J’ai donné la même enquête d’achat à six IA : elles n’ont pas trouvé le même Internet

Existe-t-il aujourd’hui un smartphone suffisamment meilleur qu’un iPhone 16 pour justifier de le remplacer ?

La question paraît banale. Elle ne l’était pas.

Le 16 septembre 2026, j’ai soumis essentiellement le même cahier des charges à six assistants IA : ChatGPT, DeepSeek, Grok, Gemini, Meta AI et Mistral. Pas un prompt de trois lignes demandant « le meilleur téléphone du moment », mais une véritable enquête d’achat : marché français, compacité, prix réels, autonomie, performances, photo, confidentialité, sécurité, réparabilité, support logiciel, GrapheneOS, coût après revente et possibilité explicite que la meilleure décision soit simplement de ne rien acheter.

Les six systèmes avaient accès au Web. Ils devaient privilégier les constructeurs, croiser les tests, vérifier les variantes européennes, chercher des contre-arguments et reconnaître les informations qu’ils ne parvenaient pas à confirmer.

Le résultat est plus intéressant que le smartphone lui-même.

Cinq IA sur six ont finalement conseillé de conserver l’iPhone 16.

Et pourtant, elles n’avaient manifestement pas toutes enquêté sur le même marché.

Un Galaxy S26 pouvait valoir 600 €, 750 € ou plus de 1 000 €. Le même Galaxy S26 français possédait un Snapdragon dans une réponse et un Exynos dans une autre. Certains assistants avaient intégré le Pixel 11 sorti récemment ; d’autres semblaient encore vivre à l’époque du Pixel 9 ou du Pixel 10. Plusieurs produisaient des pourcentages très précis sur la compatibilité de GrapheneOS sans qu’un jeu de données correspondant existe réellement.

Le plus troublant n’était pas qu’elles se trompent.

C’était que leurs erreurs ressemblaient souvent exactement à des informations vérifiées.

Le smartphone n’était qu’un prétexte

Il faut préciser ce que cette expérience mesure et ce qu’elle ne mesure pas.

Ce n’est pas un benchmark scientifique de « l’intelligence » intrinsèque de six modèles. Les versions exactes, moteurs de recherche, systèmes de navigation, index, caches, outils internes et stratégies de sélection des sources peuvent différer. Une nouvelle exécution le lendemain pourrait également produire d’autres résultats.

L’expérience mesure quelque chose de plus concret : la qualité du système complet que rencontre réellement un utilisateur lorsqu’il confie aujourd’hui une décision complexe à une IA connectée au Web.

Et le téléphone constitue un excellent stress test.

Pour répondre correctement, il faut simultanément :

connaître la date exacte ;
découvrir les produits très récents ;
reconnaître les variantes vendues en France ;
distinguer prix constructeur, promotion, marketplace et import ;
comparer des mesures obtenues avec des protocoles différents ;
comprendre des sujets logiciels comme GrapheneOS ;
résister à l’envie de compléter les données manquantes ;
et, surtout, être capable de conclure qu’un achat n’est peut-être pas nécessaire.

Il ne suffit donc plus de « trouver des pages ».

Il faut comprendre ce qu’elles prouvent réellement.

Premier résultat surprenant : presque toutes les IA refusent de vendre un téléphone

L’iPhone 16 utilisé comme référence mesure officiellement 147,6 × 71,6 × 7,8 mm pour 170 g, avec un écran OLED de 6,1 pouces et une puce A18.

Le défi était donc sévère : trouver une amélioration suffisamment importante sans transformer un téléphone compact en brique de plus de 200 grammes.

DeepSeek, Grok, Gemini, Meta AI et ChatGPT convergent finalement vers la même idée : aucun candidat n’apporte une amélioration globale assez évidente pour rendre le remplacement indispensable.

Le principal reproche récurrent envers l’iPhone 16 est son écran limité à 60 Hz. Sur ce point, le marché Android compact et l’iPhone 17 offrent un gain immédiatement perceptible.

L’iPhone 17 dispose bien d’un écran ProMotion atteignant 120 Hz, d’une puce A19, de 256 Go au minimum et reste raisonnablement compact à 149,6 × 71,5 × 7,95 mm pour 177 g.

Samsung fait encore mieux sur l’encombrement : le Galaxy S25 ne pèse que 162 g et mesure 146,9 × 70,5 × 7,2 mm. Le S26 monte légèrement à 167 g et 149,6 × 71,7 × 7,2 mm.

Mais passer de « meilleur sur plusieurs critères » à « suffisamment meilleur pour vendre un téléphone récent qui fonctionne déjà » est une autre question.

C’est précisément là que les raisonnements commencent à diverger.

Le même Galaxy S26 coûte entre 599 et 1 002 euros

Le prix est probablement le meilleur exemple de toute l’expérience.

Au moment de cette enquête, Idealo référence le Galaxy S26 256 Go noir à partir de 599,69 €. Cette information est réelle.

Elle est aussi dangereusement incomplète.

Les offres les moins chères visibles dans le comparateur proviennent de marketplaces. Idealo indique par exemple des vendeurs affichant des évaluations de 1,6/5, 1,0/5 ou 1,1/5.

Pendant ce temps, Fnac affiche le même Galaxy S26 256 Go à 1 002 € vendu directement, avec des offres de vendeurs tiers commençant autour de 753 €.

Un autre relevé d’Idealo affiche même Samsung France à 799 € pour une variante 256 Go.

Ainsi, les phrases suivantes peuvent toutes être accompagnées d’une source Web réelle :

Le Galaxy S26 coûte environ 600 €.

Le Galaxy S26 coûte environ 800 €.

Le Galaxy S26 coûte environ 1 000 €.

Le problème n’est plus la recherche d’information.

Le problème est de savoir quel prix répond réellement à la question de l’utilisateur.

Un prix plancher chez un marchand marketplace très mal évalué n’a pas la même valeur décisionnelle qu’un prix constructeur ou qu’une vente directe par une grande enseigne. Pourtant, pour un LLM qui extrait simplement le nombre le plus bas d’une page de comparaison, ils peuvent sembler interchangeables.

Et cette différence est suffisamment importante pour renverser une recommandation entière.

Mistral illustre parfaitement cet effet papillon

Mistral constitue l’exception de l’expérience.

Là où les cinq autres systèmes penchent vers « garde l’iPhone », sa réponse pousse beaucoup plus clairement au changement.

Ce désaccord paraît spectaculaire jusqu’à ce que l’on examine les hypothèses.

Mistral travaille notamment avec des prix extrêmement agressifs pour plusieurs Android, combinés à une valeur de revente relativement élevée de l’iPhone 16. Dans ce scénario, acheter un Galaxy S25 tout en revendant l’iPhone peut devenir presque neutre financièrement, voire profitable.

À partir de là, le verdict est logique.

Mais il dépend énormément de la solidité du prix d’entrée.

Le S25 fournit lui-même un bon exemple. Darty affiche actuellement une offre neuve à 549 €, mais sa propre vente directe apparaît à 902 € sur une autre fiche, tandis que l’offre à 549 € provient d’un vendeur tiers.

La question n’est donc pas seulement :

« Ce prix existe-t-il ? »

Elle devient :

« Puis-je réellement recommander à quelqu’un de baser une décision de plusieurs centaines d’euros sur cette offre précise ? »

La nuance paraît minuscule. Elle change le verdict.

Grok a trouvé le bon téléphone… avec la mauvaise puce

Autre type d’erreur : la variante régionale.

Grok identifie correctement le Galaxy S26 comme l’un des rares concurrents Android capables de rester proche du format de l’iPhone 16.

Mais son analyse lui attribue un Snapdragon 8 Elite Gen 5.

Pour un acheteur français, c’est un problème.

Samsung France indique explicitement que le Galaxy S26 et le S26+ utilisent l’Exynos 2600, alors que le S25 précédent utilisait bien le Snapdragon 8 Elite pour Galaxy.

Ce n’est pas une erreur cosmétique.

Changer de SoC peut affecter :

performances CPU et GPU ;
consommation ;
comportement thermique ;
autonomie ;
performances soutenues.

Une IA peut donc comparer correctement « le Galaxy S26 » en apparence tout en analysant, dans les faits, un appareil qui n’est pas celui vendu à l’utilisateur.

C’est une forme particulièrement intéressante d’hallucination moderne : le produit existe, la puce existe, l’association existe peut-être dans une autre région mais l’ensemble devient faux uniquement à cause du contexte géographique.

Certains modèles avaient déjà raté le marché du 16 septembre

L’expérience intervient à une date particulièrement cruelle pour un moteur de recherche imparfait.

Le Google Pixel 11 est déjà commercialisé en France à partir de 999 €. Google confirme une puce Tensor G6, un coprocesseur de sécurité Titan M3 et plus de 30 heures d’autonomie selon son protocole.

Quelques jours auparavant, le 9 septembre, Apple avait officiellement présenté l’iPhone 18 Pro. Les précommandes ont commencé le 12 septembre, avec une disponibilité en France annoncée pour le 18 septembre et un tarif à partir de 1 479 €.

Ces deux produits ne sont pas nécessairement les meilleurs choix pour la mission.

Ce n’est pas le point.

Une enquête qui prétend représenter l’état du marché au 16 septembre 2026 doit au minimum savoir qu’ils existent.

ChatGPT les avait intégrés. Plusieurs concurrents non.

Cette différence ne prouve pas qu’un modèle est « plus intelligent ». Elle montre surtout qu’en matière de recherche actuelle, la fraîcheur fait partie de la vérité.

Une réponse techniquement impeccable sur le marché de juillet peut être une mauvaise réponse en septembre.

Même Apple peut contredire Apple

On pourrait croire que le problème disparaît dès que l’on impose des sources officielles.

L’iPhone 17 démontre le contraire.

Lors de son lancement le 9 septembre 2025, Apple annonçait officiellement un prix français à partir de 969 €. Cette valeur existe toujours sur le communiqué de presse Apple.

Une page Apple Business française affiche encore elle aussi l’iPhone 17 256 Go à 969 €.

Mais la boutique Apple grand public actuellement indexée affiche 1 119 €.

Même domaine. Même constructeur. Même téléphone. Deux montants différents.

« Utiliser la source officielle » n’est donc pas une stratégie suffisante.

Il faut encore déterminer :

quand la page a été publiée ;
à quel public elle s’adresse ;
si elle représente un prix de lancement ou un prix actuel ;
si l’offre est toujours applicable ;
et quel contexte correspond réellement à la question.

La provenance d’une information et sa pertinence temporelle sont deux problèmes différents.

Gemini montre pourquoi la précision peut être une illusion

Gemini est probablement le cas le plus fascinant du lot.

Sa réponse possède tout ce qui inspire spontanément confiance dans un rapport :

tableaux abondants, scénarios, scores pondérés, valeurs numériques, projections financières, autonomie détaillée, évaluations de confidentialité et dizaines de références.

Visuellement, c’est presque un rapport de cabinet de conseil.

C’est justement le piège.

Certaines affirmations sont solides. D’autres acquièrent une précision que les données disponibles ne permettent pas.

Le cas GrapheneOS est particulièrement révélateur.

Des nombres comme « 70 % des applications bancaires compatibles » donnent une impression de mesure statistique. Pourtant, GrapheneOS ne publie pas de dataset officiel permettant de transformer la compatibilité bancaire mondiale en un tel ratio.

La documentation du projet adopte une formulation beaucoup plus prudente : des applications utilisant Play Integrity peuvent refuser les systèmes alternatifs à Android certifié par Google, sauf si leurs développeurs choisissent explicitement de prendre en charge une attestation compatible.

Les deux formulations ne sont pas équivalentes.

« Certaines applications peuvent ne pas fonctionner » paraît moins impressionnant qu’un pourcentage.

Mais lorsque le pourcentage n’est pas mesuré, la phrase vague est en réalité plus exacte.

C’est la fausse précision : transformer une incertitude mal quantifiée en chiffre propre, rassurant et mémorisable.

Un LLM peut alors sembler plus scientifique précisément au moment où il devient moins rigoureux.

GrapheneOS était le piège idéal

Le sujet concentrait presque toutes les difficultés de l’expérience.

Peut-on installer le Play Store ?

Oui.

GrapheneOS propose une couche de compatibilité permettant d’utiliser les versions officielles des services Google dans le bac à sable Android normal, avec des privilèges réduits plutôt que l’accès système spécial dont ils disposent généralement. Sa documentation décrit explicitement ce « Sandboxed Google Play ».

Faut-il laisser le bootloader déverrouillé ?

Non : l’installation normale de GrapheneOS prévoit au contraire son reverrouillage afin de conserver la chaîne de démarrage vérifiée.

Tous les Pixel sont-ils compatibles ?

Non plus.

La liste officielle de septembre 2026 comporte notamment les Pixel 10, 10 Pro, 10 Pro XL, 10 Pro Fold et 10a, mais pas la gamme Pixel 11.

Et Google Wallet ?

Le paiement NFC via Google Wallet reste problématique parce que GrapheneOS ne satisfait pas le modèle de certification attendu par Google pour cette fonction. Des solutions alternatives peuvent exister suivant le pays et le fournisseur, mais leur disponibilité ne doit pas être extrapolée automatiquement.

C’est exactement le genre de domaine où une IA entraînée à produire une réponse complète est tentée de combler les trous.

Et chaque trou comblé augmente la probabilité de produire une réponse plus agréable mais moins vraie.

Meta AI : quand un ordre de grandeur devient une statistique

Meta AI rencontre un problème voisin.

Sa réponse contient de bonnes intuitions. Elle repère notamment le Galaxy S25, qui constitue un candidat particulièrement logique : il reste extrêmement compact, possède un écran 120 Hz et bénéficie déjà d’une forte décote par rapport à son positionnement initial.

Mais certains éléments concernant GrapheneOS deviennent trop affirmatifs, notamment lorsqu’une compatibilité bancaire approximative est exprimée sous forme de pourcentage.

C’est un travers fréquent des systèmes génératifs : prendre une tendance issue de témoignages communautaires « beaucoup d’applications semblent fonctionner » et la transformer progressivement en information quantitative.

À chaque étape, la phrase devient plus utilisable.

Elle devient aussi plus difficile à défendre.

DeepSeek : une bonne décision avec un marché incomplet

DeepSeek produit probablement l’un des raisonnements économiques les plus sains de l’expérience.

Il comprend que la vraie comparaison n’est pas :

iPhone 16 contre meilleur smartphone disponible.

Mais :

coût et bénéfice du remplacement contre valeur de conserver ce que l’on possède déjà.

C’est une distinction essentielle.

Il prend en compte la revente, reconnaît l’intérêt spécifique de GrapheneOS pour un utilisateur privilégiant la confidentialité et accepte qu’un smartphone puisse être meilleur techniquement sans justifier financièrement un changement.

Son principal problème se trouve ailleurs : la couverture du marché.

L’absence de candidats aussi pertinents que le Galaxy S25, et surtout de nouveautés très récentes comme le Pixel 11, réduit la portée de l’enquête.

Cela montre qu’un raisonnement peut être cohérent tout en travaillant sur un ensemble de données incomplet.

C’est une erreur moins spectaculaire qu’une hallucination.

Elle peut pourtant modifier une décision tout autant.

ChatGPT a surtout mieux résisté à l’envie de répondre

Dans cette exécution précise, ChatGPT a produit la recherche la plus robuste du groupe.

Pas parce que chaque donnée était correcte.

Son traitement initial du prix du Galaxy S26 montre justement une faiblesse : retenir un plancher autour de 600 € sans suffisamment séparer les marketplaces douteuses des vendeurs recommandables donnait trop de poids à une offre dont la qualité commerciale était médiocre.

Sa différence la plus intéressante se situait ailleurs.

Il était davantage disposé à écrire :

mesure indépendante insuffisante ;
prix à vérifier ;
données difficilement comparables ;
application bancaire non confirmée ;
information inconnue.

Cela paraît presque banal.

Dans un système génératif, ça ne l’est pas.

Une IA est récompensée, en pratique, par son utilité perçue. Une case vide ressemble à une faiblesse. Un chiffre ressemble à une réponse.

Or, dans une enquête, refuser d’inventer la case manquante est une capacité.

Six réponses, six modes d’échec

Le plus utile n’est finalement pas de classer les modèles sur une ligne.

Chacun expose un risque différent.

Système	Faiblesse particulièrement visible dans cette expérience
ChatGPT	Peut trouver un prix réel sans suffisamment pénaliser la mauvaise qualité du vendeur
DeepSeek	Raisonnement cohérent sur un marché partiellement incomplet
Grok	Mauvaise localisation régionale d’une caractéristique matérielle
Gemini	Précision numérique supérieure à la qualité réelle des preuves
Meta AI	Transformation d’informations communautaires en généralisations trop affirmatives
Mistral	Verdict fortement dépendant de prix fragiles et plusieurs affirmations techniques insuffisamment vérifiées

Ce tableau ne constitue pas un classement universel.

Changer de question pourrait complètement modifier l’ordre.

Il révèle quelque chose de plus intéressant : « halluciner » n’est plus une catégorie d’erreur suffisamment précise pour décrire les LLM connectés au Web.

Ils peuvent désormais échouer en trouvant une information authentique.

Trouver une vraie page peut conduire à une fausse réponse

C’est peut-être l’évolution la plus importante depuis l’arrivée de la recherche Web dans les assistants IA.

L’hallucination classique était facile à conceptualiser : le modèle inventait un fait ou une source.

Aujourd’hui, le problème devient plus subtil.

Le modèle peut trouver :

une vraie fiche produit ;
un vrai prix ;
un vrai benchmark ;
une vraie documentation ;
un vrai commentaire ;
un vrai communiqué officiel.

Puis produire une mauvaise conclusion parce que cette information concernait :

une autre date ;
une autre région ;
un vendeur peu recommandable ;
une autre méthodologie ;
une ancienne version ;
un cas particulier transformé en règle générale.

La citation ne supprime donc pas l’erreur.

Elle peut même la rendre plus convaincante.

Une phrase fausse accompagnée d’un lien réel est psychologiquement beaucoup plus difficile à contester qu’une phrase fausse sans source.

Le nombre de sources est un très mauvais substitut à leur qualité

Une réponse avec cinquante références peut sembler plus sérieuse qu’une réponse avec dix.

Cela ne garantit presque rien.

Pour chaque citation, il faudrait idéalement pouvoir répondre à quatre questions :

La source dit-elle réellement ce que l’IA lui fait dire ?
Est-elle assez récente pour la question ?
Concerne-t-elle le bon pays, produit et scénario ?
La conclusion dépasse-t-elle ce que la source permet d’affirmer ?

C’est extrêmement coûteux à vérifier manuellement.

Et c’est précisément pourquoi les agents de recherche sont séduisants : ils promettent de réaliser ce travail à notre place.

Le paradoxe est là.

Plus la recherche devient complexe, plus l’IA apporte de valeur.

Mais plus elle apporte de valeur, plus il devient difficile pour l’utilisateur de contrôler intégralement son travail.

Les benchmarks aggravent encore le problème

Le smartphone ajoute un autre piège : les performances.

Un LLM peut facilement récupérer Geekbench, AnTuTu, 3DMark, des tests GPU, des tests IA et quelques températures.

Il peut ensuite calculer :

« A est 34 % plus rapide que B. »

Mathématiquement, la division est correcte.

Scientifiquement, la conclusion peut être absurde.

Deux scores peuvent différer par :

version du benchmark ;
API Metal ou Vulkan ;
température ambiante ;
mode performance ;
durée du test ;
nombre de boucles ;
système d’exploitation ;
résolution ;
throttling ;
variante régionale du SoC.

Le problème n’est donc pas de savoir si le LLM sait calculer un pourcentage.

Il doit savoir si le pourcentage mérite d’être calculé.

Le consensus des IA n’est pas une preuve

Cinq assistants sur six recommandent finalement de conserver l’iPhone 16.

Cela peut donner envie de parler de consensus.

Mais cinq modèles peuvent partager :

les mêmes pages ;
les mêmes comparateurs ;
les mêmes données d’entraînement ;
les mêmes habitudes de raisonnement ;
ou simplement la même intuition économique évidente.

Le nombre de modèles d’accord n’est donc pas équivalent au nombre de preuves indépendantes.

Cette expérience contient même un exemple plus dérangeant : plusieurs assistants peuvent aboutir à la bonne décision avec des faits intermédiaires différents ou incorrects.

Autrement dit :

une conclusion juste ne valide pas rétroactivement son raisonnement.

C’est probablement la raison pour laquelle évaluer les assistants uniquement sur leur réponse finale devient insuffisant dès qu’on leur confie des décisions réelles.

L’erreur la plus dangereuse n’est pas forcément l’hallucination

Une hallucination grossière peut être repérée.

Une valeur précise dans un tableau de vingt lignes, accompagnée de trois sources, l’est beaucoup moins.

La sortie la plus dangereuse n’est donc pas nécessairement celle qui semble mauvaise.

C’est parfois celle qui possède tous les attributs visuels de la rigueur :

tableaux, décimales, références, scores, catégories et vocabulaire technique.

Un lecteur peut facilement confondre densité informationnelle et densité de preuves.

Les deux ne sont pas synonymes.

Le vrai benchmark devrait mesurer la calibration

Les LLM modernes sont déjà extraordinairement utiles pour ce genre d’enquête.

En quelques minutes, ils peuvent :

construire un univers de candidats ;
parcourir des dizaines de caractéristiques ;
identifier des compromis oubliés ;
découvrir des produits que l’utilisateur ne connaissait pas ;
rapprocher sécurité, coût, autonomie et ergonomie ;
structurer une décision beaucoup plus vite qu’une recherche manuelle.

Cette expérience ne montre donc pas qu’il faudrait arrêter de les utiliser pour rechercher.

Elle suggère autre chose.

Nous évaluons peut-être la mauvaise qualité.

Les benchmarks demandent généralement :

Connais-tu la bonne réponse ?

Pour la recherche Web, une question supplémentaire devient indispensable :

Sais-tu reconnaître la force réelle des preuves qui t’autorisent à répondre ?

La meilleure sortie n’est alors pas nécessairement celle qui contient le plus d’informations.

C’est celle qui sait maintenir quatre catégories distinctes :

ce qui est vérifié ; ce qui est attribué à une source ; ce qui est raisonnablement inféré ; ce qui reste inconnu.

Dans mon expérience, la différence entre les systèmes se voyait beaucoup plus clairement à cet endroit que dans leur capacité à réciter des caractéristiques de smartphones.

Et c’est probablement là que se situe l’enjeu des prochains agents de recherche.

Pas seulement parcourir davantage de pages.

Pas seulement citer davantage de sources.

Mais apprendre à ne pas transformer automatiquement chaque vide documentaire en réponse.

Car lorsqu’une IA peut chercher presque tout sur Internet, son aptitude la plus précieuse n’est peut-être plus de savoir.

C’est de savoir quand elle n’a pas encore suffisamment de preuves pour prétendre savoir.