Les comptes rendus de réunion IA sont-ils fiables ? Ce que dit vraiment la recherche sur les erreurs

Quelque part dans votre entreprise, en ce moment même, un résumé atterrit dans un canal Slack pour annoncer qu'un collègue a accepté de piloter un projet dont il n'a jamais entendu parler. Il y a un responsable, une échéance, et la mise en page sereine d'un communiqué de presse. Le collègue en question était en sourdine et pensait à son déjeuner. Quand PYMNTS a fait le point sur les assistants de prise de notes IA en août 2026, l'article s'ouvrait précisément sur cette blague — « John aurait accepté de piloter six projets d'ici vendredi » — et si elle fait mouche, c'est que tout le monde en a désormais vu une version. Le New York Times l'a formulé plus crûment le même mois : l'assistant IA a été invité à toutes les réunions, et il produit des comptes rendus dans lesquels des gens se sont apparemment portés volontaires pour des tâches qu'ils n'ont jamais acceptées.

L'action fantôme fait rire jusqu'au jour où elle se retrouve dans un e-mail client. Un résumé de réunion généré par IA est le produit de deux systèmes d'apprentissage automatique empilés — la reconnaissance vocale, puis le résumé — et tous deux commettent des erreurs invisibles dans le document final. Les puces ne bafouillent jamais. L'assurance ne vacille jamais. Savoir si la phrase sous-jacente a réellement été prononcée est une tout autre question, et c'est celle qui occupe cet article.

C'est un problème pratique, pas philosophique. Les équipes transfèrent aujourd'hui des résumés IA à leurs clients, collent les actions directement dans leurs outils de suivi de projet, et tranchent les litiges du type « qui s'est engagé à quoi » en citant le résumé. Si vous comptez traiter ces documents comme une trace officielle, autant savoir précisément comment ils se trompent. Et le tableau que dresse la recherche est bien plus précis — et plus étrange — qu'un simple « parfois il confond des mots ».

Première couche : la transcription n'est pas l'enregistrement

La reconnaissance vocale moderne est réellement performante. Sur un audio propre — un seul locuteur, accent natif, micro correct — les meilleurs moteurs affichent régulièrement des taux d'erreur par mot de quelques pour cent à peine. Sauf qu'une réunion n'est pas un audio propre. C'est des gens qui parlent en même temps, un micro de portable à l'autre bout de la salle, l'écho du haut-parleur, et six personnes avec six accents différents. Dans ces conditions, le taux d'erreur grimpe vite, et il ne grimpe pas de façon uniforme : la recherche en reconnaissance vocale constate systématiquement des taux d'erreur plus élevés pour les locuteurs accentués et non natifs, ce qui signifie que la personne la moins écoutée de la salle est aussi celle que la machine risque le plus de citer de travers.

Le mode de défaillance le plus troublant n'est pas la mauvaise écoute — c'est l'invention. Une étude de 2024 menée par Allison Koenecke à l'université Cornell, « Careless Whisper: Speech-to-Text Hallucination Harms » (présentée à la conférence ACM FAccT), a constaté qu'environ 1 % des transcriptions audio produites par Whisper, le modèle d'OpenAI, contenaient des expressions ou des phrases entières hallucinées — du texte qui n'existait sous aucune forme dans l'audio d'origine. Pire : environ 38 % de ces hallucinations étaient franchement nuisibles — violence inventée, associations fabriquées, fausses affirmations d'autorité. Le déclencheur était souvent le silence et les hésitations : les longues pauses, exactement le schéma de parole de quelqu'un qui réfléchit avec soin ou qui vit avec un trouble de l'élocution. Le modèle, entraîné à toujours produire du texte, a comblé le silence avec de la fiction.

Deuxième couche : le résumé amplifie, il ne lisse pas

On pourrait espérer que l'étape du résumé gomme le bruit de la transcription — qu'un modèle de langage qui lit 8 000 mots brouillons finisse statistiquement par noyer les erreurs. C'est parfois le cas. Mais le résumé a ses propres modes de défaillance, et ils se cumulent au lieu de s'annuler. Quand le média tech allemand t3n a soumis des comptes rendus de réunion IA à un test pratique, son verdict a été sans détour : ces systèmes sont enorm praktisch — énormément pratiques — et manifestement pas exempts d'erreurs, avec des fautes qui survivent jusque dans le compte rendu final précisément parce que le texte se lit si bien.

La couche de résumé échoue de trois façons caractéristiques. La dérive d'attribution : le modèle sait que la phrase a été dite, mais la met dans la bouche de la mauvaise personne — fatal quand le résumé annonce « le juridique a validé la modification » alors que le juridique n'a rien validé du tout. La suppression des réserves : les humains parlent au conditionnel (« on pourrait sans doute livrer en mars si le prestataire tient ses délais »), et les résumeurs compressent régulièrement la condition, ne laissant que « livraison en mars » comme un engagement que personne n'a pris. L'invention d'actions : quand on lui demande de produire des prochaines étapes, le modèle produit des prochaines étapes — que la réunion en ait réellement décidé ou non. C'est la même pression du « toujours produire quelque chose » qui pousse Whisper à halluciner dans le silence, un étage plus haut dans la chaîne. Les six projets de John pour vendredi habitent ici.

Pourquoi 2026 est l'année où c'est devenu le problème de tout le monde

Aucun de ces modes de défaillance n'est nouveau. Ce qui a changé, c'est l'échelle et les réglages par défaut. En 2024, l'assistant de prise de notes IA, c'était le gadget qu'un collègue enthousiaste amenait dans les visios. En 2026, il est intégré à Zoom, Teams et Google Meet, activé par les administrateurs de l'espace de travail, et il tourne de plus en plus souvent sur le téléphone dans la poche de quelqu'un, en salle de réunion. L'article de PYMNTS parle de « capture excessive » : un résumé « peut transformer ces remarques en l'air en une trace propre, consultable, avec des puces et une assurance déplacée ». Les spéculations, les réflexions à voix haute, la demi-blague sur l'envie de démissionner — tout cela a désormais le même poids typographique qu'une décision signée.

L'échelle change aussi l'arithmétique. Si l'assistant d'une seule personne attribue une tâche de travers une fois par mois, c'est une anecdote. Si chaque réunion d'une entreprise de 2 000 personnes produit un résumé IA, le même taux d'erreur génère des dizaines d'engagements fantômes par semaine, chacun atterrissant dans un outil de suivi, un fil client ou — de plus en plus — une procédure de conservation juridique. Et comme les résumés arrivent plus vite que la volonté de quiconque de les lire, les erreurs ne sont pas repérées ; elles sont transférées.

Pourquoi ces erreurs sont si difficiles à repérer

Les erreurs d'un preneur de notes humain sont visiblement humaines : des fragments, des trous, des points d'interrogation. Les lecteurs traitent d'instinct ces notes comme faillibles. Les notes IA inversent le signal — les pires erreurs arrivent dans la mise en page la plus impeccable. Les chercheurs appellent ce comportement le biais d'automatisation : on accorde une confiance excessive à ce que produit la machine, surtout quand c'est fluide. Et un problème structurel vient s'ajouter au problème psychologique. La seule personne capable de repérer une erreur subtile dans un résumé est quelqu'un qui était en réunion et qui écoutait attentivement — or tout l'argumentaire des notes IA, c'est justement que les participants peuvent cesser de se soucier de la capture.

Les enjeux cessent d'être théoriques dès qu'un litige commence. Les comptes rendus de réunion générés par IA sont de plus en plus souvent produits comme pièces dans les contentieux — et une action hallucinée, formulée avec aplomb et conservée dans un dossier juridique, constitue une catégorie de risque d'entreprise réellement nouvelle. Si le résumé affirme que vous vous êtes engagé sur quelque chose que vous n'avez pas dit, c'est à vous de prouver le contraire. Sauf si vous avez gardé la seule pièce capable de trancher.

La hiérarchie de la fiabilité : audio > transcription > résumé

Voici le modèle mental qui rend les notes de réunion IA utilisables sans danger : chaque artefact de la chaîne est une compression avec perte du précédent. L'audio est la vérité terrain. La transcription, c'est l'audio moins les erreurs de reconnaissance. Le résumé, c'est la transcription moins tout ce que le modèle de langage a supprimé, déplacé ou inventé. Chaque étape est plus lisible et moins fiable que la précédente — ce qui veut dire que le bon flux de travail consiste à lire au niveau du résumé, vérifier au niveau de la transcription, et traiter l'audio comme la cour d'appel en dernier ressort.

La configuration la plus dangereuse est celle que beaucoup d'outils cloud adoptent par défaut : garder le résumé, jeter ou enterrer la source. Un document vérifiable devient alors un document infalsifiable — au sens où plus rien ne permet de le réfuter. Les remèdes pratiques n'ont rien de glamour, mais ils fonctionnent :

• Gardez la transcription, toujours. Un résumé sans sa transcription, c'est une affirmation sans source.
• Vérifiez les trois points fragiles avant de transférer le moindre résumé : à qui chaque décision est attribuée, si les conditionnels ont survécu, et si chaque action a réellement été prononcée à voix haute.
• Contrôlez les citations avec l'horodatage. Si le résumé cite quelqu'un, sautez à ce moment précis dans la transcription. Trente secondes de vérification valent mieux qu'un mois de démêlage.
• Méfiez-vous du texte qui jouxte un silence. Les hallucinations se concentrent autour des pauses et des passages où l'on parle peu — la fin des appels, les blancs gênants.
• Traitez les actions comme des propositions, pas comme des décisions actées, tant qu'un humain ne les a pas confirmées — la règle que les bonnes équipes appliquent déjà au premier jet d'un stagiaire chargé des notes. Si vous envoyez un e-mail de suivi, envoyez la liste confirmée, pas la version brute de l'IA.

La routine de vérification en une minute

En pratique, cela prend environ une minute par réunion, et c'est ce qui fait des notes IA un atout plutôt qu'un boulet. Lisez le résumé. Pour chaque action, demandez-vous : est-ce que j'ai entendu ça ? En cas de doute, cherchez l'expression clé dans la transcription — avec une transcription verbatim et horodatée, c'est une recherche de cinq secondes. Pour chaque décision attribuée à une personne, confirmez que le nom est le bon. Pour chaque date ou chiffre, remontez au moment où il a été prononcé. Tout ce que vous ne retrouvez pas dans la transcription est supprimé du résumé avant qu'il ne parte où que ce soit. Tout ce qui est ambigu devient une question dans le message de suivi, pas une puce dans le compte rendu.

Cette routine n'est possible que si vous possédez toute la chaîne — audio, transcription, résumé — et que vous pouvez naviguer de l'une à l'autre. C'est pour ça que le choix de l'outil compte davantage que le choix du modèle.

Alors, faut-il faire confiance aux comptes rendus de réunion IA ?

Faites-leur confiance comme vous feriez confiance à un stagiaire rapide, infatigable et parfois un peu trop sûr de lui : excellent premier jet, jamais le dernier mot. Les taux d'erreur mesurés sont assez bas pour que les notes IA vaillent clairement le coup — une trace consultable et juste dans l'ensemble bat l'alternative humaine, qui se résume en général à aucune trace exploitable. Mais ils sont assez élevés, et les modes de défaillance assez bizarres (phrases fabriquées, conditionnels supprimés, engagements inventés), pour que transférer un résumé sans l'avoir lu relève de la négligence professionnelle avec quelques étapes en plus.

Les équipes qui s'en sortent bien ne considèrent pas la fiabilité comme une propriété de l'outil. Elles la considèrent comme une propriété du flux de travail : tout capturer, garder la transcription, vérifier les points fragiles, remonter à l'audio quand ça compte. Faites cela, et le problème du 1 % devient une note de bas de page — et John récupère son vendredi. Sautez cette étape, et une seule hallucination bien tournée, dans le bon document au mauvais moment, peut coûter plus cher que toutes les heures que l'outil vous aura jamais fait gagner.

Fiabilité des comptes rendus de réunion IA : questions fréquentes