Etude exclusive de l' Ecole de Guerre Economique – EGE
"Information, fake news et désinformation : les Français face à la grande bifurcation du débat public."

L’étude vient confirmer ce que nous savions déjà et décrit un paysage où l’abondance d’informations ne produit plus de compréhension, mais un brouillard cognitif.

Les Français expriment un sentiment de confusion face à un débat public perçu comme instable, polarisé et peu éclairant. La multiplication des sources, la coexistence de registres discursifs hétérogènes et la circulation rapide de contenus non vérifiés créent un environnement où l’expertise peine à s’imposer. Le savoir ne suffit plus à structurer la discussion : il se retrouve concurrencé par des récits émotionnels, plus simples, plus rapides, plus viraux.

Dans ce contexte, les réseaux sociaux jouent un rôle déterminant. Leur influence est massive, mais souvent invisible pour leurs propres utilisateurs, qui reconnaissent qu’ils façonnent les opinions de manière diffuse. Leur logique algorithmique valorise les contenus qui suscitent une réaction immédiate, au détriment de ceux qui exigent du temps ou de la nuance. Cette dynamique déplace les lignes d’autorité : ce n’est plus le statut institutionnel qui confère de l’influence, mais la capacité à capter l’attention dans un flux continu. L’économie de l’attention devient ainsi un champ de bataille stratégique, où la visibilité se substitue parfois à la légitimité.

Pour les acteurs de l’intelligence économique, cette recomposition est majeure. Elle signifie que les rapports de force informationnels ne se jouent plus seulement sur la maîtrise des faits, mais sur la capacité à émerger, à structurer un récit, à occuper l’espace mental des publics. La fragmentation du paysage médiatique ouvre la voie à des acteurs non institutionnels capables d’imposer des narratifs alternatifs, parfois au détriment de la cohérence collective.

Face à cette instabilité, les attentes des Français en matière de crédibilité apparaissent remarquablement rationnelles.

Ils privilégient les preuves visibles, les faits vérifiables, la cohérence entre les discours et les actes. La confiance ne repose plus sur la réputation seule : elle se construit sur la démonstration. Ce glissement est essentiel pour les organisations, car il impose une exigence accrue de transparence et de traçabilité. La communication déclarative ne suffit plus ; elle doit être accompagnée d’éléments tangibles, vérifiables, auditables.

Cette évolution traduit une forme de résistance à la volatilité informationnelle.
Malgré la puissance des réseaux sociaux et la tentation de l’émotion, les citoyens restent attachés à des repères factuels. Ils ne rejettent pas l’expertise, mais attendent qu’elle se manifeste par la preuve plutôt que par l’autorité. Dans un contexte où la crédibilité ne dépend plus de la visibilité, mais de la capacité à démontrer, les organisations doivent repenser leurs stratégies d’influence.

Source

Nous vous avions parlé de « rage bait » élu mot de l’année 2025 par l’Oxford University Press, l’institution qui publie l’Oxford English Dictionary. Veillemag :  ""Rage bait". Quand la colère devient un produit et un piège'

Aujourd'hui,  c'est un mot de 4 lettres « Slop », qui parle de nous. Le terme désigne ce déluge de contenus numériques de basse qualité, produits en quantité industrielle, souvent par l’intelligence artificielle. Vidéos absurdes, images publicitaires bancales, fake news léchées, livres écrits en quelques secondes… tout ce qui transforme nos fils d’actualité en un flux continu de bruit.

En choisissant « slop », Merriam‑Webster ne décrit pas seulement un phénomène. Le dictionnaire met en lumière une anxiété collective face à la transformation accélérée de l’information.

Le « slop » n’est pas né d'hier, mais l’essor de l’IA lui a donné une ampleur totalement nouvelle. La production de contenu n’a jamais été aussi simple, ni aussi déshumanisée, au point que les réseaux sociaux prennent désormais des allures de décharge algorithmique où l’essentiel se perd dans un flot d’insignifiances.

Même les médias américains s’en inquiètent. The Wall Street Journal décrit un « AI slop » omniprésent, tandis que CNET parle d’un véritable « antisocial wasteland », un désert social où la présence humaine s’efface derrière les automatismes.

Historiquement, slop signifiait « boue molle » ou « déchet ». Aujourd’hui, il désigne ce qui colle, encombre, ralentit. Ce qui s’accumule sans jamais nourrir.

Le parallèle est saisissant : nos écrans sont devenus des terrains boueux où l’on avance à tâtons, cherchant le vrai au milieu du faux, le sens au milieu du bruit.

Le mot résume à lui seul une année marquée par l’essor fulgurant de l’IA, les débats sur l’authenticité, et la difficulté croissante à naviguer dans un univers saturé de contenus.

Derrière l’humour du terme se cache une invitation à la vigilance. Nommer le « slop », c’est déjà commencer à le reconnaître, à le filtrer, à le questionner.
Et peut‑être, à réapprendre à chercher — et à valoriser — ce qui a réellement du sens.

Le rage bait s’impose aujourd’hui comme l’un des mécanismes les plus toxiques de l’écosystème numérique.

Derrière ce terme, élu mot de l’année 2025 par l’Université d’Oxford, se cache une stratégie de contenu pensée pour déclencher colère et indignation, non pas pour nourrir un débat, mais pour maximiser artificiellement le trafic et l’engagement.
Christel Bertrand rappelle que l’émotion forte n’est plus un simple effet collatéral : elle est devenue un produit, calibré pour piéger les utilisateurs dans des cycles de réactions impulsives qui alimentent la visibilité des publications.
Sur des plateformes numériques, ces interactions reposent souvent sur des informations non vérifiées ou sur un cadrage volontairement toxique, capable de détourner la conversation publique au profit d’agendas opaques.

Le fonctionnement du rage bait repose sur une mécanique simple mais redoutablement efficace.

Tout commence par une provocation initiale, souvent formulée sous forme d’accusation ou d’humiliation, destinée à déstabiliser la cible. Vient ensuite la réaction impulsive, cette réponse à chaud qui surgit avant toute analyse et qui, parce qu’elle est émotionnelle, devient immédiatement exploitable. La dernière étape consiste à instrumentaliser cette réaction : captures d’écran, commentaires, détournements et partages transforment la réponse de la cible en carburant de la polémique.
Ce renversement est au cœur du piège : celui qui réagit croit se défendre, mais offre en réalité la matière première de la crise.

Le document illustre ce mécanisme à travers un scénario sanitaire lié à la dermatose nodulaire.

Une crise réelle, des décisions contestées et une forte charge émotionnelle suffisent à créer un terrain fertile pour le rage bait. Dans un tel contexte, les réseaux sociaux deviennent une caisse de résonance où la colère est amplifiée, instrumentalisée et parfois totalement dissociée du sujet initial. La conversation peut alors être détournée, "hijackée", parasitée, au profit d’acteurs qui exploitent l’émotion collective plutôt que la réalité des faits.

aura farming — construction d’une image charismatique ou mystérieuse pour renforcer son attractivité en ligne

biohack — pratiques visant à optimiser ses performances physiques ou mentales via des ajustements de mode de vie ou des technologies

Le geste est devenu banal : on demande à un assistant IA
de faire le point sur l’actualité ou de résumer un article trop long.
En quelques secondes, la réponse tombe, souvent claire et synthétique.
Derrière cette magie technologique apparente se cache une mécanique redoutable :
ces modèles de langage, ou LLM, ont appris à lire, digérer et reformuler des quantités industrielles de textes.
Dont une bonne part issue de la presse. Et c’est là que les ennuis commencent.
 

En France comme dans l’UE, un article de presse ne se résume pas à un simple assemblage de phrases. Il est protégé par le droit d’auteur. Ce droit encadre toute reproduction, même partielle, sauf exception. Depuis 2019, un droit voisin est même venu renforcer la protection des éditeurs et agences, leur garantissant une rémunération quand leurs contenus sont repris en ligne.
Or, pour fonctionner, les IA doivent être nourries. Et quoi de mieux, pour apprendre à formuler des réponses pertinentes, que les articles journalistiques, riches, structurés, documentés ? Résultat : nombre de modèles ont été entraînés sur des bases contenant des textes de presse.
Problème : cette ingestion a rarement fait l’objet d’un accord.
 

L’usage premier reste l’entraînement du modèle.
Les IA absorbent d’immenses corpus de texte pour apprendre la langue et les faits. En Europe, le cadre légal oblige les acteurs à demander l’autorisation si les contenus sont protégés. Aux États-Unis, c’est plus flou, certains invoquent le "fair use". Mais dans les deux cas, le débat enfle.
Autre usage, plus récent : le RAG, pour Retrieval-Augmented Generation. L’IA va chercher des articles en temps réel dans une base pour générer sa réponse. Elle cite parfois ses sources, parfois non. C’est mieux, mais pas encore parfait. Il y a aussi l’extraction de données : on ne recopie pas l’article, on en extrait des faits. Cela paraît anodin, mais nécessite malgré tout de copier le texte au départ. La frontière entre usage légitime et infraction est ténue.
Et puis il y a ce que tout le monde voit : la génération de résumés, de synthèses, de traductions. L’IA reformule, mais c’est bien le même contenu derrière. Parfois, cela relève de l’analyse. Parfois, c’est une réécriture complète. Où placer la limite ?

 

Pour les éditeurs, deux grandes inquiétudes dominent : que fait l’IA de leurs contenus, et comment peuvent-ils en tirer un revenu ?
Le premier problème, c’est la traçabilité. Quand un site pirate reprend un article, on peut parfois le déduire. Quand une IA s’inspire d’un ou plusieurs textes, tout devient invisible. Retrouver l’origine précise d’une information est quasi impossible.
Le second enjeu, c’est la monétisation. Si l’IA utilise des contenus pour des services payants, pourquoi les auteurs ne seraient-ils pas rémunérés ? Certains grands groupes de presse ont commencé à signer des accords avec des développeurs d’IA, comme OpenAI ou Mistral, pour entraîner leur modèle ou simplement enrichir les réponses. Ces partenariats prévoient un accès aux archives contre rétribution. Mais ils restent l’exception. Et les petits éditeurs sont souvent absents des négociations.
 

Face à ce flou, des solutions émergent.
La plus prometteuse pourrait bien être technique : un protocole baptisé MCP (Model Context Protocol), conçu pour standardiser les échanges entre IA et fournisseurs de données. L’idée ? Offrir un canal clair, sécurisé, traçable, entre les assistants et les éditeurs. Fini le scraping, cette extraction robotisée d’informations issues de pages web  : les IA pourraient demander l’accès à un article, et recevoir en retour un flux adapté, avec toutes les conditions d’usage.
Autre piste : une API déclarative. Chaque fois qu’une IA utilise un contenu, elle le signale à une instance centrale. Cela ne garantit pas l’absence de fraude, mais c’est un premier pas vers plus de transparence.

L’objectif est double : permettre aux IA de transformer et extraire des informations issues de contenus utiles, tout en garantissant aux auteurs une visibilité sur l’usage de leur travail - et une rémunération juste.
 

Le nœud du problème reste celui du modèle tarifaire.
Au-delà du cadre technique et opérationnel, les différentes parties (éditeurs, utilisateurs et plateformes) devront, en effet, définir un cadre juridique et commercial adapté à ces nouveaux usages et ce nouvel environnement. Reste à savoir si cela doit se cantonner exclusivement à des négociations collectives avec le risque que cela prenne des années à mettre tout le monde d’accord ou démarrer dès à présent, en parallèle, et avec celles et ceux qui le souhaitent, des expérimentations pour affiner petit à petit le modèle en vue d’une adoption généralisée dans un deuxième temps ?
C'est le parti pris de SiteID qui a engagé une démarche en open innovation. Chaque cas d’utilisation devra faire l'objet d’une étude particulière pour aboutir probablement à des tarifications différentes. Par exemple, un article utilisé par un agent IA conversationnel qui répond à une question d’utilisateur sera soumis au même régime que si l’utilisateur avait consulté le contenu par lui-même.
En revanche, ce même article ventilé au sein d’une entreprise après transformation automatisée et un acheminement via différents canaux de communication et outils de travail, devra être soumis à une tarification différente selon le niveau d’exploitation et le nombre de bénéficiaires finaux.
Qu’il s’agisse d’alimenter une base de prospects dans un CRM, de cartographier des acteurs pour une direction de l’innovation ou une équipe en charge des fusions acquisitions ou encore de réécrire ce contenu sous forme de synthèse pour alimenter un intranet, etc., un des principaux objectifs reste de prévenir les risques de blanchiment de contenus visant à s'affranchir de tout paiement. Peut-on imaginer un tarif simple et unique qui réponde à tous ces cas d’usage ?
Faut-il les traiter au cas par cas sur devis ?
Si oui, comment chiffrer cela au fil des besoins et de leurs évolutions successives ?
 

Dans les faits, personne ne peut réellement freiner cette innovation. Mais personne ne souhaite non plus voir le travail des journalistes aspiré dans le silence.
Le précédent de la musique piratée dans les années 2000 est dans toutes les têtes : ce n’est qu’en créant des modèles économiques visant à trouver un certain équilibre que l’on a pu concilier accès facile et rémunération.
La presse ne pourra pas tout contrôler. Mais elle peut participer activement à poser les règles du jeu. Standardiser les accès, tracer les usages, inciter à la transparence. Ce sont des chantiers complexes, mais nécessaires. Car une IA qui lit la presse, c’est avant tout un nouveau lecteur. Encore faut-il qu’il respecte l’auteur.
 

Pour participer : www.siteid.com
 

Le geste est devenu banal : on demande à un assistant IA
de faire le point sur l’actualité ou de résumer un article trop long.
En quelques secondes, la réponse tombe, souvent claire et synthétique.
Derrière cette magie technologique apparente se cache une mécanique redoutable :
ces modèles de langage, ou LLM, ont appris à lire, digérer et reformuler des quantités industrielles de textes.
Dont une bonne part issue de la presse. Et c’est là que les ennuis commencent.
 

En France comme dans l’UE, un article de presse ne se résume pas à un simple assemblage de phrases. Il est protégé par le droit d’auteur. Ce droit encadre toute reproduction, même partielle, sauf exception. Depuis 2019, un droit voisin est même venu renforcer la protection des éditeurs et agences, leur garantissant une rémunération quand leurs contenus sont repris en ligne.
Or, pour fonctionner, les IA doivent être nourries. Et quoi de mieux, pour apprendre à formuler des réponses pertinentes, que les articles journalistiques, riches, structurés, documentés ? Résultat : nombre de modèles ont été entraînés sur des bases contenant des textes de presse.
Problème : cette ingestion a rarement fait l’objet d’un accord.
 

L’usage premier reste l’entraînement du modèle.
Les IA absorbent d’immenses corpus de texte pour apprendre la langue et les faits. En Europe, le cadre légal oblige les acteurs à demander l’autorisation si les contenus sont protégés. Aux États-Unis, c’est plus flou, certains invoquent le "fair use". Mais dans les deux cas, le débat enfle.
Autre usage, plus récent : le RAG, pour Retrieval-Augmented Generation. L’IA va chercher des articles en temps réel dans une base pour générer sa réponse. Elle cite parfois ses sources, parfois non. C’est mieux, mais pas encore parfait. Il y a aussi l’extraction de données : on ne recopie pas l’article, on en extrait des faits. Cela paraît anodin, mais nécessite malgré tout de copier le texte au départ. La frontière entre usage légitime et infraction est ténue.
Et puis il y a ce que tout le monde voit : la génération de résumés, de synthèses, de traductions. L’IA reformule, mais c’est bien le même contenu derrière. Parfois, cela relève de l’analyse. Parfois, c’est une réécriture complète. Où placer la limite ?

 

Pour les éditeurs, deux grandes inquiétudes dominent : que fait l’IA de leurs contenus, et comment peuvent-ils en tirer un revenu ?
Le premier problème, c’est la traçabilité. Quand un site pirate reprend un article, on peut parfois le déduire. Quand une IA s’inspire d’un ou plusieurs textes, tout devient invisible. Retrouver l’origine précise d’une information est quasi impossible.
Le second enjeu, c’est la monétisation. Si l’IA utilise des contenus pour des services payants, pourquoi les auteurs ne seraient-ils pas rémunérés ? Certains grands groupes de presse ont commencé à signer des accords avec des développeurs d’IA, comme OpenAI ou Mistral, pour entraîner leur modèle ou simplement enrichir les réponses. Ces partenariats prévoient un accès aux archives contre rétribution. Mais ils restent l’exception. Et les petits éditeurs sont souvent absents des négociations.
 

Face à ce flou, des solutions émergent.
La plus prometteuse pourrait bien être technique : un protocole baptisé MCP (Model Context Protocol), conçu pour standardiser les échanges entre IA et fournisseurs de données. L’idée ? Offrir un canal clair, sécurisé, traçable, entre les assistants et les éditeurs. Fini le scraping, cette extraction robotisée d’informations issues de pages web  : les IA pourraient demander l’accès à un article, et recevoir en retour un flux adapté, avec toutes les conditions d’usage.
Autre piste : une API déclarative. Chaque fois qu’une IA utilise un contenu, elle le signale à une instance centrale. Cela ne garantit pas l’absence de fraude, mais c’est un premier pas vers plus de transparence.

L’objectif est double : permettre aux IA de transformer et extraire des informations issues de contenus utiles, tout en garantissant aux auteurs une visibilité sur l’usage de leur travail - et une rémunération juste.
 

Le nœud du problème reste celui du modèle tarifaire.
Au-delà du cadre technique et opérationnel, les différentes parties (éditeurs, utilisateurs et plateformes) devront, en effet, définir un cadre juridique et commercial adapté à ces nouveaux usages et ce nouvel environnement. Reste à savoir si cela doit se cantonner exclusivement à des négociations collectives avec le risque que cela prenne des années à mettre tout le monde d’accord ou démarrer dès à présent, en parallèle, et avec celles et ceux qui le souhaitent, des expérimentations pour affiner petit à petit le modèle en vue d’une adoption généralisée dans un deuxième temps ?
C'est le parti pris de SiteID qui a engagé une démarche en open innovation. Chaque cas d’utilisation devra faire l'objet d’une étude particulière pour aboutir probablement à des tarifications différentes. Par exemple, un article utilisé par un agent IA conversationnel qui répond à une question d’utilisateur sera soumis au même régime que si l’utilisateur avait consulté le contenu par lui-même.
En revanche, ce même article ventilé au sein d’une entreprise après transformation automatisée et un acheminement via différents canaux de communication et outils de travail, devra être soumis à une tarification différente selon le niveau d’exploitation et le nombre de bénéficiaires finaux.
Qu’il s’agisse d’alimenter une base de prospects dans un CRM, de cartographier des acteurs pour une direction de l’innovation ou une équipe en charge des fusions acquisitions ou encore de réécrire ce contenu sous forme de synthèse pour alimenter un intranet, etc., un des principaux objectifs reste de prévenir les risques de blanchiment de contenus visant à s'affranchir de tout paiement. Peut-on imaginer un tarif simple et unique qui réponde à tous ces cas d’usage ?
Faut-il les traiter au cas par cas sur devis ?
Si oui, comment chiffrer cela au fil des besoins et de leurs évolutions successives ?
 

Dans les faits, personne ne peut réellement freiner cette innovation. Mais personne ne souhaite non plus voir le travail des journalistes aspiré dans le silence.
Le précédent de la musique piratée dans les années 2000 est dans toutes les têtes : ce n’est qu’en créant des modèles économiques visant à trouver un certain équilibre que l’on a pu concilier accès facile et rémunération.
La presse ne pourra pas tout contrôler. Mais elle peut participer activement à poser les règles du jeu. Standardiser les accès, tracer les usages, inciter à la transparence. Ce sont des chantiers complexes, mais nécessaires. Car une IA qui lit la presse, c’est avant tout un nouveau lecteur. Encore faut-il qu’il respecte l’auteur.
 

Pour participer : www.siteid.com