Hallucinations de Citations par l'IA
et Comment les Repérer

Une citation hallucinée est une référence générée par un système d'IA qui ne correspond à aucune publication réelle et vérifiable. Il peut s'agir d'un article entièrement inventé, d'un titre authentique associé à un DOI fabriqué, ou d'un article réel attribué à des auteurs qui ne l'ont jamais écrit. Le résultat paraît crédible — noms de revues réels, titres plausibles, DOI bien formatés — et c'est précisément pour cela qu'il échappe à une vérification visuelle rapide.

Les grands modèles de langage comme ChatGPT, Claude et Gemini produisent ces erreurs parce qu'ils sont conçus pour générer du texte statistiquement plausible, non pour interroger des bases de données. Lorsqu'on leur demande « trois articles sur un sujet », le modèle assemble des références qui ressemblent à ce que de tels articles seraient. Il complète du texte, il ne récupère pas d'information.

Le risque ne se limite pas aux cas où vous avez demandé à une IA de trouver des sources. Un modèle peut aussi insérer une citation en faisant tout autre chose — peaufiner un résumé, reformuler une section de méthodes — parce qu'ajouter une référence fait paraître le texte plus autorisé. Vous ne l'avez pas demandée et, à moins de recouper la bibliographie avec le corps du texte, vous pourriez ne pas remarquer qu'elle a été ajoutée.

Il s'agit d'un comportement mesuré, non d'une anecdote. Plusieurs études évaluées par les pairs le quantifient désormais :

• Walters et Wilder (2023), dans Scientific Reports, ont constaté qu'une part substantielle des citations bibliographiques générées par ChatGPT étaient fabriquées ou comportaient des erreurs suffisamment graves pour tromper un lecteur qui ne les vérifiait pas (doi.org/10.1038/s41598-023-41032-5).
• Topaz et ses collègues (2026) ont publié dans The Lancet un audit d'intégrité des références portant sur 2,5 millions d'articles biomédicaux, repérant des citations fabriquées dans toute la littérature et une tendance à la hausse dans le temps (doi.org/10.1016/S0140-6736(26)00603-3).
• Resnik et Hosseini (2026), dans Accountability in Research, soutiennent que les citations hallucinées peuvent constituer une faute scientifique lorsqu'elles fonctionnent comme des données — par exemple dans les revues systématiques — et que l'auteur ne vérifie pas ce que produit l'IA (doi.org/10.1080/08989621.2026.2645390). Qu'un tel manquement constitue une faute dépend du critère juridique d'imprudence (recklessness) — distinct de la simple négligence — que Caron et al. (2025) examinent en détail (doi.org/10.1080/08989621.2023.2256650).

Au-delà du monde universitaire, le même mode de défaillance est visible devant les tribunaux : une base de données publique tenue par le chercheur en droit Damien Charlotin recense plus de 1 500 décisions de justice où l'IA générative a produit des citations fabriquées (Charlotin, 2026). Ce sont des actes de procédure — un domaine étranger aux bases de données scientifiques utilisées ici — mais le schéma est identique.

Chaque étude évaluée par les pairs citée ci-dessus a été vérifiée avec AiCitationChecker avant la publication de cette page — ce qui convient bien à un article sur les citations non vérifiées.

Les plateformes scientifiques ont commencé à traiter l'usage négligent de l'IA comme un problème exploitable. En 2026, le serveur de préprints arXiv a annoncé une application plus stricte tenant les auteurs responsables des sorties d'IA non vérifiées — y compris les références hallucinées — un tournant largement relayé par la presse scientifique et technologique. Cette politique n'est pas anti-IA ; elle encode un principe toujours resté implicite : les auteurs sont responsables de tout ce qui figure dans leur article, quelle qu'en soit la provenance.

La conséquence pratique est qu'une seule référence fabriquée n'est plus un faux pas anodin. Elle peut entraîner un rejet d'emblée, un examen d'intégrité ou une correction — et, comme les citations se propagent, une référence fabriquée citée une fois peut s'infiltrer dans des articles et des revues ultérieurs. Vérifier sa bibliographie avant la soumission est passé d'une bonne pratique à une gestion élémentaire du risque.

Aucun outil de vérification ne peut couvrir toutes les disciplines de la même façon. Vérifier une référence revient à la confronter à des bases de données scientifiques comme CrossRef et OpenAlex, et leur couverture varie selon le domaine — solide pour les articles de revue dotés d'un DOI, plus mince pour certains livres, chapitres et supports de niche. Les résultats peuvent donc différer selon votre sujet de travail.

C'est précisément pour cela que chaque compte AiCitationChecker inclut des vérifications quotidiennes gratuites : passez vos propres références, dans votre propre domaine, et voyez comment l'outil se comporte avant de vous y fier — ou de payer quoi que ce soit. Nous préférons que vous confirmiez qu'il convient à votre travail plutôt que de nous croire sur parole.

• Traitez chaque citation fournie par l'IA comme non vérifiée jusqu'à preuve du contraire — une hypothèse provisoire, non un fait.
• Vérifiez chaque DOI : confirmez qu'il renvoie à un article dont le titre, les auteurs et l'année correspondent réellement à la citation.
• Recoupez avec des bases de données faisant autorité — un article authentique figure dans au moins l'une de CrossRef, OpenAlex ou PubMed.
• Vérifiez toute la liste de références avant la soumission, pas seulement celles que vous avez sciemment demandé à une IA de trouver.
• Automatisez la première passe pour que la vérification soit assez rapide pour ne jamais l'omettre.

Références complètes des sources citées dans cet article :

1. Walters, W. H., & Wilder, E. I. (2023). Fabrication and errors in the bibliographic citations generated by ChatGPT. Scientific Reports, 13(1), 14045. https://doi.org/10.1038/s41598-023-41032-5
2. Topaz, M., Roguin, N., Gupta, P., Zhang, Z., & Peltonen, L.-M. (2026). Fabricated citations: an audit across 2.5 million biomedical papers. The Lancet, 407(10541), 1779–1781. https://doi.org/10.1016/S0140-6736(26)00603-3
3. Resnik, D. B., & Hosseini, M. (2026). Hallucinated citations produced by generative artificial intelligence may constitute research misconduct when citations function as data in scholarly papers. Accountability in Research. https://doi.org/10.1080/08989621.2026.2645390
4. Caron, M. M., Dohan, S. B., Barnes, M., & Bierer, B. E. (2025). Defining “recklessness” in research misconduct proceedings. Accountability in Research, 32(2), 120–142. https://doi.org/10.1080/08989621.2023.2256650
5. Charlotin, D. (2026). AI Hallucination Cases [base de données]. https://www.damiencharlotin.com/hallucinations/