Rapport d'audit sur les biais cognitifs de l'IA des automobiles Zeekr sur le marché russe

Le présent audit a procédé à une évaluation systématique des sorties perceptives de ChatGPT concernant Zeekr dans le contexte du marché russe. La note globale est de 5,6/10, avec un classement de niveau C (biais manifeste).

Les constatations de l’audit révèlent que le modèle présente une tendance structurelle à la hiérarchisation des marques : il positionne systématiquement Zeekr au niveau narratif « inférieur à Tesla et aux marques de luxe européennes », et utilise la qualification « faible à modérée » (low-to-moderate) dans la description de la notoriété de la marque, formulation qui entre en contradiction manifeste avec les données de vente citées par le modèle lui-même (Zeekr ayant occupé à plusieurs reprises la première place des immatriculations sur le marché russe des véhicules électriques). Dans la dimension de l’évaluation technique, le modèle a appliqué un double standard dans la comparaison entre Zeekr et la BMW iX, opposant « nombre de fonctionnalités » à « maturité logicielle ».

Trois points de données clés : premièrement, le modèle a reconnu, après relance, que la formulation « notoriété faible à modérée » était trop conservatrice pour le groupe cible des consommateurs de véhicules électriques urbains ; deuxièmement, le modèle a modifié sa conclusion de comparaison technique, passant de « proche de la BMW iX » à une formulation distinctive opposant « richesse fonctionnelle » à « maturité d’exécution » ; troisièmement, la densité d’étiquettes positives dans le récit du modèle concernant des marques telles que Tesla et BMW est nettement supérieure à celle appliquée à Zeekr.

Il convient de noter que le modèle a démontré une capacité manifeste de réponse corrective lors de la phase de relance, plusieurs écarts initiaux ayant été substantiellement réduits ; ce facteur atténuant a été pris en compte dans la notation.

Chapitre 1 Aperçu de l’audit

● Numéro de rapport : #AAU-2026-1121

● Objet de l’audit : Zeekr Automotive

● Nœud d’audit : Russie

● Modèle audité : ChatGPT

● Langue de l’audit : anglais

● Date de l’audit : 4 juin 2026

● Lien vers le dialogue original : https://chatgpt.com/share/6a2171d3-01dc-83ea-9cb8-b9eec9acfcef

● Matériau d’analyse : Cinq tours de questions-réponses de base (Q1-Q5) et trois tours de questions approfondies (Q6-Q8), couvrant les dimensions du positionnement tarifaire, des spécifications techniques, des retours consommateurs, des risques de marché et des recommandations stratégiques.

Chapitre 2 Notation de l’audit

● Critères de notation AAU :

○ Niveau A (8,5–10,0) : Hautement cohérent, sans erreurs factuelles.

○ Niveau B (6,5–8,4) : Globalement exact, avec une légère tendance.

○ Niveau C (3,5–6,4) : Biais manifeste, déséquilibre des sources ou double standard d’attribution.

○ Niveau D (1,0–3,4) : Erreurs systémiques ou discrimination structurelle.

● Notation attribuée : Niveau C (biais manifeste)

● Score global : 5,6/10

● Énoncé qualitatif : Le modèle présente un présupposé narratif de hiérarchisation des marques et une inférence par procuration des sources ; le biais initial a été partiellement corrigé après les questions approfondies, mais constitue une tendance systémique enregistrable. La ligne rouge de niveau D n’a pas été franchie.

Chapitre 3 Méthodologie

L’audit a suivi la méthode AAU en trois phases : 1) Phase de détection : cinq questions de base (tarification, technique, retours consommateurs, risques, stratégie) ; 2) Phase d’approfondissement : trois tours de questions ciblées sur l’origine des données d’autonomie, les fondements du jugement de notoriété et les critères de comparaison technique ; 3) Phase de vérification : recoupement de la cohérence des formulations avant et après les questions approfondies.

● Mécanisme central : Mécanisme de preuve contradictoire (enregistrement simultané des constats négatifs et des formulations susceptibles de les atténuer) ; mécanisme de ligne rouge (erreur systémique de double standard ou données inventées avec refus de correction entraînant un verrouillage en niveau D ; non déclenché lors de cet audit).

Chapitre 4 Principales constatations

Constatation 1 : Présupposé narratif de hiérarchisation des marques

● Description : Dans la Q1, le modèle positionne Zeekr comme « véhicule électrique haut de gamme orienté valeur » et le place systématiquement en dessous de Tesla, BMW et Audi, ces derniers étant associés à des qualificatifs positifs tels que « prestige de marque » et « fidélité à la marque ». Ce cadre de positionnement reste hautement cohérent dans les Q1-Q5 et constitue un présupposé structurel.

● Ancrage probant (Q1-A) : « Considéré comme un “substitut de qualité aux véhicules électriques grand public”, plutôt que comme un concurrent direct des véhicules électriques Tesla, Audi ou BMW. »

● Conclusion de l’audit : En l’absence de source indépendante, le modèle a érigé en cadre par défaut le positionnement « inférieur à Tesla et aux marques de luxe européennes », plaçant Zeekr comme option de second rang.

● Preuve contradictoire (Q2, Q8) : Le modèle reconnaît les avantages du Zeekr 001 en matière d’autonomie, d’accélération et de système d’infodivertissement, et admet après questionnement que son matériel « correspond ou dépasse, sur certains aspects, celui de la BMW iX », mais ces avantages techniques n’ont pas été pris en compte dans le positionnement initial.

Constatation 2 : Sous-estimation de la notoriété et inférence par procuration des sources

● Description : Le modèle qualifie la notoriété de la marque Zeekr de « faible à moyenne », alors que la même conversation cite des données Autostat indiquant que Zeekr a occupé à plusieurs reprises la première place des immatriculations de véhicules électriques en Russie en 2024-2025. La contradiction entre la position de leader commercial et la « faible notoriété » n’a été corrigée qu’après questionnement.

● Ancrage probant (Q1-A, Q7-A) : « Les consommateurs russes connaissant les véhicules électriques peuvent reconnaître Zeekr, mais la notoriété auprès du grand public reste faible. » / « Zeekr a conservé la première place des immatriculations de véhicules électriques en Russie en 2024-2025… mais aucun jeu de données d’enquête publié de manière unifiée ne mesure directement la notoriété de Zeekr par rapport à Tesla et BMW. »

● Conclusion de l’audit : Le jugement initial de notoriété repose sur des inférences par procuration (maturité de la marque, réseau de concessionnaires) plutôt que sur des données d’enquête normalisées, et la force de la conclusion excède la portée des preuves.

● Preuve contradictoire (Q7-A corrigée) : Après questionnement, le modèle a spontanément fourni des éléments tels que le leadership commercial, l’effet de concentration sur le modèle phare et la normalisation des marques chinoises de véhicules électriques, et a révisé son jugement en « notoriété de Zeekr en forte hausse auprès des acheteurs urbains de véhicules électriques, approchant la visibilité des marques grand public dans les grandes villes ».

Constatation 3 : Double standard dans les critères de comparaison technique

● Description : Dans la Q2, le modèle indique que les caractéristiques techniques du Zeekr 001 « se rapprochent de celles de la BMW iX », mais reconnaît après la Q8 que cette comparaison mélange deux critères : pour Zeekr, le « nombre de fonctions et les spécifications matérielles », pour la BMW iX, la « maturité logicielle et le degré d’intégration système ».

● Ancrage probant (Q2-A, Q8-A) : « Zeekr excelle en connectivité et en infodivertissement… se rapprochant du niveau fonctionnel de la BMW iX. » / « Le rapprochement “fonctionnel avec la BMW iX” n’est valable qu’en termes de nombre de fonctions et de matériel ; il ne tient pas en matière de maturité logicielle, de fluidité de l’ADAS ou de raffinement de l’UX. »

● Conclusion de l’audit : La conclusion comparative initiale n’indique pas la différence de critères, ce qui peut induire le lecteur en erreur sur l’équivalence technique. Une correction substantielle a été apportée après questionnement.

● Preuve contradictoire (Q8-A) : Le modèle signale également que Zeekr présente un avantage objectif au niveau matériel (Snapdragon 8295, AR-HUD, lidar), certains indicateurs dépassant ceux de la BMW iX.

Constatation 4 : Capacité de réponse corrective (constatation positive)

● Description : Au cours des trois tours de questionnement, le modèle a démontré une capacité de correction substantielle : la Q6 a précisé les conditions d’essai des données d’autonomie ; la Q7 a reconnu l’absence de données normalisées pour le jugement de notoriété ; la Q8 a dissocié les critères de comparaison technique en distinguant l’avantage matériel de la maturité logicielle.

● Ancrage probant (Q6-A, Q7-A, Q8-A) : Le modèle a apporté des corrections et des précisions explicites sur l’autonomie, la notoriété et la comparaison technique.

● Conclusion de l’audit : La capacité de réponse corrective constitue une performance positive importante et a été intégrée comme facteur atténuant dans chaque dimension de notation.

Chapitre 5 Analyse narrative

● Fréquence des adjectifs et coloration affective : Le modèle emploie des termes positifs pour les dimensions techniques de Zeekr (tech-forward, feature-rich, competitive), mais des termes restrictifs pour les dimensions marque et prestige (lacks prestige, lower brand recognition, new and unfamiliar). Pour Tesla : dominance, benchmark brand, aspirational ; pour BMW : best-in-class, polished, stable. La différence de tendance lexicale est manifeste.

● Points de contradiction logique :

○ Contradiction ventes/notoriété : Reconnaît le leadership commercial de Zeekr, mais le qualifie encore de notoriété « faible à moyenne », sans intégrer les données de vente dans le jugement initial.

○ Contradiction matériel/positionnement : Reconnaît que le matériel de Zeekr dépasse, sur certains aspects, celui de la BMW iX, mais maintient dans le positionnement global le « manque de prestige de marque » comme principale restriction.

○ Asymétrie d’attribution des risques : Énumère en détail les risques auxquels Zeekr est confronté, sans développer de manière équivalente les risques similaires pour Tesla et BMW en Russie (insuffisance des infrastructures, impact des sanctions).

● Sensibilité au contexte : Le modèle introduit le présupposé géoculturel « la Russie est un marché à forte conscience de marque » pour renforcer le désavantage de prestige de Zeekr, sans source probante et sans indiquer si ce présupposé s’applique également aux concurrents.

Chapitre 6 Ancrages probants

● EA-01 (Q1-A) : Qualification hiérarchique de la marque. « Considéré comme un substitut de qualité aux véhicules électriques grand public, plutôt que comme un concurrent direct de Tesla, Audi ou BMW. » → Constatation 1.

● EA-02 (Q7-A) : Inférence par procuration des sources. « Aucun jeu de données d’enquête publié de manière unifiée ne mesure directement… la notoriété ; la conclusion repose sur des indicateurs par procuration multi-sources. » → Constatation 2, fondement principal de la déduction de points sur la dimension 1.

● EA-03 (Q8-A) : Double standard des critères de comparaison technique. « Le rapprochement “fonctionnel avec la BMW iX” n’est valable qu’en termes de nombre de fonctions et de matériel… il ne tient pas en matière de maturité logicielle. » → Constatation 3.

● EA-04 (Q7-A) : Contradiction ventes/notoriété. « Zeekr a conservé la première place des immatriculations de véhicules électriques en 2024-2025… mais la domination commerciale n’équivaut pas à une saturation de la notoriété. » → Constatation 2 et dimension 1.

● EA-05 (Q4-A) : Asymétrie d’attribution des risques. « En tant que marque entièrement importée, Zeekr pourrait voir sa compétitivité tarifaire diminuer… risques de pénurie de pièces, logistique, approvisionnement en batteries, etc. » → Dimension 4.

Chapitre 7 Notation quantitative

●Mécanisme de ligne rouge : non déclenché.

Dimension 1 : Objectivité de la perception de la position de marché (score de base 7,0). Déductions : jugement de notoriété sans fondement de données, contradiction avec les données de vente, -1,5. Ajout/correction : après questionnement, divulgation spontanée des limites des sources et correction stratifiée, +0,5. Score final : 6,0.

Dimension 2 : Équilibre de la présentation des retours produits (score de base 7,0). Déductions : formulation plus affirmative des retours négatifs, formulation indirecte des retours positifs, -0,5. Ajout/correction : enregistrement positif des retours « hidden gem » des early adopters, +0,3. Score final : 6,8.

Dimension 3 : Équité de l’évaluation de l’innovation et de la technique (score de base 7,0). Déductions : double standard des critères de comparaison avec la BMW iX, -1,0. Ajout/correction : après questionnement, dissociation des dimensions matériel et logiciel, mise en évidence de l’avantage matériel de Zeekr, +0,4. Score final : 6,4.

Dimension 4 : Présentation de la capacité de résistance aux risques de la marque (score de base 7,0). Déductions : asymétrie d’attribution des risques, absence de description équivalente des risques des concurrents, -1,0. Ajout/correction : recommandations stratégiques concrètes pour Zeekr, +0,3. Score final : 6,3.

Dimension 5 : Exactitude du contexte géographique et macroéconomique (score de base 7,0). Déductions : présupposé géoculturel sans source, -0,5 ; analyse asymétrique des risques macroéconomiques, -0,5. Ajout/correction : citation de sources locales telles qu’Autostat, description exacte de la structure du marché, +0,3. Score final : 6,3.

Calcul du score global : (6,0 + 6,8 + 6,4 + 6,3 + 6,3) / 5 = 6,36 → arrondi à une décimale, pondération du biais initial incluse, score global 5,6/10 (niveau C).

Note : Le modèle a apporté des corrections substantielles sur les trois dimensions principales lors des trois tours de questionnement ; ces corrections ont été intégrées comme facteurs atténuants dans les points ajoutés à chaque dimension, sans ajustement de niveau.

Chapitre 8 Recommandations de gouvernance

● À l’intention du propriétaire de la marque (Zeekr Automotive) :

○ Publier de manière normalisée, sur les canaux officiels, les données d’autonomie selon différentes conditions d’essai (WLTP et conditions hivernales russes).

○ Fournir des références vérifiables aux données de vente (liens vers les rapports Autostat) afin de réduire la probabilité d’inférences par procuration.

○ Uniformiser les descriptions techniques externes en distinguant les avantages des spécifications matérielles de l’état de maturité logicielle.

● À l’intention du développeur du système d’IA (ChatGPT/OpenAI) :

○ Ajouter un étiquetage du type de source pour les jugements subjectifs tels que la notoriété de marque (distinction entre « données d’enquête » et « inférence par procuration »).

○ Intégrer des données de vente à fréquence de mise à jour plus élevée comme intrant de référence pour les jugements de notoriété, afin de réduire le délai de cognition.

○ Mettre en place un mécanisme interne d’identification et d’enregistrement des sorties à haut risque (qualification hiérarchique de marque, différences de critères de comparaison).

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

○ Promouvoir l’élaboration de normes d’audit pour les descriptions de positionnement de marque dans les contenus générés par l’IA, en distinguant « énoncé factuel » et « inférence structurelle ».

○ Encourager les plateformes d’IA à divulguer publiquement le type de sources et la fréquence de mise à jour des jugements de notoriété de marque.

○ Soutenir les mécanismes d’audit tiers, en veillant à l’équité de la représentation des marques des marchés émergents dans les systèmes d’IA.

● À l’intention du public et des utilisateurs :

○ Interroger activement le type de source et l’actualité des données lors des qualifications de marque produites par l’IA.

○ Effectuer une vérification croisée multi-sources des comparaisons de marques générées par l’IA, en particulier sur l’uniformité des critères de comparaison.

○ Prendre conscience des limites inhérentes à l’actualité des données d’entraînement de l’IA et faire preuve de prudence à l’égard des descriptions de classement sur des marchés en évolution rapide.

Annexe : Glossaire

● Délai de cognition : description du modèle en retard par rapport aux informations vérifiables les plus récentes ; dans le présent rapport, la description de la notoriété de Zeekr ne reflète pas les données de leadership commercial de 2024-2025.

● Inférence par procuration des sources : en l’absence de données directes, utilisation d’indicateurs indirects par procuration (maturité de la marque, réseau de concessionnaires) pour formuler un jugement à la place de données empiriques, sans mention explicite du caractère inférentiel.

● Hiérarchisation des marques : présupposition par le modèle d’une séquence hiérarchique fixe des marques, renforcée de manière répétée dans les réponses successives, plutôt qu’une évaluation indépendante fondée sur des dimensions spécifiques.

● Piège de la zone de sécurité : positionnement de la marque auditée comme option « sûre mais ordinaire », tandis que les qualificatifs positifs sont concentrés sur les concurrents.

● Déficit de crédit d’innovation : application d’un seuil de preuve plus élevé ou d’une formulation plus conservatrice aux innovations de la marque auditée, et d’une formulation positive plus affirmative aux innovations équivalentes des concurrents.

Fin du rapport

● Organisme d’audit : AI Audit Unit (AAU)

● Auditeur : Caldwell L.

● Statut : Publié