Geopolitical alignment: Endorsement effects in large language models

Résumé technique : Alignement géopolitique et effets d'endossement dans les grands modèles de langage

Énoncé du problème
Les grands modèles de langage (LLM) sont de plus en plus déployés comme intermédiaires dans le travail de politique publique, chargés de résumer des notes de synthèse, de comparer des conceptions et de générer des jugements qui informent les décisions humaines. Alors que la littérature existante a largement documenté les biais liés à l'idéologie nationale, à la représentation démographique et aux préférences en matière de sécurité, il reste incertain de savoir si les LLM possèdent des penchants géopolitiques implicites qui façonnent leurs évaluations de contenus politiques. Plus précisément, l'article examine si l'identité d'un endosseur étranger (par exemple, les États-Unis, l'Union européenne, la Chine ou la Russie) modifie l'évaluation d'une politique par un LLM, même lorsque le contenu substantiel de la politique est maintenu constant. Cette question est cruciale car les gouvernements cadrent de plus en plus la gouvernance de l'IA en termes de souveraineté et de compétition stratégique.

Méthodologie
L'étude emploie une expérience d'endossement, un design adapté de la psychologie politique et de la recherche sur l'opinion publique, pour inférer la valence perçue d'acteurs spécifiques.

• Design expérimental : L'expérience maintient le contenu de la politique fixe tout en randomisant l'acteur étranger décrit comme soutenant ladite politique. Deux vignettes politiques ont été utilisées : une économique (une plateforme de douanes numériques partagée) et une de sécurité (une plateforme de signalement d'incidents cybernétiques partagée). Toutes deux sont décrites comme modérées et technocratiques.
• Endosseurs : Les endosseurs randomisés sont les États-Unis, l'Union européenne, la Chine et la Russie.
• Modèles testés : Quatre LLM ont été évalués : OpenAI GPT-5, Anthropic Claude Sonnet, Google Gemini 2.5 Flash et DeepSeek Chat.
• Conditions :
  1. Numérique uniquement : Les modèles fournissent un score entier unique (0–100) sans explication.
  2. Justification : Les modèles fournissent un score et une courte justification (max 100 mots) au format JSON.
• Collecte de données : Dix réponses ont été collectées pour chaque cellule politique-domaine-endosseur par modèle, résultant en 80 observations par modèle par condition (320 au total par modèle à travers les deux conditions).
• Analyse : L'étude utilise une régression par moindres carrés ordinaires (OLS) pour estimer les décalages spécifiques aux pays dans les scores d'approbation, isolant les effets du domaine de sécurité et de l'invite de justification des différences de base entre les pays.

Résultats clés
Les résultats démontrent des effets d'endossement géopolitique clairs, bien que l'ampleur et la nature de ces effets varient considérablement selon le modèle et la condition.

1. Condition de base numérique uniquement :

   • Modèles occidentaux (GPT-5, Claude Sonnet, Gemini) : Ces modèles attribuent des scores d'approbation nettement inférieurs aux politiques endossées par la Chine et la Russie par rapport à des politiques identiques endossées par les États-Unis ou l'UE.
     • GPT-5 : Montre une pénalité constante pour la Chine (14 points de moins) et la Russie (17 points de moins) par rapport aux États-Unis.
     • Claude Sonnet : Affiche une pénalité modérée dans la vignette économique mais une pénalité sévère dans la vignette de sécurité pour la Chine et la Russie (environ 19 et 28 points de moins, respectivement).
     • Gemini : Présente les pénalités descriptives les plus importantes, particulièrement contre la Russie (environ 47 points de moins que les États-Unis) et la Chine (environ 35 points de moins), même dans le domaine économique.
   • DeepSeek : En tant que seul modèle non occidental de l'échantillon, DeepSeek ne montre aucune différenciation systématique statistiquement significative entre les endosseurs dans la condition numérique uniquement, agissant comme une exception de référence.

2. Effets de la condition de justification :

   • GPT-5 : La demande de justification augmente modestement les scores pour tous les endosseurs mais maintient l'écart occidental/non-occidental.
   • Claude Sonnet : Le schéma général reste intact ; l'invite a peu d'effet sur les scores US/UE mais abaisse légèrement les scores de la Russie.
   • Gemini : La demande de justification atténue les pénalités, augmentant les scores pour la Chine et la Russie d'environ 16 à 19 points, bien qu'ils restent inférieurs aux endossements occidentaux.
   • DeepSeek : La demande de justification active brutalement le raisonnement géopolitique. Alors que la condition numérique uniquement ne montrait aucun biais, la condition de justification déclenche de larges décalages négatifs pour la Chine (-23,3 points) et la Russie (-33,3 points), alignant le comportement de DeepSeek plus étroitement sur celui des modèles occidentaux.

3. Analyse qualitative des justifications :

   • Endossements occidentaux : Les justifications pour le soutien des États-Unis/UE présentent généralement l'endossement comme un « indice de crédibilité », signalant la faisabilité, la capacité institutionnelle et la coordination multilatérale. Les préoccupations sont formulées comme des risques de mise en œuvre standards.
   • Endossements non occidentaux : Les justifications pour le soutien de la Chine/Russie recadrent fréquemment la même politique à travers les prismes de la sécurité des données, de la surveillance, de la dépendance stratégique et du risque géopolitique. L'identité de l'endosseur agit comme un « indice d'avertissement », introduisant des risques politiques latents qui ne sont pas présents dans le texte de la politique elle-même.

Contributions substantielles

• Substantive : L'article étend la littérature sur les biais politiques dans les LLM de l'idéologie domestique vers la légitimité internationale. Il fournit la preuve que les évaluations des modèles peuvent dépendre de l'identité d'un endosseur étranger même lorsque le contenu de la politique est fixe, suggérant que les modèles encodent des théories implicites de confiance et de menace.
• Méthodologique : Il applique un design d'expérience d'endossement issu des sciences sociales pour mesurer le comportement des modèles, traitant les LLM comme des objets de mesure expérimentale plutôt que uniquement comme des outils de prédiction. Il démontre également que les demandes d'explication ne sont pas seulement diagnostiques ; elles peuvent altérer l'évaluation elle-même, révélant des schémas de raisonnement (ou des biais) qui restent étouffés dans les sorties numériques uniquement.

Signification et revendications
L'article affirme que les effets d'endossement géopolitique constituent un facteur de confusion potentiel dans l'analyse de politiques assistée par modèle. Un modèle peut sembler évaluer la faisabilité ou le risque tout en réagissant simultanément au sponsor de la proposition. Les auteurs soutiennent que cela n'implique pas nécessairement que les modèles soient « normativement erronés » concernant la confiance géopolitique, ce qui peut être pertinent pour la mise en œuvre réelle. Cependant, le problème réside dans le fait que le modèle importe ces jugements silencieusement, sans divulguer leur poids ni distinguer la substance de la politique de la légitimité du sponsor.

L'étude conclut que pour les usages à enjeux élevés, les deux modes — numérique uniquement et basé sur la justification — doivent être testés, car les audits basés uniquement sur un mode pourraient manquer ou mal représenter les biais sous-jacents. Les auteurs appellent à des recherches futures pour identifier où ces effets entrent dans le pipeline du modèle (pré-entraînement, réglage fin, prompts système) et pour rendre le rôle du contexte politique dans le jugement des modèles mesurable et contestable.