L’empoisonnement de ChatGPT Search a touché 374 marques, révélant une faille de confiance dans les réponses d’IA

L’empoisonnement de la recherche ChatGPT aurait affecté au moins 374 entreprises après que des attaquants ont disséminé de fausses coordonnées dans des sources récupérées par ChatGPT, Gemini et Google AI Overview. Selon Vigilance Security, les cibles comprenaient Delta, Lufthansa, Bank of America, Airbnb, Chase, Qatar Airways et Tripadvisor.

L’opération, que Vigilance appelle « Dark Sourcery », transforme la réponse utile d’un assistant IA en vecteur d’arnaque. Un utilisateur demande le numéro de réservation d’une compagnie aérienne ou la page d’assistance d’une banque. Le système peut alors renvoyer un numéro frauduleux, un lien de phishing ou une fausse page de connexion comme s’il s’agissait d’une information fiable.

Cette distinction est importante. Le phishing classique demande à la victime de faire confiance à un message non sollicité. Cette campagne attendrait plutôt que les utilisateurs s’adressent à ChatGPT ou Google avec une question légitime, puis exploiterait l’autorité qu’ils accordent à la réponse.

Ces conclusions élargissent les preuves antérieures selon lesquelles de fausses informations d’assistance peuvent s’infiltrer dans les résultats de recherche générés par l’IA. Elles soulèvent également un problème de vérification. Vigilance a publié des exemples et décrit des dizaines de milliers de pages malveillantes, mais l’ensemble complet des données et la méthodologie de test n’étaient pas accessibles au public pour un examen indépendant.

L’enjeu immédiat n’oppose donc pas les pirates à chaque marque individuellement. Il s’agit d’une pollution automatisée des contenus face aux systèmes de récupération et de vérification qui alimentent les réponses d’IA. L’issue déterminera si un assistant fournit le véritable canal d’assistance d’une entreprise ou redirige un client vers un centre d’appels criminel.

La campagne visant 374 marques a fait entrer les arnaques dans la réponse

L’innovation centrale de cette campagne consiste à placer des informations frauduleuses au sein d’une réponse générée par l’IA, où les utilisateurs peuvent confondre synthèse et vérification.

Vigilance Security a dévoilé ses conclusions le 23 septembre 2026. Selon les recherches de l’entreprise sur la campagne, les attaquants ont diffusé des publications soigneusement formatées, des PDF, des avis et des pages d’assistance sur le Web public.

Ces documents associaient des noms d’entreprises connues à des numéros de téléphone, des adresses e-mail, des pages de connexion ou des instructions logicielles contrôlés par des escrocs. Les systèmes de recherche et de récupération pouvaient ensuite collecter ces associations pour répondre à des questions liées au service client.

Ariel Simon, vice-président de la recherche chez Vigilance, a déclaré que les chercheurs avaient trouvé des dizaines de milliers de pages malveillantes. L’équipe a relié cette activité à au moins 374 entreprises ciblées dans les secteurs du transport aérien, de la banque, du voyage, des fournisseurs technologiques et d’autres grandes organisations.

Ce chiffre doit être considéré comme un résultat de recherche, non comme un recensement exhaustif. Vigilance n’a pas publié de liste exploitable par machine de chaque page, requête, marque et réponse de modèle ayant permis de l’établir. Les chercheurs indépendants ne peuvent donc pas encore reproduire l’intégralité du décompte.

Les éléments décrits dans les reportages ultérieurs restent préoccupants. Des chercheurs de Vigilance auraient appelé plusieurs numéros renvoyés via les informations empoisonnées. Les personnes qui répondaient proposaient de modifier des vols ou de débloquer des comptes bancaires avant de demander les informations de carte bancaire.

Les chercheurs ont également relevé des plaintes de personnes affirmant que des numéros frauduleux présents dans des réponses de chatbots les avaient conduites à divulguer des informations de paiement. Ces signalements confortent le modèle de menace de base de la campagne, sans toutefois établir combien de victimes ont perdu de l’argent.

Les marques touchées n’ont pas été accusées d’avoir fourni les fausses informations. Leurs noms servaient d’appât, car les clients les recherchent déjà dans des situations urgentes ou financièrement sensibles.

Un passager confronté à l’annulation d’un vol veut une aide immédiate. Un client bancaire dont le compte est bloqué cherche à être rassuré. Dans les deux cas, la personne consacre moins de temps à examiner un numéro de téléphone ou un domaine.

L’empoisonnement classique des résultats de recherche exploite le système de classement qui ordonne les liens. L’empoisonnement des réponses d’IA va plus loin en extrayant l’affirmation de l’attaquant et en la présentant dans une réponse nouvellement générée.

Cela peut supprimer les signaux d’alerte habituels. Les utilisateurs ne voient peut-être jamais une conception de page suspecte, un titre maladroit ou un résultat de recherche étrange. Ils voient l’interface de l’assistant, suivie de ce qui semble être une réponse directe.

La campagne signalée fait ainsi deux victimes. Les consommateurs s’exposent à la fraude, tandis que l’entreprise usurpée hérite de plaintes, de coûts d’assistance, de dommages réputationnels et de travail de réponse à incident pour une infrastructure qu’elle n’a jamais contrôlée.

Voilà ce qui a changé. Des coordonnées frauduleuses circulent en ligne depuis des années, mais les assistants IA peuvent désormais les présenter comme des conseils personnalisés sans que la victime ait besoin de visiter la page d’origine de l’attaquant.

Comment l’empoisonnement de ChatGPT Search transforme le GEO en canal de fraude

L’empoisonnement de ChatGPT Search abuse de la sélection des sources, pas nécessairement du modèle sous-jacent ni d’une vulnérabilité directe d’injection de prompt.

L’optimisation pour les moteurs génératifs, ou GEO, consiste à structurer des contenus en ligne pour qu’un système de réponses IA soit davantage susceptible de les récupérer et de les réutiliser. L’optimisation pour les moteurs de réponses, ou AEO, désigne une pratique étroitement liée, axée sur les réponses concises, les associations d’entités et les formulations lisibles par machine.

Les éditeurs légitimes utilisent ces techniques pour permettre aux moteurs de réponses de mieux comprendre des informations exactes. Les attaquants peuvent appliquer la même logique à de fausses données d’assistance.

Une page malveillante peut répéter le nom d’une marque à côté d’un numéro frauduleux. Elle peut adopter un format de questions-réponses correspondant étroitement à une requête client probable. Elle peut aussi qualifier le numéro d’« officiel », de « gratuit » ou destiné aux réservations urgentes.

L’attaquant bénéficie lorsque ce contenu apparaît à plusieurs endroits. La répétition peut faire paraître une fausse association corroborée, même lorsque chaque occurrence appartient à la même campagne.

Des recherches antérieures d’Aurascape ont documenté ce mécanisme à partir de requêtes liées à l’assistance de compagnies aériennes. Son enquête sur l’empoisonnement a identifié des numéros frauduleux diffusés via des sites compromis, des PDF téléversés, des descriptions YouTube, des avis Yelp et des fichiers hébergés dans le cloud.

Certains contenus empoisonnés apparaissaient sur des domaines gouvernementaux, universitaires et d’éditeurs établis. Ces domaines peuvent porter des signaux de confiance et de visibilité plus forts qu’un site d’arnaque nouvellement enregistré.

L’attaquant n’a pas toujours besoin de compromettre l’ensemble du site. Une fonction de téléversement exposée, une page abandonnée, un champ de commentaire, un système d’avis ou un dépôt de documents mal contrôlé peuvent fournir une surface indexable.

La fraîcheur est également un atout. Les requêtes d’assistance changent fréquemment, notamment autour des perturbations de voyage, des politiques de remboursement, des mises à jour logicielles et des procédures de récupération de compte. Un texte récemment publié peut sembler pertinent même lorsque son origine n’a aucun lien avec l’entreprise usurpée.

Cela explique pourquoi l’empoisonnement de Gemini AI et les attaques similaires sont difficiles à réduire à une seule faille technique. Une réponse peut être erronée parce que le système de récupération a sélectionné des sources empoisonnées, parce que le modèle a fusionné incorrectement des affirmations, ou parce que les protections n’ont pas détecté des coordonnées à risque.

La campagne Dark Sourcery différerait de l’injection de prompt classique. Dans une attaque par injection de prompt, un contenu malveillant donne à l’IA des instructions destinées à contourner son comportement normal.

Ici, le faux contenu peut sembler déclaratif plutôt qu’injonctif. Il indique au système qu’un numéro de téléphone particulier appartient à une banque ou à une compagnie aérienne. L’assistant peut répéter cette affirmation tout en fonctionnant exactement comme prévu.

OpenAI reconnaît que les contenus récupérés exigent de la prudence. Ses recommandations sur les liens générés indiquent que des tiers peuvent mentir à ChatGPT ou insérer des instructions malveillantes, et conseillent aux utilisateurs d’examiner les destinations avant de leur faire confiance.

Cet avertissement couvre une partie du risque, mais les numéros de téléphone posent un problème d’interface plus difficile. Un numéro ne révèle pas son propriétaire par un domaine reconnaissable. Une fois que l’utilisateur commence l’appel, un opérateur convaincant peut fournir la couche manquante d’ingénierie sociale.

La synthèse par IA peut également masquer les désaccords entre les sources. Une page de résultats traditionnelle permet aux utilisateurs de comparer un domaine officiel d’entreprise avec des forums, des PDF et des sites inconnus. Un paragraphe généré peut condenser ces sources en une recommandation unique et assurée.

Les liens de citation ne résolvent pas automatiquement ce problème. Dix citations peuvent sembler plus solides qu’une seule, alors que les dix peuvent répéter la même information implantée. Une vérification efficace doit mesurer l’indépendance, la propriété et la pertinence des sources plutôt que la seule quantité de citations.

Les arnaques de Google AI Overview révèlent l’écart entre récupération et vérification

Un système d’IA peut récupérer une réponse plausible et citer des pages à l’appui sans vérifier que la coordonnée appartient à l’organisation nommée.

Les arnaques de Google AI Overview illustrent cet écart, car le résumé généré occupe l’une des positions les plus visibles dans Search. Les utilisateurs peuvent interpréter ce placement comme une approbation, surtout lorsque la réponse emploie un langage direct.

Des enquêtes précédentes ont trouvé de faux numéros d’assistance de compagnies aériennes dans les AI Overviews. Des signalements ont également décrit des consommateurs recevant des coordonnées frauduleuses en recherchant des services financiers et de voyage.

Google a déclaré à WIRED que ses protections antispam sont très efficaces et qu’il affiche, lorsque cela est possible, des numéros officiels de service client. L’entreprise a aussi indiqué renforcer ses protections contre les arnaques et encourager les utilisateurs à vérifier les numéros de téléphone par des recherches supplémentaires, selon une couverture des arnaques AI Overview.

Cette réponse met en évidence la tension centrale. Google présente les AI Overviews comme une voie plus rapide vers des informations utiles, mais la défense recommandée demande aux utilisateurs d’effectuer la comparaison que le résumé était censé simplifier.

Google a fait état de progrès plus larges contre les abus liés à la recherche. Son rapport 2025 sur la protection contre les arnaques indique que de nouveaux systèmes ont détecté 20 fois plus de pages d’arnaque et réduit de plus de 70 % les arnaques usurpant des sites officiels au cours de 2024.

Ces chiffres couvrent globalement les protections de Google Search. Ils ne fournissent pas de mesure indépendante de la campagne Dark Sourcery et n’indiquent pas non plus le taux d’erreur des numéros d’assistance générés par les AI Overviews.

OpenAI décrit un modèle de sélection similaire pour ChatGPT search. Des systèmes automatisés prennent en compte l’intention, la pertinence et la récence, tandis que les réponses peuvent inclure des citations intégrées et des sources supplémentaires.

La pertinence n’est toutefois pas une vérification d’identité. Une page peut être très pertinente pour les mots « numéro d’assistance Bank of America » tout en contenant des informations que Bank of America n’a jamais publiées.

La même faiblesse apparaît dans plusieurs produits, car le Web ne dispose pas d’un registre universel et authentifié pour chaque numéro de téléphone d’entreprise, portail de remboursement, package logiciel et page de récupération de compte. Les sites officiels fournissent des preuves solides, mais les organisations répartissent souvent leur assistance entre domaines régionaux, applications, sous-traitants et systèmes partenaires.

Les attaquants exploitent cette ambiguïté. Ils ciblent des requêtes pour lesquelles les utilisateurs s’attendent à trouver plusieurs canaux et des changements rapides. Les compagnies aériennes, les services de voyage en ligne, les banques et les éditeurs de logiciels correspondent à ce profil.

Les plateformes font également face à un problème de précision. Bloquer chaque numéro inconnu rendrait les assistants moins utiles. Autoriser un numéro parce que plusieurs pages indexées le répètent peut récompenser des attaquants qui fabriquent un faux consensus.

Ce compromis distingue la sécurité de la recherche par IA de la modération de contenu classique. Le système doit évaluer non seulement si un texte est abusif, mais aussi si une relation spécifique dans le monde réel est authentique.

Un numéro de téléphone peut être inoffensif dans un contexte et frauduleux dans un autre. Un centre d’appels légitime peut prendre en charge plusieurs marques dans le cadre d’un accord d’externalisation divulgué. Une opération d’escroquerie peut imiter ce schéma en associant un même numéro à de nombreuses entreprises sans lien entre elles.

Google, OpenAI et les autres fournisseurs de réponses doivent donc effectuer des vérifications tenant compte des entités. Lorsqu’une réponse fournit une coordonnée de contact à haut risque, le système devrait la comparer aux registres de première partie plutôt que d’en déduire la légitimité à partir de répétitions sur le web.

Le niveau de vérification requis devrait aussi varier selon l’action demandée. Une mauvaise recommandation de restaurant est gênante. Une fausse page de connexion bancaire ou un faux numéro de récupération de compte peut entraîner directement une perte financière.

Le chiffre de 374 entreprises est sérieux, mais des questions importantes subsistent

Les éléments disponibles établissent un schéma d’attaque crédible, tout en laissant sans réponse l’ampleur de la campagne, son taux de réussite et son impact produit par produit.

Vigilance indique avoir détecté au moins 374 entreprises touchées et des dizaines de milliers de pages malveillantes. Des rapports de sécurité ultérieurs citent des cibles connues et décrivent des appels de test à des opérateurs frauduleux.

Toutefois, la recherche publique ne fournit pas de dénominateur complet. Elle n’indique pas combien de marques les chercheurs ont testées avant d’en trouver 374, ni à quelle fréquence chaque produit d’IA renvoyait des informations empoisonnées lors de requêtes répétées.

Les résultats de recherche générative peuvent varier selon la date, le lieu, l’état du compte, la formulation de la requête et la version du produit. Un numéro frauduleux qui apparaît une fois constitue déjà une défaillance de sécurité, mais cela diffère d’un numéro qui apparaît de manière fiable pour la plupart des utilisateurs.

L’expression « entreprise touchée » exige également une interprétation prudente. Elle peut signifier que des attaquants ont publié des pages usurpant une marque, qu’un système d’IA a récupéré ces pages, ou qu’un utilisateur a effectivement reçu l’information frauduleuse.

Ces étapes ne doivent pas être confondues. La première mesure l’intention des attaquants, la deuxième l’exposition de la plateforme, et la troisième le préjudice subi par les consommateurs.

La divulgation publique serait plus solide avec des journaux de requêtes anonymisés, des horodatages, des captures d’écran, des URL sources, des versions de modèles, des paramètres géographiques et des résultats de tests répétés. Les chercheurs pourraient alors distinguer un empoisonnement persistant d’une sortie temporaire.

Le nom de la campagne appartient également à Vigilance, et non à un groupe criminel attribué de façon indépendante. Les informations actuellement disponibles n’identifient pas un opérateur unique responsable de chaque page malveillante.

Plusieurs groupes peuvent appliquer des tactiques similaires, car le coût de publication de contenu optimisé est faible. Des numéros partagés, une infrastructure d’hébergement commune, des modèles ou des flux de paiement fourniraient des preuves plus solides d’un contrôle coordonné.

Une autre incertitude entoure le terme GEO. Il décrit avec précision un contenu conçu pour la récupération générative, mais certaines tactiques sous-jacentes ressemblent à des méthodes plus anciennes d’empoisonnement SEO, de spam d’avis, de compromission de domaines et de fraude au support technique.

La nouveauté réside principalement dans la couche de diffusion. Un assistant IA peut sélectionner, reformuler et cautionner les données implantées dans une réponse conversationnelle.

Cela en fait davantage qu’un simple exercice de rebranding. L’empoisonnement SEO traditionnel laisse encore une destination suspecte entre l’interface de recherche et la tentative de fraude. Les réponses générées peuvent supprimer cette pause.

Pour autant, chaque numéro incorrect ne prouve pas une manipulation délibérée de l’IA. Les modèles peuvent halluciner des coordonnées, combiner des chiffres provenant de sources distinctes ou répéter des informations obsolètes. Les enquêteurs doivent distinguer l’empoisonnement intentionnel de l’erreur factuelle ordinaire.

Cette différence est importante pour l’atténuation du risque. Les hallucinations exigent un meilleur ancrage dans les sources et une meilleure gestion de l’incertitude. L’empoisonnement coordonné requiert la détection des abus, la cartographie des infrastructures, des retraits et des contrôles de réputation des sources.

Les entreprises devraient également éviter de surestimer ce que leur surveillance peut prouver. Tester une poignée de requêtes n’établit pas que chaque client voit la même réponse. À l’inverse, un test propre aujourd’hui ne prouve pas qu’un contenu empoisonné n’est jamais apparu hier.

La conclusion responsable est plus nuancée que la version la plus alarmante de l’histoire. Vigilance a signalé une campagne vaste et active qui mérite une enquête de la part des plateformes et des marques. Les éléments divulgués ne quantifient pas encore l’exposition totale ni les pertes.

Les banques, compagnies aériennes et éditeurs de logiciels font désormais face à un problème de réponses IA

Les entreprises ne peuvent plus protéger leur identité de support uniquement par leurs sites web, leurs contrôles publicitaires et leur surveillance conventionnelle des moteurs de recherche.

Une entreprise ciblée peut disposer de systèmes sécurisés et de pages de contact exactes tout en apparaissant dans une réponse IA empoisonnée. Son équipe de sécurité ne contrôle pas chaque avis, PDF téléversé, page universitaire compromise ou résultat de récupération par chatbot.

Cela étend la protection de la marque à un environnement peu familier. Les équipes doivent surveiller ce que disent les assistants, quelles sources ils citent et si des numéros de téléphone ou domaines inconnus réapparaissent dans différentes requêtes.

Les requêtes prioritaires devraient concerner la récupération de compte, les réservations, les remboursements, les paiements, les téléchargements de logiciels et le support technique. Ces sujets combinent l’urgence avec des demandes d’identifiants ou d’informations financières.

La surveillance doit également couvrir les dimensions géographiques et linguistiques. Les compagnies aériennes et les banques opèrent via des canaux de contact régionaux, tandis que les attaquants peuvent cibler des voyageurs ou des clients qui s’attendent à trouver un numéro local.

Un test utile ne se contente pas de demander à un assistant le « service client ». Il fait varier la formulation, le produit, le lieu, l’urgence et l’action demandée. L’équipe peut alors comparer chaque numéro retourné, adresse e-mail, URL et instruction de téléchargement avec les registres authentifiés de l’entreprise.

Les indicateurs répétés méritent une escalade. Un numéro suspect apparaissant à côté de plusieurs noms de compagnies aériennes sans lien entre elles peut révéler un centre d’appels criminel partagé. Un domaine cité dans plusieurs fausses réponses de support logiciel peut révéler une opération de phishing plus large.

Les réclamations de clients devraient alimenter le même processus. Un signalement indiquant que « le chatbot m’a donné ce numéro » relève du renseignement sur les menaces, et pas seulement d’un problème de support.

Les entreprises ont aussi besoin d’un moyen rapide de correction auprès des fournisseurs d’IA et des moteurs de recherche. Les systèmes existants de signalement d’abus se concentrent souvent sur une page web nuisible. Cette menace peut exiger de supprimer la page, de corriger une réponse, de réévaluer les sources associées et d’identifier les infrastructures dupliquées.

Des pages de contact de première partie claires restent importantes. Les organisations devraient maintenir des informations de support cohérentes et lisibles par machine, et supprimer les pages régionales obsolètes qui créent de l’ambiguïté.

Elles devraient également avertir les clients que le personnel ne demandera pas de logiciel de contrôle à distance, de paiements en cryptomonnaie, de cartes-cadeaux ou d’identifiants complets. Ces avertissements sont utiles lorsqu’un opérateur frauduleux a déjà intercepté l’appel initial.

L’usage en entreprise introduit une couche d’exposition supplémentaire. Les employés demandent de plus en plus aux assistants des noms de paquets, des instructions en ligne de commande, des portails fournisseurs et des procédures de récupération de compte.

Une réponse grand public empoisonnée peut voler une carte de paiement. Une réponse professionnelle empoisonnée pourrait diriger un employé vers un logiciel malveillant, une page de collecte d’identifiants ou une dépendance logicielle compromise.

Les contrôles de sécurité devraient donc vérifier les résultats exploitables au moment de leur utilisation. Les liens, numéros de téléphone, paquets logiciels, commandes et instructions de paiement méritent un examen plus approfondi que le texte explicatif général.

Les travailleurs du savoir peuvent réduire leur exposition en préservant la traçabilité des sources derrière les décisions importantes. Une base de connaissances personnelle consultable peut conserver les procédures officielles et les vérifications antérieures, mais les éléments stockés doivent toujours être réexaminés lorsque les coordonnées changent.

Le comportement utilisateur le plus sûr reste la vérification directe. Ouvrez l’application officielle de l’entreprise ou saisissez son domaine connu dans le navigateur. Utilisez le numéro imprimé sur une carte de paiement ou un document officiel de compte lorsque cela est approprié.

Ne considérez pas une deuxième réponse IA comme une confirmation indépendante. ChatGPT, Gemini et Google AI Overview peuvent récupérer des sources qui se chevauchent ; deux réponses concordantes peuvent donc refléter la même page empoisonnée.

Ce qui montrera si les fournisseurs de réponses IA peuvent contenir la menace

Le prochain test consistera à déterminer si les plateformes peuvent authentifier les faits à haut risque avant de les générer, et non simplement supprimer chaque page frauduleuse signalée.

Le premier signal concernera le traitement au niveau du produit des numéros de téléphone, pages de connexion et instructions de paiement. Une réponse significative soumettrait ces détails à une vérification plus stricte que les affirmations factuelles ordinaires.

Pour les requêtes de support, le système pourrait privilégier le domaine de première partie vérifié d’une entreprise et étiqueter clairement la source. Si aucun registre authentifié n’est disponible, il pourrait refuser de fournir un numéro plutôt que d’en synthétiser un à partir de pages tierces.

Cela renforcerait l’idée que l’empoisonnement de la recherche ChatGPT peut être contenu au niveau de la réponse. La persistance de signalements de nouveaux numéros implantés apparaissant comme des contacts officiels l’affaiblirait.

Le deuxième signal sera la transparence des mesures. Google, OpenAI et les autres fournisseurs n’ont pas besoin de divulguer des défenses qui aideraient les attaquants, mais ils peuvent publier des données agrégées utiles.

Les métriques pertinentes comprennent le nombre de requêtes relatives aux coordonnées de support recevant un ancrage de première partie, la rapidité avec laquelle les sources empoisonnées confirmées disparaissent et la fréquence à laquelle les réponses à haut risque déclenchent des avertissements ou des refus.

La réplication indépendante est également importante. Les chercheurs devraient tester des ensembles cohérents de requêtes entre produits, régions et dates. Ils devraient distinguer une citation empoisonnée d’une réponse qui répète effectivement la coordonnée frauduleuse.

Le troisième signal sera une réponse coordonnée entre les marques, les fournisseurs d’hébergement, les plateformes d’avis et les entreprises d’IA. Supprimer une réponse IA tout en laissant les documents malveillants en ligne permet à un autre système de les récupérer.

De même, supprimer un seul document a peu d’effet si le même opérateur contrôle de nombreux comptes et domaines. La perturbation au niveau de l’infrastructure doit relier les numéros répétés, les modèles, les schémas d’hébergement et les demandes de paiement.

La divulgation Dark Sourcery exerce une pression immédiate sur ChatGPT, Gemini et Google AI Overview, car leurs interfaces transforment la récupération web en recommandation directe. Elle met également sous pression toute organisation dont les clients utilisent ces systèmes comme un bureau de support non officiel.

Pour les utilisateurs, la règle pratique est simple. Considérez les coordonnées générées par IA comme une piste non vérifiée lorsque de l’argent, des identifiants, des téléchargements ou l’accès à un compte sont en jeu.

Pour les entreprises, l’action est plus large. Testez la manière dont les systèmes d’IA représentent vos canaux de support, collectez les sources citées et mettez en place un processus pour corriger les réponses empoisonnées avant que les réclamations des clients ne constituent le premier avertissement.

La question finale n’est pas de savoir si un assistant IA peut trouver un numéro de téléphone. Elle est de savoir si l’assistant peut établir qui contrôle ce numéro avant de demander à un utilisateur de lui faire confiance.