L’EFF exhorte la FTC à retirer sa proposition de politique sur l’exactitude de l’IA

L’Electronic Frontier Foundation s’est jointe à une contestation directe de la politique sur l’IA proposée par la FTC, bien que l’agence la présente comme une mesure de protection des consommateurs.

Le différend a émergé sous la forme d’un nouveau titre de Google News sur l’intelligence artificielle. Ses véritables enjeux sont bien plus importants. La proposition pourrait redéfinir la manière dont les responsables fédéraux évaluent l’exactitude des modèles, les dispositifs de sécurité, l’atténuation des biais et la conformité aux lois des États.

La Federal Trade Commission affirme que les entreprises peuvent tromper les consommateurs lorsqu’elles orientent secrètement les résultats de l’IA vers des objectifs idéologiques. L’EFF et ses alliés soutiennent que la proposition transforme une préoccupation légitime en une théorie d’application dangereusement vague.

Cette distinction importe, car tout système d’IA à usage général est orienté. Les développeurs choisissent les données d’entraînement, les méthodes d’évaluation, les règles de sécurité, les politiques de refus, les prompts système et les objectifs du produit. Ces choix influencent ce qu’un modèle dit et ce qu’il refuse de dire.

Le conflit central n’oppose donc pas l’exactitude à l’inexactitude. Il oppose la protection des consommateurs à une tentative fédérale de définir quels objectifs de modèle sont légitimes.

La FTC a ouvert la proposition aux commentaires après avoir reçu des directives de l’administration Trump. L’agence a également lié sa théorie à des lois d’États exigeant que les entreprises évaluent ou réduisent les résultats discriminatoires.

Ce lien place le Colorado et d’autres États dans la ligne de mire. Il pousse aussi OpenAI, Anthropic, Google, xAI et les plus petits développeurs à repenser la manière dont ils décrivent le comportement des modèles.

La proposition n’est pas encore une règle contraignante. Toutefois, une politique d’application peut tout de même modifier les pratiques des entreprises en signalant les pratiques que l’agence entend examiner.

Pour les développeurs et les acheteurs en entreprise, ce débat dépasse la seule formulation juridique. Il détermine si les mesures de sécurité apparaissent comme une conception responsable du produit ou comme la preuve qu’une entreprise a intentionnellement supprimé une réponse prétendument plus exacte.

Ce que l’EFF demande à la FTC d’abandonner

L’intervention de l’EFF conteste le fondement de la proposition de la FTC, et non le principe selon lequel les entreprises doivent dire la vérité aux consommateurs.

La FTC a publié sa proposition de « Policy Statement Concerning the Suppression of Accuracy in Artificial Intelligence Systems » le 1er juillet 2026. La période de commentaires publics s’est achevée le 31 juillet.

L’EFF s’est ensuite jointe à l’appel demandant à l’agence de retirer la proposition. Sa position s’inscrit dans l’avertissement plus large de l’organisation contre les politiques générales sur l’IA qui ignorent les usages, les préjudices et les limites techniques spécifiques.

La proposition applique la Section 5 du FTC Act, qui interdit les pratiques commerciales déloyales ou trompeuses. Selon la proposed policy, les consommateurs s’attendent généralement à ce que les systèmes d’IA visent des résultats véridiques et exacts.

Ce point de départ semble conventionnel. Les entreprises ne devraient pas présenter des produits peu fiables comme infaillibles, objectifs ou équivalents au travail de professionnels qualifiés.

La FTC franchit ensuite une étape plus controversée. Elle affirme que des objectifs idéologiques non divulgués peuvent éloigner un système du résultat demandé ou raisonnablement attendu par les utilisateurs.

Selon cette théorie, cette orientation peut devenir trompeuse lorsqu’elle influe de manière significative sur la décision d’un consommateur d’utiliser ou d’acheter le produit. Le motif n’exonérerait pas l’entreprise.

L’agence distingue l’orientation intentionnelle des hallucinations, terme désignant des résultats de modèle plausibles mais non étayés. Elle affirme que les erreurs techniques ordinaires ne violent pas automatiquement la Section 5.

La politique proposée se concentre plutôt sur les choix de conception qui privilégieraient prétendument un autre objectif au détriment de l’exactitude. Ces objectifs pourraient concerner la politique, l’équité, la sécurité ou le respect d’exigences d’États.

La FTC évoque également la possibilité que des lois d’États contradictoires soient implicitement préemptées. La préemption implicite intervient lorsque le droit fédéral écarte une exigence d’État sans que le Congrès ne l’ait explicitement indiqué.

L’Artificial Intelligence Act du Colorado fait l’objet d’une attention particulière. La FTC suggère qu’une exigence d’État pourrait entrer en conflit avec le droit fédéral si elle contraint une entreprise à déformer un résultat véridique.

Ce cadrage a suscité la vive opposition reflétée dans l’appel de l’EFF. Le problème n’est pas que la manipulation dissimulée mérite d’être protégée. Le problème est que les notions d’« exactitude », d’« idéologie » et d’« attentes des consommateurs » restent indéterminées pour les modèles génératifs.

L’avis du Federal Register reconnaît qu’il peut être difficile de tracer la frontière exacte autour des biais. Pourtant, cette incertitude se trouve au cœur de la norme d’application proposée.

La Commission a approuvé la publication de la proposition par un vote de 2 voix contre 0. Ce vote autorisait une consultation publique, et non un jugement juridique définitif contre une entreprise d’IA.

Les lecteurs devraient donc considérer l’initiative de l’EFF comme une intervention durant l’élaboration de la politique. Il ne s’agit ni d’une victoire judiciaire, ni d’un processus réglementaire achevé, ni de l’annulation de la proposition.

Un retrait aurait néanmoins des conséquences pratiques. Il obligerait la FTC à revenir à des affaires de tromperie plus ciblées, fondées sur des allégations marketing précises, des faits documentés et un préjudice mesurable pour les consommateurs.

Pourquoi la FTC estime que l’exactitude de l’IA nécessite une protection fédérale

L’argument le plus solide de la FTC est que les entreprises vendent déjà de la confiance, même lorsque leurs modèles ne peuvent pas fournir des réponses neutres ou systématiquement correctes.

Les développeurs d’IA commercialisent rarement leurs produits comme de simples générateurs de texte aléatoire. Ils les présentent comme des assistants qui répondent à des questions, analysent des éléments de preuve, résolvent des problèmes et soutiennent des tâches aux conséquences importantes.

La FTC soutient que ces représentations créent des attentes raisonnables. Un client peut supposer que le système poursuit l’objectif demandé dans les limites de ses capacités techniques et de ses ressources connues.

Lorsqu’une entreprise substitue secrètement un autre objectif, le résultat obtenu peut contredire cette attente. Une divulgation enfouie dans les conditions du produit pourrait ne pas corriger l’impression générale.

Le droit classique de la tromperie examine déjà les représentations, les omissions, les consommateurs raisonnables et le caractère significatif. Une information significative est une information susceptible d’influencer le choix ou le comportement d’un consommateur.

La FTC tente d’appliquer ce cadre familier au comportement des modèles. Sa théorie ne requiert pas une nouvelle loi fédérale sur l’IA avant toute action d’application possible.

L’agence a également déjà contesté des allégations exagérées concernant l’IA. Des affaires antérieures portaient sur des affirmations liées aux services juridiques automatisés, à la reconnaissance faciale, au contrôle de sécurité et à des opportunités commerciales soutenues par l’IA.

Ces affaires présentent un schéma relativement clair. Un fournisseur promet une capacité mesurable, les preuves contredisent cette promesse, et les consommateurs subissent un préjudice financier ou pratique.

La déclaration proposée vise une catégorie plus difficile. Elle demande si les objectifs intégrés à un modèle peuvent eux-mêmes rendre sa commercialisation trompeuse.

Le président de la FTC, Andrew Ferguson, a décrit la question comme une subversion idéologique des systèmes d’IA. Dans l’annonce de l’agence sur l’exactitude, il a invité les entreprises et les consommateurs à signaler leurs expériences pertinentes.

Les partisans de cette approche peuvent citer des exemples plausibles. Un modèle présenté comme politiquement neutre pourrait favoriser systématiquement un parti tout en dissimulant des instructions délibérées en ce sens de son fournisseur.

Un assistant de santé pourrait omettre silencieusement des informations médicalement pertinentes parce que son opérateur souhaite promouvoir un objectif politique sans rapport. Un produit de recherche pourrait supprimer des sources qui contredisent son propriétaire.

Ces cas peuvent constituer de véritables tromperies. Un acheteur ne peut pas évaluer un objectif non divulgué qui modifie de manière significative le comportement du produit.

La FTC craint également que les entreprises se réfugient derrière de larges avertissements. Le droit de la consommation évalue généralement l’impression d’ensemble créée par la publicité, les interfaces, la documentation et le fonctionnement réel.

Pour les entreprises, la préoccupation dépasse les réponses individuelles de chatbots. Les organisations connectent de plus en plus les modèles à la recherche documentaire, au support client, au développement logiciel et aux processus internes de décision.

Un objectif caché peut alors se propager à travers de nombreux résultats. Il peut affecter des employés qui n’ont jamais choisi le modèle d’origine ni examiné ses conditions.

C’est pourquoi la proposition ne peut pas être écartée comme un simple document de guerre culturelle. Elle identifie un problème légitime de transparence au sein de l’IA commerciale.

Sa faiblesse réside dans la ligne de démarcation retenue par la politique. Elle traite l’orientation « idéologique » comme particulièrement suspecte sans établir de moyen fiable de distinguer l’idéologie de la sécurité, de la qualité ou d’une gouvernance conforme au droit.

Cette ambiguïté laisse les entreprises face à une question inconfortable. Doivent-elles divulguer chaque objectif de politique qui modifie une réponse statistiquement probable du modèle ?

La réponse ne peut pas être « tous les objectifs ». Les modèles impliquent des milliers de choix de conception, et une divulgation exhaustive submergerait les utilisateurs sans améliorer une véritable responsabilisation.

La réponse ne peut pas non plus être « tout ce que la FTC désapprouvera ultérieurement ». Cette approche remplacerait les attentes des consommateurs par des préférences d’application politiquement changeantes.

Le titre de Google News dissimule un conflit sur la vérité

Le compromis central oppose la sanction de la manipulation dissimulée à l’octroi aux responsables fédéraux d’un large pouvoir pour qualifier les garanties des modèles de distorsion idéologique.

L’IA générative n’extrait pas une phrase objectivement correcte d’une base de données fixe. Elle produit des réponses à partir de modèles appris, d’instructions, du contexte, de choix d’échantillonnage et de contraintes du produit.

Même des prompts factuels peuvent donner lieu à plusieurs réponses utiles. Une réponse concise, une explication détaillée et un refus prudent optimisent chacun des objectifs différents.

L’exactitude varie aussi selon le domaine. Une date historique peut être vérifiée directement, tandis qu’une analyse politique dépend du cadrage, de la sélection des preuves et de définitions contestées.

Les développeurs de modèles combinent donc plusieurs objectifs. Ils recherchent l’utilité, la factualité, la sécurité, la conformité juridique, la confidentialité et la résistance aux demandes nuisibles.

L’alignement est le processus consistant à orienter le comportement d’un modèle vers ces objectifs. Il comprend les techniques d’entraînement, les évaluations, les politiques et les contrôles à l’exécution.

Une règle contre l’alignement idéologique non divulgué paraît simple jusqu’à ce que les régulateurs décident quelles formes d’alignement sont concernées. Presque toute décision de sécurité repose sur des jugements de valeur relatifs au niveau de risque acceptable.

Prenons un modèle auquel on demande d’inférer l’aptitude d’un candidat à partir d’informations démographiques. Bloquer cette demande pourrait protéger la confidentialité et réduire la discrimination.

Un critique pourrait qualifier ce refus d’idéologique parce qu’il empêche une réponse sans contrainte. Un développeur pourrait l’estimer nécessaire pour maîtriser les risques.

Examinons maintenant une loi d’État imposant des évaluations d’impact pour les systèmes automatisés à haut risque. Une entreprise peut ajuster son modèle ou son processus en aval après avoir constaté des résultats inégaux.

La proposition de la FTC soulève la possibilité qu’un tel ajustement supprime l’exactitude. Cet argument suppose qu’un résultat de modèle non modifié constitue la référence factuelle appropriée.

Les systèmes de machine learning ne justifient pas automatiquement cette hypothèse. Les données historiques peuvent intégrer une application inégale des règles, un accès limité, des lacunes de mesure et une discrimination institutionnelle.

Optimiser un modèle pour reproduire des étiquettes historiques peut accroître l’exactitude sur les benchmarks tout en aggravant les décisions pour les personnes absentes ou mal représentées dans le jeu de données.

L’EFF a déjà soutenu que la politique sur l’IA devrait examiner des préjudices concrets dans des contextes précis. Son cadre de politique sur l’IA rejette à la fois l’adoption sans esprit critique et les restrictions générales.

Cette approche crée un contraste important. La proposition de la FTC part d’une conception large des attentes des consommateurs, puis l’utilise pour évaluer de nombreux systèmes différents.

L’EFF part d’un usage, d’un acteur, d’une personne affectée et d’un préjudice démontré. Elle demande ensuite quelle réponse juridique ou technique convient à cette situation.

La différence est procédurale autant que philosophique. Un cas spécifique au contexte oblige le gouvernement à documenter ce qui s’est passé et pourquoi cela a nui aux consommateurs.

Une déclaration de politique générale avertit les entreprises à l’avance, mais accroît aussi l’incertitude. Les priorités d’application peuvent changer lorsque la direction de l’agence change.

Le contexte politique rend ce risque plus visible. La proposition a suivi une directive présidentielle concernant les lois des États qui modifieraient prétendument les « sorties véridiques » des modèles d’IA.

L’administration a également attaqué ce qu’elle appelle l’« IA woke ». Cette expression regroupe l’atténuation des biais, la conception de la sécurité, l’interprétation historique et les préférences partisanes dans une seule catégorie politique.

Une politique d’application fondée sur des concepts similaires invite à des pressions liées aux opinions. Les entreprises pourraient affaiblir des garde-fous légitimes pour éviter de paraître motivées idéologiquement.

Elles pourraient aussi réécrire leur documentation publique sans rendre leurs produits plus transparents. Les équipes juridiques peuvent remplacer des explications claires par un langage général qui révèle peu de choses.

Cela compromettrait l’objectif affiché de la proposition. Les consommateurs ont besoin d’informations compréhensibles sur les comportements importants d’un produit, et non d’assurances abstraites selon lesquelles un modèle recherche la vérité.

Le cadrage de Google News donne à l’événement l’apparence d’un nouveau différend entre un groupe de défense et une agence fédérale. La question plus profonde est de savoir qui définit la réponse par défaut.

Aucun modèle n’arrive sans paramètres par défaut. La question de politique publique est de savoir si ces paramètres sont divulgués, testés et reliés à des preuves de préjudice pour les consommateurs.

Les entreprises d’IA font face à des règles contradictoires, pas à un test de neutralité

La proposition met les fournisseurs d’IA sous pression, car l’application fédérale, la réglementation des États, la sécurité des produits et les demandes des utilisateurs peuvent orienter les décisions dans des directions différentes.

OpenAI, Anthropic, Google, Meta et xAI façonnent tous le comportement des modèles. Leurs approches diffèrent, mais aucune n’offre une fenêtre non filtrée sur une vérité objective.

Les fournisseurs sélectionnent des données, retirent certains contenus, créent des ensembles d’évaluation et rédigent des politiques d’utilisation acceptable. Ils mettent également à jour les modèles lorsque les tests révèlent des schémas nuisibles ou peu fiables.

Certains contrôles empêchent des abus évidents, notamment la génération de logiciels malveillants ou l’exposition d’informations personnelles. D’autres régissent des domaines contestés, comme la persuasion politique ou les conseils médicaux.

La proposition de la FTC n’interdit pas ces contrôles. Elle indique que les entreprises risquent de tromper les consommateurs lorsque des objectifs non divulgués prennent le pas sur ce que les consommateurs peuvent raisonnablement attendre.

Pourtant, les attentes des consommateurs diffèrent selon les produits et les utilisateurs. Un adolescent, un médecin, un ingénieur logiciel et une campagne politique peuvent attendre des limites différentes du même modèle.

Les clients professionnels ajoutent des exigences contractuelles. Ils peuvent exiger des contrôles de confidentialité, une conformité régionale, des registres d’audit et des restrictions concernant certaines sources de données.

Les gouvernements des États ajoutent une autre couche. La loi du Colorado se concentre sur les systèmes à haut risque utilisés dans des décisions importantes et cherche à protéger contre la discrimination algorithmique.

D’autres juridictions mettent l’accent sur la confidentialité, les données biométriques, les décisions d’emploi ou la transparence. Les développeurs répondent souvent par des contrôles communs qui satisfont plusieurs obligations.

Le langage de préemption de la FTC pourrait transformer la conformité en piège. Une entreprise pourrait subir la pression d’un État pour réduire les résultats discriminatoires et l’examen fédéral pour avoir modifié des sorties.

Des analystes juridiques ont relevé que la proposition laisse d’importantes questions sans réponse. Elles concernent notamment la façon dont l’exactitude s’applique aux systèmes non déterministes et les divulgations qui expliquent adéquatement le pilotage du modèle.

Un système non déterministe peut produire des réponses différentes à la même invite. Cette variabilité complique toute affirmation selon laquelle une réponse représente la vérité non altérée du modèle.

La FTC pourrait répondre qu’elle cible les objectifs plutôt que les sorties individuelles. Toutefois, prouver un objectif exige des éléments sur les politiques internes, les tests et les décisions de la direction.

Cette enquête pourrait exposer des méthodes propriétaires sans fournir une mesure fiable de la neutralité. Elle pourrait aussi favoriser les grandes entreprises disposant d’importantes équipes de conformité.

Les petits développeurs pourraient répondre en adoptant la politique disponible la plus conservatrice. Ils ne peuvent pas financer de longs différends sur la question de savoir si une règle de sécurité est secrètement idéologique.

Ce résultat ne créerait pas nécessairement des modèles moins restreints. Il pourrait renforcer les fournisseurs établis, car ils peuvent absorber les enquêtes et négocier avec les régulateurs.

Les acheteurs d’entreprise font face à leur propre défi. Ils ne peuvent pas se fier à une affirmation générique selon laquelle un modèle est exact, sûr ou impartial.

Ils ont besoin de tests ancrés dans des tâches réelles. Un modèle de support client exige des preuves différentes d’un système qui résume la littérature clinique.

Les équipes d’approvisionnement devraient documenter la version du modèle, les instructions, les sources de données, les critères d’évaluation et les modes de défaillance connus. Elles devraient également consigner pourquoi des contrôles ont été ajoutés.

Cette documentation soutient à la fois la responsabilité et la mémoire opérationnelle. Une base de connaissances consultable peut préserver les décisions entre les équipes juridiques, produit et ingénierie.

L’objectif n’est pas de créer de la paperasse pour elle-même. Il s’agit d’identifier quel objectif sert un système et qui supporte le coût lorsqu’il échoue.

Les entreprises devraient aussi séparer le marketing de l’évaluation. Des affirmations telles que « objectif », « exact » ou « expert » exigent des preuves liées à une tâche définie.

Un modèle peut être performant sur un benchmark et échouer dans un flux de travail d’entreprise. Les benchmarks sont des tests contrôlés, tandis que les déploiements incluent des données changeantes et des utilisateurs imprévisibles.

Des limites claires des produits restent utiles, quel que soit le sort de la proposition de la FTC. L’objection de l’EFF ne donne pas aux entreprises l’autorisation de dissimuler un pilotage substantiel ou d’exagérer leur fiabilité.

Elle met plutôt en garde contre un test fédéral de neutralité qui traite les étiquettes politiques comme des substituts aux preuves techniques et concernant les consommateurs.

Ce que la proposition de la FTC ne parvient toujours pas à prouver

La proposition avance une possible théorie de la tromperie, mais elle ne prouve pas que le droit existant étaye ses affirmations les plus larges concernant la réglementation des États.

Les déclarations de politique expliquent la vision d’une agence en matière d’application. Elles ne créent pas une autorité législative que le Congrès n’a pas accordée, et les tribunaux n’acceptent pas automatiquement leurs conclusions juridiques.

La FTC Act vise clairement les pratiques commerciales trompeuses. La question difficile est de savoir si l’alignement d’un modèle exigé par le droit d’un État constitue une telle pratique.

L’agence soutient que le respect d’une exigence d’un État n’excuse pas une tromperie. Ce principe général est logique lorsqu’une entreprise induit effectivement les consommateurs en erreur.

La proposition va plus loin en suggérant un conflit entre des exigences des États et un régime réglementaire fédéral. Cette théorie de préemption reste susceptible d’être contestée.

La FTC Act n’établit pas expressément un cadre national complet pour les sorties d’IA. Le Congrès n’a pas accordé à la Commission un contrôle exclusif sur l’exactitude des modèles.

Les États exercent traditionnellement leur autorité en matière de protection des consommateurs, d’emploi, d’assurance et de droits civiques. De nombreuses lois sur l’IA s’inscrivent dans ces domaines établis.

Un tribunal examinerait probablement la disposition précise d’un État et son interaction avec le droit fédéral. Une déclaration de politique ne peut pas régler à l’avance tous les conflits futurs.

Les hypothèses factuelles de la proposition méritent également un examen attentif. Elle traite souvent l’exactitude comme un objectif existant indépendamment des contrôles de sécurité ou d’équité.

Cela peut être vrai pour une tâche factuelle étroite. Cela devient moins convaincant pour le classement, les recommandations, les scores de risque et les conversations ouvertes.

Dans ces systèmes, les développeurs définissent la cible avant de mesurer les performances. Modifier la cible peut changer ce que signifie « exact ».

Un modèle de recrutement entraîné à prédire les sélections passées pourrait reproduire fidèlement les précédents schémas d’embauche. Cela n’établit pas que ce schéma mesure équitablement la performance professionnelle.

Un modèle de modération peut identifier avec exactitude des catégories interdites seulement après que quelqu’un les a définies. Cette définition reflète des choix juridiques, commerciaux et communautaires.

La FTC a donc besoin de plus que d’exemples de sorties politiquement controversées. Elle a besoin de preuves que les consommateurs ont reçu des promesses substantielles et que des pratiques non divulguées ont contredit ces promesses.

Elle doit aussi distinguer la manipulation délibérée de la variation normale d’un modèle. Sinon, les entreprises pourraient être examinées chaque fois qu’une réponse publique devient politiquement impopulaire.

La position de l’EFF comporte sa propre incertitude. Un retrait éliminerait cette proposition, mais ne répondrait pas à la question de savoir comment les régulateurs devraient traiter le pilotage dissimulé.

Les affaires existantes en matière de tromperie peuvent viser des manquements manifestes dans le marketing. Elles peuvent peiner lorsque le fournisseur révèle peu de choses sur ses objectifs internes et que les consommateurs ne peuvent pas inspecter le modèle.

Les obligations de transparence présentent un autre défi. Trop de divulgations techniques peuvent semer la confusion chez les utilisateurs, exposer des contrôles de sécurité ou aider des attaquants à contourner les garde-fous.

Le meilleur remplacement se concentrerait sur le comportement substantiel plutôt que sur la terminologie politique. Il exigerait des preuves claires concernant les affirmations, les choix de conception, les utilisateurs affectés et les préjudices mesurables.

Il pourrait également exiger des tests propres à chaque tâche pour les usages à haut risque. Les résultats devraient identifier les limites parmi les populations et conditions d’exploitation pertinentes.

L’audit indépendant peut aider, bien que les audits ne soient pas neutres par défaut. Leur qualité dépend de l’accès, de la méthodologie, des benchmarks et des incitations.

Les régulateurs devraient éviter de considérer un score unique comme une preuve d’équité ou d’exactitude. Ils devraient examiner la distribution des erreurs et les conséquences des différents échecs.

La conclusion sceptique vaut dans les deux sens. La FTC n’a pas justifié sa proposition expansive, mais l’auto-divulgation de l’industrie ne protégera pas à elle seule les consommateurs.

Ce qu’il faut surveiller après la contestation de l’EFF

Trois signaux montreront si ce différend devient une politique plus étroite de protection des consommateurs ou une campagne fédérale plus large contre les règles des États sur l’IA.

Le premier signal sera la réponse de la FTC aux commentaires publics. L’agence peut retirer la proposition, en réviser le langage ou adopter une déclaration finale.

Un retrait validerait la demande immédiate de l’EFF. Il laisserait également à la Commission la liberté de poursuivre des affaires classiques de tromperie impliquant des affirmations non étayées sur l’IA.

Une révision importe si elle supprime la terminologie idéologique et les affirmations de préemption. Des exigences plus claires concernant le caractère substantiel et le préjudice documenté pour les consommateurs réduiraient le risque d’application.

Une déclaration finale ressemblant à la proposition renforcerait l’anticipation de contentieux. Les entreprises, les États ou les parties affectées pourraient contester de futures mesures d’application.

Le deuxième signal est la façon dont la FTC traite une affaire concrète. Une enquête révélerait si l’agence cible la publicité mensongère ou le fond d’une politique de sécurité.

Une affaire impliquant une promesse documentée de neutralité appuierait la justification fondée sur la protection des consommateurs. Le gouvernement devrait néanmoins prouver que la promesse a influencé les consommateurs.

Une affaire attaquant l’atténuation des biais sans tromperie claire confirmerait l’avertissement de l’EFF. Elle suggérerait que la proposition fonctionne comme un contrôle politique sur la conception des modèles.

Le troisième signal est le traitement par le gouvernement fédéral des lois des États sur l’IA. Surveillez les poursuites, les pressions liées au financement, les orientations des agences et les nouveaux arguments de préemption.

Le Colorado reste un test central, car la proposition de la FTC nomme explicitement son approche. D’autres États examineront s’ils peuvent réglementer les usages à fort enjeu sans déclencher un conflit fédéral.

Les tribunaux détermineront le poids à accorder à la théorie de la FTC. Leurs décisions influenceront la possibilité pour les États d’exiger des évaluations d’impact, des avis et des garanties contre la discrimination.

Les entreprises d’IA révéleront également leur interprétation à travers les évolutions de leurs produits. Des informations mises à jour, des rapports d’évaluation ou des politiques de sécurité peuvent signaler une préoccupation croissante face à l’application de la loi.

La suppression de garanties serait un signal plus inquiétant. Elle montrerait que l’incertitude juridique modifie le comportement des modèles avant même qu’un tribunal n’examine la politique.

Les clients entreprises ne devraient pas attendre cette issue. Ils peuvent demander aux fournisseurs quels objectifs régissent les résultats et comment ces objectifs sont testés.

Ils devraient exiger des preuves propres à chaque version plutôt que des affirmations universelles. Le comportement d’un modèle change selon les mises à jour, les instructions système, les sources de récupération et les paramètres de déploiement.

Les utilisateurs devraient également considérer les réponses des chatbots comme des recommandations générées, et non comme des faits garantis. La vérification des sources reste nécessaire pour les décisions juridiques, médicales, financières et politiques.

Le titre original de google news reflétait une évolution réelle, mais pas l’ensemble de la confrontation. L’EFF conteste une théorie sur l’entité qui contrôle la signification de l’exactitude de l’IA.

La FTC a raison d’affirmer que le comportement secret d’un produit peut tromper les consommateurs. Elle n’a pas démontré que des garanties politiquement contestées relèvent d’une catégorie particulière de manquement fédéral.

La meilleure norme part d’une promesse concrète, d’un choix de conception identifiable et de preuves d’un préjudice matériel. Elle demande ensuite si l’entreprise a induit en erreur un utilisateur raisonnable.

Cette approche peut sanctionner la tromperie sans prétendre que l’IA générative possède un état naturel, non gouverné. Chaque modèle déployé reflète des choix, des contraintes et des objectifs.

Le prochain document fédéral indiquera si la FTC accepte cette réalité technique. D’ici là, les acheteurs devraient exiger des preuves et les développeurs devraient conserver le raisonnement qui sous-tend chaque contrôle important.

Qu’est-ce qui modifierait votre évaluation d’un système d’IA : une étiquette de neutralité, une évaluation détaillée ou un dossier montrant comment ses garanties fonctionnent en pratique ?