Images absurdes conçues pour provoquer une réaction, vidéos historiques truffées d’erreurs, articles génériques publiés par centaines ou fausses séquences d’actualité : l’expression « AI slop » désigne cette masse de contenus générés par intelligence artificielle, produits rapidement et avec peu de contrôle humain.
Merriam-Webster définit le « slop » comme un contenu numérique de faible qualité, généralement produit en quantité au moyen de l’intelligence artificielle. Le problème n’est donc pas l’outil lui-même. Il apparaît lorsque la réduction des coûts et la conquête de l’attention deviennent plus importantes que l’exactitude, l’originalité ou l’utilité.
Ce phénomène rend-il Internet moins fiable ? Oui, parce qu’il augmente le volume d’informations douteuses et le travail nécessaire pour les vérifier. Mais il serait excessif d’affirmer que tout contenu généré est faux ou que l’exactitude générale du Web s’est déjà effondrée.
Une production presque gratuite et potentiellement illimitée
Avant l’IA générative, publier un article, une illustration ou une vidéo exigeait généralement du temps et des compétences. Ces contraintes ne garantissaient pas la qualité, mais elles limitaient le volume qu’un individu pouvait produire.
Un même opérateur peut désormais générer des dizaines de contenus en quelques heures, les traduire automatiquement et les diffuser sur plusieurs plateformes. Si une faible proportion attire suffisamment de clics ou de revenus publicitaires, le modèle économique peut rester rentable malgré une qualité médiocre.
L’ampleur du phénomène reste difficile à mesurer, notamment parce que les détecteurs de textes générés peuvent produire des erreurs. Une étude préliminaire publiée en 2026, fondée sur des pages archivées entre 2022 et 2025, estime néanmoins qu’environ 35 % des nouveaux sites publiés à la mi-2025 comportaient du texte généré ou assisté par IA.
Les chercheurs ont observé une réduction de la diversité sémantique, mais pas de diminution statistiquement démontrée de l’exactitude factuelle globale. La standardisation des contenus est donc mesurable ; l’effondrement général de la vérité ne l’est pas encore.
Les algorithmes récompensent ce que l’IA produit facilement
L’« AI slop » prospère parce que les plateformes classent les publications selon leur capacité à retenir l’attention, susciter une réaction ou répondre rapidement à une requête. Elles ne mesurent pas systématiquement le travail de recherche ou la fiabilité situés derrière le contenu.
Les images spectaculaires, les récits sentimentaux et les affirmations choquantes peuvent obtenir des interactions avant que leur origine soit examinée. L’IA permet d’en produire de nombreuses variantes, puis de conserver celles qui fonctionnent le mieux.
Une étude portant sur plus de 91 000 publications trompeuses signalées sur X a constaté que la désinformation générée par IA provenait plus souvent de petits comptes et devenait plus fréquemment virale que les autres contenus trompeurs. Elle était cependant jugée légèrement moins crédible et moins nuisible.
L’intelligence artificielle ne rend donc pas nécessairement chaque mensonge plus convaincant. Elle facilite surtout sa production, son adaptation et sa multiplication.
Une autre expérience, menée auprès de 680 participants dans un environnement social simulé, a montré que certaines aides génératives augmentaient la quantité de contributions, mais réduisaient la qualité et l’authenticité perçues des échanges. Produire davantage ne signifie pas nécessairement mieux informer.
Le véritable risque est la dilution des signaux de confiance
Internet a toujours contenu des erreurs, du spam, de la propagande et des rumeurs. L’« AI slop » n’invente pas ces phénomènes. Il modifie leur échelle et leur apparence.
Un texte généré peut adopter le ton d’un expert et présenter des informations fausses avec assurance. Une photographie synthétique peut imiter les codes du reportage. Une vidéo peut associer une voix crédible à un événement qui n’a jamais eu lieu.
Le résultat n’est pas seulement que certains utilisateurs croient des contenus faux. Ils peuvent également finir par douter de documents authentiques. Une vraie photographie devient contestable parce qu’elle « ressemble à de l’IA ». Une vidéo documentant un événement peut être rejetée comme un deepfake sans autre examen.
La fiabilité d’un espace informationnel dépend de signaux permettant d’identifier l’auteur, la date, la source et la méthode de production. Le « slop » reproduit souvent leur apparence sans fournir les preuves correspondantes.
Les moteurs de recherche peuvent recycler des sources synthétiques
Le danger augmente lorsque les contenus générés remontent dans les résultats de recherche ou servent de références à d’autres systèmes d’IA.
Une étude préliminaire de 2026 a audité quatre moteurs de recherche génératifs sur 712 questions liées à la politique, à la santé et à l’environnement. Environ 16 % des sources citées présentaient des indices de contenu généré par IA.
Cette estimation dépend de méthodes de détection imparfaites. Elle révèle néanmoins un risque de boucle : une IA produit une page, une autre IA la cite, puis sa réponse acquiert une apparence d’autorité parce qu’elle comporte une référence.
La présence d’un lien ne suffit donc pas à garantir la fiabilité. Il faut encore vérifier que la source possède une expertise identifiable, qu’elle apporte des preuves et qu’elle ne se contente pas de reformuler automatiquement d’autres pages.
Google considère comme un abus la création à grande échelle de pages sans valeur ajoutée destinées à manipuler le classement, qu’elles soient produites par IA, par des humains ou par une combinaison des deux. Le problème pertinent n’est pas l’outil employé, mais la production industrielle de contenu inutile.
Tout contenu synthétique n’est pas une fausse actualité
Une vidéo de chats imaginaires peut être artificielle sans chercher à tromper sur un fait important. À l’inverse, un faux discours attribué à un responsable politique, une photographie inventée d’une catastrophe ou un article médical automatisé peuvent provoquer un préjudice concret.
Entre ces deux catégories se trouve une zone grise : récits historiques approximatifs, conseils financiers génériques, fausses anecdotes présentées comme réelles ou vidéos sensationnalistes mélangeant faits et inventions.
Leur auteur ne poursuit pas nécessairement un objectif politique. Il peut simplement chercher des revenus publicitaires. Une usine à contenus peut donc polluer l’environnement informationnel sans mener une campagne organisée de désinformation.
Cette distinction est importante. Le « slop » n’est pas toujours conçu pour faire croire un mensonge précis. Il peut néanmoins installer des informations erronées, banaliser l’absence de sources et rendre les contenus sérieux moins visibles.
Les plateformes commencent à réagir
YouTube a clarifié en juillet 2025 que les vidéos répétitives ou produites en masse entraient dans sa catégorie de contenu « inauthentique » non admissible à la monétisation. La plateforme précise cependant que l’utilisation de l’IA reste acceptable lorsque le résultat est original et apporte une valeur réelle.
Google applique une logique comparable dans les résultats de recherche : un contenu n’est pas sanctionné simplement parce qu’il a été produit avec une IA, mais sa génération massive sans valeur ajoutée peut constituer du spam.
TikTok et Meta imposent ou proposent également des étiquettes pour certains médias synthétiques réalistes. TikTok utilise notamment les métadonnées du standard C2PA, ses propres détecteurs et des systèmes de marquage automatique.
Ces mesures restent imparfaites. Les métadonnées peuvent disparaître lorsqu’une vidéo est modifiée ou republiée. Les détecteurs peuvent produire de faux résultats. Une étiquette « généré par IA » n’indique pas que le contenu est faux, tandis que son absence ne prouve pas qu’il est authentique.
Les plateformes affrontent aussi un conflit d’intérêts. Les contenus bon marché augmentent le volume disponible et peuvent produire de l’engagement, donc des revenus. Elles doivent limiter le spam sans décourager les outils génératifs qu’elles développent parfois elles-mêmes.
Le Web peut également contaminer les futures IA
Si une part croissante du Web devient synthétique, les futurs modèles risquent d’apprendre à partir des productions des générations précédentes.
Des chercheurs ont montré dans la revue Nature qu’un entraînement récursif sur des données synthétiques non contrôlées peut provoquer un « effondrement du modèle ». Certaines informations rares disparaissent progressivement et les résultats deviennent moins représentatifs de la réalité.
Cela ne signifie pas que toute donnée artificielle est nocive. Des données synthétiques sélectionnées et vérifiées peuvent être utiles. Le risque vient d’une contamination répétée, non identifiée et insuffisamment contrôlée.
La provenance des contenus devient donc importante non seulement pour les lecteurs, mais aussi pour les entreprises qui entraîneront les prochaines générations de modèles.
Une crise de traçabilité plus qu’une disparition de la vérité
La réponse ne peut pas consister à rejeter tout contenu assisté par IA. Une politique crédible doit viser la qualité, la traçabilité et la responsabilité plutôt que la seule présence d’un outil génératif.
Les plateformes devraient réduire les incitations financières offertes aux comptes industriels sans valeur ajoutée, imposer un marquage aux médias synthétiques réalistes et privilégier les sources disposant d’un auteur, d’une méthode et de références vérifiables.
Les éditeurs doivent renforcer ce que les fermes à contenu reproduisent difficilement : enquêtes originales, expérience directe, données propriétaires, corrections visibles et responsabilité éditoriale.
Pour les affirmations importantes, les utilisateurs doivent remonter à la source primaire, vérifier la date et rechercher une confirmation indépendante avant de partager une image ou une actualité spectaculaire.
L’« AI slop » rend bien Internet moins fiable au sens pratique : il devient plus difficile et plus coûteux de distinguer rapidement le document solide de l’imitation convaincante.
Il ne rend cependant pas tout le Web faux. Il crée surtout une inflation du bruit, une standardisation des contenus et une pression économique contre les productions qui demandent du temps.
La question centrale n’est donc pas de savoir si une machine a participé à la création. Elle est de déterminer qui répond du contenu, quelles preuves l’accompagnent et si sa publication apporte davantage d’information que de confusion.
