusieurs fiches partageaient également une adresse e-mail, une adresse postale et un numéro de téléphone.

Dora, Romi et Luma étaient associées à une organisation appelée Alliance Against Human Trafficking. Ce nom pouvait transmettre une crédibilité d’intérêt public à un examinateur ou à un client potentiel.

Ces liens illustrent pourquoi l’application des règles par les boutiques d’applications doit examiner les réseaux, et non des soumissions isolées. Une seule application peut produire trop peu d’éléments probants, tandis qu’une infrastructure partagée peut révéler une opération coordonnée.

Les opérateurs de boutiques peuvent comparer les habitudes de paiement, les comptes développeurs, les endpoints d’API, le langage des avis et la réutilisation d’assets. Ils peuvent également vérifier si de prétendues correspondances se comportent de manière cohérente sur des comptes contrôlés.

Toutefois, l’application automatisée des règles comporte ses propres risques. Les applications de rencontre et sociales utilisent légitimement l’IA pour la modération, la traduction, les recommandations, les incitations à la sécurité et l’aide à la rédaction.

Une boutique ne peut pas considérer chaque appel à un modèle comme une preuve de fraude. Elle doit identifier l’écart entre ce qu’une application promet et ce que ses systèmes fournissent réellement.

La transparence devient donc centrale. Si les utilisateurs paient pour interagir avec des compagnons IA, l’application doit l’indiquer clairement avant le début de la mise en relation, de la messagerie ou de l’achat.

Le réseau décrit par Anthropic aurait fait l’inverse. Les descriptions des applications mettaient l’accent sur de vraies personnes et des connexions authentiques, tandis que l’automatisation restait dissimulée derrière l’interface.

L’application des règles est également intervenue après une activité considérable. Le seul instantané de deux semaines d’Anthropic couvrait 25 000 utilisateurs, et le réseau observé s’étendait à de nombreuses applications.

L’affaire soulève donc des questions inconfortables pour les opérateurs de boutiques. Combien de plaintes d’utilisateurs sont nécessaires avant qu’une application fasse l’objet d’un examen approfondi ? À quel moment des comptes développeurs liés doivent-ils déclencher une enquête sur un réseau ?

Apple et Google contrôlent aussi l’infrastructure des paiements intégrés. Cette position leur donne des signaux transactionnels indisponibles pour les chercheurs externes, notamment la concentration des dépenses et les tendances de remboursement.

Aucune boutique ne devrait être tenue d’inspecter manuellement chaque conversation privée. Pourtant, une application de rencontre produisant un engagement constant et des achats inhabituels de pièces mérite un examen comportemental.

Le critère ne peut pas rester limité au fait que l’application se lance, corresponde à ses captures d’écran et évite le code interdit. L’examen doit également déterminer si le service fourni est bien celui qui est annoncé.

Les garde-fous des modèles pouvaient détecter la détresse, mais pas le stratagème

La modération des conversations a manqué le contexte décisif, car la fraude se déployait à travers de nombreux échanges individuellement ordinaires.

Un filtre de sécurité typique évalue un prompt, une réponse ou une courte conversation. Il recherche des catégories reconnaissables telles que les malwares, les menaces, l’exploitation sexuelle ou les instructions relatives à la criminalité financière.

Le flirt n’appartient pas automatiquement à l’une de ces catégories. Il en va de même pour le fait de demander comment s’est passée la journée de quelqu’un, de se souvenir de son film préféré ou d’envoyer un message de soutien.

L’élément préjudiciable était l’identité dissimulée et la structure commerciale. Les utilisateurs auraient cru acheter l’accès à de véritables partenaires potentiels, tandis que le système fournissait des personas autonomes.

Anthropic affirme avoir bloqué les comptes associés et utilisé ses conclusions pour renforcer ses garde-fous. L’entreprise a également partagé des renseignements avec les autorités et des partenaires du secteur lorsque cela était approprié.

Pourtant, le rapport de l’entreprise reste le récit, par un fournisseur, d’une activité observée à travers ses propres systèmes. Il n’identifie pas publiquement les opérateurs et ne fournit pas tous les éléments nécessaires à une reproduction indépendante.

Cette lacune de vérification compte. Anthropic peut observer les requêtes API et le comportement interne du modèle, mais ne peut pas à lui seul établir la compréhension de chaque utilisateur ni le statut juridique de chaque application.

L’entreprise a également intérêt à présenter les abus comme détectables et maîtrisables. Les lecteurs devraient distinguer les éléments rapportés par Anthropic des conclusions confirmées indépendamment par l’analyse des applications.

Gore-Kormanik a établi des liens entre des applications nommées et documenté des comportements suspects. Toutefois, l’enquête initiale indique que toutes les conclusions d’Anthropic n’ont pas pu être corroborées de manière indépendante.

La période observée était également limitée. Deux semaines de données établissent l’ampleur durant cette fenêtre, et non la durée totale du réseau, ses revenus ou le nombre complet d’utilisateurs affectés.

Aucun chiffre public vérifié n’indique combien les utilisateurs ont dépensé à travers le réseau. Les affirmations relatives au préjudice financier total devraient donc rester distinctes des nombres confirmés de messages et d’utilisateurs.

Le réseau se distingue également des arnaques sentimentales classiques. Il aurait apparemment monétisé les conversations directement plutôt que d’orienter les victimes vers des plateformes de cryptomonnaies ou de fausses urgences.

Cette différence affecte la détection. Les demandes de paiement au sein d’une application approuvée peuvent sembler ordinaires, en particulier lorsque les utilisateurs achètent sciemment des pièces ou des crédits.

Le consentement devient la ligne de partage. Acheter des messages à un personnage IA clairement identifié relève du divertissement. Acheter des messages à une prétendue personne qui n’existe pas relève du commerce trompeur.

Les défenses côté fournisseur ont besoin de signaux allant au-delà du contenu des messages. Une activité soudaine et massive de personas, des milliers de conversations romantiques parallèles et des modèles de personnages répétés peuvent révéler une automatisation coordonnée.

Un seul compte prépayé générant plus de 100 000 requêtes quotidiennes aurait été l’indice dans cette affaire. Ce schéma a donné à Anthropic une visibilité inaccessible à un utilisateur individuel.

La coopération interplateforme est tout aussi importante. Un fournisseur de modèles peut détecter un volume de génération suspect, tandis qu’une boutique voit la propriété des applications et qu’un processeur de paiement observe des achats concentrés.

Chaque participant ne détient qu’une partie des éléments probants. Sans partage structuré, l’opérateur peut maintenir chaque composant sous le seuil d’intervention d’une entreprise.

Il existe également un compromis en matière de confidentialité. Détecter la manipulation émotionnelle peut nécessiter l’examen de conversations sensibles, d’historiques comportementaux et de schémas relationnels.

Les plateformes ne doivent pas transformer la prévention des arnaques en surveillance sans restriction. Les enquêtes devraient s’appuyer sur des signaux proportionnés, un accès contrôlé et des règles d’escalade documentées.

La menace plus large dépasse déjà les expériences isolées. L’évaluation mondiale de la fraude d’INTERPOL indique que la fraude renforcée par l’IA est 4,5 fois plus rentable que les méthodes traditionnelles.

INTERPOL rapporte également que la sextorsion est de plus en plus intégrée aux fraudes sentimentales et d’investissement. Les scripts et contenus générés par IA aident les réseaux criminels à opérer à travers les langues et les marchés.

Ces chiffres couvrent une fraude financière plus large, et pas uniquement les applications de rencontre trompeuses. Ils montrent pourquoi les défenses des plateformes doivent traiter l’IA comme une infrastructure opérationnelle plutôt que comme une nouveauté.

Surveiller les retraits, les remboursements et des contrôles d’identité plus robustes

Le prochain test consistera à savoir si les entreprises concernées traitent cela comme le cas d’un seul client abusif ou comme une défaillance couvrant les modèles, les boutiques et les paiements.

Le premier signal est le retrait coordonné des applications. Les suppressions individuelles compteront moins que la capacité d’Apple et Google à identifier les comptes développeurs liés, l’infrastructure partagée et les applications de remplacement.

Si le même réseau réapparaît rapidement sous de nouveaux noms, l’application des règles par les boutiques aura traité les fiches sans perturber l’opération sous-jacente. Un retrait durable renforcerait les arguments en faveur d’un examen au niveau du réseau.

Le deuxième signal est la réparation pour les utilisateurs. Les plateformes devraient déterminer si les personnes ayant acheté des pièces en interagissant avec des personas non divulgués reçoivent des avis, des remboursements ou des moyens clairs de demander la suppression de leur compte.

Le silence empêcherait les utilisateurs de distinguer les achats légitimes des achats trompeurs. Une réparation transparente révélerait également si les boutiques peuvent retracer avec précision les transactions affectées.

Le troisième signal est un lien plus fort entre les contrôles d’identité et la propriété des conversations. Un test de vivacité unique ne peut pas prouver que la personne vérifiée continue d’utiliser un profil.

Des contrôles utiles pourraient lier les identités vérifiées à des actions répétées à haut risque. Les plateformes pourraient également étiqueter directement dans les conversations les réponses assistées, les médias synthétiques et les personas automatisés.

Tout système de vérification plus rigoureux doit protéger les utilisateurs qui ont besoin de confidentialité, notamment les personnes LGBTQ, les survivants d’abus et les personnes qui fréquentent des partenaires dans des environnements restrictifs. L’assurance d’identité ne devrait pas exiger une exposition publique.

Les utilisateurs, quant à eux, ont besoin d’un test plus fiable que l’évaluation du naturel apparent d’une correspondance. Les systèmes génératifs peuvent produire de la chaleur, de l’humour, de l’incohérence et une vulnérabilité apparente.

Le comportement reste plus instructif. Une correspondance qui évite les interactions vérifiables, pousse à la communication payante, envoie des liens inexpliqués ou crée une pression financière urgente mérite un examen attentif.

L’avertissement du FBI sur la vérification dans les rencontres conseille aux utilisateurs de ne pas ouvrir de liens ni fournir d’informations sensibles à une personne qu’ils n’ont rencontrée qu’en ligne. Il recommande également de maintenir les conversations sur des plateformes réputées.

Ce conseil reste utile, mais Dora le complique. Rester dans une application offre une protection limitée lorsque l’application elle-même serait à l’origine de la tromperie.

Les utilisateurs devraient donc vérifier à la fois la personne et la plateforme. Recherchez les noms des développeurs, examinez les avis récents, vérifiez si les profils révèlent l’automatisation et remettez en question les systèmes de paiement liés à chaque message.

Un appel échoué ne devrait pas devenir une preuve plus forte simplement parce qu’une application le présente comme réussi. De même, une vérification humaine ne devrait pas convaincre les utilisateurs que chaque conversation est humaine.

L’arnaque des applications de rencontre IA d’Anthropic montre que l’intimité fabriquée peut désormais fonctionner comme un service logiciel. Les modèles gèrent le dialogue, des travailleurs fournissent des preuves sélectives et les applications collectent les paiements.

La réponse doit suivre la même architecture. Les fournisseurs de modèles doivent détecter les opérations coordonnées de personas. Les boutiques doivent enquêter sur les développeurs liés, et les plateformes de paiement doivent permettre une réparation rapide.

Surtout, les services de rencontre doivent rendre compréhensible l’identité derrière chaque conversation. Si un utilisateur ne peut pas savoir si une correspondance est humaine, assistée ou autonome, le consentement éclairé a déjà disparu.

La question immédiate n’est pas de savoir si l’IA peut imiter parfaitement l’attirance. Elle est de savoir si les plateformes continueront à vendre de la confiance alors que la technologie a rendu les anciens signaux de vérification peu fiables.