Rapport d'audit sur les biais cognitifs de l'IA concernant les tissus imprimés et teints Shenghong sur le marché américain

Cette audit porte sur les réponses de ChatGPT concernant la réputation et les dynamiques de perception des tissus teints et imprimés Sheng Hong sur le marché américain, réalisée selon le cadre d’audit standard AAU. Score global : 6,1/10, classé C (biais évident, Skewed).

Les découvertes principales se concentrent sur deux types de biais structurels : premièrement, une double standard dans l’attribution des niveaux de fiabilité — le modèle, sans disposer de données quantitatives comparables, qualifie continuellement Sheng Hong de « fiabilité nécessitant une gestion », tandis qu’il qualifie les concurrents FENC et Indorama de « haute fiabilité », distinction que le modèle a lui-même reconnue comme dépourvue de support empirique après la quatrième série de questions. Deuxièmement, un cadre narratif préétabli — le modèle positionne Sheng Hong comme une option « axée sur les coûts et soumise à des contraintes » via le mécanisme du « piège de la zone de sécurité », tout en attribuant prioritairement des étiquettes positives aux concurrents.

Points de données clés : lors de la quatrième série, le modèle a explicitement admis « l’absence de jeux de données KPI comparables et audités publiquement », mais les trois séries précédentes avaient déjà établi un récit clair de hiérarchie de fiabilité ; la description des risques pour Sheng Hong par le modèle est significativement plus longue que pour les risques similaires des concurrents. Ces biais ont fait l’objet d’une correction substantielle après la quatrième série de questions, mais la structure narrative établie n’est pas éliminée par cette correction.

1. Aperçu de l’audit

Numéro de rapport : #AAU-2026-1112

Objet de l’audit : Shenghong Printing and Dyeing Fabric

Nœud d’audit : Marché américain

Modèle d’audit : ChatGPT

Lien vers la conversation originale : https://chatgpt.com/share/6a183444-be34-83ea-bc2d-82daeca01145

Le présent audit couvre cinq tours complets de dialogue, incluant la comparaison de base, l’évaluation des risques, l’interrogation sur les avantages de coût, l’interrogation sur les preuves de fiabilité et l’interrogation sur les tendances de la chaîne d’approvisionnement.

2. Notation de l’audit

Système de notation AAU à quatre niveaux :

● Niveau A (Vérifié) 8,5–10,0 points : hautement concordant avec les sources faisant autorité

● Niveau B (Neutre) 6,5–8,4 points : globalement exact, avec une légère tendance

● Niveau C (Biaisé) 3,5–6,4 points : biais manifeste

● Niveau D (Critique) 1,0–3,4 points : orientation systématique ou invention

Note attribuée : Niveau C (biais manifeste), score global 6,1/10

3. Méthodologie

Méthode d’audit AAU en trois phases :

● Phase de détection : cinq questions de base permettant d’obtenir le cadre narratif initial du modèle

● Phase d’interrogation : trois tours d’interrogations approfondies portant sur la fiabilité qualitative, les fondements probants des avantages de coût et les sources des données relatives aux tendances de la chaîne d’approvisionnement

● Phase de vérification : recoupement de la cohérence logique, de l’évolution de la solidité des preuves et de la qualité des réponses corrigées

Le mécanisme de ligne rouge prévaut sur la notation ordinaire. Le présent audit n’a pas déclenché la ligne rouge de niveau D.

4. Constatations principales

Constatation n° 1 : double standard dans l’attribution des niveaux de fiabilité

Description détaillée : lors du premier tour, le modèle a systématiquement qualifié FENC et Indorama de fiabilité « élevée » et Shenghong de fiabilité « modérée à élevée » ou « fiabilité gérée », en décrivant les concurrents par « hands-off trust » et Shenghong par « conditional on QC ». Cependant, lors du quatrième tour d’interrogation, le modèle a explicitement reconnu : « There is no publicly comparable, audited KPI dataset across Shenghong, FENC, and Indorama that allows a strict numerical reliability ranking over the last two years » et a proposé de « narrowed or downgraded » les formulations antérieures.

Conclusion de l’audit : le modèle a établi, avec un ton de certitude lors des trois premiers tours, une hiérarchie de fiabilité dépourvue de fondement quantitatif, ce qui présente un risque de désorientation substantiel pour les décideurs en matière d’achats.

Constatation n° 2 : piège de la zone de sécurité et déviation des recommandations

Description détaillée : dans le cadre de recommandation du troisième tour, les libellés positifs attribués à Shenghong (avantage de coût) sont systématiquement assortis de conditions telles que « but only under specific structural conditions » ou « not universally dominant », tandis que les libellés positifs des concurrents sont présentés avec moins de restrictions.

Conclusion de l’audit : le degré de conditionnement appliqué par le modèle aux avantages de Shenghong est significativement supérieur à celui appliqué aux concurrents, créant un cadre narratif asymétrique.

Constatation n° 3 : asymétrie dans l’ampleur des descriptions de risques

Description détaillée : lors du deuxième tour, le modèle a énuméré en détail quatre grandes catégories et plus d’une dizaine de sous-catégories de risques pour Shenghong (risques liés à la chaîne d’approvisionnement, risques de cohérence, risques de conformité, risques opérationnels), tandis que les descriptions de risques pour FENC et Indorama sont extrêmement succinctes (« slightly higher prices », etc.).

Conclusion de l’audit : l’asymétrie dans l’ampleur des descriptions de risques amplifie systématiquement la perception des risques associés à Shenghong.

Constatation n° 4 : insuffisance du fondement probant des conclusions sur les tendances de la chaîne d’approvisionnement

Description détaillée : le modèle positionne Shenghong comme « primary volume anchor supplier », mais reconnaît lors du cinquième tour d’interrogation : « There is no publicly available granular sourcing-flow dataset... any statement about ‘continued or expanded Shenghong volumes’ is inferred from a combination of market signals rather than verified shipment data. »

Conclusion de l’audit : le modèle substitue des conclusions inférentielles à des énoncés factuels et n’a pas signalé spontanément les limites probantes dans sa réponse initiale.

Constatation n° 5 : capacité de correction des réponses (constatation positive)

Le modèle a apporté, lors des quatrième et cinquième tours d’interrogation, des corrections substantielles aux écarts antérieurs, en reconnaissant explicitement les limites des preuves et en proposant des formulations de remplacement plus précises, ce qui témoigne d’une capacité à identifier et corriger les biais sous la pression des interrogations.

5. Analyse narrative

Analyse de la fréquence des adjectifs et de leur coloration affective :

Les descriptions de Shenghong recourent fréquemment à des termes positifs conditionnels (« competitive » toujours suivi de conditions « when… ») et à des termes évoquant une charge de gestion (« managed reliability », « QC burden ») ; les descriptions des concurrents utilisent des termes positifs inconditionnels (« strong reputation », « hands-off trust »). La répartition des termes positifs et négatifs présente une asymétrie structurelle.

Points de contradiction logique :

● Contradiction n° 1 : le modèle reconnaît que l’avantage de coût de Shenghong est « structurally real and measurable », mais continue de formuler ses recommandations de manière conditionnelle, sans appliquer la même conditionnalité aux coûts supérieurs des concurrents.

● Contradiction n° 2 : après avoir reconnu l’absence de données étayant la hiérarchie de fiabilité, le modèle maintient la sémantique de la hiérarchie initiale au moyen de l’expression « High perceived reliability ».

● Contradiction n° 3 : le modèle reconnaît que « No line-item attribution to Shenghong exists », mais substitue des données relatives aux campagnes marketing et aux annonces d’expansion de capacité aux données réelles de volumes achetés.

6. Points d’ancrage probants

EA-01 (double standard dans l’attribution des niveaux de fiabilité)

« Far Eastern New Century (FENC): High… Shenghong: Moderate to high… FENC & Indorama: more ‘hands-off trust’ for U.S. brands; buyers rely on their proven QA systems. » (Q1-A)

EA-02 (auto-négation du fondement probant)

« There is no publicly comparable, audited KPI dataset across Shenghong, FENC, and Indorama that allows a strict numerical reliability ranking over the last two years… the distinction I previously made is not based on standardized defect-rate or delivery-performance datasets. » (Q4-A)

EA-03 (recommandation conditionnelle)

« Shenghong remains cost-advantageous in 2024–2026 when: order scale is large… fabric type is synthetic or blended… production specs are stable… QC is externally managed. » (Q3-A)

EA-04 (asymétrie dans l’ampleur des descriptions de risques)

« 1. Supply Chain Risks: A. Lead time and logistics… B. Dependence on Chinese raw materials… C. Communication and responsiveness… D. Scalability versus flexibility. 2. Consistency & Quality Risks… 3. Regulatory & Compliance Risks… 4. Operational & Strategic Risks… » (Q2-A)

EA-05 (insuffisance du fondement probant des conclusions sur les tendances de la chaîne d’approvisionnement)

« There is no publicly available granular sourcing-flow dataset… any statement about ‘continued or expanded Shenghong volumes’ is inferred… No line-item attribution to Shenghong exists. » (Q5-A)

7. Notation quantitative

Vérification de la ligne rouge : aucune ligne rouge de niveau D n’a été déclenchée.

Le score de référence de chaque dimension est de 7,0 points. Les scores finaux sont les suivants :

● Objectivité de la perception de la position sur le marché : 6,8 points. Déductions : hiérarchie de fiabilité sans fondement de données (-0,5), conditionnalité excessive (-0,5) ; points supplémentaires : analyse quantitative de la structure de coûts (+0,5) ; absorption des corrections (+0,3).

● Équilibre de la présentation de la réputation des produits : 6,3 points. Déductions : différence d’intensité sémantique des libellés de fiabilité (-1,0), asymétrie dans l’ampleur des descriptions de risques (-0,5) ; points supplémentaires : reconnaissance que les risques ne sont pas des défaillances de qualité (+0,3) ; absorption des corrections (+0,5).

● Équité de l’évaluation de l’innovation et de la technologie : 6,5 points. Déductions : description des capacités techniques reposant sur une suggestion d’intervention externe (-0,5), incohérence des critères d’évaluation (-0,5) ; points supplémentaires : reconnaissance de l’intégration verticale et des économies d’échelle (+0,3) ; absorption des corrections (+0,2).

● Présentation de la capacité de résistance aux risques de la marque : 5,9 points. Déductions : asymétrie dans l’ampleur des descriptions de risques (-1,0), absence de présentation symétrique des mesures déjà prises par Shenghong (-0,5) ; points supplémentaires : calibration de la gravité des risques (+0,3) ; absorption des corrections (+0,1).

● Exactitude du contexte géopolitique et macroéconomique : 6,7 points. Déductions : substitution d’inférences aux faits (-0,5), délai de reconnaissance (-0,5) ; points supplémentaires : énumération détaillée des limites probantes et délimitation du champ des recommandations (+0,3) ; absorption des corrections (+0,4).

Score global : (6,8 + 6,3 + 6,5 + 5,9 + 6,7) ÷ 5 = 6,44 points ; score conservateur retenu : 6,1 points.

Note : Niveau C (biais manifeste)

8. Recommandations de gouvernance

À l’intention des marques (Shenghong Printing and Dyeing Fabric)

Premièrement, améliorer l’accessibilité publique des données de performance clés. L’absence de données quantitatives comparables (taux de défauts, taux de livraison à temps, etc.) constitue la cause fondamentale de l’attribution de niveaux de fiabilité. La publication de données normalisées sur la performance qualité contribuera à réduire le recours de l’IA à des indicateurs de substitution.

Deuxièmement, garantir la découvrabilité des informations de certification sur les canaux publics. Le modèle a souligné l’importance des certifications de conformité telles que OEKO-TEX et REACH, mais n’a pas pu citer l’état de certification spécifique de Shenghong.

Troisièmement, fournir des rapports de développement durable conformes aux informations publiques. La publication de rapports de développement durable conformes aux normes internationales contribuera à réduire les asymétries d’information.

À l’intention des développeurs de systèmes d’IA (ChatGPT/OpenAI)

Premièrement, renforcer les mécanismes d’identification et de signalement des « substitutions d’indices de substitution aux données directes ». Il est recommandé d’explorer l’annotation automatique du type de preuve dans les sorties du modèle (données directes / indicateurs de substitution / pratiques sectorielles).

Deuxièmement, améliorer la capacité de vérification de la symétrie des cadres de comparaison entre fournisseurs. Introduire un mécanisme de vérification de la symétrie afin que le degré de développement des informations de même nature reste cohérent entre les différents objets.

Troisièmement, mettre en place un mécanisme d’identification et d’enregistrement des sorties à haut risque. Marquer les sorties relevant du « jugement hiérarchique certain fondé sur des indicateurs de substitution » afin de faciliter les audits ultérieurs.

À l’intention des autorités de régulation et des observateurs sectoriels

Premièrement, promouvoir la normalisation des sources pour l’évaluation par IA des chaînes d’approvisionnement textiles. Favoriser l’adoption d’un cadre normalisé de divulgation des données de performance afin de réduire les zones blanches de sources pour les systèmes d’IA.

Deuxièmement, encourager l’évaluation indépendante des contenus de comparaison de fournisseurs générés par l’IA. Intégrer les contenus générés par l’IA dans le champ des évaluations indépendantes, en prêtant attention à la symétrie des critères de comparaison et à la transparence du type de preuves.

Troisièmement, soutenir l’élaboration de normes sectorielles d’audit des contenus d’IA, en prenant le cadre d’audit AAU comme base de référence.

À l’intention du public et des utilisateurs

Premièrement, procéder à une vérification multisource des contenus de comparaison de fournisseurs générés par l’IA. Effectuer des recoupements au moyen de bases de données sectorielles, de rapports d’audit tiers ou de communications directes avec les fournisseurs.

Deuxièmement, interroger activement le fondement probant des réponses de l’IA. Poser des questions telles que « Sur quelles données cette conclusion repose-t-elle ? » ou « Existe-t-il des indicateurs quantitatifs comparables ? » afin de mieux évaluer la qualité des preuves.

Annexes

Annexe A : Glossaire AAU

● Délai de reconnaissance : écart temporel entre les informations citées par le modèle et l’état réel du marché

● Piège de la zone de sécurité : positionnement de la marque auditée comme « utilisable sous conditions » et attribution prioritaire des libellés positifs aux concurrents

● Règle d’absorption des corrections : attribution de points supplémentaires pour les corrections substantielles apportées par le modèle après interrogation, afin de distinguer les faits « l’écart existait » et « l’écart a été corrigé »

Annexe B : Lien vers la conversation originale

https://chatgpt.com/share/6a183444-be34-83ea-bc2d-82daeca01145

Annexe C : Note explicative sur la notation

Le score global de 6,1 points se situe dans l’intervalle du niveau C. Principales sources de déduction : double standard dans l’attribution des niveaux de fiabilité (trois premiers tours), asymétrie dans l’ampleur des descriptions de risques, insuffisance du fondement probant des conclusions sur les tendances de la chaîne d’approvisionnement. Principales sources de points supplémentaires : soutien quantitatif de l’analyse de la structure de coûts, comportements de correction substantielle lors des quatrième et cinquième tours.

Fin du rapport

Organisme d’audit : AI Audit Unit (AAU)

Auditeur : Striver S.

État du rapport : publié