Google's AI Overview échoue à des calculs calendaires basiques, définissant incorrectement l'année 2027
Dans une démonstration surprenante d'une défaillance logique élémentaire, la fonctionnalité Google’s AI Overview a été signalée pour avoir fourni des informations factuellement incorrectes concernant l'année civile en cours. Malgré les avancées rapides des grands modèles de langage (Large Language Models, LLMs) et la sortie d'itérations sophistiquées comme Gemini 3, l'outil de synthèse IA intégré du géant de la recherche peine sur un concept temporel fondamental : identifier quelle année vient ensuite.
Des rapports apparus cette semaine confirment que, lorsqu'on lui a posé la question simple « 2027, est-ce l'année prochaine ? », Google’s AI Overview a affirmé avec assurance que non. Au lieu de cela, le système a halluciné une chronologie bizarre, affirmant que 2027 est en réalité à deux ans de l'année en cours, 2026. Cette erreur met en lumière la volatilité persistante des systèmes d'intelligence générative (Generative AI), même s'ils sont de plus en plus intégrés dans une infrastructure de recherche critique utilisée par des milliards de personnes.
L'anatomie de l'hallucination
L'erreur a d'abord été mise en avant par Futurism, signalant que les utilisateurs tentant de vérifier des dates futures ont été confrontés à un raisonnement mathématique déroutant. Lorsqu'on l'a interrogé, l'AI Overview a fourni une explication détaillée, bien que complètement erronée.
Selon la réponse générée, l'IA a déclaré : « Non, 2027 n'est pas l'année prochaine ; 2027 est à deux ans de l'année en cours (2026), ce qui signifie que l'année prochaine est 2028, et l'année d'après est 2027. »
Cette réponse est notable non seulement pour son inexactitude, mais aussi pour ses contradictions internes. L'IA identifie correctement l'année en cours comme étant 2026, puis se met à ignorer entièrement 2027 dans son calcul de « l'année prochaine », passant directement à 2028. Elle place ensuite paradoxalement 2027 comme l'année après 2028. Ce type de logique non linéaire suggère une défaillance profonde de la capacité du modèle à ancrer ses sorties dans une réalité séquentielle basique, un problème qui affecte les LLMs depuis leur création.
Pourquoi le raisonnement temporel reste un défi
Pour les chercheurs et développeurs en IA, ce type d'erreur — souvent appelé hallucination temporelle (temporal hallucination) — est un point de friction connu. Les LLMs sont des moteurs probabilistes conçus pour prédire le jeton suivant le plus probable dans une séquence ; ils ne possèdent pas d'horloge interne ni une compréhension ancrée du temps linéaire comme un humain ou une simple calculatrice.
Bien que les modèles plus récents soient entraînés sur d'immenses jeux de données incluant des calendriers et des dates, la transition entre les années déclenche souvent une période d'instabilité. Tout comme les humains peuvent accidentellement écrire la mauvaise année sur un chèque en janvier, les modèles d'IA semblent avoir du mal avec le concept de « temps actuel » lorsque les données d'entraînement entrent en conflit avec des invites en temps réel. Cependant, l'ampleur de cette erreur spécifique — réarranger la séquence des années — est bien plus grave qu'une simple faute de frappe.
Évaluer la bévue : comment les concurrents s'en sont sortis
L'incident offre une opportunité précieuse pour comparer Google’s AI Overview à d'autres modèles de base leaders actuellement sur le marché. Les tests ont révélé que, alors que l'intégration de recherche de Google a complètement échoué, des concurrents comme OpenAI et Anthropic ont eu un comportement différent, quoique imparfait.
Fait intéressant, ChatGPT (fonctionnant avec le modèle 5.2) et Claude Sonnet 4.5 d'Anthropic ont tous deux d'abord trébuché sur la même invite mais ont démontré une capacité cruciale : l'auto-correction. Cette capacité « métacognitive » à revoir une sortie et à la corriger en temps réel est un différenciateur important en matière de sécurité et de fiabilité des modèles.
Le tableau suivant récapitule les réponses des principaux modèles d'IA lorsqu'on leur a demandé si 2027 est l'année prochaine (contexte : année en cours 2026) :
| Model Name | Initial Response Accuracy | Self-Correction Behavior |
|---|---|---|
| Google AI Overview | Échoué | Pas de correction ; a maintenu que 2028 est l'année prochaine. |
| ChatGPT 5.2 (Free) | Trébuché | A d'abord nié que 2027 soit l'année prochaine, puis s'est immédiatement corrigé en se basant sur le contexte 2026. |
| Claude Sonnet 4.5 | Trébuché | A affirmé que 2027 n'était pas l'année prochaine, puis a marqué une pause et a révisé sa réponse pour confirmer que 2027 est bien l'année prochaine. |
| Google Gemini 3 | Réussi | A correctement identifié 2027 comme l'année prochaine sans hésitation. |
La divergence au sein de l'écosystème Google
L'un des aspects les plus déconcertants de cette défaillance est la disparité entre les différents produits d'IA de Google. Alors que la fonctionnalité AI Overview — qui apparaît en haut des résultats de recherche Google — a échoué au test, le modèle autonome phare de Google, Gemini 3, a répondu correctement à la question.
Cette incohérence soulève des questions sur l'architecture spécifique et l'optimisation de la fonctionnalité AI Overview. Contrairement à l'interaction directe avec un chatbot comme Gemini, les AI Overviews sont générés en utilisant une version spécialisée du modèle optimisée pour la synthèse des résultats de recherche (Search Generative Experience - SGE). Il semble qu'au cours du processus d'optimisation pour la génération augmentée par récupération (retrieval-augmented generation, RAG) ou la synthèse de résultats web, les capacités de raisonnement de base du modèle aient pu être compromises.
Les causes potentielles de cette divergence incluent :
- Optimisation de la latence : Le modèle de recherche peut être une version plus petite et distillée de Gemini conçue pour la rapidité, au détriment d'une certaine profondeur de raisonnement.
- Données sources contradictoires : Les AI Overviews s'appuient fortement sur l'indexation du contenu web. Si le modèle a indexé du contenu obsolète ou a confondu des discussions « futures » avec des faits « actuels », il pourrait halluciner la chronologie.
- Ingénierie des invites (Prompt Engineering) : Les instructions système régissant la façon dont AI Overview interprète la « date actuelle » pourraient être moins robustes que celles de l'interface autonome de Gemini.
Le déficit de confiance dans la recherche par IA
Cet incident s'ajoute à une liste croissante d'embarras publics pour l'intégration de l'IA dans la recherche de Google. Au cours des années précédentes, le système avait notamment conseillé aux utilisateurs de mettre de la colle sur une pizza pour empêcher le fromage de glisser et avait prétendu que « you can't lick a badger twice » était un idiome réel. Alors que ces exemples étaient souvent attribués à l'ingestion par l'IA de contenus satiriques (comme le shitposting sur Reddit), l'erreur calendaires de 2027 est purement une défaillance logique.
Pour les utilisateurs professionnels et les entreprises qui s'appuient sur l'IA pour l'analyse de données et la vérification rapide des faits, ces erreurs sont plus que de simples anomalies amusantes — elles constituent des signaux d'alarme quant à la fiabilité. Si un système ne peut pas déterminer de manière fiable que 2027 suit 2026, sa capacité à synthétiser des rapports financiers complexes, des chronologies juridiques ou des séquences historiques devient douteuse.
Implications clés pour l'industrie de l'IA :
- Systèmes de vérification : Il est urgent de mettre en place des couches de vérification secondaires (verifiers) qui contrôlent les sorties de l'IA par des règles logiques strictes (comme les mathématiques et les calendriers) avant de les afficher aux utilisateurs.
- Scepticisme des utilisateurs : À mesure que ces erreurs persistent, la confiance des utilisateurs dans les « réponses IA » peut plafonner ou diminuer, renvoyant le trafic vers des vérifications traditionnelles basées sur les sources.
- Risques de distillation des modèles : La difficulté met en évidence les risques d'utiliser des modèles plus petits et moins coûteux pour un déploiement grand public sans garde-fous adéquats.
Conclusion : la route vers l'Intelligence Artificielle Générale reste cahoteuse
L'hallucination « 2027 n'est pas l'année prochaine » sert de rappel brutal que, malgré le battage médiatique autour de l'Intelligence Artificielle Générale (Artificial General Intelligence, AGI), les systèmes actuels manquent encore de bon sens. Ils sont des imitateurs statistiques brillants capables de réussir des examens de droit et d'écrire du code, et pourtant ils peuvent être piégés par le passage du temps — un concept inné chez tout enfant humain.
Pour les lecteurs de Creati.ai et les professionnels de l'IA, ceci constitue une étude de cas sur l'importance des flux de travail avec humain dans la boucle (human-in-the-loop, HITL). Tant que les modèles d'IA ne pourront pas naviguer sans faute parmi les axiomes de base de la réalité — comme l'ordre des années du calendrier — la confiance aveugle dans leurs sorties demeure une option risquée. À mesure que nous avançons en 2026, nous ne pouvons qu'espérer que les algorithmes rattrapent le calendrier avant l'arrivée de 2028 — ou comme l'IA de Google pourrait l'appeler, « l'année prochaine ».
