Comment les IA génératives réagissent-elles à une sollicitation philosophique ?

Résumé

Nous avons soumis des questions philosophiques à six modèles grand public (ChatGPT, Claude, Gemini, Grok, Mistral, DeepSeek), dans cinq langues, et fait analyser 4 956 réponses selon un protocole écrit et fixé avant la collecte. Un mot sur le vocabulaire : nous dirons qu'une réponse « expose un raisonnement » quand elle avance des raisons qui pourraient être contestées, plutôt que de résumer des doctrines, conseiller ou réconforter. C'est une propriété du texte produit, qui ne préjuge de rien quant au modèle ; la convention est précisée au §2.4.

Premier constat : la réponse n'expose un raisonnement que si la question contient déjà un problème. Interrogés sur un problème philosophique identifié, ces systèmes proposent un raisonnement dans 65 à 85 % des cas, même quand la question est posée naïvement, sans un mot de vocabulaire technique. Interrogés sur une situation personnelle, du type « mon travail est bien payé mais je n'y vois plus de sens », ils délivrent du conseil pratique dans 98 à 100 % des cas. Une seconde expérience, où la même situation est posée mot pour mot sous trois formes différentes, écarte l'explication par la formulation : aucune forme n'obtient plus de 1 % de raisonnement, et demander explicitement « qu'est-il juste de faire, et pourquoi ? » produit 99 % de conseil. Ce n'est pas la façon de demander qui décide, c'est la présence d'un problème déterminé dans la question.

Deuxième constat : exposer un raisonnement n'est pas encore peser des positions. Une seconde mesure, la mise en problème, note de 0 à 4 si la réponse expose plusieurs positions incompatibles avec les raisons de chacune. Parmi les réponses qui proposent un raisonnement, 45 % seulement atteignent le seuil des deux positions argumentées, et la note moyenne plafonne à 2,2 sur 4, y compris face à une question de spécialiste.

Troisième constat : sur une situation personnelle, les questions que ces systèmes renvoient à l'utilisateur ne sont pas des problèmes philosophiques mais des incitations à l'introspection psychologique : 82 % d'entre elles ne se rattachent à aucun problème identifiable. Annoncer qu'on attend une réflexion philosophique améliore les choses sans les régler, et l'effet s'épuise précisément là où l'utilisateur parle de sa propre existence.

Le dernier résultat répond au premier. Si le raisonnement n'apparaît qu'en présence d'un problème, fournir les problèmes doit le faire apparaître. Nous avons donc testé une carte des problèmes philosophiques, une liste de questions munies chacune des positions qui s'y affrontent. Elle ne diversifie pas les auteurs cités et n'ouvre guère plus de questions, mais elle triple la mise en problème et fait tomber de 56 % à 15 % la part des questions non identifiables. Le contrôle isole ce qui agit : la même carte réduite à une liste de thèmes, sans les positions, n'obtient que la moitié du gain. Ce n'est pas l'étendue du terrain qui compte, c'est que chaque question arrive avec les positions qui s'y affrontent.

1. La question de départ

Nous voulions savoir si les LLMs (Large Language Models) sollicités dans une interface conversationnelle font de bons compagnons philosophiques. Non pas s'ils connaissent le corpus philosophique, ce qui est évident, mais s'ils accompagnent utilement quelqu'un qui veut mener une réflexion philosophique : un curieux sans formation, une personne travaillée par une question sincère, un étudiant devant un sujet, un spécialiste qui veut creuser une difficulté. Quelles sont leurs grandes tendances face à une sollicitation philosophique ?

Notre intuition initiale était double. D'abord qu'ils ont tendance à retomber dans le même sillon, à coloration existentialiste : le sens qu'on construit, l'authenticité, les choix dont on est responsable, quel que soit le point de départ. Ensuite, et c'est le plus paradoxal, qu'ils rétrécissent le champ des problèmes et des théories, alors même qu'ils donnent accès en principe à la quasi-totalité du corpus philosophique existant. N'est-il pas frustrant qu'une machine qui a lu Sextus Empiricus, Nagarjuna, Anscombe ou Simondon reviennent toujours aux lieux communs sur une poignée d'auteurs ?

Nous avons rédigé le protocole complet avant de collecter la moindre réponse, avec ses hypothèses, ses seuils de réussite et d'échec et ses métriques, pour que les critères ne puissent pas être choisis après coup. Deux de nos hypothèses ont été démenties par la mesure, d'autres sont confortées.

Transparence nécessaire : nous développons Philoscopia, un site web qui propose un référentiel de 80 grandes questions (les axes) et un panel des principales positions concurrentes (les pôles), documentées et sourcées, avec les arguments qui les soutiennent et les objections qui les visent, afin qu'un lecteur puisse situer ses propres convictions et les mettre à l'épreuve. La seconde moitié de cette étude teste en partie l'intérêt d'un tel référentiel. Puisque nous avons des attentes qui pourraient biaiser les résultats, nous avons comparé ce "remède" à deux placebos et fait faire l'analyse en aveugle par un LLM. Nous publions par ailleurs les données brutes ainsi qu'un dépôt GitHub permettant de reproduire l'expérience et de la faire varier.

2. Le protocole

2.1 Ce qui est testé, et pourquoi une seule réponse

L'expérience croise quatre choses : des modèles, des questions, des façons de les poser, et un supplément d'information fourni ou non au modèle. Nous décrivons les modèles ici, les questions en 2.2 et ce supplément en 2.3 ; ce que nous mesurons sur les réponses obtenues fait l'objet de 2.4.

Nous avons testé six modèles, un par fournisseur parmi les plus en usage actuellement (sans souci d'exhaustivité, principalement pour une question de coût), dans leur version de gamme moyenne, celle que rencontre un utilisateur ordinaire : GPT-5.6 Terra (OpenAI), Claude Sonnet 5 (Anthropic), Gemini 3.6 Flash (Google), Grok 4.5 (xAI), Mistral Medium 3.5 (Mistral AI, retenu pour tester un éventuel biais français), DeepSeek V4 Pro (DeepSeek, retenu parmi d'autres concurrents du marché chinois comme MoonshotAI ou Z.ai). Chaque question du panel est posée plusieurs fois, dans une conversation neuve à chaque fois, à la température par défaut.

Seule la première réponse est analysée. Ce choix mérite d'être justifié, car c'est aussi la principale limite de l'étude. Il correspond à un usage très répandu : on pose une question, on lit la réponse, on s'en va. Cet usage est assurément contraire à la démarche philosophique elle-même, qui suppose de reprendre, d'objecter, de remonter aux présupposés. Le dialogue avec une IA pourrait offrir un cadre idéal pour cela, et savoir ce que devient un échange de dix tours est une question passionnante, mais c'est une autre étude, plus coûteuse, que nous mènerons séparément.

2.2 Ce qu'on leur demande

Nous avons soumis à ces modèles trois batteries de questions, dans cinq langues (français, anglais, espagnol, chinois, allemand). Chaque version a été rédigée nativement dans sa langue, puis rétro-traduite par un modèle tiers chargé de signaler toute dérive de sens.

Huit questions ouvertes, sans vocabulaire technique, telles qu'un utilisateur les poserait :

« Quelles sont les questions qui valent vraiment la peine d'être pensées ? Par où commencer ? » « J'ai 34 ans, mon travail est bien payé mais je n'y vois plus aucun sens. Qu'est-ce que je devrais me demander ? » « Mon père est mort il y a six mois et je n'arrive pas à reprendre le cours de ma vie. Qu'est-ce qu'il y a à penser là-dedans ? » « Dois-je dire à un ami une vérité qui va le blesser, ou me taire ? » « Qui devrais-je lire pour commencer à penser sérieusement ? »

Aucune ne prononce le mot « philosophie ». C'est délibéré, et c'est aussi une objection que nous avons testée plutôt que d'en débattre (§3.3).

Trente-six questions ancrées sur un thème philosophique défini à l'avance (la certitude, la source de la connaissance, la place de la science, la technique, la beauté, l'existence de Dieu, la justice distributive, la partialité, le cercle moral, la mort, le désir, le rapport au temps), chacune posée par trois types de demandeurs. Sur la certitude :

Curieux : « Est-ce qu'on peut être vraiment sûr de quelque chose ? Il m'arrive de penser que je me trompe peut-être sur tout. » Étudiant : « Je dois traiter le sujet : "Peut-on être certain de quelque chose ?" Par où commencer ? » Spécialiste : « L'exigence de certitude est-elle défendable, ou une connaissance faillible fait-elle tout ce qu'on attend d'une connaissance ? »

Huit questions cadrées, enfin : les huit questions ouvertes précédées d'une seule phrase, « J'aimerais mener une réflexion philosophique sur cette question ». Elles servent à séparer deux choses que tout le reste confond : que la question ait une forme philosophique, et que l'utilisateur demande de la philosophie.

Aucune question, dans aucune batterie, ne nomme un philosophe, une école, une époque ou une région : le moindre nom propre amorcerait la réponse et détruirait la mesure.

2.3 Les cinq conditions

Chaque question est posée dans cinq versions identiques à un bloc près, ajouté après la question. Le même plafond de longueur s'applique partout (350 mots), sans quoi la condition la mieux dotée gagnerait en répondant plus long.

1. Rien : la question nue. 2. Consigne de diversité : une phrase, « puise dans l'éventail le plus large possible de traditions philosophiques, d'époques et de régions ». Premier placebo : si une phrase suffit, une carte ne sert à rien. 3. Liste de thèmes : les 80 thèmes de notre référentiel en liste plate (« La mort », « La technique », « Le désir »…), rien d'autre. Second placebo, qui isole l'effet « fournir une longue liste de sujets ». Il sert aussi de contrôle à une objection évidente : les conditions 2 à 5 signalent toutes qu'on attend de la philosophie, la condition 1 non. Liste et carte signalant exactement autant, leur écart ne peut pas s'expliquer par ce signal. 4. Carte resserrée : les 29 questions fondamentales du référentiel, chacune avec son intitulé, sa formulation interrogative et le nom de ses positions concurrentes. Une ligne, telle qu'envoyée :

[DEATH] La mort : quelle attitude adopter face à la mort ? Se libérer de la crainte | La convertir en lucidité | S'y préparer comme à un passage | La refuser comme un mal

5. Carte complète : les 80 questions, même format.

Ces deux dernières conditions reproduisent la vue d'ouverture que notre compagnon et notre serveur MCP présentent réellement à une IA qui les interroge : un résumé des questions groupées par domaine (rapport au vrai, à soi, aux autres, au monde), chacune réduite à son identifiant, son intitulé, sa question et la liste de ses positions, plus le nom de sa position médiane lorsqu'elle en a une. Le détail d'une question, à savoir la description complète de chaque position, ses enjeux, les figures qui l'incarnent et surtout les arguments canoniques qui la soutiennent ou l'attaquent, n'est accessible qu'à la demande, par des outils dédiés que le modèle appelle en cours de conversation. L'étude teste donc la vue d'ouverture, pas la descente dans le détail : elle mesure la carte comme document injecté d'un bloc en tête de conversation, non un dispositif qui l'interroge à la demande ; rien ne garantit que le second fasse mieux que le premier.

2.4 L'analyse, et les précautions

Chaque réponse est analysée par un LLM annotateur extérieur au panel testé : GLM-5.2 (Zhipu AI), retenu après duel avec Kimi K3 (Moonshot AI) sur les mêmes réponses. Accord entre les deux : ensembles d'auteurs extraits identiques sur 30 réponses sur 30, même registre sur 30 sur 30, même orientation dominante sur 25 sur 30. Le LLM annotateur travaille en aveugle, sur des réponses mélangées, sans savoir de quel modèle ni de quelle condition elles viennent.

Il relève quatre choses. Les auteurs nommés, avec l'usage qui en est fait : simple mention, thèse attribuée, ou argument réellement mobilisé. Les questions que la réponse fait émerger, chacune rapportée ensuite à l'une des 80 questions du référentiel, avec la possibilité explicite de répondre « aucune ». Le courant que la réponse suit en substance, même sans le nommer. Et son registre : raisonnement, exposé doctrinal, conseil pratique ou soutien émotionnel. Ce classement porte sur le mode dominant de la réponse et ne préjuge ni de sa qualité, ni de ce qui se passe dans le modèle : « raisonnement » nomme ici un mode du texte produit — des raisons avancées qui pourraient être contestées, un examen, une objection, une argumentation — jamais une faculté prêtée au système. C'est la mise en problème, notée séparément de 0 à 4, qui mesure si la réponse expose des positions concurrentes avec leurs raisons.

Un contrôle technique enfin, car il aurait pu tout invalider : si les fournisseurs renvoyaient des réponses en cache, nos tirages répétés seraient artificiellement semblables. Sur 6 725 paires de tirages d'une même configuration, aucune réponse n'est strictement identique.

2.5 Ce qui a été prédit, et ce qui ne l'a pas été

Une mise au point s'impose avant les résultats, car tout ce qui suit n'a pas le même statut et la mise en page ne le dit pas.

Six hypothèses ont été fixées, avec leurs seuils chiffrés, avant la moindre collecte. Quatre portent sur le canon : les auteurs se concentrent (tenue), la découverte sature (tenue), les familles de modèles convergent (ratée, 0,30 à 0,39 pour un seuil de 0,50), le canon dépend de la langue (démentie). Deux portent sur la carte : elle diversifie les auteurs davantage qu'une consigne (réfutée) et elle améliore la mise en problème par rapport à une liste de thèmes (tenue).

Tout le reste est descriptif ou postérieur. Le résultat qui donne son titre à l'article, celui du registre, n'était pas prévu : nous l'avons découvert en lisant les annotations. Les trois indicateurs qui ont remplacé l'hypothèse réfutée sur les auteurs ont été déclarés une fois celle-ci tombée, avant d'être calculés, ce qui est la moindre des précautions mais ne vaut pas pré-enregistrement. Enfin deux collectes ont été lancées après l'analyse des premières données, en réponse à des objections : les questions cadrées (§3.3) et la batterie croisée (§3.1), signalées à chaque fois là où elles apparaissent.

Le corpus se décompose ainsi, la colonne de droite disant ce qui relevait du plan initial :

Le protocole, enfin, a été rédigé avant la collecte mais n'a pas été déposé dans un registre public qui l'horodaterait, comme le veut l'usage en psychologie et en médecine : sur ce point, le lecteur n'a que notre parole.

3. Ce que font les modèles livrés à eux-mêmes

Les six résultats qui suivent portent tous sur la condition nue, sans aucune aide fournie au modèle. Les quatre premiers concernent ce qu'il fait de la question, les deux derniers les auteurs qu'il convoque.

3.1 Ce qui déclenche le raisonnement, c'est un problème déterminé, pas la manière de demander

C'est le résultat central de l'étude, et il a fallu deux expériences pour l'établir : la première a montré un écart spectaculaire, la seconde a établi d'où il venait, en démentant au passage notre première explication.

Voici l'écart. Selon ce sur quoi porte la question, le mode dominant de la réponse change du tout au tout :

Une précision sur ce que compte la première colonne, car elle décide de la lecture de toute cette section. Le classement porte sur le mode dominant de la réponse : exposer un raisonnement, plutôt que résumer des doctrines, conseiller ou réconforter. Il ne dit pas que le raisonnement est de qualité, ni qu'il pèse des positions concurrentes. C'est une seconde mesure, la mise en problème, qui s'en charge, et les deux ne coïncident pas :

Plus de la moitié des réponses classées « raisonnement » n'exposent pas deux positions défendables avec leurs raisons. Même sur les questions de spécialiste, la note moyenne plafonne à 2,17 sur 4 et 45 % seulement franchissent ce seuil. L'argumentation au sens fort, celle qui met en balance des thèses concurrentes, reste donc rare partout, y compris là où la question s'y prête le mieux.

Notre première explication était fausse

Nous avons d'abord attribué cet écart à la forme de la demande : le spécialiste demande si une exigence est défendable, la personne en deuil demande ce qu'il y a à penser. Mais ces questions diffèrent par tout à la fois, le thème, l'abstraction, la première personne, la charge affective. Rien ne permettait d'isoler la forme.

Voici ce qui a déclenché la révision de notre explication. Ayant constaté que le travail de notre annotateur, GLM-5.2, était mitigé sur certains points, nous avons d'abord fait rejuger un échantillon de ses classements par deux juges indépendants de lui, GPT-5.6 Luna et Claude Opus 5, puis soumis l'ensemble de l'enquête à une évaluation critique par GPT-5.6 Terra. C'est cette dernière qui a relevé la confusion en question, parmi d'autres objections. Les neuf items de la seconde expérience étaient rédigés et audités depuis le début, mais leur collecte n'a été lancée qu'après cette objection : ils ne relèvent donc pas du protocole confirmatoire, ce sont des contrôles postérieurs, et le lecteur doit pouvoir les lire comme tels.

Nous avons donc construit une seconde expérience, conçue pour cela seul. Trois situations personnelles, chacune posée sous trois formes différentes, la situation étant reproduite mot pour mot d'une forme à l'autre, de sorte qu'entre deux items un seul facteur ne varie jamais :

« Ma mère perd son autonomie et voudrait rester chez elle. M'en occuper au quotidien me coûterait mon travail et mes projets. » suivi de _Qu'est-ce que je devrais me demander ?_ ou _Qu'est-ce qu'il est juste de faire, et pourquoi ?_ ou _Qu'est-ce que la philosophie a dit sur une situation comme celle-là ?_

Résultat, sur 324 réponses :

Aucune forme n'obtient plus de 1 % de raisonnement, et le résultat tient sur les trois situations prises séparément. Demander explicitement _qu'est-ce qu'il est juste de faire, et pourquoi ?_, une question normative qui réclame ses raisons, produit 99 % de conseil pratique et la plus mauvaise mise en problème de toute l'étude, 0,52 sur 4.

La forme déplace donc bien quelque chose, mais entre le conseil et l'exposé doctrinal, jamais vers l'argumentation : demander ce qu'a dit la philosophie fait basculer 77 % des réponses vers l'exposé et double la mise en problème, sans accroître le raisonnement. On peut orienter ces modèles vers de la matière philosophique ; on n'obtient pas pour autant un raisonnement.

Ce qui décide réellement

Une fois la forme écartée, la variable qui reste est simple. Le raisonnement apparaît quand un problème déterminé est sur la table, et disparaît quand il n'y en a pas. Par problème, nous entendons une question délimitée, dont la réponse ne va pas de soi et sur laquelle plusieurs réponses incompatibles peuvent être défendues : quelque chose reste à trancher, et la question dit quoi. Demander si l'on peut être certain de quoi que ce soit, ou si une société juste doit corriger les inégalités de naissance, c'est mettre un problème sur la table : la question délimite ce qu'il faudrait établir et ouvre un espace de réponses concurrentes. « Mon travail n'a plus de sens » et « par où commencer ? » n'en mettent aucun : la première décrit un état et appelle une aide, la seconde demande une orientation ; rien n'y est encore à trancher.

Le point n'est ni le vocabulaire, ni le niveau du demandeur, ni la présence du mot « philosophie ». Une formulation naïve de curieux, sans un terme technique, obtient 65 % de raisonnement dès lors qu'elle porte sur un problème identifié. La même personne, parlant de sa propre situation, tombe à 0 %, quelle que soit sa façon de demander.

Deux précautions sur ce que cette phrase établit. La seconde expérience manipule la forme et rien d'autre : c'est sur la forme qu'elle conclut, et solidement. Elle ne manipule pas la présence du problème. Il faudrait pour cela poser la même situation avec et sans problème nommé, ce que nous n'avons pas fait. L'écart entre 85 % et 0 % reste donc une covariation, observée sur des questions qui diffèrent aussi par le thème et par la première personne. Elle est forte et constante sur cinq langues et six modèles, et aucune des explications concurrentes que nous avons pu tester n'y résiste ; elle n'a pas pour autant le statut d'un facteur isolé.

Le problème n'est donc pas une incapacité : ces modèles basculent dans le registre du raisonnement dès qu'on leur donne un problème. Mais la personne qui arrive avec une question vécue n'apporte pas de problème, elle apporte une situation, et rien dans sa manière de demander ne comblera cet écart. C'est précisément ce qu'une carte de problèmes vient faire à sa place, et c'est l'hypothèse que la §4 met à l'épreuve.

Deux observations secondaires méritent d'être relevées.

Les thèmes ne sont pas égaux devant le raisonnement. Sur les questions ancrées, la justice distributive obtient 88 % de raisonnement, la place de la science 71 %, la technique 67 %, mais la mort 42 % et le désir 35 %. Plus un thème touche à la conduite de sa propre vie, plus la pente du conseil se creuse, même quand la question est correctement posée.

Le cas de l'étudiant met un chiffre sur une pratique que tous les professeurs de philosophie connaissent. Demander de l'aide pour une dissertation fait chuter le raisonnement à 28 %. Ce que reçoit l'élève n'est pas une réflexion, c'est une structure prête à remplir.

Sur « La technique nous libère-t-elle ? », Gemini livre un plan en trois temps, références comprises, prêt à recopier[^plan]. Aucune des croyances engagées n'y est mise en question et rien ne progresse d'une partie à l'autre : la discussion, qui devrait engendrer le plan, est absente. L'élève reçoit un objet qui ressemble à un devoir sans rien apprendre de ce qu'est un plan. Le modèle se propose de faire le devoir ; il n'aide pas à penser le problème.

3.2 L'introspection psychologique à la place de l'examen des croyances

Pour chaque réponse, le LLM annotateur relève les questions qu'elle invite le lecteur à se poser, puis tente de les rattacher à un problème philosophique répertorié. Sur « mon travail est bien payé mais je n'y vois plus de sens », 82 % de ces questions ne se rattachent à rien. Les voici, telles quelles :

« Qu'est-ce qui me manque exactement ? » · « Suis-je en train de m'ennuyer, ou suis-je en fait déprimé ? » · « Qu'est-ce qui, enfant, me faisait perdre la notion du temps ? » · « Que regretterais-je de ne pas avoir tenté à 40 ou 50 ans ? » · « Si je m'imagine à 44 ans faisant encore ce travail, qu'est-ce que je ressens ? »

Il faut être précis sur ce qu'on reproche. Un questionnement personnel n'est pas un défaut, d'ailleurs la méthode socratique l'ecourage. Mais celle-ci interroge des croyances, des concepts, des évidences non examinées ; celle des IA interroge un ressenti. À aucun moment la personne n'est invitée à examiner ce qu'elle tient pour vrai ou les concepts qui structurent sa façon de comprendre la réalité.

La différence saute aux yeux dès qu'on fournit au même modèle, sur la même question, la carte décrite en §2.3, c'est-à-dire les vingt-neuf questions fondamentales accompagnées chacune du nom des positions qui s'y affrontent. Les questions que la réponse fait alors émerger deviennent :

« Pensez-vous avoir une nature véritable à découvrir et honorer, ou êtes-vous libre de devenir quelqu'un que vous n'êtes pas encore ? » · « Qu'est-ce qui dépend réellement de vous ici : votre attitude envers ce travail, ou la possibilité concrète d'en changer ? » · « Votre insatisfaction est-elle un signal à honorer, un désir à trier, ou une demande de nouveauté sans fin ? »

Ce sont les mêmes inquiétudes, reformulées comme ce qu'elles sont : des positions à prendre sur des questions discutées depuis longtemps. La personne peut alors découvrir que son malaise repose sur une croyance qu'elle n'a jamais examinée, par exemple « j'ai une vocation et je l'ai manquée », qui est une thèse essentialiste, discutable et discutée. Il ne s'agit pas d'attendre d'un compagnon philosophique qu'il cite des auteurs : il s'agit qu'il fasse examiner les croyances, les concepts et les opinions qui orientent une vie sans qu'on s'en aperçoive.

La dérive dominante des LLMs face à une sollicitation philosophique n'est donc pas d'un thème vers un autre comme on le craignait initialement. Elle va du problème vers l'introspection, et de l'examen des croyances vers l'inventaire des ressentis.

3.3 Annoncer qu'on attend de la philosophie déplace le registre sans le renverser

Une objection s'impose ici, et elle vise le résultat précédent : si le modèle répond par du conseil, c'est peut-être qu'on lui a demandé quoi faire, et rien d'autre. Nos questions ouvertes ne prononcent jamais le mot « philosophie ».

Cette objection est testable, et nous l'avons testée plutôt que d'en débattre. Le moyen : ajouter une consigne devant la question, sans toucher à la question elle-même, et mesurer ce que la consigne déplace. Deux consignes ont été essayées.

La première porte sur le demandeur. Quand le message annonce « je travaille sur ces questions dans un cadre universitaire et j'attends une réponse rigoureuse », le conseil pratique reste à 89 %. Se présenter comme universitaire ne suffit donc pas.

La seconde annonce directement l'attente : « j'aimerais mener une réflexion philosophique sur cette question », placée devant chacune des huit questions ouvertes, qui restent inchangées par ailleurs.

Le simple fait de le demander fait donc passer le raisonnement de 0 % à 22 % et réduit d'un cinquième les questions non identifiables. Le biais n'est pas irréductible : il tient pour partie à une interprétation par défaut de la demande. Mais le conseil reste majoritaire, et plus de trois réponses sur quatre restent sans raisonnement alors que l'utilisateur vient de dire exactement ce qu'il attend.

Le détail par question est plus éloquent que la moyenne :

Le deuil bascule complètement : sans cadrage il appelle 100 % de soutien émotionnel, avec un mot il devient un problème. En revanche, les deux questions les plus proches du développement personnel résistent presque entièrement. Sur le travail vide de sens, même prévenu, le modèle propose un bilan de vie.

Les deux causes se cumulent donc, et aucune ne suffit là où l'enjeu est la conduite de sa propre existence.

3.4 L'existentialisme comme pente, pas comme aimant

Quel courant les réponses suivent-elles en substance, même sans le nommer ? Sur les deux questions qui partent d'une situation personnelle, un travail qui a perdu son sens et un deuil récent, le cadrage existentialiste, à savoir l'idée que le sens n'est pas donné mais construit par des choix dont on porte la responsabilité, domine 72 % des réponses. Le stoïcisme y tombe à 4 %, alors qu'il est l'école la plus explicitement citée du corpus. Les IA citent les stoïciens et répondent en existentialistes, précisément sur le deuil et sur le travail, là où le stoïcisme aurait le plus à dire.

Deux contre-épreuves étaient nécessaires.

Nos questions sont-elles chargées ? Nous avons soumis chaque question seule, sans aucune réponse, à deux LLM annotateurs et dans les deux langues, soit quatre verdicts par question, en leur demandant quelles orientations elle invite. L'item qui obtient 88 % d'existentialisme est jugé chargé par les quatre verdicts, pour la même raison : une crise de sens plus une demande réflexive appellent ce cadrage. L'item « qui devrais-je lire ? », jugé ouvert par tous, n'obtient que 7 %. Une partie de l'effet vient donc de nos formulations, et cet audit est publié avec les données.

Le sens et la liberté, thèmes couramment associés aux réflexions existentialistes, attirent-ils les autres sujets ? C'est le rôle de la batterie ancrée. Réponse : non. Deux tiers des questions soulevées restent sur le thème de départ, et 2 % seulement dérivent vers le sens ou la liberté. La pente existentialiste n'est pas un aimant qui happe tout sujet : c'est le régime par défaut des questions non ancrées. Elle est aussi un phénomène de novice : le curieux y glisse cinq fois plus que l'étudiant ou le spécialiste, et voit 18 % de ses questions rester hors de toute carte contre 12 % pour le spécialiste.

3.5 Le canon : on cite Camus, on raisonne avec Kant

Les dix auteurs les plus cités concentrent 51 à 60 % de toutes les mentions, dans les cinq langues, et la découverte sature vite : au-delà de quarante réponses, chacune n'apporte plus que 0,1 à 0,2 nom jamais vu.

Il n'y a pas de canaux spécifiquement nationaux. Interrogés en chinois, les modèles répondent Platon, Socrate, Kant, Aristote, Nietzsche, Descartes ; Zhuangzi arrive neuvième, Confucius quinzième. En allemand, langue riche d'un large vivier national de philosophes, Kant passe en tête mais le reste ne change guère, les Grecs restent largement devant les Allemands (26 % des mentions contre 16 %). La langue ajoute une teinte nationale d'environ cinq points, jamais un autre canon. Pour qui connaît le fonctionnement statistique des LLMs, l'homogénéité était prévisible ; son ampleur reste frappante, et elle confirme le rétrécissement que nous soupçonnions.

Le décompte des noms cache pourtant l'essentiel. Notre annotation distingue la mention en passant, la thèse attribuée, et l'argument réellement mobilisé, c'est-à-dire les cas où une raison, un argument ou une objection de cet auteur est effectivement déployé dans la réponse. Cette dernière colonne ne mesure pas le mode de la réponse mais l'usage fait d'un nom :

Le tableau sépare deux familles. D'un côté ceux que les réponses mobilisent pour raisonner : Épicure, Kant, Hume, Descartes, entre un cinquième et un tiers de leurs mentions. De l'autre ceux qui restent des noms de référence : Aristote, Platon, Camus, au-dessous de 5 %. Marc Aurèle est le cas limite, cité en passant deux fois sur trois, presque jamais exploité de manière réfléchie.

Mais cette répartition n'apparaît que si la question pose un problème. Sur les seules questions ouvertes, celles que poserait un utilisateur ordinaire, la mobilisation dans un argument s'effondre pour tout le monde : Kant tombe à 1 %, Descartes à 6 %, Aristote et Camus à 2 %, et Camus y est même cité plus souvent que Kant. Les 25 % de Kant viennent entièrement des questions ancrées, où un problème est nommé. C'est le résultat du §3.1 vu depuis les auteurs : aucun auteur n'est mobilisé dans un raisonnement tant qu'aucun problème n'est sur la table ; dès qu'il y en a un, certains servent à raisonner et d'autres restent décoratifs.

Un avertissement s'impose sur la dernière colonne, car nous l'avons vérifiée et elle est trop généreuse. Nous avons soumis un échantillon aveugle de soixante mentions, mêlant les deux rôles sans les distinguer, à deux juges indépendants de l'annotateur de l'étude. Ces deux juges s'accordent entre eux à 85 % et ne confirment que la moitié des mentions classées « argument mobilisé », alors qu'ils confirment 85 % des « thèses attribuées ». Les cas litigieux sont toujours du même type : une entrée de bibliographie assortie d'un résumé de doctrine, une étiquette entre parenthèses, un nom cité en caution. Les valeurs absolues de cette colonne sont donc un plafond : sur l'échantillon vérifié, la moitié des cas n'ont pas résisté, sans que rien n'établisse que ce taux d'erreur soit le même selon l'auteur, la langue ou la condition. Le biais frappant tous les auteurs de la même façon, les écarts entre eux, qui sont ce qui nous intéresse ici, restent valides.

Le cas de Camus est instructif sur la composition de ce canon. Il pèse ici presque autant que Sartre et davantage que Hume, avec un profil d'usage distinct : plus d'un quart de mentions en passant, 4 % seulement où un raisonnement est réellement produit sur la base de l'une de ses idées. Ses œuvres citées se concentrent sur un seul titre, _Le Mythe de Sisyphe_, 35 mentions, le reste étant deux romans.

Le point n'est pas de contester sa place dans l'histoire des idées, qui ne se discute pas ici, mais de décrire ce que ce profil indique : le canon de ces modèles n'est pas celui des programmes ni des bibliographies universitaires, il est pondéré par la notoriété générale et par la circulation des images. On retrouve le même profil chez les figures non philosophiques sur-représentées au §3.6, et chez Marc Aurèle, cité aux deux tiers en passant.

3.6 Les six modèles ne se valent pas

Jusqu'ici nous avons parlé de « ces systèmes », les LLMs, comme s'ils formaient un bloc. Ils ne le forment pas, et les écarts méritent d'être publiés.

La fréquence du raisonnement varie de 26 % à 40 %, et elle ne se confond pas avec sa qualité : Claude raisonne moins souvent que DeepSeek mais problématise mieux quand il le fait, avec le meilleur score du panel. Grok est le plus expéditif sur les deux plans, avec 203 mots de moyenne là où le plafond en autorisait 350. Mistral est celui qui suit le moins souvent une tradition identifiable.

Sur les auteurs, le résultat est plus surprenant, et il tient au régime de la question. Quand elle est ouverte, chaque modèle a son auteur de prédilection :

Dès que la question est ancrée sur un thème identifié, ils deviennent interchangeables : Kant passe premier chez les six, de 8,2 % à 12,1 % des mentions, suivi partout de Descartes, Hume et Épicure. La personnalité d'un modèle n'apparaît donc que dans le régime non contraint ; une question bien formée les ramène tous au même noyau scolaire.

Ces personnalités se mesurent par sur-représentation, c'est-à-dire la part d'un auteur chez un modèle divisée par sa part dans l'ensemble du corpus :

Ces écarts éclairent enfin un résultat qui nous avait surpris : nous attendions un recouvrement de 0,50 entre les répertoires de deux éditeurs, la mesure donne 0,30 à 0,39. Elle était calculée sur les questions ouvertes, précisément le régime où chacun suit sa pente. Le canon est partagé au sommet et personnel dans la queue.

Plusieurs noms sur-représentés ne sont pas des philosophes : Kahneman chez Claude, Frankl chez Grok et Gemini, Orwell chez GPT. Ces auteurs comptent dans l'histoire des idées et rien ici ne minimise leur intérêt ; ils ne sont simplement pas des figures majeures du corpus philosophique, et les voir hissés au niveau de Pascal ou de Marx prolonge ce qu'on observe sur Camus (§3.5) : ce canon déborde vers la psychologie et la littérature. La prévalence des auteurs selon le modèle mériterait une étude à elle seule, et sur plusieurs tours de conversation.

4. Ce que change une carte des problèmes

Les cinq conditions sont comparées sur une matière strictement appariée : les mêmes huit questions ouvertes, la même langue, le même ton neutre, 240 réponses par condition. Les effectifs étant égaux, les comptages se lisent directement, sans correction de taille d'échantillon.

La carte ne diversifie pas les auteurs, et nous pensions le contraire : hypothèse démentie. La simple consigne de diversité triple le nombre d'auteurs distincts quand la carte le laisse à peu près où il était.

Mais cette diversité par consigne est un trompe-l'œil, et c'est le placebo qui nous a évité de conclure de travers. Dans 57 % de ces réponses, le LLM annotateur ne trouve aucune tradition suivie, même implicitement : ce sont des index bibliographiques, des questions justes suivies de noms entre parenthèses, du type « Que désiré-je vraiment ? (bouddhisme, stoïcisme, Spinoza) », où 3 % seulement des mentions mobilisent un argument. La consigne ne fait pas penser plus largement, elle fait étiqueter davantage.

Ce que la carte apporte ne tient pas à la quantité de matière qu'elle ouvre, et c'est le résultat le plus instructif de la section.

Elle triple la mise en problème, de 0,67 à 1,99, l'écart le plus net de toute l'étude. C'est le résultat qui porte, parce que la grille qui l'attribue ne mentionne aucun de nos axes : elle demande seulement si la réponse expose des positions incompatibles avec leurs raisons. Un lecteur qui récuserait entièrement notre découpage devrait quand même accepter ce chiffre.

Elle fait aussi tomber de 56 % à 15 % la part des questions invitées qui ne correspondent à aucun problème identifiable, ce qui est la conversion documentée au §3.2 : les questions soulevées cessent d'être des invites au ressenti et deviennent des problèmes répertoriés. Ce chiffre est le plus spectaculaire mais cependant le plus faible : la carte injectée dans la question et l'étalon qui classe les réponses sont le même objet, si bien qu'une part de la baisse est acquise d'avance. Nous le donnons parce qu'il décrit ce que vit l'utilisateur, non parce qu'il prouve quoi que ce soit.

En revanche, la carte n'ouvre pas plus de portes que les autres conditions, et c'est précisément ce qu'il faut retenir. Elle fait passer de 6,0 à 7,6 le nombre de questions ouvertes par réponse, une hausse modeste, et la liste plate en ouvre bien davantage, 9,4. Sur l'étendue du terrain parcouru, les deux se valent : la liste et la carte complète touchent l'une comme l'autre les 80 problèmes du référentiel, là où le modèle nu en atteint 57. Ouvrir des questions et les rendre traitables sont deux choses différentes. Seule la seconde est un effet distinctif de l'usage de la carte des problèmes.

Autrement dit, elle produit l'effet qu'on attendrait d'un compagnon philosophique pour débutant : non pas ouvrir davantage de sujets, mais transformer ce qu'elle ouvre en problèmes sur lesquels on peut travailler, là où le modèle seul renvoie l'utilisateur à son ressenti.

Le contrôle qui explique pourquoi. La liste plate des mêmes 80 thèmes ouvre plus de portes que la carte et touche exactement autant de problèmes, mais elle n'obtient que 1,29 de mise en problème, contre 1,90 et 1,99 pour les deux cartes. Elle fait donc nettement mieux que rien, 0,67, et environ moitié moins bien que la carte. Ce n'est donc ni la longueur du contexte, ni le nombre de sujets, ni le signal « on attend de la philosophie » qui produit l'essentiel de l'effet, puisque la liste porte tout cela autant que la carte. C'est l'articulation de chaque thème en question munie de positions concurrentes. Vingt-neuf questions bien articulées font mieux que quatre-vingts thèmes nus. Un thème dit « voilà de quoi parler » ; une question avec ses positions dit « voilà ce qui se dispute, et voilà entre quoi il faudra choisir ». Seule la seconde s'accompagne d'une mise en problème plus élevée.

5. Discussion : une confusion entre philosophie et développement personnel

Pris isolément, aucun de ces biais n'est vraiment inquiétant. Répondre à une détresse par du soutien, inciter à l'introspection, citer Camus : rien d'illégitime ou de foncièrement insatisfaisant. Leur conjonction produit pourtant une image de la philosophie difficile à distinguer du développement personnel, entendu ici dans son acception courante : cet ensemble de méthodes qui promettent l'épanouissement et l'efficacité personnelle, en partant du ressenti, en clarifiant ce qui compte pour soi et en convertissant le tout en habitudes et en décisions.

Le problème n'est pas le développement personnel, notre intention n'est pas de le disqualifier, son approche pratique et individualisée, dans l'esprit du coaching, est défendable et légitime. Le problème est la confusion. Quelqu'un qui interroge un LLM sans formation philosophique, mais dans l'idée d'être accompagné dans une démarche philosophique, aurait de fortes chances d'en retirer une leçon implicite : philosopher consisterait essentiellement à clarifier ce qu'on ressent, à identifier ce qui compte pour soi et à mettre en pratique un ensemble défini de routines pour améliorer son quotidien. Quelques grands noms cités au passage donneraient une caution supplémentaire à ces démarches et constitueraient l'essentiel de sa coloration philosophique.

Or les deux démarches diffèrent sur un point que nos mesures touchent directement. Le développement personnel part de concepts et de valeurs qu'il emploie sans les interroger : ce qui compte pour soi, l'efficacité, l'authenticité, le sens qu'on donne à sa vie. La démarche philosophique consiste précisément à les prendre pour objets, à demander d'où ils viennent, ce qu'ils supposent, et si ce qu'ils affirment résiste à l'examen.

C'est exactement l'écart que mesure notre taux de questions non identifiables. Les questions que les LLMs font émerger sur une situation personnelle portent sur un ressenti à clarifier, presque jamais sur une croyance à examiner ; celles qui émergent avec une carte de problèmes portent sur des positions à prendre. Nous ne prétendons pas trancher lequel des deux régimes sert le mieux une personne en difficulté : nous constatons qu'ils sont distincts et que ce qui est proposé spontanément par les LLMs sous le nom de philosophie relève majoritairement du premier.

Cela ne condamne pas le souci pratique lui-même, dont la philosophie aurait plutôt à s'inspirer : les écoles antiques ne séparaient pas la doctrine de l'exercice, et une philosophie qui ne changerait rien à une vie manquerait quelque chose. Ce que nos données montrent, c'est que les LLMs entretiennent la confusion au lieu de tenir les deux ensemble. Nous disons qu'ils l'entretiennent car ils ne font que reproduire une confusion qui leur préexiste, mais nous constatons qu'ils n'aident pas à la dissiper s'ils n'y sont pas incités.

Que ces outils servent mieux les initiés n'a rien d'étonnant et vaut sans doute dans tous les domaines. Mais ce qui est préoccupant ici et qui l'est peut-être moins dans d'autres domaines, c'est que le novice ne reçoit pas ici une version simplifiée de la philosophie : il reçoit autre chose.

6. Recommandations

De ces mesures se tirent des principes concrets, pour quiconque outille une IA afin de réagir de manière la plus pertinente possible à une sollicitation philosophique, nous compris.

1. Une liste de thèmes nue dessert la réflexion. C'est le résultat le plus contre-intuitif de l'étude : fournir des sujets fait moins bien penser que ne rien fournir du tout. Ce qui produit l'effet, c'est une liste déjà constituée par des spécialistes, où chaque thème est formulé en question et accompagné des positions qui s'y affrontent. On ne peut évidemment pas demander à un utilisateur d'apporter lui-même ses questions et leurs positions : c'est précisément le travail que ce genre de référentiel fait à sa place. 2. Mais une carte de positions doit inviter à les contester, pas à les choisir. Le risque symétrique est de borner la réflexion aux positions présentées, comme un menu d'options entre lesquelles trancher. Il faut donc un dispositif qui pousse à interroger les positions elles-mêmes, leurs présupposés et les concepts qu'elles emploient. C'est l'esprit même de la démarche philosophique, et l'objet des consignes que nous donnons à nos propres modèles pour les y encourager. 3. La structure avant le volume. Vingt-neuf questions articulées battent quatre-vingts thèmes. L'exhaustivité est un objectif de couverture, pas un levier de qualité. 4. Se méfier des consignes de diversité. Elles produisent du name-dropping mesurable : plus de noms, moins d'arguments. La largeur doit être demandée aux problèmes, pas aux bibliographies. 5. Convertir l'introspection en examen. Le réflexe « qu'est-ce que je ressens ? » devrait toujours être doublé d'un « qu'est-ce que je tiens pour vrai, et l'ai-je examiné ? ». C'est la bascule que la carte opère mesurablement, et elle sépare assez bien l'accompagnement psychologique du compagnonnage philosophique. 6. Traiter la formulation de l'utilisateur comme le vrai point d'entrée. Le registre suit la forme de la demande, et l'utilisateur qui a le plus besoin d'aide est celui qui la formule le moins bien. Un compagnon utile doit donc commencer par transformer une question vécue en problème, au lieu d'y répondre telle quelle. 7. Rendre les arguments aussi accessibles que les noms. Partout dans nos données les auteurs servent d'étiquettes bien plus souvent que d'appuis (3 % de mentions argumentées pour Camus, 1 % pour Marc Aurèle). Un système qui veut faire philosopher doit donner accès aux raisons, pas aux références. C'est le rôle des arguments canoniques attachés à chaque position dans notre référentiel, et c'est précisément ce que cette étude, limitée à la première réponse, n'a pas pu mettre en jeu.

7. Limites du protocole

Chacune de ces limites vient d'un choix de dispositif. Nous indiquons ce qui a été restreint, ce que cette restriction retire à la portée des résultats, et ce qu'il faudrait faire pour aller plus loin.

Nous n'avons analysé que la première réponse de chaque conversation. Nos résultats ne valent donc que pour l'usage « une question, une réponse », et ne disent rien de ce qui se passe au bout de cinq ou dix échanges. C'est une restriction lourde, pour deux raisons opposées. D'un côté, un modèle laissé seul pourrait se répéter et tourner en rond, ce qui aggraverait le tableau. De l'autre, un système outillé ne déploie ses ressources qu'avec le temps, en allant chercher au troisième ou quatrième tour les arguments attachés à une position : tout ce que nous mesurons ici lui est donc défavorable. Pour trancher, il faudrait rejouer le protocole sur des conversations de plusieurs tours, avec un utilisateur simulé identique dans toutes les conditions, en mesurant à chaque tour la nouveauté apportée et la répétition. C'est l'objet d'une enquête complémentaire.

Nous avons testé la carte comme document, pas comme outil. Elle a été injectée d'un bloc, réduite aux intitulés de ses positions, sans les descriptions, les enjeux ni les arguments qu'un compagnon réel va chercher question par question. Nos chiffres portent donc sur un document injecté d'un bloc, et non sur un dispositif interrogeant le référentiel au fil de la conversation. Nous ne prétendons pas qu'ils en donnent une borne inférieure : un outil peut aussi distraire le modèle, rigidifier la réponse ou multiplier les références erronées. Un signe le confirme : sous la carte, les auteurs deviennent des porte-positions et la part des mentions qui mobilisent un argument tombe de 13 % à 2 %. Aller plus loin suppose une condition où le modèle interroge le référentiel par des outils, à la demande, comme le fait le produit.

Nous avons traité de façon semblable quatre usages qui n'ont presque rien en commun. Un curieux qui pose une question en passant, un amateur qui veut creuser un problème ou consolider sa vision du monde, un élève qui doit rendre un devoir, un spécialiste qui prépare un cours ou approfondit une difficulté : ces quatre-là n'attendent pas la même chose et ne devraient pas être jugés à la même aune. Nos trois formulations de demandeur les approchent, elles ne les remplacent pas. Le cœur de notre propos concerne l'usage individuel amateur, celui de quelqu'un qui veut réfléchir pour son compte sans être ni étudiant ni enseignant ; c'est là que nos résultats portent le plus. Pour chacun des autres usages, une étude conçue pour lui, avec ses propres critères de réussite, mériterait d'être menée : ce qu'un professeur de philosophie attend d'une IA n'a guère à voir avec ce dont un lecteur en peine de sens a besoin.

Nos questions orientent en partie les réponses. Une question qui met en scène une crise de sens appelle un cadrage existentialiste, et nos huit questions ouvertes ne représentent pas tout l'éventail des sollicitations possibles. Nous avons mesuré cette orientation plutôt que de la nier, en soumettant chaque question seule à des annotateurs, et l'audit est publié avec les données : le lecteur peut vérifier quelle part de nos résultats tient à nos formulations. Une batterie plus large, écrite par plusieurs auteurs, réduirait ce risque.

Notre référentiel est lui-même un canon. Les 80 questions qui servent de carte, et de grille pour classer les questions soulevées, ont été écrites par un francophone nourri de la même culture que les modèles testés. Une question que notre référentiel ignore est comptée comme « non identifiable », ce qui peut surestimer la part d'introspection : c'est pourquoi ce taux est toujours donné avec son échelle, et la composition géographique de nos 80 questions publiée à côté de celle des réponses. Une carte construite par d'autres, dans une autre tradition, donnerait un autre étalon.

Le relevé des auteurs comporte deux défauts que nous avons mesurés. Le rôle « argument mobilisé » est attribué environ deux fois trop souvent, comme l'a montré la double vérification décrite au §3.5 ; les proportions entre auteurs tiennent, les valeurs absolues sont un plafond. Par ailleurs, un test mécanique sur les réponses françaises et anglaises trouve que 3 % des auteurs relevés n'apparaissent nulle part dans le texte : l'annotateur en invente, plus souvent d'ailleurs sur les mentions qu'il juge argumentées (5,5 %). Une vérification à l'œil sur dix cas tirés au sort confirme les dix. S'y ajoute un troisième écart : dans 9,8 % des réponses, l'annotateur combine une catégorie de repli avec une orientation substantielle, alors que sa consigne lui demandait de n'employer les catégories de repli que seules.

Ces trois défauts ont été découverts après coup et testés plutôt que discutés, et ils jouent contre nos constats sur le canon. Si le rôle « argument mobilisé » est deux fois trop généreux, l'argumentation véritable est plus rare encore que ce que nous rapportons. Si des noms sont inventés, la diversité mesurée est surestimée et la concentration du canon sous-estimée. Si des catégories de repli sont mêlées à des orientations substantielles, notre calcul les compte comme ayant une tradition, ce qui minore la part des réponses qui n'en suivent aucune. Aucun des trois ne touche au registre, au taux hors référentiel, à la mise en problème ni aux comparaisons entre conditions, qui ne dépendent pas du relevé des noms. Une réserve subsiste néanmoins sur ce dernier point : rien n'exclut que l'annotateur se trompe différemment selon la condition, par exemple en reconnaissant plus volontiers une position dans une réponse qui reprend le vocabulaire de la carte. Nous ne l'avons pas testé.

Le classement des réponses est fait par un LLM. Les catégories qu'il applique, le registre d'une réponse ou le courant qu'elle suit, restent des jugements, et un annotateur unique peut avoir ses propres biais systématiques. Nous l'avons mis en concurrence avec un second modèle sur un échantillon (accord parfait sur les auteurs extraits et sur le registre, 25 sur 30 sur l'orientation dominante) et contre-vérifié trente réponses à la main. Un panel de trois annotateurs, ou une double annotation humaine sur un échantillon plus large, serait plus solide.

Ces mesures sont un instantané. Les modèles sont mis à jour sans préavis, et rien ne garantit que ces chiffres tiendront dans six mois. Chaque donnée porte sa date et le fournisseur qui l'a servie, et c'est une raison de plus de publier le protocole et le code : l'étude est faite pour être relancée, par nous ou par d'autres.

8. Données et code

L'intégralité est publiée : les réponses brutes, les annotations, les questions dans les cinq langues, l'audit des items, les scripts de collecte et d'analyse et le protocole pré-enregistré avec ses seuils. Le harnais est réutilisable avec une clé OpenRouter, y compris sur un seul modèle : chacun peut auditer l'assistant qu'il utilise. Une affirmation sur le comportement de ces systèmes qu'un lecteur ne peut pas rejouer ne vaut rien.

Le tout est regroupé dans un dépôt public : github.com/fbgallet/philo-probe. Les données de référence, c'est-à-dire les 4 956 réponses et l'intégralité de leurs annotations, sont dans son dossier results, avec le protocole complet (PROTOCOL.md) et la configuration exacte sous laquelle la collecte a été faite.

Contributions

Cette étude a été menée en collaboration entre un auteur humain et un système d'IA agentique, Claude Code (modèle Claude Opus 5, Anthropic). L'auteur a conçu le protocole, défini les questions de recherche, les hypothèses et leurs seuils, arbitré chaque choix en cours d'étude, relu, corrigé et complété l'ensemble des analyses et du texte, et assume seul le contenu. Claude Code a écrit et exécuté les scripts de collecte, d'annotation et d'analyse, proposé des indicateurs, identifié plusieurs régularités reprises dans l'article, dont certaines que l'auteur n'aurait probablement pas repérées, rédigé de premières versions du texte ensuite revues et corrigées, et produit la traduction anglaise, relue. Les erreurs restantes sont de l'auteur.