Israël finance une campagne pour façonner les sources derrière les réponses de l’IA

Israël a financé une campagne de plusieurs millions de dollars ciblant la visibilité dans Google News et les sources web à l’origine des réponses générées par l’IA. L’opération ne nécessite pas d’accès direct à ChatGPT, Claude, Gemini ni à leurs modèles sous-jacents. Elle cherche plutôt à publier, positionner et diffuser suffisamment de contenus favorables pour que les systèmes d’IA rencontrent ces récits lorsqu’ils effectuent des recherches sur le web.

Cette distinction est au cœur de l’affaire. Israël ne rémunère pas une entreprise d’IA pour réécrire secrètement un chatbot. Il finance un réseau externe de communication qui tente d’influencer l’environnement informationnel alimentant les moteurs de recherche, les moteurs de réponse et les systèmes de récupération d’informations.

La campagne est associée à Clock Tower X, une entreprise contrôlée par Brad Parscale, ancien directeur de campagne de Trump. Des déclarations publiques décrivent des travaux impliquant des sites web, du contenu social, l’optimisation pour les moteurs de recherche et du matériel destiné à influer sur le cadrage des conversations GPT. Cette stratégie remet en cause une hypothèse rassurante concernant l’IA générative : une réponse deviendrait fiable dès lors qu’elle inclut des sources web récentes.

Le contrat cible à la fois les personnes et les machines

La campagne considère la publication sur le web comme une infrastructure permettant d’influencer simultanément les publics humains et les systèmes de réponse automatisés.

Clock Tower X s’est enregistré au titre du Foreign Agents Registration Act en septembre 2025. Le dossier désigne Havas Media Germany comme intermédiaire agissant pour le compte de l’État d’Israël.

Un dépôt fédéral de contrat indique que Clock Tower fournirait des services de communication stratégique, de planification et de médias dans le cadre d’une campagne nationale aux États-Unis. L’objectif public déclaré était de combattre l’antisémitisme.

L’accord initial décrivait une campagne valorisée à six millions de dollars. Des déclarations et articles ultérieurs ont porté le contrat élargi de Clock Tower à neuf millions de dollars, avec des paiements structurés à environ un million et demi de dollars par mois.

Le travail ne se limitait pas à la publicité conventionnelle. Le langage du contrat décrivait une « Search and Language Operation », parallèlement au déploiement de sites web et de contenus destinés à produire des résultats de cadrage dans les conversations GPT.

Cette formulation est importante, car elle identifie les réponses de l’IA comme un objectif explicite de la campagne. Elle ne décrit pas simplement l’utilisation de l’IA pour produire plus rapidement des publicités.

La campagne prévue fixait également d’importants objectifs de diffusion. Selon des informations fondées sur le dossier, au moins 80 % du matériel était destiné aux publics de la génération Z. Les plateformes ciblées comprenaient TikTok, Instagram, YouTube, des podcasts et d’autres canaux numériques.

La campagne visait au moins 50 millions d’impressions chaque mois. Ces impressions aideraient les messages à atteindre directement les personnes, mais la diffusion crée aussi des liens, des citations, des republications et des signaux d’engagement que les systèmes de recherche peuvent détecter.

Clock Tower prévoyait apparemment d’utiliser Market Brew, une plateforme d’optimisation qui modélise la manière dont les moteurs de recherche pourraient classer les contenus. L’optimisation pour les moteurs de recherche, ou SEO, consiste à rendre les pages plus faciles à découvrir et à classer pour les systèmes de recherche.

Il n’y a rien d’inhabituel à ce qu’une organisation utilise le SEO. Les entreprises, les campagnes politiques, les rédactions, les gouvernements et les groupes de défense d’intérêts se disputent tous la visibilité.

L’élément inhabituel est l’objectif déclaré de façonner la manière dont les systèmes d’IA cadrent les conversations. La campagne semble conçue pour relier les techniques d’influence traditionnelles aux processus de sélection des sources utilisés par les moteurs de réponse modernes.

Cela crée une surface d’influence plus large qu’un seul chatbot. Une page bien classée dans une recherche ordinaire peut entrer dans la découverte Google News, apparaître dans un résumé généré par l’IA ou devenir une citation dans la réponse d’un chatbot. Elle peut aussi être copiée par d’autres éditeurs, multipliant sa présence apparente.

Une première enquête sur le contrat a indiqué que l’opération créerait et déploierait du contenu sur plusieurs plateformes tout en développant des sites web destinés à influer sur le cadrage GPT. Une couverture ultérieure a constaté que l’effort s’était poursuivi au-delà de l’accord initial.

Clock Tower et Parscale ont contesté les descriptions du projet comme une opération clandestine d’influence étrangère. L’enregistrement FARA de l’entreprise divulgue toutefois officiellement un travail lié à un principal étranger.

Cette distinction est importante sur les plans juridique et éditorial. L’enregistrement au titre de FARA n’établit pas que chaque affirmation publiée par un déclarant est fausse. Il indique aux lecteurs que le travail a été réalisé dans le cadre d’une relation rémunérée impliquant un gouvernement étranger.

Les utilisateurs de Google News voient rarement ce contexte avant d’ouvrir un article. Les utilisateurs d’IA ont encore moins de chances de le rencontrer lorsqu’un système extrait une affirmation d’une page et la condense dans une réponse.

Pourquoi Google News fait partie de la chaîne d’approvisionnement de l’IA

Google News n’est plus seulement une destination pour les lecteurs, car ses articles indexés peuvent aussi devenir des éléments de preuve pour les machines.

Les produits d’IA générative s’appuient sur plusieurs voies d’information. Leurs modèles de base apprennent des schémas statistiques à partir de vastes collections de données assemblées avant l’entraînement. De nombreux produits utilisent ensuite la recherche en direct, des bases de données sous licence ou des systèmes de récupération d’informations pour répondre aux questions sur les événements récents.

La génération augmentée par récupération, généralement appelée RAG, est un processus qui fournit à un modèle des documents sélectionnés avant qu’il ne rédige une réponse. Le modèle utilise ces documents comme éléments de preuve temporaires sans être réentraîné de façon permanente sur eux.

Ce processus rend un chatbot plus à jour. Il transfère aussi un pouvoir considérable aux systèmes qui sélectionnent les documents.

Si une couche de recherche récupère des reportages fiables, des documents officiels et des analyses variées, le modèle dispose d’une base plus solide. Si elle récupère des pages de plaidoyer coordonnées qui ressemblent à des sources indépendantes, la réponse finale peut en hériter le cadrage.

Google News compte dans cet environnement parce qu’il organise une grande partie de l’actualité publique sur le web. Ses regroupements, ses décisions d’indexation et sa visibilité dans les recherches influencent ce que les lecteurs trouvent. Ils influencent aussi les pages rencontrées par d’autres outils de recherche et de surveillance.

Cela ne signifie pas que Google News entraîne directement tous les grands modèles d’IA. Cela ne signifie pas non plus que l’inclusion garantit qu’un chatbot citera une page.

Le lien est plus indirect et plus difficile à auditer. Un article gagne en visibilité grâce à la recherche, est lié par un autre éditeur, apparaît dans un ensemble de données, puis devient disponible pour un outil de récupération d’informations par IA. Chaque étape peut amplifier la précédente.

Les entreprises d’IA utilisent des dispositifs de récupération, des systèmes de classement et des contrôles de sécurité différents. OpenAI, Anthropic, Google, Microsoft et d’autres fournisseurs ne publient pas de listes complètes de toutes les sources prises en compte pour chaque réponse.

Les utilisateurs ne voient donc que la sélection finale. Même lorsque des citations apparaissent, elles révèlent rarement pourquoi une source a été mieux classée qu’une autre ou si plusieurs pages citées remontent à la même campagne.

C’est là que les réseaux de contenu gagnent en influence. Dix sites web peuvent présenter le même argument avec des marques, des titres et des noms de domaine différents. Un système de recherche pourrait les interpréter comme des confirmations indépendantes, à moins de détecter leur propriété commune ou leur production coordonnée.

Google News applique des politiques destinées à évaluer la transparence, l’originalité, les pratiques trompeuses et la responsabilité des éditeurs. Leur application à l’échelle du web ouvert reste difficile, car les relations peuvent passer par des sous-traitants, des agences de publicité, des sociétés écrans ou des projets à l’image de marque peu définie.

Une enquête sur des sites web de mars 2026 a identifié un réseau de sites publiant du contenu favorable à Israël. Parscale a confirmé les efforts visant à influer sur les résultats de recherche et de chatbot, tout en rejetant l’étiquette de campagne d’influence étrangère.

Cette reconnaissance lève une ambiguïté majeure. L’effort visant à influencer les sources lisibles par machine n’est pas seulement une interprétation imposée par des critiques. Il correspond à la fois au langage du contrat et à la description de la stratégie par l’opérateur.

Ce qui demeure incertain est l’effet réel de la campagne. Trouver une page soutenue par la campagne dans une réponse d’IA prouve que cette page est entrée dans une voie de récupération. Cela ne prouve pas que la campagne a modifié la position générale du modèle, altéré durablement les données d’entraînement ou contrôlé les réponses futures.

Les résultats peuvent varier selon la formulation de l’utilisateur, sa localisation, les paramètres de son compte, le fournisseur de recherche, la version du modèle et la date. Une source apparaissant dans une réponse peut disparaître dans la suivante.

Pourtant, un placement réussi compte. De nombreux utilisateurs posent une question, lisent un résumé et passent à autre chose. Une campagne n’a pas besoin d’un contrôle permanent si elle peut influer sur le petit ensemble de sources consultées au moment de la décision.

Pour les travailleurs du savoir, cela rend essentielle la filiation des sources. Une base de connaissances IA personnelle ou organisationnelle n’est fiable qu’à la hauteur de ses documents sous-jacents et de ses registres de provenance.

Le véritable enjeu est la sélection des sources, pas l’entraînement des modèles

Le pari central de la campagne est que contrôler des éléments de preuve découvrables peut être plus pratique que modifier un modèle d’IA lui-même.

Le débat public décrit souvent l’opération comme une tentative d’« entraîner ChatGPT ». Cette expression est compréhensible, mais techniquement imprécise.

Clock Tower ne peut pas ajouter indépendamment du matériel au jeu de données d’entraînement d’OpenAI. Il ne peut pas contraindre Anthropic à réentraîner Claude sur un site web de campagne. Il ne peut pas ordonner à Google de considérer un article particulier comme faisant autorité.

Ce qu’il peut faire, c’est produire un vaste volume de contenu consultable. Ce matériel peut cibler les expressions utilisées par les personnes, répondre à des questions prévisibles, obtenir des liens et concourir pour apparaître dans les résultats de recherche.

Cela s’apparente davantage à un placement de l’information qu’à un entraînement direct des modèles. La campagne cherche à rendre des affirmations privilégiées disponibles aux moments où une machine rassemble des éléments de preuve.

Cette approche reflète une évolution du fonctionnement de la persuasion en ligne. Les campagnes traditionnelles ciblaient les électeurs par des spots télévisés, des envois postaux, des publicités sur les moteurs de recherche et des fils sociaux. Ces canaux restent importants, mais l’IA introduit un intermédiaire qui résume le matériel avant qu’une personne ne le voie.

Cet intermédiaire peut effacer les signes visibles de persuasion. Un lecteur qui ouvre un site web de plaidoyer peut examiner sa marque, son ton, ses auteurs et ses déclarations. Un chatbot peut réduire cette même page à une phrase au ton neutre.

La source peut toujours être liée, mais le contexte persuasif est plus faible. Beaucoup d’utilisateurs n’ouvrent pas les citations, surtout lorsque la réponse paraît assurée et inclut plusieurs références.

La stratégie de Clock Tower oppose donc la transparence des sources à leur saturation. La transparence demande aux utilisateurs et aux plateformes d’examiner qui a produit une affirmation. La saturation vise à garantir que les affirmations privilégiées soient disponibles de manière répétée dans l’environnement de recherche.

Ce modèle n’appartient pas à un seul pays ni à une seule position politique. Tout gouvernement, entreprise, groupe de lobbying, réseau militant ou opérateur commercial peut tenter de l’appliquer.

Les obstacles sont relativement faibles. Un groupe coordonné peut générer des articles, les traduire, créer des sites web spécialisés et optimiser des pages bien plus rapidement grâce à l’IA générative. L’automatisation facilite également la révision du réseau lorsque les priorités politiques évoluent.

Les informations disponibles indiquent que les sites Clock Tower ont changé d’orientation au fil des événements. Les premiers contenus auraient présenté Israël comme un pays pacifique et technologiquement productif. Les contenus ultérieurs ont abordé les guerres impliquant Gaza et l’Iran, ainsi que des critiques visant les journalistes et les institutions internationales.

Cette réactivité révèle l’avantage opérationnel de la campagne. Une archive de propagande statique finit par se périmer. Un réseau de sources géré en continu peut cibler les questions précises qui montent dans le trafic de recherche.

Google News et les systèmes de chatbot rencontrent ici des problèmes connexes, mais leurs missions ne sont pas identiques. Un agrégateur d’actualités doit identifier les éditeurs, regrouper les couvertures similaires et classer les articles récents. Un chatbot doit sélectionner des sources, concilier les affirmations et rédiger une réponse.

Les deux peuvent échouer lorsque la diversité apparente masque une coordination commune. Cinq domaines ne représentent pas cinq perspectives si un même prestataire dirige les cinq.

Les réponses d’IA ajoutent une autre complication. Les modèles mélangent souvent les sources au niveau de la phrase, ce qui rend difficile l’identification de la page ayant contribué à chaque formulation. Les interfaces de citation peuvent suggérer une traçabilité plus solide que celle réellement fournie par le système.

Les opérateurs de campagne n’ont pas besoin que chaque affirmation soit acceptée. Ils peuvent se concentrer sur des questions ambiguës, où le cadrage pèse davantage qu’un fait unique et vérifiable.

Prenons le cas d’un utilisateur qui demande si une action militaire était justifiée, si la couverture médiatique est biaisée ou si un pays reste un allié fiable. Ces questions exigent de sélectionner des événements, des interprétations juridiques et des prémisses morales. Le choix des sources peut déterminer les limites de la réponse avant même que sa génération ne commence.

Un article soutenu par une campagne pourrait mettre l’accent sur les attaques contre des civils israéliens, les menaces contre la sécurité régionale ou des pratiques de couverture contestées. Une organisation de défense des droits des Palestiniens pourrait souligner les morts civiles, les déplacements, l’occupation ou les restrictions imposées à l’aide.

Une réponse fiable devrait identifier ces perspectives et distinguer les faits vérifiables des interprétations contestées. Une campagne d’optimisation des sources tire profit du fait que le système traite plutôt une perspective comme un arrière-plan neutre.

C’est pourquoi le problème ne peut pas être résolu en interdisant un ensemble de domaines. Une telle réponse ouvrirait la voie à une censure arbitraire et créerait un autre moyen de pression politique.

Les plateformes ont besoin de signaux de provenance plus robustes. Ceux-ci peuvent inclure des informations sur la propriété, le statut FARA, des identifiants analytiques partagés, des schémas de publication identiques, une infrastructure d’hébergement commune et un langage répété entre des médias nominalement distincts.

Elles ont également besoin de mesures de diversité fondées sur l’indépendance institutionnelle, et non sur le nombre de domaines. Trois pages financées par le même contrat ne devraient pas avoir le même poids probant que trois organisations sans lien entre elles.

Les preuves d’influence sont réelles, mais le contrôle n’est pas établi

La présence de pages de campagne dans des réponses d’IA démontre un accès au pipeline, non une maîtrise de la réponse finale.

Des rapports récents ont présenté l’apparition de contenus liés à Clock Tower dans les résultats de chatbots comme la preuve que la stratégie fonctionne. Cette conclusion exige d’être soigneusement encadrée.

Si un système d’IA cite l’une des pages du réseau, la campagne a obtenu de la découvrabilité. Elle a placé du contenu dans le réservoir de preuves que le système peut utiliser.

C’est un résultat significatif. Le contrat décrivait explicitement des efforts visant à influencer le cadrage dans les recherches et GPT ; la récupération de ces contenus correspond donc à l’objectif déclaré.

Cela ne revient pas à prouver une persuasion généralisée. Les chercheurs auraient besoin de tests répétés et contrôlés, sur différents modèles, prompts, lieux, langues et dates, afin d’établir une évolution systématique.

Ces tests nécessiteraient également une référence de départ. Sans réponses archivées antérieures à la campagne, les analystes ne peuvent pas attribuer avec certitude un changement à Clock Tower plutôt qu’à l’actualité, aux mises à jour des modèles ou à d’autres informations récemment publiées.

Les audits indépendants se heurtent à un autre problème : les réponses d’IA sont instables. La même question peut produire des sources différentes lors de sessions distinctes. Les index de recherche évoluent également à mesure que les pages gagnent ou perdent en visibilité.

Une étude rigoureuse consignerait la réponse complète, les citations, la version du modèle, l’heure de récupération, la localisation de l’utilisateur et la formulation du prompt. Elle classerait ensuite les sources citées selon leur propriété, leur financement et leur indépendance éditoriale.

Aucun élément de preuve accessible au public examiné pour cet article n’établit qu’Israël a acquis un contrôle durable sur le comportement général de ChatGPT, Claude ou Gemini.

L’affirmation vérifiée la plus solide est plus limitée. Israël a financé un prestataire de communication déclaré dont les plans comprenaient des sites web, l’optimisation pour les moteurs de recherche, une diffusion à grande échelle et des tentatives d’influencer le cadrage GPT.

Une enquête d’avril a rapporté qu’Israël avait versé neuf millions de dollars à Clock Tower et renouvelé sa collaboration. Elle a également décrit les inquiétudes de défenseurs pro-israéliens selon lesquelles les plateformes d’IA s’appuyaient largement sur des contenus qu’ils jugeaient hostiles à Israël.

Cette préoccupation aide à expliquer le calendrier. Le soutien public à Israël s’était affaibli pendant la guerre à Gaza, en particulier parmi les jeunes Américains.

Une enquête internationale d’opinion de 2025 a relevé des opinions majoritairement défavorables à l’égard d’Israël dans de nombreux pays sondés. Les opinions sur le Premier ministre israélien Benjamin Netanyahu étaient également largement négatives.

Une campagne d’influence peut accroître la visibilité d’un message, mais elle ne peut pas automatiquement inverser ces attitudes. L’opinion publique réagit aux politiques, à l’expérience personnelle, aux relations de confiance, aux images provenant des zones de conflit et aux informations publiées par de nombreuses institutions.

C’est là la faiblesse centrale de la campagne. Elle traite un problème de légitimité en partie comme un problème de diffusion de l’information.

Un contenu plus favorable peut combler des lacunes dans les résultats de recherche ou contester de fausses affirmations. Il peut aussi se retourner contre ses promoteurs si le public découvre que des sites apparemment indépendants appartiennent à un réseau financé par un gouvernement.

La divulgation n’est donc pas une question mineure de conformité. Elle modifie la façon dont un lecteur raisonnable évalue le contenu.

FARA offre un mécanisme de divulgation pour les activités aux États-Unis. Pourtant, un lecteur doit déjà savoir qu’il faut interroger la base de données fédérale, relier un domaine à un prestataire et interpréter la déclaration.

Les interfaces d’IA pourraient faire apparaître ce contexte automatiquement. Une étiquette de citation pourrait indiquer qu’une source a été produite dans le cadre d’une relation enregistrée avec un mandant étranger. Elle pourrait aussi identifier un financement de plaidoyer, une propriété publique ou un contrôle commun entre les domaines cités.

De telles étiquettes ne détermineraient pas la vérité. Les documents gouvernementaux peuvent être exacts, tandis que des sites indépendants peuvent publier des erreurs. L’étiquette donnerait aux utilisateurs les informations nécessaires pour évaluer les incitations et l’indépendance.

Les plateformes doivent aussi éviter une application partisane. Les campagnes d’influence ne sont pas propres à Israël, et l’examen ne devrait pas dépendre de l’accord d’une plateforme avec le message.

Des gouvernements, notamment ceux de la Russie, de l’Iran, de la Chine et des États-Unis, ont utilisé les communications numériques pour façonner les opinions de publics étrangers. Des organisations politiques de tous bords idéologiques optimisent leurs contenus pour les moteurs de recherche et la diffusion sur les réseaux sociaux.

La norme défendable est comportementale et transparente. Les plateformes devraient examiner la production coordonnée, le parrainage dissimulé, l’indépendance faussement présentée et la manipulation des systèmes de classement, quel que soit le commanditaire.

Google News subit une pression particulière, car les éditeurs veulent des raisons claires pour l’inclusion, le déclassement ou le retrait. Une application excessivement secrète peut masquer des erreurs. Des règles trop détaillées peuvent apprendre aux opérateurs à contourner la détection.

Les fournisseurs d’IA font face au même arbitrage. Ils ont besoin d’une transparence suffisante pour que les utilisateurs et les chercheurs puissent auditer les réponses, sans fournir un plan complet pour manipuler la récupération.

La campagne pose également un défi aux journalistes. Republier une affirmation provocatrice sur une IA manipulée peut accroître la visibilité de la campagne, même lorsque le traitement journalistique est critique.

Les rédactions devraient renvoyer vers les déclarations primaires, identifier les relations contractuelles et distinguer les preuves d’une influence tentée de la preuve d’une persuasion réussie. Les titres affirmant qu’un gouvernement a « entraîné » un chatbot risquent d’exagérer ce que montrent les preuves.

Les lecteurs peuvent appliquer la même discipline. Ouvrez la page citée, identifiez son éditeur, vérifiez sa date et recherchez un auteur ainsi qu’une divulgation de financement. Comparez ensuite avec un document officiel et des informations provenant d’une organisation indépendante.

Pour les projets de longue durée, préserver le contexte des sources est plus fiable que de se fier uniquement à un résumé généré. Une base de connaissances interrogeable peut conserver les documents, les dates et les éléments de preuve contextuels pour une consultation ultérieure.

Ce que les entreprises d’IA et les éditeurs doivent faire ensuite

La prochaine phase montrera si les plateformes peuvent exposer des réseaux de sources coordonnés avant que ces réseaux ne deviennent des éléments ordinaires de la récupération par IA.

Le premier signal à surveiller est la divulgation associée aux citations. Google, OpenAI, Anthropic, Microsoft et les autres fournisseurs devraient préciser lorsqu’un éditeur cité travaille pour un gouvernement étranger ou un réseau de plaidoyer coordonné.

Un système de divulgation visible renforcerait la conclusion selon laquelle la provenance est devenue une question centrale de sécurité de l’IA. Le silence persistant laisserait aux utilisateurs la responsabilité d’enquêtes que les plateformes peuvent mener plus efficacement.

Le deuxième signal est la mesure indépendante. Les chercheurs devraient vérifier si les domaines liés à une campagne apparaissent plus souvent pour des questions concernant Israël, Gaza, l’Iran, l’antisémitisme, le journalisme et la politique étrangère des États-Unis.

Ces études doivent comparer les modèles et enregistrer les résultats au fil du temps. Quelques captures d’écran peuvent établir qu’une récupération a eu lieu, mais elles ne peuvent pas mesurer la fréquence ni l’influence.

Une surreprésentation constante entre les modèles renforcerait les affirmations selon lesquelles l’optimisation des sources affecte les réponses d’IA. Des apparitions rares ou de courte durée suggéreraient que la campagne a obtenu un placement sans acquérir une influence durable.

Le troisième signal est l’application des règles à l’échelle du réseau de publication. Google News et d’autres services de découverte peuvent examiner si les sites liés divulguent leur propriété, produisent des reportages originaux et respectent les politiques contre les pratiques trompeuses.

Toute mesure d’application devrait inclure des explications claires et une procédure d’appel. Retirer des sites uniquement parce qu’ils expriment une position politique soulèverait de graves préoccupations concernant la liberté d’expression et l’équité.

Une réponse plus défendable se concentrerait sur la coordination non divulguée, les fausses représentations d’indépendance, la duplication automatisée ou les manipulations qui enfreignent les règles existantes des plateformes.

Les éditeurs devraient se préparer à des normes de provenance plus élevées, même si les plateformes agissent lentement. Les organisations de presse peuvent publier des informations sur leur propriété, leur historique de corrections, les qualifications des auteurs et des divulgations lisibles par machine.

Les entreprises d’IA peuvent alors utiliser ces signaux lors du classement des éléments probants. Elles devraient également réduire le poids accordé à des groupes de pages qui répètent des affirmations largement identiques sous des marques différentes.

Les interfaces de réponse doivent elles aussi être améliorées. Les citations devraient relier chaque affirmation à des passages précis, plutôt que d’afficher simplement plusieurs liens sous une réponse entière.

Un système devrait distinguer les faits étayés par des documents primaires de l’analyse fournie par une source de plaidoyer. Lorsque les autorités divergent, la réponse devrait nommer ce désaccord au lieu de fondre les positions dans un faux consensus.

Les utilisateurs ont également besoin d’une indication de la concentration des sources. Si la plupart des éléments probants proviennent d’organisations partageant un financement ou une propriété, l’interface devrait le signaler.

Ces changements n’élimineront pas les opérations d’influence. Les classements de recherche ont toujours attiré la manipulation, et les acteurs politiques continueront de s’adapter aux nouveaux systèmes de diffusion.

L’objectif est de rendre visible la coordination avant que le texte généré n’en efface le contexte.

Cette affaire constitue également un avertissement au sujet des produits de navigation par IA. Un chatbot doté d’une recherche en temps réel semble davantage responsable parce qu’il peut afficher des citations. Pourtant, les citations n’améliorent la confiance que lorsque le système de récupération identifie des éléments de preuve crédibles, indépendants et pertinents.

Dans le cas contraire, l’interface peut transformer la répétition en autorité. Une réponse assurée, étayée par plusieurs pages coordonnées, peut sembler mieux sourcée qu’une réponse prudente fondée sur un seul document primaire.

C’est là toute la portée plus générale de la campagne israélienne. Elle rend explicite ce que de nombreux professionnels du marketing, propagandistes et cabinets de réputation ont déjà compris : le Web devient une base de données interrogeable par prompts.

Publier pour cette base de données diffère de publier pour un lecteur humain. Les pages peuvent être structurées autour de questions anticipées, d’affirmations concises, d’entités répétées et d’un langage qu’un système d’IA peut facilement extraire.

Le public pourrait ne jamais consulter la page. La campagne réussit si son cadrage perdure au sein d’une réponse.

Google News demeure un champ de bataille important, car il se situe à l’intersection des éditeurs, des comportements de recherche et de la découverte automatisée. Toutefois, la responsabilité ne repose pas sur Google seul.

Chaque fournisseur d’IA qui récupère des contenus sur le Web ouvert prend des décisions de classement. Chaque éditeur qui syndique du contenu contribue à l’environnement de preuves. Chaque utilisateur qui accepte un résumé sans examiner les sources renforce l’incitation à cibler les machines plutôt que les lecteurs.

Les faits vérifiés ne montrent pas qu’Israël contrôle les principaux chatbots. Ils montrent quelque chose de plus limité, mais néanmoins lourd de conséquences : un prestataire financé par le gouvernement a ouvertement mis en place des opérations de contenu et de recherche destinées à influencer ce que ces systèmes récupèrent et disent.

La question immédiate n’est pas de savoir si une campagne peut réécrire un modèle entier. Elle est de savoir si les entreprises d’IA peuvent reconnaître une persuasion coordonnée avant que leurs produits ne la présentent comme une preuve indépendante.

Les lecteurs devraient surveiller les citations. Ils devraient ensuite se demander qui a financé les sources, combien sont réellement indépendantes et si Google News ou un résumé par IA a préservé le contexte nécessaire pour les évaluer.