🤖 AI

AI Washing Inflates Expected Performance but Not Interaction Outcomes: An AI Placebo Study Using Fitts' Law

Cette étude démontre que, bien que le « lavage IA » gonfle considérablement les attentes des utilisateurs en matière de performance, il ne produit aucune amélioration mesurable des résultats objectifs d'interaction ou des évaluations subjectives, comme en témoigne une expérience fondée sur la loi de Fitts où les conditions de souris « assistées par l'IA » ont produit des résultats identiques à ceux de la ligne de base.

Auteurs originaux : Nick von Felten, Luisa Ella Müller, Johannes Schöning

Publié 2026-05-04

📖 5 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Nick von Felten, Luisa Ella Müller, Johannes Schöning

Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

Imaginez que vous entrez dans un magasin et voyez deux souris d'ordinateur identiques. L'une est étiquetée « Souris Standard », l'autre « Souris IA Surpuissante ». Vous achetez la version « Surpuissante », convaincu que l'intelligence artificielle qu'elle contient fera glisser votre curseur plus doucement, plus vite et plus précisément. Vous vous asseyez pour travailler et, soudain, vous vous sentez comme un magicien. Vos mouvements de main semblent effortless, et vous croyez cliquer avec une précision surhumaine.

Mais voici la retournement : la souris n'a pas changé du tout. C'est exactement le même matériel que la souris standard. L'« IA » n'est qu'une étiquette et quelques fausses fenêtres contextuelles.

C'est la découverte centrale d'une étude menée par Nick von Felten et son équipe, intitulée « Le lavage d'IA gonfle les performances attendues mais pas les résultats d'interaction ». Ils ont investigué un phénomène appelé « lavage d'IA » — l'équivalent du « greenwashing » pour l'environnement, mais appliqué à la technologie. Il s'agit lorsque des entreprises apposent un autocollant « IA » sur un produit pour le faire paraître plus intelligent qu'il ne l'est réellement, même si le produit ne fait rien de nouveau.

L'expérience : la souris « placebo »

Pour tester cela, les chercheurs ont mis en place une expérience contrôlée qui ressemble un peu à un essai clinique pour la technologie. Ils ont utilisé un test classique de l'interaction humain-ordinateur appelé la loi de Fitts.

Considérez la loi de Fitts comme une « salle de sport vitesse-précision » pour votre main. Les participants devaient cliquer sur des cibles à l'écran aussi vite et aussi précisément que possible. Les chercheurs ont mesuré exactement leur vitesse et le nombre de fois où ils ont manqué leur cible.

Ils ont testé 28 personnes dans trois scénarios différents :

La référence : Une souris normale sans revendications particulières.
La souris « IA prédictive » : Les participants ont été informés que la souris utilisait l'apprentissage automatique pour prédire où ils voulaient aller et lisser leurs mouvements. (En réalité, c'était simplement la souris normale).
La souris « IA biosignaux » : Les participants ont été informés que la souris utilisait un capteur factice au poignet pour lire leur fréquence cardiaque et leur transpiration, ajustant le curseur en fonction des signaux de leur corps. (Encore une fois, c'était simplement la souris normale).

Les résultats : l'effet « placebo IA »

L'étude a révélé une scission fascinante entre ce que les gens pensaient qui se produisait et ce qui se produisait réellement.

1. L'attente (le « haut » du placebo)
Avant même de commencer à cliquer, les participants qui avaient été informés qu'ils utilisaient une « souris IA » étaient incroyablement optimistes. Ils s'attendaient à performer beaucoup mieux que ceux utilisant la souris normale. C'était comme prendre un comprimé de sucre et croire qu'il s'agit d'une boisson énergétique puissante ; votre cerveau s'excite et se prépare à performer.

2. La réalité (la zone « sans changement »)
Une fois la tâche commencée, la magie a disparu.

Vitesse : Ils n'étaient pas plus rapides.
Précision : Ils ne rataient pas moins de clics.
Charge de travail : Ils ne trouvaient pas la tâche plus facile.
Utilisabilité : Ils n'ont pas noté la souris comme plus « conviviale » après coup.

L'étiquette « IA » a agi comme un booster psychologique qui a élevé leurs espoirs, mais elle n'a pas réellement changé le moteur sous le capot. La « Souris IA Surpuissante » a performé exactement de la même manière que la « Souris Standard ».

Pourquoi cela compte

Les chercheurs appellent cela « le lavage d'IA ». C'est une tactique marketing trompeuse qui gonfle vos attentes sans offrir aucun avantage fonctionnel réel.

L'analogie : Imaginez une entreprise automobile vendant une berline standard mais apposant un autocollant « Conduite autonome » sur le toit. Vous pourriez avoir l'impression de conduire un véhicule futuriste, mais si vous devez diriger la voiture vous-même, l'autocollant ne fait pas conduire la voiture mieux. En fait, si vous vous fiez à cet autocollant, vous risquez d'être déçu lorsque vous réalisez que la voiture n'est qu'une voiture normale.
L'enseignement : L'étude prouve que si le « lavage d'IA » peut tromper votre cerveau pour qu'il s'attende à une meilleure expérience, il ne peut pas tromper vos mains pour qu'elles performant mieux. L'étiquette « IA » crée un écart entre ce que nous pensons qu'un outil peut faire et ce qu'il fait réellement.

La conclusion

Ce papier ne dit pas que l'IA est inutile ; il dit que le battage médiatique est puissant, mais ce n'est pas magique. Lorsque les entreprises étiquettent un outil simple comme « propulsé par l'IA » simplement pour le vendre, elles peuvent vous faire ressentir que vous serez plus productif, mais elles ne vous rendent pas réellement plus productif.

L'étude suggère que nous devons faire attention à ne pas nous laisser tromper par l'étiquette « IA ». Le fait qu'un appareil prétende être intelligent ne signifie pas qu'il l'est réellement. Pour savoir si un outil fonctionne vraiment, nous devons examiner les résultats réels (comme la vitesse et la précision dans l'étude), et non pas simplement l'autocollant marketing brillant.

1. Énoncé du problème

L'article aborde le phénomène du « lavage d'image IA » (AI washing), une pratique marketing par laquelle les entreprises exagèrent ou déforment les capacités d'intelligence artificielle d'un produit (par exemple, étiqueter une souris standard comme « assistée par l'IA » alors qu'elle ne possède pas de fonctionnalités IA réelles). Bien que des recherches antérieures suggèrent que les étiquettes IA puissent modifier les perceptions des utilisateurs, il existe un vide dans la compréhension de savoir si ces attentes gonflées se traduisent par des changements réels dans les résultats d'interaction (à la fois subjectifs et objectifs).

Les auteurs examinent si l'« effet placebo IA » — où les utilisateurs attribuent une amélioration des performances à un système uniquement sur la base de son étiquetage — se manifeste dans :

L'attente : Les attentes de performance avant la tâche.
Les résultats subjectifs : La charge de travail perçue et l'utilisabilité après la tâche.
Les résultats objectifs : Les métriques mesurables de performance d'interaction.

2. Méthodologie

Conception de l'étude

Type : Expérience contrôlée intra-sujet.
Participants : $N=28$ (principalement des étudiants en STEM, âgés de 19 à 32 ans).
Tâche : Une tâche standardisée de pointage selon la loi de Fitts (clic sur des cibles de tailles et distances variables) à l'aide d'une souris d'ordinateur. Cette tâche est la référence en IHM pour quantifier le compromis vitesse-précision.
Conditions : Les participants ont effectué la même tâche dans trois conditions distinctes :
1. Référence (BL) : Une souris HP standard sans modifications ni revendications d'IA.
2. Condition IA Prédictive (PAIC) : Les participants ont été induits en erreur pour croire que la souris utilisait l'apprentissage automatique (modèle TimeGPT) pour prédire et lisser les mouvements du curseur. Une connexion API simulée et des paramètres système ont été affichés pour renforcer la crédibilité.
3. Condition IA Améliorée par Biosignaux (BIOAIC) : Les participants ont été induits en erreur pour croire que la souris utilisait un biosenseur (mesurant la fréquence cardiaque, l'oxygène, la transpiration via un faux capteur au poignet) et un modèle bidirectionnel LSTM (PhysioBERT) pour optimiser le mouvement du curseur en temps réel.

Procédure

Tromperie : Les participants ont signé des formulaires de consentement et consulté des pop-ups techniques simulant l'authentification et l'initialisation des ressources IA.
Collecte de données :
- Avant la tâche : Évaluation de la performance attendue (échelle de Likert de 1 à 7).
- Tâche : 15 essais par condition (675 clics au total par participant).
- Après la tâche : NASA-TLX (charge de travail perçue), SUS-DE-Pos (utilisabilité perçue) et entretiens qualitatifs.
Métriques objectives :
- Débit (TP) : Bits par seconde (combinaison de vitesse et précision).
- Taux d'erreur (ER) : Pourcentage de clics incorrects.
- Ajustement du modèle ( $R^2$ ) : Qualité de l'ajustement pour le modèle de régression de la loi de Fitts.

Instruments

Subjectifs : NASA-TLX (brut), SUS-DE-Pos (version allemande avec formulation positive) et un item personnalisé de performance attendue.
Objectifs : Métriques de la loi de Fitts calculées à l'aide de la largeur effective de la cible ( $W_e$ ) et de l'écart-type des points d'impact.

3. Résultats clés

Résumé des tests d'hypothèses

Hypothèse	Contenu	Résultat
H1a / H1b	La performance attendue est plus élevée dans les conditions IA (PAIC/BIOAIC) par rapport à la référence.	Validée
H2	La charge de travail perçue (NASA-TLX) diffère entre les conditions.	Non validée
H3	La performance perçue (sous-échelle NASA-TLX) diffère entre les conditions.	Non validée
H4	L'utilisabilité perçue (SUS-DE-Pos) diffère entre les conditions.	Non validée
H5	Le taux d'erreur diffère entre les conditions.	Non validée (Aucune différence trouvée)
H6	L'ajustement du modèle ( $R^2$ ) diffère entre les conditions.	Non validée (Aucune différence trouvée)
H7	Le débit diffère entre les conditions.	Non validée (Aucune différence trouvée)

Résultats détaillés

Inflation de l'attente : Les participants s'attendaient significativement à une meilleure performance dans les deux conditions étiquetées IA par rapport à la référence ( $p < .001$ ). Il n'y avait pas de différence significative entre les conditions « IA Prédictive » et « IA Biosignaux » en ce qui concerne les attentes.
Résultats subjectifs : Malgré des attentes plus élevées, il n'y avait aucune différence significative dans la charge de travail perçue après la tâche (NASA-TLX) ou l'utilisabilité perçue (SUS-DE-Pos) entre les trois conditions. Descriptivement, la condition Biosignaux (BIOAIC) montrait en fait une légère baisse des scores d'utilisabilité, bien que non statistiquement significative.
Résultats objectifs : Les métriques de la loi de Fitts (Débit, Taux d'erreur et Ajustement du modèle $R^2$ ) n'ont montré aucune différence statistiquement significative entre la référence et les deux conditions de tromperie IA. Les lignes de régression pour le temps de mouvement par rapport à la difficulté de la tâche se superposaient presque parfaitement.
Retour qualitatif : Les participants des conditions IA ont souvent rapporté lors des entretiens que la souris semblait « plus fluide » ou « plus rapide », pourtant ces sentiments subjectifs ne corrélaient pas avec les données objectives ou les échelles standardisées.

4. Contributions clés

Preuve empirique du lavage d'image IA : L'étude fournit des preuves contrôlées que le lavage d'image IA gonfle avec succès les attentes des utilisateurs mais échoue à modifier les résultats réels d'interaction (ni subjectifs ni objectifs) pour les périphériques d'entrée familiers.
Dissociation de l'attente et du résultat : Elle met en évidence un vide critique où les attentes motivées par le marketing ne se propagent pas vers des performances mesurables ou des notes d'utilisabilité standard, suggérant que les « effets placebo IA » en IHM peuvent être fragiles et dépendants du contexte.
Innovation méthodologique : L'article établit les tâches de la loi de Fitts comme un instrument rigoureux et objectif pour auditer les artefacts d'interaction étiquetés IA. Il démontre que la loi de Fitts peut efficacement séparer l'attente motivée par le marketing des améliorations réelles de performance technique.
Transparence et responsabilité : Les résultats soulignent la nécessité de cadres réglementaires et éthiques pour traiter le « pétrole de serpent IA », arguant que les exigences de transparence doivent s'étendre au-delà des capacités fonctionnelles pour inclure les revendications marketing et les descriptions de produits.

5. Importance et implications

Pour les chercheurs : L'étude met en garde contre le recours exclusif aux métriques auto-rapportées lors de l'évaluation de nouvelles technologies IA, car celles-ci peuvent être fortement biaisées par l'étiquetage. Elle préconise l'inclusion de références objectives (comme la loi de Fitts) et de conditions de contrôle placebo dans la recherche en IHM.
Pour les praticiens et les marketeurs : Étiqueter simplement un produit comme « assisté par l'IA » crée un faux sentiment d'amélioration qui peut conduire à la déception des utilisateurs ou à un « préjudice motivé par l'attente » lorsque le système ne livre pas dans des scénarios critiques.
Pour les politiques et la réglementation : Les résultats suggèrent que les cadres réglementaires actuels (comme la Loi européenne sur l'IA) se concentrant sur la performance du système peuvent être insuffisants. La gouvernance doit également traiter de l'influence représentative — la manière dont les capacités IA sont décrites dans les matériaux marketing — car ces descriptions façonnent l'autonomie des utilisateurs et le consentement éclairé même avant l'utilisation du système.
Limites : L'étude a été menée dans un environnement de laboratoire contrôlé avec un échantillon d'étudiants homogène. Les auteurs notent que les effets pourraient différer dans des contextes critiques pour la sécurité ou avec des populations plus diversifiées, mais le résultat central — que les étiquettes gonflent les attentes sans changement fonctionnel — reste un problème critique de transparence.

En conclusion, l'article démontre que le lavage d'image IA est efficace pour façonner les croyances mais inefficace pour changer la réalité, créant un scénario de « placebo » où les utilisateurs croient performer mieux sans aucune amélioration technique réelle.