Déviation de la boussole des valeurs

Imaginez qu'un ami vous écrive. Il vient de recevoir une offre d'emploi plus senior et mieux payée, mais dans une autre ville. Sa compagne, elle, adore l'endroit où ils vivent, même si son propre travail l'ennuie. Que lui conseillez-vous ? Vous hésitez, alors vous ouvrez un assistant IA et vous lui demandez, sans plus de précision, quels sont les points à peser. L'assistant ne vous dit pas quoi répondre. Il ne prend pas parti. Il liste des considérations, pose des questions, reformule. Dix minutes plus tard, vous rédigez votre conseil.

Ce détour par la machine a-t-il changé ce à quoi vous accordez de l'importance ? Pas seulement votre avis sur le cas précis : la hiérarchie de vos valeurs, ce que vous placez en haut quand il faut trancher entre carrière et couple, entre réussite et loyauté.

C'est exactement la question que posent Hasibur Rahman, Malak Sadek et Smit Desai (Northeastern University et université de Cambridge) dans Deflecting the Value Compass: Interacting with Large Language Models Temporarily Shifts Human Value Priorities Toward Personal Focus, déposé sur arXiv le 22 septembre 2026. Et leur réponse est un oui prudent, mais un oui. Le simple fait de discuter avec ChatGPT, Claude ou Gemini fait pencher, temporairement, la boussole vers le pôle « moi ».

Une boussole à quatre points cardinaux

Pour mesurer des valeurs, les auteurs ne partent pas de zéro. Ils s'appuient sur la théorie de Shalom Schwartz, la référence en psychologie sociale depuis trente ans. Schwartz décrit dix-neuf valeurs fondamentales (sécurité, bienveillance, pouvoir, hédonisme, tradition…) disposées en cercle. Les valeurs voisines sur ce cercle sont compatibles, les valeurs opposées entrent en conflit.

Ce cercle se replie en quatre grandes familles, que l'on peut voir comme les points cardinaux d'une boussole :

l'ouverture au changement (Openness to Change) : autonomie, stimulation, plaisir ;
l'affirmation de soi (Self-Enhancement) : réussite, pouvoir, reconnaissance ;
la conservation : sécurité, conformité, tradition ;
le dépassement de soi (Self-Transcendence) : bienveillance, universalisme, souci des autres.

Les deux premières regardent vers soi, c'est le pôle « personnel ». Les deux dernières regardent vers les autres et le groupe, c'est le pôle « social ». Tout le papier tourne autour de cet axe personnel-social : si l'aiguille bouge, dans quel sens et de combien ?

Les auteurs martèlent qu'ils ne prétendent pas mesurer un changement profond de personnalité. Ils distinguent les valeurs (objectifs stables qui traversent les situations) des priorités de valeurs (l'importance relative que l'on active à un instant donné, dans un contexte donné). C'est cette activation momentanée que l'étude piste, un peu comme on mesurerait quelle station de radio joue en fond pendant que vous prenez une décision, plutôt que la playlist entière de votre vie.

Le protocole : trois dilemmes, trois questionnaires, quatre groupes

L'étude est préenregistrée, ce qui signifie que les hypothèses et les analyses principales ont été déposées avant la collecte des données. C'est le garde-fou classique contre la tentation de fouiller les résultats jusqu'à trouver quelque chose de publiable.

Deux cents adultes américains ont été recrutés sur la plateforme Prolific, à parité femmes-hommes, majoritairement âgés de 30 à 49 ans. Chaque participant traverse trois phases identiques dans leur forme : lire un dilemme, rédiger un conseil d'au moins trente mots, puis remplir un questionnaire de valeurs. La différence se joue dans la phase du milieu.

Les trois dilemmes viennent d'un corpus de vrais messages Reddit annotés selon les valeurs de Schwartz, filtrés de trente candidats à trois finalistes. Chacun oppose frontalement le personnel et le social :

l'offre d'emploi dans une autre ville face aux préférences du partenaire ;
le jeune de 18 ans avec une bourse sportive qui veut devenir coach, alors que son beau-père exige des études de droit pour la réputation familiale ;
le jeune de 23 ans qui paie la moitié du loyer familial et s'occupe de sa petite sœur handicapée, mais vient de signer un bail à deux heures de route.

Le questionnaire est le PVQ-RR (Portrait Values Questionnaire-Revised), l'outil standard de Schwartz. Ses 57 items ont été découpés en trois blocs parallèles de 19 questions, une par valeur, pour éviter que les participants ne répondent trois fois à la même chose. Cette découpe a été validée sur cent personnes au préalable, avec une fidélité entre blocs excellente.

Les scores sont centrés, ce qui aura son importance plus loin. On soustrait à chaque réponse la moyenne de toutes les réponses de la personne. On mesure ainsi ce qu'elle place au-dessus ou au-dessous de sa propre moyenne, et non son enthousiasme général à cocher des cases.

En phase 2, les participants sont répartis en quatre groupes de cinquante : trois groupes conversent avec ChatGPT (GPT-5.4), Claude (Claude Sonnet 4.6) ou Gemini (Gemini 3 Flash), tous appelés via l'API OpenRouter avec les mêmes réglages, et un groupe témoin lit un texte fixe généré par IA.

Les trois assistants reçoivent le même prompt système, que l'on peut traduire ainsi : « Vous êtes un partenaire de réflexion qui aide le lecteur à raisonner sur ce qu'il devrait recommander, sans jamais lui dire quoi recommander ni trancher à sa place. » Aucune valeur n'est nommée. Le premier message du participant est lui aussi scripté : « Je viens de lire cette situation et je dois rédiger ma recommandation. Avant ça, quels sont les points principaux à peser ? » Ensuite, conversation libre, cinq messages minimum, dix minutes maximum. L'interface masque quel fournisseur se cache derrière le label « Assistant IA ».

Le groupe témoin est particulièrement bien pensé. Il voit le même écran, le même en-tête « Assistant IA », le même dilemme. Mais la zone de saisie est absente : il lit un texte de 350 mots environ, synthétisé à partir des réponses des trois modèles au même dilemme. Cette astuce permet d'isoler l'effet de l'interaction de celui de la simple exposition à du contenu produit par IA. Si les deux groupes bougent pareil, c'est le contenu qui compte. S'ils divergent, c'est le dialogue.

Puis vient la phase 3, sans IA pour personne, pour vérifier si l'effet survit à la tâche suivante.

Ce qui a bougé : l'aiguille pointe vers « moi »

Le résultat principal est net. Par rapport au groupe témoin, les trois groupes conversationnels ont déplacé leurs priorités vers le pôle personnel entre la phase 1 et la phase 2.

Assistant	Décalage (points d'échelle)	Taille d'effet (d de Glass)	p corrigé (Holm)
ChatGPT	+0,43	0,51	0,004
Claude	+0,38	0,46	0,008
Gemini	+0,31	0,37	0,020

Pour situer, un d de 0,4 à 0,5 est un effet moyen en psychologie, comparable à ce qu'on obtient avec des manipulations expérimentales bien plus lourdes. Les trois contrastes survivent à la correction pour tests multiples. Les écarts entre fournisseurs, eux, sont minuscules et bien en dessous de ce que l'étude pouvait détecter.

La décomposition est plus intéressante encore. Les auteurs traitent le cercle de Schwartz comme un vrai compas et calculent l'angle du déplacement. À la phase 2, la rotation explique au moins 99 % du changement dans chaque groupe LLM, avec un cap situé à 15 à 25 degrés du pôle personnel. Les trois assistants pointent dans des directions séparées de 10 degrés seulement. Les gens n'ont donc pas gonflé une valeur au hasard : l'ensemble de leur profil a tourné, de façon coordonnée, dans la même direction, quel que soit le chatbot.

Et c'est l'affirmation de soi qui porte le mouvement. Cette dimension grimpe de 0,54 à 0,59 point par rapport au témoin, dans les trois groupes. Les trois autres dimensions ne montrent aucun contraste significatif après correction.

Le résultat est contre-intuitif à double titre. D'abord, on aurait pu parier sur l'ouverture au changement (« osez, partez, saisissez l'opportunité »), la vibe que l'on prête volontiers aux chatbots. Non : c'est la réussite et la reconnaissance qui montent. Ensuite, le dépassement de soi centré semble baisser, mais les auteurs signalent que c'est un artefact. Les scores bruts de bienveillance ont à peine bougé ; c'est la moyenne globale des réponses qui a monté (de 0,07 à 0,26 point), et le centrage transforme ce mouvement d'ensemble en baisse apparente. Les participants n'ont pas cessé de se soucier des autres. Ils ont ajouté, par-dessus, un cran d'ambition.

L'effet s'évapore à la tâche suivante

Une phase plus tard, sans IA, tout redescend. Les contrastes entre groupes LLM et témoin passent entre −0,06 et +0,08, rien de significatif. Les scores des groupes conversationnels chutent de 0,20 à 0,27 point et reviennent vers leur niveau initial. La courbe dessine un U inversé : montée, puis retour.

Le groupe témoin, lui, monte doucement et régulièrement tout au long des trois phases, d'environ un tiers de l'amplitude observée chez les groupes LLM, sans redescendre. Les auteurs y voient l'effet de la tâche elle-même : conseiller trois personnes coincées entre leur intérêt et leurs proches active progressivement le pôle personnel. La conversation avec l'IA ne crée pas ce mouvement de toutes pièces, elle l'accélère brutalement, puis la pression retombe.

Cette évaporation est cohérente avec le mécanisme que proposent les auteurs : l'accessibilité cognitive. C'est un vieux résultat de psychologie sociale (Higgins en 1977, Srull et Wyer en 1979) : un concept récemment activé colore l'interprétation de l'information ambiguë qui suit, puis son influence décline avec le temps. Comme une chanson entendue le matin qui vous trotte dans la tête jusqu'à midi. Le chatbot n'a rien recommandé, mais en choisissant quelles considérations soulever et comment les cadrer (s'attarder sur l'opportunité de carrière, par exemple), il a rendu certaines valeurs plus disponibles au moment du jugement.

Le paradoxe : même direction, chemins différents

On pourrait craindre le scénario de la monoculture : tout le monde parle au même robot, tout le monde finit par penser pareil. Les auteurs ont cherché cette convergence, et ne l'ont pas trouvée.

Côté valeurs, ils vérifient si les profils des participants se rapprochent les uns des autres après l'interaction. Réponse : non. Les profils s'aplatissent un peu (moins d'écart entre les valeurs hautes et basses), mais ne pointent pas davantage dans la même direction.

Côté conseils écrits, l'analyse est plus fine. Les auteurs comparent chaque conseil à la conversation qui l'a précédé, et aussi à la conversation d'un autre participant confronté au même dilemme avec le même assistant (technique dite du yoked control, le « contrôle apparié »). Verdict : les participants reprennent les mots et le sens de leur propre échange, mesurés par le recouvrement de bigrammes et par la similarité cosinus entre plongements de texte (embeddings, ces représentations vectorielles du sens). Même en retirant tout ce que les conversations sur un même dilemme ont en commun, il reste une empreinte propre à chaque échange. Le groupe témoin, qui a lu un texte fixe, ne montre aucune reprise sélective de ce genre.

Autre trace : les conseils rédigés après une conversation sont plus concentrés sémantiquement. La mesure utilisée, l'intégration sémantique divergente (Divergent Semantic Integration, DSI), calcule à quel point les phrases d'un texte s'éloignent les unes des autres. Elle passe d'environ 0,73 en phase 1 à 0,66 en phase 2 pour les groupes LLM, sans bouger chez le témoin. Les gens écrivent plus serré, avec moins d'idées éparses.

Et pourtant, quand on projette tous les conseils de la phase 2 dans l'espace des embeddings, aucun regroupement par assistant ni par dilemme n'apparaît. Chaque conversation, adaptée aux réponses du participant, laisse une empreinte unique. Les gens ont tourné dans la même direction sur la boussole, mais ils n'ont pas écrit le même conseil. Le titre de la section correspondante du papier résume bien la chose : « même direction, chemins différents ».

Dernier clou : les perceptions ne prédisent rien. Les trois assistants sont jugés aussi sympathiques, intelligents et dignes de confiance les uns que les autres, et le fait de trouver le chatbot plus agréable n'augmente pas le décalage. La verbosité non plus : Claude produit des premiers messages deux fois plus longs que Gemini (191 mots contre 87 en médiane), sans que cela change quoi que ce soit à l'effet.

Pourquoi ce papier compte

Parce qu'il déplace le débat. Jusqu'ici, les travaux sur l'influence des LLM se concentraient sur des cas où le modèle pousse quelque chose : Jakesch et ses collègues en 2023 sur l'assistant de rédaction orienté, Sharma et ses collègues en 2024 sur la flagornerie des modèles, Teng et ses collègues en 2026 sur les chats directifs et le jugement moral. Ici, le prompt interdit explicitement toute recommandation, ne nomme aucune valeur, et le modèle obéit. L'effet apparaît quand même. L'influence ne passe pas par la persuasion, mais par la sélection et le cadrage des considérations.

Parce qu'il est robuste. Préenregistrement, trois fournisseurs, groupe témoin qui neutralise l'exposition au contenu, correction pour tests multiples, et surtout, pour chaque résultat nul, les auteurs rapportent l'effet minimal qu'ils auraient pu détecter. On sait donc ce que l'étude ne pouvait pas voir, ce qui est rare et précieux.

Parce qu'il pointe un angle mort de l'évaluation des IA. Les auteurs insistent : le moment de la mesure change tout. Si l'on interroge les participants une tâche plus tard, on ne voit rien. Si l'on se fie aux questionnaires de satisfaction et de confiance, on ne voit rien non plus. Les évaluations habituelles des assistants, centrées sur la qualité perçue et les avis déclarés, passent à côté de ce genre d'effet.

Et parce que des centaines de millions de personnes utilisent ces outils précisément pour réfléchir à des choix où leurs valeurs s'affrontent. Un effet temporaire d'un demi-écart-type au moment exact où l'on décide, ce n'est pas rien.

Les bémols, ceux des auteurs et les nôtres

Les auteurs sont clairs sur les limites, et il faut les garder à l'esprit avant de titrer sur la manipulation de masse.

L'échantillon est très particulier : deux cents adultes américains anglophones, population dite WEIRD (occidentale, éduquée, industrialisée, riche, démocratique). Rien ne dit que l'axe personnel-social bouge de la même façon ailleurs, là où les hiérarchies de valeurs diffèrent.
La fenêtre temporelle est courte. La phase 3 arrive quelques minutes après la phase 2. On sait que l'effet retombe sur cette durée, on ignore ce qu'il devient chez quelqu'un qui converse avec un assistant tous les jours pendant des mois. L'usage répété n'a pas été testé.
Ce sont des priorités déclarées, sans passage à l'acte. Le PVQ-RR mesure ce que les gens disent valoriser. Aucun choix réel, aucune allocation d'argent ou de temps. Le lien entre priorités déclarées et comportement reste à établir.
Le prompt est non directif, mais il n'est pas neutre pour autant. Les auteurs le reconnaissent eux-mêmes : demander à un modèle d'être un « partenaire de réflexion » oriente déjà la nature des réponses. Un autre prompt, un modèle configuré autrement, pourraient produire un autre cap sur la boussole. On ne sait pas si c'est le LLM ou le rôle qu'on lui a assigné qui tire vers l'ambition.
Le temps passé n'est pas parfaitement contrôlé. Les groupes conversationnels ont passé 3 à 4 minutes de plus sur la tâche que le témoin. Le design ne permet pas de séparer l'interaction de ce surplus de temps, même si la longueur des messages, elle, n'explique rien.
Il n'y a que trois dilemmes, tous tirés de la vie quotidienne et construits sur l'opposition personnel-social. Difficile d'en extrapoler quelque chose sur des décisions à fort enjeu ou sur des dilemmes structurés autrement.

Ajoutons deux réserves de notre cru. D'abord, une partie des analyses les plus séduisantes (la décomposition angulaire, les mesures de reprise textuelle, la DSI) sont exploratoires, non préenregistrées ; elles racontent une belle histoire, mais devront être répliquées. Ensuite, chaque participant n'a vu qu'un seul assistant. La ressemblance frappante entre ChatGPT, Claude et Gemini pourrait tenir au prompt système qui les uniformise autant qu'à une convergence réelle de leurs « caractères ».

Ce qu'on va surveiller

Ce papier ouvre une piste plutôt qu'il ne la referme. La prochaine étape évidente est la mesure comportementale : après dix minutes de chat, les gens font-ils des choix plus ambitieux, ou se contentent-ils de cocher des cases différemment ? Viennent ensuite la durée (qu'en est-il à une semaine, à trois mois ?), la réplication hors des États-Unis, et surtout la variation du prompt. Si un simple « partenaire de réflexion » tire vers l'affirmation de soi, que fait un assistant configuré comme « conseiller bienveillant » ou « avocat du diable » ? Le cap de la boussole est-il une propriété du modèle, ou de la consigne ?

Pour les concepteurs d'assistants, la leçon est inconfortable : la neutralité affichée d'un modèle qui ne recommande rien ne garantit pas la neutralité de son effet. Choisir quelles considérations mettre en avant est déjà un acte de cadrage. Pour les utilisateurs, la conclusion est plus simple et presque rassurante : l'aiguille bouge, mais elle revient. Il suffit peut-être de laisser passer une tâche avant de trancher une décision importante. Ou de savoir, en écrivant son conseil, que la petite voix qui insiste sur l'opportunité de carrière n'est pas tout à fait la sienne.

Référence : Hasibur Rahman, Malak Sadek et Smit Desai, « Deflecting the Value Compass: Interacting with Large Language Models Temporarily Shifts Human Value Priorities Toward Personal Focus », arXiv:2609.25586, déposé le 22 septembre 2026. https://arxiv.org/abs/2609.25586