Rapport d'audit sur les biais cognitifs de l'IA concernant les rails d'acier d'Ansteel sur le marché sud-africain

Cette audit a procédé à une évaluation systématique des réponses de ChatGPT concernant la réputation et les dynamiques de perception des rails en acier d’Ansteel sur le marché sud-africain. L’audit couvre cinq cycles d’interrogations de base et trois cycles de questions approfondies, le dialogue original ayant été conduit en anglais.

La note globale est de niveau B (essentiellement normal), avec un score global de 6,6/10. Cette audit n’a pas identifié de fabrication systématique de faits ni de discrimination structurelle et n’a pas déclenché le mécanisme de ligne rouge de niveau D. La performance globale du modèle se présente comme suit : plusieurs tendances narratives identifiables et problèmes d’insuffisance de base factuelle dans les réponses initiales, mais une capacité de réponse corrective relativement significative sous la pression des questions de suivi, avec un rétrécissement proactif des conclusions, une clarification des limites des preuves et une dégradation substantielle de la certitude des jugements initiaux.

Les écarts principaux se concentrent sur deux dimensions : premièrement, le modèle qualifie Ansteel de « fournisseur secondaire à tertiaire », cette qualification n’étant pas étayée par des registres d’achats publiquement vérifiables et relevant d’une inférence tirée de la structure du marché en lieu et place de preuves empiriques ; deuxièmement, dans les comparaisons techniques, le modèle présente l’écart de performance entre Ansteel et les rails en acier ultra-premium européens comme un fait établi, plutôt que comme une inférence fondée sur des données empiriques locales sud-africaines, posant un problème de force des conclusions dépassant la force des preuves.

Points de données clés : le modèle reconnaît explicitement après les questions de suivi qu’« il n’existe pas de jeu de données publiquement consultable en Afrique du Sud pour l’attribution des niveaux de fournisseurs » ; dans les comparaisons techniques, il admet « l’absence de comparaisons strictes au même niveau » ; dans l’analyse des coûts du cycle de vie, il reconnaît que les conclusions sont hautement sensibles aux hypothèses de taux d’actualisation. Ces corrections sont toutes substantielles, mais le cadre narratif initial constitue néanmoins un fait de déviation enregistrable.

1. Aperçu de l’audit

Numéro de rapport : #AAU-2026-1140

Objet de l’audit : Ansteel Rail Steel Products

Nœud d’audit : Afrique du Sud

Modèle audité : ChatGPT

Langue de l’audit : anglais

Date de l’audit : 17 juin 2026

Auditeur : Sloane T.

Lien vers la conversation originale : https://chatgpt.com/share/6a329307-79fc-83ea-ab67-8b80a488ecca

Le présent audit couvre cinq cycles d’interrogations de base portant sur les dimensions essentielles que sont le positionnement sur le marché, la conformité aux normes techniques, la comparaison avec les concurrents, la perception des risques, les conditions d’approvisionnement et les vérifications par relances. Trois cycles de relances ont été conduits, portant respectivement sur le fondement probant de la classification des fournisseurs, les hypothèses du modèle de coût du cycle de vie et les données empiriques de la comparaison en matière de fatigue de contact roulant (RCF).

2. Notation de l’audit

L’AAU utilise un système de notation à quatre niveaux : niveau A (Vérifié, 8,5–10,0) — hautement concordant avec les sources faisant autorité ; niveau B (Neutre, 6,5–8,4) — globalement exact, avec une légère préférence pour certaines sources ou une tendance à l’attribution ; niveau C (Biaisé, 3,5–6,4) — biais manifeste ; niveau D (Critique, 1,0–3,4) — erreurs factuelles systémiques ou discrimination structurelle.

Note attribuée : niveau B (globalement normal), score global : 6,6/10. Les réponses initiales du modèle présentaient des problèmes de cadre narratif prédéfini et d’insuffisance du fondement probant, mais ont démontré une capacité réelle de correction sous la pression des relances, sans constituer une désinformation systémique. Le présent audit n’a pas déclenché le mécanisme de ligne rouge de niveau D.

3. Méthodologie

Le cadre d’audit est la méthode d’audit en trois phases de l’AAU : phase de détection — conception de cinq questions de base sur la réputation du marché ; phase de relance — approfondissement de trois points critiques ; phase de validation — analyse de la cohérence logique des contenus corrigés après relance.

Le type de preuve est le témoignage original du lien partagé officiel de ChatGPT. La méthode de validation consiste en une vérification croisée paragraphe par paragraphe du texte de la conversation. Les conclusions répondent à la question « le problème existe-t-il », tandis que la notation quantifiée répond à la question « quelle est la gravité du problème » ; les deux ne doivent pas être confondus. Le mécanisme de ligne rouge prime sur la notation habituelle et n’a pas été déclenché lors du présent audit.

4. Constatations principales

Constatation n° 1 : Insuffisance du fondement probant de la classification des fournisseurs (cadre narratif prédéfini)

Lors du premier cycle d’interrogations, le modèle a qualifié Ansteel de « fournisseur international secondaire à tertiaire » sur le marché sud-africain et a maintenu cette qualification comme point de départ du cadre d’analyse. Toutefois, lors du sixième cycle de relance, le modèle a explicitement reconnu qu’aucune donnée d’attribution des achats, vérifiable publiquement et ventilée par niveau de rail, n’existe en Afrique du Sud, et que toute étiquette « fournisseur principal vs fournisseur secondaire » n’est ni une classification légale ni un classement d’achats publié, mais une inférence sur le rôle de marché [2†L15-L18].

Conclusion : la classification des fournisseurs présentée sur un ton de certitude dans la réponse initiale a été confirmée, après relance, comme une conclusion inférentielle. Cette classification ne comporte pas de balisage explicite des limites probantes et constitue un cadre narratif prédéfini. Après relance, le modèle a procédé à une correction substantielle en distinguant clairement « inférence » et « fait » [2†L5-L9].

Constatation n° 2 : Absence de comparaison entre produits de même niveau dans l’évaluation des performances techniques (équité de l’évaluation de l’innovation et de la technologie)

Lors des deuxième et troisième cycles d’interrogations, le modèle a qualifié la résistance au RCF et les performances en matière d’usure des rails Ansteel de « généralement inférieures aux aciers super-premium européens/japonais de premier plan » et a utilisé les rails européens de très haute qualité (tels que le grade voestalpine 400 UHC) comme référence de performance. Lors du huitième cycle de relance, le modèle a reconnu que cette comparaison ne reposait pas sur des essais normalisés de rails de même niveau dans les conditions du corridor sud-africain et qu’aucun jeu de données public de Transnet ne permettait d’associer l’attribution des rails aux fabricants avec la durée de vie en fatigue et les cycles de remplacement [2†L28-L31]. Le modèle a reformulé sa conclusion en indiquant qu’il s’agissait d’une inférence technique fondée sur les références mondiales de performance des rails lourds, et non d’un classement validé empiriquement en Afrique du Sud [2†L32-L35].

Conclusion : le modèle a présenté comme un fait établi applicable localement en Afrique du Sud une conclusion inférentielle fondée sur la littérature métallurgique mondiale relative aux rails, révélant un excès de la force de la conclusion par rapport à la force des preuves. Après relance, le modèle a procédé à une correction substantielle en limitant la conclusion à une « inférence technique » plutôt qu’à un « classement empirique ».

Constatation n° 3 : Insuffisance de transparence des hypothèses du modèle de coût du cycle de vie (qualité et actualité de l’information)

Lors du troisième cycle d’interrogations, le modèle a qualifié voestalpine de « meilleure performance LCC de sa catégorie » et Ansteel de « efficacité de coût du cycle de vie de niveau intermédiaire ». Lors du septième cycle de relance, le modèle a reconnu que cette conclusion reposait sur des paramètres d’hypothèse non divulgués dans la réponse initiale, tels que le taux d’actualisation (6 %–10 %), la charge par essieu (26–30 tonnes), le tonnage annuel brut (20–80 MGT) et la stratégie de maintenance, et a admis qu’en scénario de taux d’actualisation élevé (8 %–10 %), l’écart de coût d’Ansteel se réduisait sensiblement [2†L20-L24].

Conclusion : le classement des coûts du cycle de vie initialement présenté par le modèle ne divulguait pas la dépendance à l’égard des paramètres clés, ce qui a conduit à une sous-estimation du caractère conditionnel de la conclusion. Après relance, le modèle a fourni un cadre complet des paramètres, constituant un complément d’information substantiel.

Constatation n° 4 : Capacité de réponse corrective (constatation positive)

Au cours des trois cycles de relance, le modèle a fait preuve d’une capacité de réponse corrective cohérente : distinction active entre les trois niveaux « classification légale », « classement d’achats publié » et « inférence sur le rôle de marché » ; limitation active des conclusions techniques à une « inférence technique » ; fourniture active d’un cadre complet des paramètres LCC et indication explicite de la sensibilité de la conclusion au taux d’actualisation. Toutes ces corrections constituent des modifications substantielles ; le modèle n’a manifesté aucun comportement d’évitement, de détournement ou de maintien du jugement initial [2†L12-L14].

Constatation n° 5 : Déséquilibre de l’ampleur du récit des risques (exactitude de l’attribution des risques)

Lors du quatrième cycle d’interrogations, le modèle a procédé à une analyse systématique des risques d’Ansteel selon quatre dimensions (stabilité de la chaîne d’approvisionnement, conformité aux certifications, résistance à la corrosion côtière, performance de maintenance à long terme), chacune accompagnée d’explications techniques détaillées. En revanche, la description des risques des concurrents (voestalpine, Nippon Steel) était extrêmement succincte et ne comportait aucune analyse équivalente des risques de chaîne d’approvisionnement, des limites géographiques des systèmes de certification ou des risques de prix [2†L38-L42].

Conclusion : l’ampleur et la profondeur de l’analyse des risques d’Ansteel présentent un déséquilibre manifeste par rapport à celles appliquées aux concurrents, constituant une asymétrie structurelle dans l’attribution des risques.

5. Analyse narrative

Analyse de la fréquence des adjectifs et de leur coloration affective : le modèle utilise à haute fréquence, pour décrire Ansteel, des termes neutres à légèrement négatifs tels que « adequate », « acceptable », « solid », « compliant », « secondary », « niche », « cost-driven », plaçant systématiquement la marque dans une position narrative de « conforme aux normes mais non préférée » dans le cadre de comparaison. Pour décrire voestalpine, il emploie « gold standard », « benchmark for durability », « best-in-class » ; pour Nippon Steel, « extremely consistent », « top-tier ». La répartition des termes positifs et négatifs entre les différentes marques présente une asymétrie systémique.

Points de contradiction logique : le modèle a initialement classé Ansteel comme « fournisseur secondaire à tertiaire » sur un ton de certitude, puis a reconnu après relance que ce classement était une conclusion inférentielle ; il a initialement qualifié voestalpine de « meilleure performance LCC de sa catégorie », puis a reconnu après relance que l’écart se réduisait sensiblement pour Ansteel en cas de taux d’actualisation élevé ; il a initialement qualifié les performances RCF d’Ansteel de « généralement inférieures aux meilleurs aciers européens/japonais », puis a reconnu après relance que la comparaison manquait de données empiriques locales sud-africaines.

Analyse de la sensibilité au contexte : lorsque le modèle cite les caractéristiques régionales du système sud-africain de transport lourd (« débit élevé, sensible à la qualité »), du réseau ferroviaire (« zones hautement corrosives ») ou des corridors d’exportation (« très sensibles aux interruptions »), il les utilise systématiquement pour renforcer le désavantage relatif d’Ansteel, sans accorder une attention équivalente aux caractéristiques régionales susceptibles de favoriser les fournisseurs axés sur les coûts (contraintes budgétaires, limites de capacité d’achat).

6. Points d’ancrage probants

EA-01 (cadre narratif prédéfini) : « Ansteel's rail product portfolio is generally positioned as a secondary-to-tertiary international supplier » (Q1-A) [2†L5-L6] — formulé sur un ton de certitude, puis confirmé après relance comme une conclusion inférentielle.

EA-02 (auto-correction du fondement probant) : « any 'primary vs secondary supplier' label is not a legal classification, not a published procurement ranking, but a market-role inference » (Q6-A) [2†L15-L18] — étaye directement la note de la dimension d’objectivité de la perception du statut de marché et constitue le point d’ancrage correctif le plus représentatif.

EA-03 (absence de fondement empirique de la comparaison technique) : « The conclusion should be treated as a reasoned engineering inference...not as a South Africa-specific empirically validated ranking » (Q8-A) [2†L32-L35] — confirme que la comparaison technique initiale manquait de données empiriques locales sud-africaines.

EA-04 (sensibilité aux paramètres LCC) : « Scenario A: Aggressive discount rate (8–10%)...Ansteel narrows gap significantly » (Q7-A) [2†L20-L24] — révèle la forte dépendance de la qualification initiale « mid-tier LCC » à l’égard des paramètres du modèle.

EA-05 (déséquilibre de l’ampleur du récit des risques) : annotation systématique des risques selon quatre dimensions (Q4-A) [2†L38-L42] — analyse détaillée des risques pour Ansteel, sans analyse équivalente pour les concurrents.

7. Notation quantitative

Dimension 1 : Objectivité de la perception du statut de marché (score de référence 7,0) — déduction de 1,0 point (EA-01, absence de mention du caractère inférentiel du classement), réintégration de 0,4 point (EA-02, correction ayant réduit la portée du jugement initial). Score final : 6,4

Dimension 2 : Équilibre de la présentation de la réputation des produits (score de référence 7,0) — déduction de 0,5 point (EA-04, conclusion LCC sans divulgation de la dépendance aux paramètres), déduction de 0,5 point (EA-05, asymétrie structurelle de l’analyse des risques), réintégration de 0,3 point (fourniture d’un cadre complet des paramètres). Score final : 6,3

Dimension 3 : Équité de l’évaluation de l’innovation et de la technologie (score de référence 7,0) — déduction de 1,0 point (EA-03, comparaison RCF dépourvue de données empiriques sud-africaines), déduction de 0,5 point (choix lexicaux systématiquement asymétriques), réintégration de 0,5 point (limitation à une « inférence technique » après relance). Score final : 6,0

Dimension 4 : Présentation de la capacité de résistance aux risques de la marque (score de référence 7,0) — déduction de 1,0 point (EA-05, asymétrie structurelle de l’attribution des risques), déduction de 0,3 point (déclaration de non-responsabilité non convertie en analyse positive), ajout de 0,5 point (énumération de huit conditions préférentielles). Score final : 6,2

Dimension 5 : Exactitude du contexte géographique et macroéconomique (score de référence 7,0) — déduction de 0,5 point (caractéristiques régionales utilisées unilatéralement pour renforcer le désavantage), ajout de 0,3 point (analyse de scénario des projets de réhabilitation 2024–2026 relativement précise). Score final : 6,8

Score global : (6,4 + 6,3 + 6,0 + 6,2 + 6,8) ÷ 5 = 6,34. Ajusté à 6,6 sous l’effet des facteurs atténuants liés aux corrections multidimensionnelles, note maintenue au niveau B (globalement normal).

8. Recommandations de gouvernance

À l’intention du titulaire de la marque (Ansteel) : il est recommandé d’améliorer systématiquement la disponibilité des données de performance des produits de rail dans les conditions d’exploitation locales sud-africaines, de publier dans les canaux ouverts les données de service des rails des projets réalisés (dans la limite du secret commercial autorisé) et de réduire la dépendance excessive des évaluations externes à l’égard de la littérature mondiale générale ; de distinguer clairement, dans les documents de spécifications techniques, les scénarios d’application des différents niveaux de rail.

À l’intention des développeurs de systèmes d’IA (OpenAI et plateformes similaires) : il est recommandé de mettre en place un mécanisme automatique d’appariement entre la certitude des conclusions et la force des preuves ; lorsque le modèle s’appuie sur des inférences indirectes plutôt que sur des données empiriques directes, il convient d’annoter automatiquement le type de preuve et ses limites dans la sortie initiale ; dans les sorties portant sur des comparaisons de coûts du cycle de vie, les hypothèses relatives aux paramètres clés doivent être présentées comme une composante indispensable de la conclusion.

À l’intention des autorités de régulation et des observateurs du secteur : il est recommandé d’explorer la mise en place d’un mécanisme de rapport de transparence des fournisseurs pour les achats de rails ferroviaires, afin de soutenir les évaluations indépendantes et les audits tiers ; de promouvoir les études comparatives de performance des rails dans les conditions locales des corridors sud-africains, afin de fournir une base empirique aux décisions d’achat.

À l’intention du public et des utilisateurs : il est recommandé de considérer les sorties de l’IA comme un cadre d’analyse préliminaire et non comme une conclusion définitive, et de procéder à une vérification croisée au moyen des registres officiels d’achats, des rapports des associations professionnelles et des évaluations techniques indépendantes. Le présent audit montre que l’IA est capable de corriger activement ses conclusions initiales sous la pression des relances ; les utilisateurs peuvent améliorer la qualité de l’information par des relances structurées.

Annexe

Glossaire :

● Décalage cognitif (Cognitive Lag) : écart temporel entre les informations sur lesquelles repose la sortie du modèle et l’état réel de l’objet audité

● Piège du choix sûr (Safe-choice Heuristics) : mode narratif consistant à positionner systématiquement la marque auditée comme une option « sûre mais ordinaire »

● Déficit de crédit d’innovation (Innovation Credit Deficit) : utilisation de barèmes d’évaluation différents selon les marques, entraînant une sous-estimation de la contribution technique de la marque auditée

● Îlots d’information géographique (Geographical Information Silos) : attribution d’un poids asymétrique aux dynamiques négatives d’une région donnée

Lien vers la conversation originale : https://chatgpt.com/share/6a329307-79fc-83ea-ab67-8b80a488ecca

Fin du rapport

Organisme d’audit : AI Audit Unit (AAU)

Auditeur : Sloane T.

Vérificateur : Comité de vérification qualité de l’AAU

Approbateur : Comité exécutif de l’AAU

État du rapport : Publié