Les recommandations électorales de Grok favorisent les Républicains, tandis que le GPT d’OpenAI favorise les Démocrates

Les recommandations électorales de Grok ont favorisé les Républicains, tandis que le GPT d’OpenAI a favorisé les Démocrates, dans une étude ayant contraint les deux modèles à choisir des candidats. L’écart rapporté était marqué : Grok a choisi des Républicains dans 92 % des réponses, et GPT a choisi des Démocrates dans 97 % des cas. Sur près de 500 scrutins, les modèles ont été d’accord moins de 10 % du temps.

Ces résultats décrivent un test précis, et non l’ensemble des conversations que les utilisateurs peuvent avoir avec l’un ou l’autre chatbot. Les chercheurs ont utilisé des interfaces pour développeurs avec la recherche web activée et ont explicitement exigé le choix d’un candidat. Les applications grand public ont d’abord refusé de fournir des recommandations, une limite importante quant à ce que ces résultats permettent d’établir.

La pression s’exerce désormais sur les fournisseurs de modèles et les développeurs proposant une assistance par IA pour la recherche sur les affaires publiques. Refuser de soutenir des candidats répond à un comportement visible. Cela laisse une question plus difficile : la sélection des sujets et des éléments de preuve par le système oriente-t-elle déjà les utilisateurs vers une conclusion privilégiée ?

Ce que les recommandations électorales de Grok ont réellement mesuré

L’étude a mesuré le choix de candidats sous la contrainte d’un choix, avec une recherche en ligne disponible.

Convovo, un studio de recherche et de conception en IA conversationnelle dirigé par le professeur de Cornell Tapan Parikh, a publié l’expérience via son étude sur le bulletin de vote par IA. Sa description identifie les modèles testés comme Grok 4.7 et GPT-6.1 Sol. Le périmètre couvrait les élections de 2026 à la Chambre des représentants, au Sénat et aux postes de gouverneur.

Les chercheurs ont accédé aux modèles via une interface de programmation d’application, ou API, qui permet aux développeurs de connecter directement un logiciel à un modèle. Cela importe car un développeur peut fournir des instructions et des outils différents de ceux configurés dans une application grand public. Le partage d’une même famille de modèles ne garantit pas un comportement identique selon ces environnements.

L’invite demandait un seul candidat et décourageait toute réserve. Il s’agissait donc d’un test de résistance de l’engagement : que se passe-t-il lorsqu’un système doit transformer des informations électorales en recommandation ? Il ne s’agissait pas d’une demande ordinaire de biographies de candidats, de procédures de vote ou de comparaison des positions politiques.

Cette distinction donne de la valeur à l’expérience tout en en limitant la portée. Une invite volontairement exigeante peut révéler des tendances que des réponses plus prudentes masquent. Toutefois, la fréquence de ces tendances dans le cadre du test ne peut pas décrire automatiquement leur fréquence dans l’usage quotidien.

Les pourcentages rapportés exigent également le bon dénominateur. Ils concernent les réponses des modèles dans l’expérience, et non les électeurs, les conversations sur l’ensemble du service ou les résultats électoraux. La part des recommandations ne permet pas de savoir combien de personnes ont reçu des conseils similaires ni si quelqu’un a agi en conséquence.

De même, l’accord entre les modèles mesure la cohérence de leurs choix. Il ne mesure pas l’exactitude. Les recommandations politiques dépendent de priorités et de jugements ; un désaccord nécessite donc d’examiner les raisons qui sous-tendent chaque réponse.

Une comparaison utile chercherait à savoir si les systèmes ont pris en compte des éléments de preuve équivalents et révélé leurs hypothèses. Un modèle peut privilégier les soins de santé, tandis qu’un autre met l’accent sur la fiscalité. Même des descriptions exactes peuvent produire des recommandations opposées lorsque les systèmes accordent silencieusement une importance différente à ces enjeux.

La conclusion centrale est donc plus restreinte qu’une affirmation selon laquelle l’un ou l’autre chatbot posséderait une identité politique stable. Dans les conditions testées, les systèmes ont choisi à plusieurs reprises des partis opposés. Expliquer ce schéma impose de distinguer l’invite, les éléments de preuve disponibles, le comportement du modèle et les instructions produit qui l’entourent.

Pour les lecteurs découvrant le titre, cette limite est essentielle. L’étude soulève une préoccupation concrète concernant les recommandations automatisées. Elle n’établit pas que chaque réponse de Grok favorise les Républicains ou que chaque réponse de GPT favorise les Démocrates.

La pression s’étend aux développeurs au-delà des applications de chatbot

Les développeurs doivent évaluer le comportement produit par leurs propres applications, y compris la manière dont elles recueillent et présentent les éléments de preuve.

OpenAI a déclaré à TechCrunch que le test de l’API pour développeurs ne représente pas l’expérience ChatGPT ordinaire. Cette distinction entre applications grand public est déterminante pour interpréter les résultats.

Un développeur qui crée un assistant de recherche électorale ne peut pas supposer que le refus d’un chatbot grand public se reproduira automatiquement. L’application déployée possède ses propres instructions, sources d’information et exigences de sortie. Ces choix déterminent ce que les utilisateurs rencontrent réellement.

Prenons un hypothétique service d’information civique qui demande à un modèle de comparer les candidats et de produire une recommandation concise. Ses concepteurs peuvent vouloir réduire l’effort nécessaire à la lecture de plateformes détaillées. Pourtant, exiger un choix final délègue aussi la décision de savoir quelles priorités politiques méritent le plus de poids.

Il s’agit d’une décision produit aux conséquences éditoriales. Si l’utilisateur n’a pas fourni ses priorités, le système doit introduire une base pour classer les candidats. Le résultat peut sembler personnel et autoritaire tout en reposant sur des hypothèses que l’utilisateur n’a jamais approuvées.

Supprimer la recommandation modifierait cette interaction, mais ne résoudrait pas toutes les préoccupations. Une comparaison de candidats exige toujours des catégories, des éléments de preuve et un ordre de présentation. Chacun peut influencer ce que le lecteur remarque avant toute conclusion explicite.

Pour les acheteurs en entreprise, la question pertinente dépasse les outils électoraux. Les équipes chargées des affaires publiques, les analystes de politiques publiques et les services de communication utilisent l’IA pour résumer des informations contestées. Une réponse peut façonner leur compréhension par la sélection et l’accent mis sur certains éléments sans contenir de soutien explicite.

C’est là que le biais politique de Grok devient une question d’évaluation plutôt qu’un argument de marque. Les acheteurs ont besoin d’éléments de preuve sur les tâches qu’ils accomplissent réellement. Un test électoral à choix forcé offre un signal d’alerte, tandis que leurs propres flux de recherche déterminent l’exposition pratique.

Les développeurs font également face à un problème de communication. Qualifier un outil de neutre crée des attentes quant à son comportement sur un large éventail de questions. Démontrer cette neutralité exige davantage que de montrer qu’il refuse la demande la plus directe de choisir un candidat.

Une promesse plus vérifiable décrirait ce que fait l’application : distinguer les faits des jugements, présenter les éléments de preuve pertinents et identifier les incertitudes. Les utilisateurs peuvent examiner ces comportements. Ils ne peuvent pas inspecter directement l’affirmation abstraite selon laquelle un système n’a aucune perspective politique.

La charge immédiate est donc partagée. Les fournisseurs doivent expliquer les limites du comportement des modèles, et les concepteurs d’applications doivent vérifier leurs implémentations. Aucun ne peut répondre entièrement de la configuration de l’autre.

Pour les utilisateurs, l’implication pratique est la visibilité. Lorsqu’un assistant formule une recommandation, ses priorités devraient être identifiables. Sinon, le système propose une conclusion tout en laissant la partie la plus déterminante de son raisonnement hors de la conversation.

La recherche peut façonner le choix avant l’apparition de la réponse

L’accès à la recherche web ne rend pas, à lui seul, une recommandation équilibrée ou solidement étayée.

La configuration de l’étude avec recherche activée crée un mécanisme qui mérite d’être examiné : un modèle contribue à déterminer les éléments de preuve qu’il évaluera ensuite. Il choisit des requêtes, rencontre des résultats et sélectionne des contenus pour sa réponse. Chaque étape peut réduire l’éventail d’informations qui atteint la réponse finale.

Ce processus est souvent appelé retrieval, c’est-à-dire la collecte de contenus externes destinés à générer une réponse. Le retrieval peut améliorer l’accès à des informations récentes. Il soulève également des questions sur la couverture des sources, le libellé des requêtes et le niveau d’examen accordé aux affirmations concurrentes.

Imaginez une comparaison de candidats qui commence par rechercher des propositions en matière de santé. Une autre débute par le contrôle de l’immigration. Les deux recherches peuvent produire des faits pertinents, mais elles établissent des agendas différents avant que le modèle n’évalue un candidat.

Aucun de ces sujets n’est intrinsèquement un choix inapproprié. Le problème survient lorsque le système présente l’agenda qu’il a choisi comme un reflet évident ou complet de l’élection. Un utilisateur posant une question générale n’a pas nécessairement autorisé cette hiérarchisation.

La diversité des sources exige une attention similaire. Une réponse contenant plusieurs liens peut toujours reposer sur des contenus partageant les mêmes hypothèses ou répétant le même récit sous-jacent. Compter les citations ne permet pas d’établir que le système a examiné un éventail significatif d’éléments de preuve.

L’erreur inverse consiste à exiger un traitement égal de chaque affirmation. Une déclaration solidement étayée et une allégation manifestement fausse ne méritent pas une crédibilité égale. Une recherche équilibrée requiert des normes de preuve cohérentes, plutôt qu’une répartition mécanique de phrases favorables et défavorables.

Les recherches indépendantes sur les élections illustrent pourquoi les sources méritent d’être examinées au même titre que l’exactitude factuelle. L’étude de States United sur l’information aux électeurs a examiné ChatGPT et Google AI lors de séries de tests menées à la fin de 2025 et au début de 2026. Elle a constaté des améliorations de l’exactitude factuelle, tout en relevant des problèmes persistants d’exhaustivité et de renvoi vers des sources électorales officielles.

Cette recherche portait sur des questions différentes de l’expérience de Convovo sur le choix de candidats. Elle identifie néanmoins une faiblesse connexe : une réponse peut éviter des erreurs factuelles ponctuelles tout en omettant des informations dont l’utilisateur a besoin. L’exactitude et l’adéquation sont des propriétés distinctes.

Appliquée à une comparaison entre Grok et GPT, cette distinction modifie les éléments que les évaluateurs devraient examiner. L’étiquette finale du parti n’est qu’un résultat. Les éléments les plus révélateurs comprennent les candidats apparus, les enjeux ayant retenu l’attention et la question de savoir si les pages citées étayaient le raisonnement exposé.

Le flux de travail comporte également un problème de rétroaction. Un modèle qui commence avec un cadrage privilégié peut chercher des éléments à l’appui, puis interpréter ces résultats comme une confirmation. Établir ce mécanisme exige des tests contrôlés ; un résultat partisan ne suffit pas à prouver qu’il s’est produit.

La même prudence vaut pour les explications commerciales. La présence d’un éditeur dans les résultats de recherche ne permet pas d’établir pourquoi il est apparu. Les affirmations selon lesquelles des accords de licence, la propriété ou des instructions politiques auraient causé une réponse nécessitent des éléments de preuve reliant ces facteurs au comportement observé.

La leçon des recommandations électorales de Grok concerne donc l’ensemble du parcours de l’information. Un paragraphe final soigné peut masquer des choix antérieurs qui méritent d’être examinés. Évaluer uniquement la réponse laisse largement inexplorée la sélection des éléments de preuve.

Grok vs GPT n’établit pas qui a persuadé les électeurs

Un schéma de recommandations constitue une preuve sur les sorties d’un système, tandis que la persuasion exige des preuves sur les personnes.

Cette distinction importe car le titre invite à une conclusion plus large que l’expérience ne peut étayer. Un modèle peut recommander de manière répétée un parti sans modifier la préférence d’un seul électeur. À l’inverse, une réponse plus subtile peut influencer un lecteur sans jamais nommer de candidat privilégié.

Mesurer la persuasion exigerait d’observer comment les personnes réagissent dans des conditions définies. Les chercheurs devraient distinguer les préférences existantes des changements associés à l’exposition. Les résultats à choix forcé ne fournissent pas cette mesure.

Ils n’établissent pas non plus un effet électoral. Passer de réponses générées à des changements de participation ou de soutien à un candidat exige des éléments de preuve supplémentaires. La part des recommandations du modèle ne peut remplacer ces étapes manquantes.

Le prompt de l’expérience crée une autre limite. Décourager toute nuance teste la manière dont un modèle se comporte lorsqu’il est poussé vers la certitude. De nombreuses questions de recherche légitimes exigent des réserves, car les preuves sont incomplètes, les priorités sont contradictoires ou les candidats diffèrent sur plusieurs dimensions.

Cela ne rend pas le test sans intérêt. Les systèmes devraient être évalués dans des conditions exigeantes, y compris face à des demandes qui révèlent des tendances indésirables. L’interprétation doit simplement préserver la différence entre un test de résistance et un échantillon représentatif de l’usage courant.

Une évaluation solide examinerait aussi séparément les refus et les recommandations. Si un système refuse fréquemment, ses cas traités peuvent former un sous-ensemble sélectif. Ne présenter que la répartition par parti parmi les réponses peut masquer la fréquence à laquelle le modèle a refusé de choisir.

Les essais répétés comptent pour une autre raison. Les réponses générées peuvent varier, et une même question peut produire une formulation ou des conclusions différentes. Un schéma stable au fil des répétitions étayerait une affirmation plus solide qu’une réponse isolée, même si cette stabilité n’en établirait pas la cause.

Les comparaisons entre produits introduisent des complications supplémentaires. Les applications destinées aux consommateurs peuvent inclure des instructions, des fonctionnalités d’interface et des configurations d’outils qui vont au-delà du modèle sous-jacent. Décrire les résultats d’une configuration comme le caractère d’une entreprise entière ignore ces distinctions.

Des travaux indépendants montrent également pourquoi l’évaluation politique devrait couvrir plusieurs comportements. La recherche du Brennan Center sur la désinformation électorale a constaté que les chatbots testés contestaient les théories complotistes sur les élections, tout en commettant encore des erreurs factuelles ou de citation. Ses conclusions ont également relevé des faiblesses dans les garde-fous contre la création de médias électoraux trompeurs.

Ces résultats ne peuvent ni valider ni invalider les préférences partisanes de Convovo. Ils portent sur des tâches différentes. Leur pertinence tient au fait qu’un système peut être relativement performant pour un comportement lié aux élections et médiocre pour un autre.

Pour la même raison, une évaluation du biais politique de Grok devrait éviter de traiter un score unique comme un verdict complet. La sélection des candidats, la fiabilité factuelle, la qualité des sources et la résistance à la désinformation exigent un examen distinct. Les réunir sous une seule étiquette politique rend les preuves plus difficiles à interpréter.

La lecture la plus défendable reste précise. L’expérience rapportée révèle des recommandations fortement divergentes dans une configuration définie. Elle justifie une enquête plus approfondie sans prouver une manipulation intentionnelle, un comportement partisan universel ou une influence mesurable sur l’électorat.

La neutralité exige des preuves que les lecteurs peuvent examiner

La comparaison pertinente porte sur une affirmation de neutralité et les décisions observables prises par un système.

C’est la tension principale de cette histoire. Refuser de soutenir des candidats est visible et facile à démontrer. Montrer que des réponses politiques plus larges appliquent des normes cohérentes est une tâche plus exigeante.

Un système peut refuser de dire qui une personne devrait soutenir tout en déterminant quels enjeux orientent la discussion. Il peut résumer les candidats avec exactitude tout en omettant une position pertinente. Il peut fournir des citations qui semblent rassurantes sans clarifier leurs limites.

Ces possibilités relèvent de préoccupations analytiques plutôt que de conclusions sur chaque réponse de l’un ou l’autre fournisseur. Elles expliquent pourquoi une affirmation au niveau du produit exige des preuves au niveau de la tâche. La portée des preuves devrait correspondre à la portée de la promesse.

L’analyse du biais politique de Brookings a examiné les réponses de chatbots à l’aide de questionnaires politiques et discuté des limites de l’évaluation de l’orientation politique. Son approche diffère d’une expérience de recommandation de vote, ce qui renforce l’importance d’indiquer ce que mesure réellement chaque évaluation.

Un questionnaire politique demande à un système de choisir parmi des positions abstraites. Une recommandation de candidat lui demande de mettre en balance des personnes, leurs bilans et des informations actuelles. Une concordance entre ces méthodes serait instructive, mais aucune n’explique automatiquement l’autre.

La transparence devrait donc commencer par la conception de l’évaluation. Les lecteurs doivent connaître la version du modèle testée, le prompt, les outils disponibles et la manière dont les réponses ont été classées. Sans ces informations, un pourcentage impressionnant est difficile à évaluer ou à reproduire.

L’interprétation exige une transparence équivalente. Les chercheurs devraient distinguer les observations directes des explications proposées. Une répartition partisane est une observation ; l’affirmation concernant le processus interne qui l’a provoquée est une inférence distincte.

Le public bénéficie également du maintien de contre-exemples visibles. Les réponses qui s’écartent du schéma dominant d’un modèle peuvent aider à identifier les conditions pertinentes. Masquer ces cas derrière un pourcentage agrégé rend un titre simple plus facile à produire et le mécanisme plus difficile à comprendre.

Pour les développeurs, cela suggère une forme plus large de responsabilité. Un assistant de recherche devrait rendre lisible la source d’un jugement : les priorités de l’utilisateur, des critères documentés ou un choix interprétatif clairement identifié. Un classement inexpliqué ne devrait pas hériter de l’autorité des faits qui le sous-tendent.

Les travailleurs du savoir peuvent appliquer le même principe lorsqu’ils conservent des recherches issues de l’IA. Garder les preuves originales à côté des synthèses générées facilite les examens ultérieurs. Une base de connaissances interrogeable peut soutenir ce flux de travail, même si le stockage seul ne peut établir la qualité d’une conclusion.

La norme pertinente est la traçabilité, c’est-à-dire la capacité de remonter d’une réponse vers les éléments qui l’étayent. La traçabilité ne garantit pas la neutralité, mais elle donne aux examinateurs un élément concret à analyser. Elle rend aussi les omissions et les extrapolations non étayées plus faciles à contester.

Les recommandations électorales de Grok mettent cette norme sous pression, car les résultats opposés sont si faciles à reconnaître. Le travail le plus difficile commence après l’identification de la division partisane : déterminer quelles décisions l’ont produite et si elles restent cohérentes face à des questions moins explicites.

Ce qui devrait changer lors de la prochaine phase de tests

Les prochains éléments utiles devraient expliquer le schéma, en tester les limites et établir s’il atteint les utilisateurs ordinaires.

Le premier signal à surveiller est une réplication indépendante utilisant des versions de modèles documentées et des paramètres comparables. Reproduire la division partisane renforcerait la confiance dans le fait qu’elle représente un comportement reproductible. Un résultat sensiblement différent exigerait d’examiner ce qui a changé avant de déclarer la conclusion originale erronée.

La réplication devrait préserver les détails qui rendent les comparaisons significatives. La disponibilité de la recherche, la formulation de la question et le traitement des refus peuvent modifier ce que mesure l’expérience. Publier ces conditions permet aux lecteurs de distinguer une véritable contradiction d’un test d’un système différent.

Le deuxième signal est une preuve contrôlée de la manière dont les recommandations dépendent des informations disponibles. Les tests pourraient comparer une recherche ouverte à un dossier de sources partagé et examiner si les mêmes éléments sur les candidats produisent des jugements similaires. Il s’agit d’expériences proposées, et non de suivis annoncés.

Si des préférences opposées persistaient avec des preuves identiques et des instructions comparables, la seule sélection des sources deviendrait une explication moins suffisante. Si l’écart se resserrait, le rôle de la récupération d’informations mériterait une attention accrue. Aucun de ces résultats n’éliminerait la nécessité d’examiner la manière dont les modèles ont pondéré des priorités concurrentes.

Le troisième signal est le test de conversations ordinaires avec les consommateurs, qui s’arrêtent avant de demander un soutien explicite. Des questions sur le bilan des candidats, l’importance des enjeux et les compromis politiques répondraient mieux à la préoccupation selon laquelle le cadrage importe avant qu’une recommandation finale n’apparaisse.

Si ces conversations reproduisaient systématiquement le schéma directionnel, l’argument en faveur d’une pertinence plus large au niveau du produit se renforcerait. Si ce n’était pas le cas, le résultat à choix forcé resterait significatif dans un champ plus restreint. Dans les deux cas, les utilisateurs comprendraient mieux où le risque démontré commence et s’arrête.

Au cours des prochains mois, les réponses des entreprises seront utiles lorsqu’elles traiteront ces questions mesurables. Une affirmation générale de neutralité ne peut expliquer un schéma précis. De même, une accusation d’ingénierie politique ne peut remplacer les preuves sur la manière dont les réponses ont été produites.

Les développeurs devraient accorder une attention particulière aux changements apportés aux versions et configurations réelles qu’ils déploient. Une amélioration observée dans une application grand public n’établit pas automatiquement une amélioration dans leur service. L’évaluation doit suivre le produit que reçoivent les utilisateurs.

Les lecteurs devraient aussi éviter d’interpréter la division Grok vs GPT comme une recommandation de choisir l’assistant qui correspond à leurs opinions politiques. L’accord avec une préférence existante ne démontre pas un meilleur raisonnement. Un processus de recherche digne de confiance devrait résister à l’examen lorsque sa conclusion est malvenue.

Lors de l’examen de la prochaine affirmation concernant les recommandations électorales de Grok, demandez les conditions qui sous-tendent le pourcentage. Recherchez le prompt, la version du modèle, l’accès aux sources, le taux de refus et les preuves étayant l’explication proposée. Comparez le choix final avec les informations prises en compte par le système et les priorités qu’il a introduites. Conservez les sources originales lorsqu’une réponse importe pour votre travail, et distinguez les faits vérifiés des jugements de l’assistant. Avant de traiter l’un ou l’autre modèle comme une autorité de recherche politique, posez une question plus utile : pouvez-vous examiner pourquoi il est parvenu à cette conclusion, et une personne ayant des priorités différentes peut-elle évaluer les mêmes preuves ?