L’étude de Rutgers sur l’IA et l’usage de substances révèle un recours répandu, mais une sécurité non mesurée

Des chercheurs de Rutgers ont constaté que 32,3 % des jeunes adultes interrogés avaient utilisé l’IA générative pour obtenir des informations liées aux substances, sans établir si ces interactions les avaient aidés ou lésés. L’étude de Rutgers sur l’IA et l’usage de substances chiffre un comportement sensible : interroger un logiciel conversationnel sur les drogues, l’alcool et leurs conséquences. Sa tension centrale tient à l’écart entre la confiance accordée par les personnes à une réponse et les preuves qu’elle mérite cette confiance.

Ces résultats interviennent alors que les chatbots deviennent un autre espace où les personnes posent des questions qu’elles hésiteraient peut-être à adresser en face à face. L’IA générative, un logiciel qui produit du contenu en réponse à des requêtes, peut donner à ces échanges un caractère direct et personnel. Cette commodité crée une responsabilité de santé publique, même lorsque le produit a été conçu comme un assistant généraliste.

La recherche Google fournit un point de comparaison important. Les chercheurs ont relevé un chevauchement substantiel entre les personnes utilisant des chatbots et celles recherchant sur le web des informations liées aux substances. Il s’agit donc d’une autre couche influente entre une question et une décision. Développeurs, cliniciens et communicateurs de santé font désormais face à la même question non résolue : que se passe-t-il après qu’une personne accepte une réponse conversationnelle ?

Ce que l’étude de Rutgers sur l’IA et l’usage de substances a réellement mesuré

L’étude documente des usages et perceptions déclarés, plutôt que des bénéfices ou préjudices médicaux démontrés.

Publiée le 19 octobre 2026 dans JMIR Formative Research, l’enquête sur l’IA liée aux substances a analysé les réponses de 995 résidents américains âgés de 18 à 29 ans. Les participants ont été recrutés via Prolific en avril 2026. Parmi cet échantillon, 321 ont déclaré avoir déjà utilisé l’IA générative à des fins liées aux substances.

Parmi ces utilisateurs, 48,2 % ont indiqué y recourir au moins une fois par mois. Les questions sur les conséquences étaient particulièrement fréquentes. L’enquête a également constaté que 57,5 % de l’ensemble des répondants avaient recherché sur Google des informations liées aux substances. Parmi les répondants déclarant utiliser l’IA pour ce sujet, 92,8 % avaient aussi utilisé Google.

Ces publics qui se chevauchent compliquent toute affirmation selon laquelle les chatbots auraient remplacé la recherche. Une personne peut passer d’un moteur de recherche à un chatbot, puis à d’autres sources au cours d’une même démarche d’information. L’enquête n’établit pas quelle source a été consultée en premier, quelle réponse a prévalu, ni si quelqu’un a vérifié des réponses contradictoires.

Cette distinction modifie les implications commerciales et produit. Un chatbot n’a pas besoin de devenir la source d’information exclusive d’une personne pour influencer sa compréhension. Il peut résumer ce qu’elle a trouvé ailleurs, expliquer une terminologie inconnue ou fournir la réponse finale dont elle se souvient. Il s’agit de rôles possibles, et non de comportements établis par cette enquête.

Le calendrier mérite la même prudence. Octobre correspond à la publication et à la médiatisation des résultats ; les réponses décrivent des comportements déclarés en avril. Les lecteurs devraient éviter de considérer le titre comme une mesure en temps réel de l’adoption aujourd’hui. Les évolutions de produit intervenues après la collecte des données ne peuvent pas non plus expliquer les réponses déjà recueillies par les chercheurs.

La référence du titre aux jeunes adultes doit également être encadrée. Cette recherche porte sur des adultes appartenant à une tranche d’âge précise. Elle ne doit pas devenir une affirmation concernant les enfants, l’ensemble des étudiants ou toutes les personnes qui consomment des substances. Poser une question liée aux substances n’établit pas non plus une consommation personnelle, une dépendance ou une intention d’expérimenter.

Pour les lecteurs du secteur technologique, le changement concret est celui de la visibilité. La recherche de Rutgers sur les chatbots confère une audience mesurable, dans cet échantillon, à un cas d’usage auparavant peu étudié. La publication rend ce public plus difficile à ignorer, tout en laissant ouvertes à l’examen la qualité et les conséquences de ses interactions.

Cela suffit à justifier l’attention sans extrapoler le résultat. La recherche sur l’adoption peut identifier les domaines qui nécessitent une évaluation. Elle ne peut toutefois pas se substituer à cette évaluation, aussi frappant que paraisse le titre ou aussi familière que soit devenue l’interface d’un chatbot.

Les communicateurs de santé font face à une audience au-delà de leurs propres sites web

Ces résultats exercent une pression sur les organisations dont les informations fiables doivent rivaliser pour attirer l’attention au sein d’interfaces conversationnelles.

Dans ses résultats sur les chatbots et les jeunes adultes publiés le 23 octobre, Rutgers a indiqué que les participants recherchaient principalement des informations sur les risques et les conséquences. L’auteure principale, Mireia Triguero Roura, a averti que la désinformation issue de ces outils pouvait contribuer à des comportements à risque. Cet avertissement identifie un danger potentiel ; il n’établit pas que l’enquête a observé un tel préjudice.

L’implication pratique va au-delà de la publication d’une nouvelle page web exacte. Les organisations de santé doivent réfléchir à la manière dont leurs informations subsistent lorsqu’une personne les rencontre au travers d’une explication générée. Une réponse peut conserver une conclusion générale tout en supprimant des réserves importantes pour un lecteur particulier.

Prenons une situation illustrative : une personne demande à un chatbot d’expliquer un avertissement rencontré sur un site de santé. L’assistant fournit une réponse plus courte, et la personne demande ensuite si l’avertissement s’applique à sa situation. Cet exemple est hypothétique, mais il montre comment un échange informatif peut évoluer vers une interprétation personnalisée.

Cette transition importe aux organisations qui fournissent les connaissances sous-jacentes. Leur page d’origine pourrait distinguer avec soin l’information générale de l’évaluation individuelle. Un résumé conversationnel pourrait brouiller cette distinction. La question pour les communicateurs est alors de savoir si la limite essentielle demeure visible lorsque l’information change de format.

Les cliniciens sont confrontés à un défi de communication connexe. Une personne arrivant avec une explication générée par l’IA peut déjà avoir une interprétation assurée de la signification de sa question. Par implication des résultats, les conversations cliniques devraient laisser la place à l’examen de cette interprétation sans traiter la recherche d’information de la personne comme une faute.

Une réponse désinvolte laisserait la question sous-jacente sans réponse. Une réponse non critique accorderait au chatbot une autorité supérieure à ce que les preuves justifient. L’approche la plus utile consiste à identifier les informations reçues par la personne, ce qu’elle a compris et les zones d’incertitude qui demeurent.

Les équipes de santé publique ont également un problème de diffusion. Les documents clairs doivent être faciles à trouver, compréhensibles et adaptés à une citation ou à un résumé exact. Cela ne garantit pas qu’un chatbot préservera leur sens. Cela donne toutefois aux communicateurs un point de départ concret pour évaluer comment leur travail apparaît au-delà de leurs propres canaux de publication.

La pression est à la fois immédiate et continue. Les organisations peuvent dès maintenant examiner la clarté de leurs ressources existantes. Déterminer si une présentation conversationnelle améliore la compréhension nécessite des preuves supplémentaires. Ces responsabilités sont liées, mais elles suivent des calendriers différents et ne doivent pas être présentées comme la même réalisation.

L’étude remet donc en cause une définition étroite de la communication numérique en santé. Publier un contenu exact reste essentiel. Comprendre les interfaces par lesquelles les personnes interprètent ce contenu devient une autre partie du travail, particulièrement lorsque ces interfaces invitent à des questions de suivi que l’auteur d’origine ne voit jamais.

L’accès conversationnel et les conseils vérifiés répondent à des besoins différents

Une réponse accessible peut améliorer l’accès à l’information tout en laissant sa fiabilité non résolue.

L’attrait d’une interface conversationnelle est facile à comprendre comme proposition produit. Un utilisateur peut formuler une question embarrassante en langage courant, demander des précisions et poursuivre sans parcourir une collection de pages. Ces caractéristiques décrivent un style d’interaction. Elles n’établissent pas une adéquation clinique.

C’est le compromis central qui sous-tend les informations de santé fournies par l’IA. Réduire la friction peut faciliter la formulation d’une question. Cette même réduction peut aussi faciliter l’acceptation d’une réponse sans en examiner le fondement. La question de savoir si cela se produit en pratique, et avec quelles conséquences, nécessite une étude directe.

La recherche Google offre un repère utile car elle présente couramment plusieurs destinations et des éditeurs visibles. Les utilisateurs doivent toujours évaluer ces sources, et les résultats de recherche ne garantissent pas l’exactitude. Un chatbot peut condenser ce travail dans une réponse unique, rendant le fondement de sa synthèse particulièrement important.

ChatGPT, Google Gemini, Meta AI et My AI de Snap figuraient comme exemples dans la description de l’IA générative de l’enquête Rutgers. Leur inclusion n’établit pas de performance comparative. La recherche ne permet pas de désigner un gagnant ni d’attribuer un avantage de sécurité mesuré à un produit donné.

Une comparaison significative devrait examiner les mêmes questions dans des conditions comparables. Les évaluateurs devraient consigner la réponse de chaque système, les preuves fournies et la manière dont il a traité le contexte manquant. Une réponse soignée serait à elle seule une base insuffisante pour classer des produits dans ce contexte.

Les sondages antérieurs renforcent la nécessité de distinguer l’usage de la confiance. Dans son sondage d’août 2024 sur l’IA et les informations de santé, KFF a constaté que 25 % des adultes de moins de 30 ans utilisaient des chatbots au moins une fois par mois pour obtenir des informations de santé. Parmi l’ensemble des adultes, 29 % ont déclaré faire confiance aux chatbots pour fournir des informations de santé fiables.

Ces chiffres décrivent une enquête différente et une catégorie plus large de questions de santé. Ils ne peuvent pas établir une tendance d’adoption par rapport aux résultats de Rutgers. Les populations, questions et mesures diffèrent. Leur valeur ici est contextuelle : l’usage des chatbots et les jugements sur leur fiabilité constituaient déjà des préoccupations publiques distinctes avant cette étude particulière.

Le défi produit consiste à rendre cette séparation compréhensible au cours d’un échange. Une interface utile devrait indiquer lorsqu’elle explique des informations générales et lorsque la question de l’utilisateur dépasse ce que le système peut établir de manière responsable. Il s’agit d’un objectif de conception, plutôt que d’un résultat démontré par la recherche de Rutgers.

La visibilité des sources importe également. Une citation donne à l’utilisateur un élément à examiner, mais sa présence ne prouve pas que la réponse représente fidèlement le document cité. L’évaluation doit examiner le lien entre une affirmation et ses preuves, notamment pour déterminer si les réserves ont survécu au résumé.

Pour les lecteurs qui organisent déjà leurs documents techniques à l’aide d’une base de connaissances personnelle, la distinction liée à la gestion de l’information est familière. Conserver une source originale accessible permet une vérification ultérieure. Cela ne transforme pas une explication enregistrée en conseil médical vérifié.

L’implication plus large est que l’accessibilité et la responsabilité nécessitent des mesures distinctes. Un système peut être facile à aborder tout en restant difficile à auditer. Les équipes produit devraient pouvoir expliquer comment elles évaluent les deux, plutôt que de demander à une conversation satisfaisante de servir de preuve pour chacun.

La confiance exige une évaluation que la satisfaction ne peut fournir

L’impression positive d’un utilisateur est une observation importante, mais ce n’est pas un test d’exactitude.

Rutgers a indiqué que les participants percevaient les outils d’IA comme utiles, fiables et dignes de confiance. Ces perceptions aident à comprendre pourquoi ce cas d’usage mérite de l’attention. Elles renseignent les chercheurs sur la relation que les utilisateurs pensent entretenir avec la technologie, sans établir qu’une réponse particulière était correcte.

Cette différence est particulièrement importante lorsque l’utilisateur pose une question parce qu’il ne dispose pas des connaissances nécessaires pour évaluer une réponse. La lisibilité peut rendre une explication plus facile à comprendre. L’assurance peut la rendre plus facile à accepter. Aucune de ces qualités ne permet, à elle seule, d’établir que l’explication contient les faits et nuances nécessaires.

Une future évaluation devrait donc distinguer plusieurs questions. La réponse présentait-elle des informations exactes ? Omettait-elle un élément important ? L’utilisateur en comprenait-il l’incertitude ? L’échange a-t-il influencé une décision ultérieure ? Réunir ces questions dans un score général de satisfaction masquerait les distinctions qui comptent.

Les orientations sur l’IA générative de l’Organisation mondiale de la Santé portent sur des applications plus larges de modèles capables d’accepter et de générer différents types de contenus. Elles identifient notamment les déclarations fausses ou incomplètes, les biais et une dépendance excessive aux résultats automatisés. Ces préoccupations fournissent un cadre d’évaluation, plutôt qu’une preuve que chaque échange échoue.

Une réponse incomplète est particulièrement pertinente pour les tests de produits. Les évaluateurs devraient examiner ce qu’un système omet, en plus de ce qu’il affirme explicitement. Une réponse peut contenir des déclarations générales exactes tout en ne communiquant pas les limites de leur application à une situation individuelle.

Le même principe s’applique à l’incertitude. Un avertissement au début d’une conversation ne garantit pas que les réponses ultérieures maintiennent des limites appropriées. L’évaluation devrait suivre l’interaction à mesure que l’utilisateur ajoute des détails, demande à être rassuré ou remet en question une réponse prudente.

Il s’agit de priorités de test proposées, et non de conclusions de l’étude Rutgers sur l’usage de substances et l’IA. Cette distinction évite d’attribuer des capacités ou des défaillances à des systèmes que les chercheurs n’ont pas testés. Elle attire également l’attention sur les éléments probants que les développeurs pourraient produire pour répondre à la lacune réelle.

L’utilité perçue a néanmoins sa place dans cette évaluation. Une explication techniquement exacte que les utilisateurs ne peuvent pas comprendre pose son propre problème de communication. L’objectif devrait être d’évaluer conjointement la compréhension et l’exactitude, tout en préservant la signification distincte de chacune.

Cela impose une norme exigeante aux affirmations sur les produits. Une entreprise qui présente un assistant comme utile pour des questions sensibles devrait expliquer ce que « utile » signifie dans ses éléments de preuve. Des réponses plus rapides, une formulation plus claire, un contenu exact et de meilleures décisions constituent des réalisations différentes. La démonstration de l’une ne devrait pas devenir discrètement une affirmation concernant toutes les autres.

Le débat public bénéficie de la même rigueur. Il est possible de reconnaître l’attrait d’un accès conversationnel tout en demandant des preuves plus solides de sa fiabilité. Cette position découle directement des questions non résolues, sans présumer ni d’un bénéfice universel ni d’un préjudice inévitable.

Les différences d’échantillonnage et démographiques limitent le titre

Le résultat « un tiers » concerne cet échantillon d’enquête et ne devrait pas devenir une estimation nationale précise.

Les chercheurs identifient un échantillon en ligne non probabiliste comme une limite. Dans ce type de conception, les participants ne sont pas recrutés par un processus donnant à chaque personne admissible une probabilité de sélection connue. Les personnes particulièrement actives en ligne ou familières avec l’IA pourraient donc être surreprésentées.

Les quotas de recrutement peuvent améliorer l’équilibre démographique d’un échantillon sans éliminer ce problème de sélection. La correspondance avec certaines caractéristiques de la population ne permet pas d’établir que les participants ressemblent à l’ensemble de la population dans leurs habitudes d’information. Cette distinction importe, car le comportement étudié est lui-même étroitement lié à l’activité en ligne.

Cette réserve n’efface pas le comportement signalé. Elle modifie ce que ce chiffre permet d’étayer. L’étude fournit des éléments montrant un usage substantiel au sein du groupe recruté et une raison d’approfondir l’enquête. Elle ne détermine pas exactement à quel point ce comportement est répandu parmi l’ensemble des jeunes adultes américains.

L’enquête repose également sur le souvenir et la description par les répondants de leur propre comportement. Les auteurs indiquent que ses mesures adaptées n’avaient pas été préalablement testées dans le cadre d’une étude pilote ni validées. Les lecteurs devraient donc considérer les résultats comme un premier effort de mesure assorti d’incertitudes reconnues, plutôt que comme un instrument définitif pour suivre l’ensemble de la population.

Les résultats démographiques exigent une retenue similaire. Les répondants noirs et masculins étaient plus susceptibles de déclarer une utilisation de l’IA liée aux substances. Rutgers évoque des explications possibles liées à l’accès aux soins de santé, à la stigmatisation, à la confiance et aux habitudes de recherche d’information. Ces explications restent des hypothèses, et non des causes établies par l’enquête.

Une association ne permet pas d’établir qu’une caractéristique démographique produit un comportement. Elle ne révèle pas non plus si différents groupes ont reçu des réponses différentes ou subi des conséquences différentes. Ces questions exigent des preuves sur les interactions et les résultats que cette étude ne fournit pas.

Pour les développeurs, l’implication est d’examiner si les évaluations représentent suffisamment les personnes qui utilisent le produit. Un public de test qui néglige des groupes d’utilisateurs importants peut laisser des questions essentielles sans réponse. Cette recommandation devrait orienter une recherche inclusive, plutôt que justifier des suppositions sur le jugement ou la vulnérabilité d’un groupe.

Pour les journalistes et les lecteurs, le choix des mots compte. « Jeunes adultes interrogés » préserve la limite entourant le résultat. « Jeunes adultes » sans précision peut laisser entendre une certitude plus large. La différence est faible dans un titre et substantielle dans l’interprétation.

La recherche de Rutgers sur les chatbots ne peut pas non plus établir un sens de causalité entre l’utilisation de l’IA et les besoins en informations de santé. Les personnes recherchant davantage d’informations peuvent se tourner vers davantage de canaux. Des habitudes informationnelles différentes peuvent précéder l’adoption des chatbots. Une seule enquête ne peut pas déterminer la séquence.

Ces limites rendent les recherches de suivi plus précieuses. Des enquêtes répétées utilisant des méthodes comparables pourraient examiner les évolutions dans le temps. Des études suivant les participants pourraient déterminer ce qui s’est passé après un échange. Des audits directs des réponses pourraient traiter la question de l’exactitude. Chaque conception répond à une question différente ; aucune étude de suivi unique ne devrait donc être censée tout trancher.

Les prochaines preuves devraient relier les réponses à la compréhension

Les développements les plus utiles montreront ce que les systèmes disent, ce que les utilisateurs comprennent et comment les deux se rejoignent.

L’étude Rutgers sur l’usage de substances et l’IA donne une raison d’examiner attentivement une application sensible de l’IA grand public. Au cours des prochains mois, les lecteurs devraient surveiller des éléments précis plutôt que de supposer qu’une publication, une mise à jour de produit ou une déclaration de sécurité résout l’incertitude.

Le premier signal serait une évaluation indépendante des réponses de chatbots liées aux substances. Une évaluation utile publierait son ensemble de questions, ses critères d’évaluation, les versions de produits testées et son approche des informations manquantes. Un examen par des experts devrait analyser l’exactitude, les omissions, l’incertitude et le moment où un système s’oriente vers des conseils individualisés.

Des réponses constamment appropriées renforceraient l’idée que l’accès conversationnel peut servir ce public de manière responsable. Des erreurs répétées aux conséquences importantes renforceraient les inquiétudes liées au recours à des systèmes généralistes dans ce contexte. L’un comme l’autre apporterait un élément que les seuls chiffres d’adoption ne peuvent fournir.

Le deuxième signal serait une recherche sur l’interprétation des utilisateurs. Les chercheurs devraient examiner ce que les personnes pensent qu’une réponse a établi, quelles réserves elles retiennent et si elles vérifient ses sources. Une réponse peut sembler suffisamment prudente à un évaluateur tout en laissant au lecteur une certitude injustifiée.

Des éléments montrant que les utilisateurs comprennent les limites soutiendraient l’efficacité des approches de communication actuelles. Des éléments montrant qu’ils passent régulièrement à côté de ces limites les remettraient en question. Cela aiderait à distinguer un problème dans le contenu généré d’un problème dans la manière dont l’interface présente ce contenu.

Le troisième signal serait une évolution transparente du produit accompagnée d’une évaluation mesurable. Il convient d’observer si les développeurs expliquent comment ils traitent les questions de santé ambiguës, la vérification des sources et les transitions vers des conseils personnalisés. Une nouvelle fonctionnalité d’avertissement ou d’orientation devient significative lorsque des preuves montrent comment elle modifie l’échange.

Une amélioration documentée renforcerait la confiance dans une intervention précise. Une annonce sans test divulgué laisserait l’incertitude centrale non résolue. La question pertinente est ce qui a changé dans le comportement observé, et non le caractère rassurant du langage employé dans la publication.

Aucun de ces signaux n’exige de considérer toutes les informations de santé conversationnelles comme intrinsèquement inutiles ou intrinsèquement sûres. Ils exigent des preuves adaptées à l’affirmation. Adoption, satisfaction, qualité du contenu, compréhension et résultats de santé relèvent de la même enquête, tout en conservant visibles leurs différences.

Lisez l’étude Rutgers sur l’usage de substances et l’IA en gardant cette distinction à l’esprit, puis appliquez-la au prochain titre sur les chatbots. Demandez qui a participé, ce que les chercheurs ont mesuré et si le résultat rapporté concerne l’usage, la confiance, l’exactitude ou les résultats. Lorsqu’une entreprise introduit une mesure de protection, recherchez une évaluation de l’interaction réelle. Lorsqu’une enquête décrit la confiance, évitez d’y voir une preuve d’exactitude. La prochaine question importante est de savoir si des réponses accessibles aident les personnes à comprendre des informations fiables et à en reconnaître les limites. Suivez les preuves qui relient ces étapes et gardez la recherche originale à portée de main lorsqu’un titre promet davantage que ce que l’étude a mesuré.