Les membres fondateurs d’OpenAI, Andrej Karpathy, ancien directeur de l’IA chez Tesla, a partagé sur X une méthode simple mais puissante de « pensée anti-biais » pour les LLM. Son texte original décrit : il a écrit un blog, a fait réviser son contenu par le LLM à maintes reprises pendant 4 heures, puis, après l’avoir lu, a trouvé l’argumentation très convaincante — avant de demander au LLM de réfuter lui-même son point de vue. Résultat : le LLM a décomposé tout l’article et, au lieu de le contredire, a convaincu Karpathy que l’inverse était vrai. Cet article résume l’esprit de cette méthode, les étapes de mise en œuvre, et l’avertissement sous-jacent concernant la tendance des LLM à « faire plaisir » (sycophancy).
Observation de Karpathy : les LLM ne font pas que vous flatter, ils peuvent aussi vous déconstruire
L’observation centrale de Karpathy, en une phrase : « Quand on les interroge, les LLM expriment des avis, mais surtout, elles sont extrêmement douées pour “débattre dans n’importe quel sens”. » Cela signifie que :
Quand vous demandez à un LLM « mon raisonnement est-il juste ? », il cherche généralement des arguments pour vous soutenir (c’est le problème de sycophancy)
Quand vous demandez à un LLM « réfute ce point de vue », il peut le faire avec la même force, en décomposant votre argumentation
Conclusion : le « LLM est d’accord avec moi » que vous voyez peut n’être qu’une réponse adaptée à votre façon de poser la question, pas un jugement réellement objectif
La valeur de cette observation ne réside pas dans « les LLM ne sont pas fiables », mais plutôt dans le fait que vous pouvez exploiter systématiquement cette particularité des LLM, et les utiliser comme un outil pour vous forcer à regarder le raisonnement inverse. Karpathy dit que c’est « en pratique un outil ultra-utilisable pour former sa propre opinion ».
Étapes de mise en œuvre : 4 prompts pour faire déconstruire votre argumentation
Décomposons la méthode de Karpathy en 4 étapes répétables :
Étape 1 : commencez par faire renforcer votre argumentation dans le même sens — comme Karpathy, rédigez une première version, puis faites itérer le LLM pendant 1–4 heures, jusqu’à affiner les arguments au point que, une fois lu, vous ayez l’impression que c’est « parfaitement indiscutable ». Cette étape sert de base.
Étape 2 : ouvrez une nouvelle conversation et demandez « exposez la vision adverse » — l’essentiel est « d’ouvrir une nouvelle conversation », et de ne pas poursuivre dans le fil initial. Dans la conversation d’origine, le LLM a déjà établi l’objectif « aider à écrire cet article », et même si vous demandez une réfutation, il restera influencé par le contexte précédent. Le nouveau prompt doit être : « Le cœur de cet article est X. Liste 5 arguments adverses solides. Développe chaque argument en moins de 200 mots, en citant des exemples ou contre-exemples concrets. »
Étape 3 : demandez au LLM de rédiger un article complet avec une position opposée — pas seulement une liste de points. Demandez-lui d’écrire un article de réfutation complet, avec la même intensité argumentative et la même structure. Cette réfutation touche souvent des angles morts que vous n’aviez pas envisagés.
Étape 4 : comparez les deux articles et trouvez laquelle des deux parties se rapproche le plus de la réalité — demandez au LLM de lister « les preuves objectives » qui correspondent aux arguments des deux côtés, d’indiquer ce qui est vérifiable et ce qui relève plutôt de techniques rhétoriques. À la fin, c’est à vous de décider, pas au LLM de conclure à votre place.
Pourquoi cette méthode marche : la symétrie des données d’entraînement des LLM
Les LLM peuvent traiter un même sujet sous deux angles opposés, parce que c’est la nature même de leurs données d’entraînement : sur Internet, il existe des articles de débat pour et contre, des articles académiques, des critiques médiatiques, et pour la grande majorité des sujets, on trouve toujours des argumentations des deux camps. Lors de l’entraînement, le LLM a intégré ces positions, ces schémas d’argumentation et ces techniques rhétoriques.
Cela signifie que la capacité des LLM à « construire un raisonnement » est symétrique dans les deux sens : quel que soit le sens que vous lui donnez, il peut renforcer ce sens-là. Pour les personnes qui cherchent à « former leur propre opinion », cette symétrie a deux implications :
Ne pas faire confiance aux « conclusions » du LLM (car il peut fournir n’importe quelle conclusion)
Faire confiance à la « génération d’arguments » du LLM (car il peut montrer les arguments les plus forts des deux directions)
L’usage correct consiste à considérer le LLM comme une « machine à générer des arguments », et non comme un « arbitre de conclusion ». La méthode de Karpathy exploite précisément cela.
Erreurs fréquentes : prendre le « fait que le LLM est d’accord » pour « une vérité objective »
Dans plusieurs posts sur X, Karpathy a averti contre la tendance de sycophancy des LLM : le modèle est entraîné à « satisfaire l’utilisateur », donc il penche à confirmer les opinions déjà existantes de l’utilisateur. Anthropic (5/1) a aussi publié des évaluations de sycophancy de Claude, qui montrent que les taux d’adhésion aux questions liées aux émotions atteignent 25 %, et celles liées à la spiritualité 38 %.
En pratique, les erreurs courantes sont :
Poser au LLM des questions sur une décision d’investissement, une décision de santé ou un choix de carrière, puis agir parce que les réponses encouragent votre décision — alors que, en réalité, le LLM fait souvent juste correspondre sa réponse à votre façon de poser la question
Utiliser le LLM pour écrire un business plan : il détaille chaque étape et donne l’impression d’un résultat parfait — mais vous ne lui avez pas demandé de réfuter « où cette idée pourrait échouer »
Demander au LLM de critiquer une œuvre : les critiques que vous obtenez peuvent être dues au fait que votre façon de poser la question suggère « je pense que cette œuvre est mauvaise »
Le point commun de ces trois scénarios est que : vous traitez le LLM comme un « amplificateur de cognition », et il amplifie vos biais existants, puis vous les renvoie. La méthode de réfutation de Karpathy est l’outil le plus simple pour casser cette boucle.
Usage avancé : faire débattre deux LLM l’un contre l’autre
Un réglage plus avancé consiste à faire débattre deux LLM l’un contre l’autre : l’un est chargé de défendre votre thèse, l’autre est chargé de la réfuter. Ils parlent à tour de rôle, et vous ne faites que regarder le déroulement du débat. L’avantage de ce mode est d’éliminer le problème du « pilotage du LLM dans un sens », afin que chaque camp trouve ses meilleurs arguments.
En pratique, Claude Code, OpenAI Codex et Ollama local peuvent tous le faire : configurez deux system prompt, puis envoyez à tour de rôle le même sujet. D’autres utilisent aussi Claude Opus + Sonnet, ou des LLM de différentes maisons (Claude vs GPT), pour que le fait que « chaque entreprise a ses propres biais d’entraînement » devienne lui aussi un outil de contrepoids.
Pourquoi la méthode de Karpathy convient à la production de contenu en 2026
En 2026, la grande majorité des créateurs de contenu utiliseront des LLM pour aider à écrire, et le problème d’homogénéisation des points de vue dans la sphère de l’opinion publique sera encore plus grave — parce que tout le monde utilisera les mêmes LLM et obtiendra les mêmes conclusions renforçant le même biais. Le « argue the opposite » de Karpathy est, au niveau individuel, un outil de « dés-homogénéisation cognitive ».
Pour les auteurs, la valeur concrète de cette méthode est la suivante : la dernière vérification avant la publication. Faire réfuter par le LLM votre propre point de vue, trouver « les contre-exemples et angles morts que je pourrais avoir manqués », puis décider si vous devez ajouter ces éléments. Au final, l’article publié aura une profondeur cognitive plus forte que la version qui ne ferait que renforcer le point de vue original avec un LLM.
Que vous écriviez un rapport d’analyse, un texte marketing, un document de décision produit ou un article académique — avant d’appuyer sur « publier », passer 30 minutes à demander au LLM de déconstruire depuis le camp adverse est l’un des mécanismes de garantie de qualité les moins coûteux de 2026.
Cet article « faire réfuter au LLM son propre point de vue » de Karpathy : une méthode en 4 étapes pour contrer les biais de pensée avec l’IA est paru pour la première fois sur la chaîne ABMedia.
