Quand une intelligence artificielle évoque un candidat à la présidentielle, elle ne se contente pas de le nommer : elle choisit des mots, construit des phrases, associe des qualificatifs. Cette coloration du discours, qu'on appelle la tonalité, constitue le deuxième pilier de l'analyse menée mois après mois sur les 3 376 réponses collectées auprès des quatre modèles suivis. Si la visibilité spontanée mesure la fréquence d'apparition d'une personnalité, la tonalité s'intéresse à la manière dont elle est traitée une fois citée.
Comprendre cette dimension est essentiel pour interpréter correctement l'indice de mise en avant sur 100, qui pondère la tonalité à hauteur de 40 %, contre 60 % pour la visibilité. Un candidat peu cité mais systématiquement décrit en termes valorisants peut ainsi rattraper une partie de son retard sur un candidat omniprésent mais associé à des formulations plus critiques ou ambivalentes.
Qu'est-ce que la tonalité d'une réponse générée par une IA ?
La tonalité désigne l'orientation affective ou évaluative d'un passage de texte consacré à une personnalité politique. Concrètement, pour chacune des 844 questions figées posées à ChatGPT, Gemini, Perplexity et Google AI Overviews, les passages mentionnant un candidat sont isolés puis classés selon une échelle qui distingue plusieurs registres :
- tonalité positive : le candidat est décrit avec des termes valorisants, associé à des réussites ou des compétences reconnues ;
- tonalité neutre ou factuelle : la mention se limite à des éléments biographiques, des chiffres ou des citations sans jugement implicite ;
- tonalité négative : le passage souligne des controverses, des critiques ou des échecs attribués au candidat ;
- tonalité mixte : le texte juxtapose éléments favorables et défavorables dans un même développement.
Cette grille de lecture repose sur des techniques d'analyse de sentiment, discipline qui consiste à attribuer une polarité à un texte à partir de son vocabulaire, de sa syntaxe et du contexte dans lequel les mots apparaissent. Appliquée à des réponses d'intelligences artificielles plutôt qu'à des avis de consommateurs ou des tweets, cette méthode doit être affinée pour tenir compte des formulations prudentes et des précautions rhétoriques que les modèles adoptent naturellement lorsqu'ils évoquent des sujets politiques.
Pourquoi la tonalité varie-t-elle selon les modèles ?
Les quatre IA suivies n'ont ni le même entraînement, ni les mêmes garde-fous, ni les mêmes sources de référence. Un modèle davantage alimenté par des contenus journalistiques récents peut reprendre les tensions et controverses du moment, tandis qu'un autre, plus synthétique, privilégiera des formulations institutionnelles et consensuelles. Cette hétérogénéité explique pourquoi un même candidat peut recevoir une tonalité globalement neutre sur un modèle et légèrement plus critique sur un autre, pour des questions pourtant identiques.
L'écosystème informationnel qui nourrit ces IA joue également un rôle déterminant : les sources mobilisées, leur ligne éditoriale et leur actualité influencent directement le vocabulaire repris dans les réponses générées. C'est pourquoi la tonalité ne doit jamais être lue isolément, mais toujours en regard de la fréquence d'apparition du candidat et du contexte thématique dans lequel il est mentionné.
Mise en avant algorithmique et jugement politique : une distinction à ne pas confondre
Mesurer une tonalité positive ne revient en aucun cas à établir une recommandation de vote. Lors de la vague d'octobre 2026, aucune des quatre IA interrogées n'a formulé de consigne explicite du type « votez pour tel candidat », même lorsqu'on leur demandait directement pour qui voter ou de classer les personnalités par ordre de préférence. La tonalité capte une coloration de discours, pas une préconisation électorale.
Cette nuance est centrale pour éviter les raccourcis. Un candidat peut bénéficier d'une tonalité favorable sur des sujets techniques — l'économie ou le numérique, par exemple — tout en recevant un traitement plus critique sur des thématiques sensibles comme l'immigration ou la sécurité. L'indice de mise en avant agrège ces variations, mais le détail thématique reste indispensable pour saisir où se jouent réellement les écarts de ton.
Les limites inhérentes à l'analyse de sentiment
Automatiser l'évaluation de la tonalité comporte des risques méthodologiques qu'il convient d'assumer. L'ironie, les formulations ambivalentes ou les comparaisons implicites entre candidats peuvent être mal interprétées par les outils de classification. Pour limiter ces biais, chaque passage ambigu fait l'objet d'une relecture, et les écarts significatifs entre vagues mensuelles sont examinés avant d'être intégrés au calcul de l'indice.
Ce travail de fiabilisation s'inscrit dans une démarche plus large de rigueur méthodologique, comparable à celle développée par The Black Room sur d'autres terrains d'analyse algorithmique. La tonalité n'est qu'une pièce du puzzle : pour saisir pleinement comment se construit le classement des personnalités, il est utile de en savoir plus sur Baromètre IA / Radiographie algorithmique, Présidentielle 2027, Visibilité spontanée (Classement des personnalités), où visibilité et tonalité sont croisées mois après mois.
Ce que la tonalité révèle, au-delà du classement
Au fil des vagues, les variations de tonalité permettent surtout de repérer des tendances de fond : un candidat dont le ton s'améliore après une séquence médiatique précise, ou au contraire une personnalité dont le traitement se durcit à mesure que certains sujets gagnent en intensité dans le débat public. Cette lecture dynamique, plus que la photographie d'un mois isolé, constitue l'intérêt principal de l'observatoire pour comprendre comment les intelligences artificielles façonnent, sans l'exprimer explicitement, une forme de récit autour de chaque candidat.