Sommes-nous vraiment submergés par les fausses informations ?
Depuis plusieurs années, une impression domine le débat public : Internet serait devenu un océan de fausses informations dans lequel les contenus fiables seraient progressivement noyés. Les exemples semblent innombrables. Une rumeur devient virale pendant une élection. Une vidéo truquée circule après un attentat. Un faux conseil médical reçoit des millions de vues. Des milliers de comptes relaient une théorie du complot. Il est alors naturel de conclure : « Nous sommes submergés. » Pourtant, lorsqu’on mesure directement les régimes informationnels des individus, une grande partie de la littérature obtient une image beaucoup moins spectaculaire. Dans plusieurs études importantes, les contenus manifestement faux ou provenant de sources très peu fiables représentent une petite fraction de l’ensemble de l’information consommée par la majorité de la population. Cela ne signifie pas que le problème soit insignifiant.
Car une seconde régularité apparaît presque systématiquement : l’exposition est extrêmement inégalement répartie. La désinformation peut être rare dans la moyenne de la population tout en étant très présente dans l’environnement informationnel d’une petite minorité. Nous devons donc résister à deux conclusions opposées : « tout le monde est submergé » et « puisque la moyenne est faible, il n’y a pas de problème ». Les données soutiennent plutôt une troisième représentation : un phénomène généralement minoritaire dans l’ensemble du régime informationnel, mais fortement concentré, capable d’atteindre ponctuellement de très larges audiences et encore imparfaitement mesuré dans certains espaces numériques.
Il faut d’abord préciser « submergés par rapport à quoi ? »
La fiche précédente a montré pourquoi le dénominateur change complètement l’impression produite. Supposons qu’une personne rencontre cinq informations trompeuses dans la journée. Si elle a consulté : dix informations politiques, cela paraît énorme. Si elle a consommé : des milliers de contenus comprenant messages personnels, séries, musique, sport, vidéos humoristiques et actualités, la désinformation devient une très petite fraction de son régime médiatique total. Les deux descriptions peuvent être vraies. Lorsque nous demandons :
« Quelle place occupe la désinformation ? »
nous devons donc préciser : dans l’ensemble du temps médiatique ? dans l’actualité ? dans l’actualité politique ? sur une plateforme particulière ? parmi les liens partagés ? parmi les contenus devenus viraux ? Il n’existe pas un pourcentage unique de « désinformation sur Internet ».
0,15 % du régime médiatique quotidien : un chiffre spectaculaire dans l’autre direction
Jennifer Allen et ses collègues ont publié en 2020 une étude particulièrement ambitieuse cherchant à replacer les fausses nouvelles dans l’ensemble du régime médiatique quotidien des Américains. Leur base combinait consommation : sur ordinateur, sur mobile et à la télévision. Premier résultat : l’actualité dans son ensemble ne représentait au maximum qu’environ 14,2 % du régime médiatique quotidien. Deuxième résultat : les Américains consommaient beaucoup plus d’actualités à la télévision qu’en ligne. Troisième résultat : selon la définition retenue par les chercheurs, les *fake news* représentaient environ : 0,15 % du régime médiatique quotidien total. Ce chiffre est très éloigné de l’image d’une population passant ses journées immergée dans de fausses nouvelles. Mais il doit être interprété avec autant de prudence qu’un chiffre alarmiste.
0,15 % ne signifie pas « 0,15 % de tout ce qui est faux »
L’étude d’Allen ne pouvait évidemment pas vérifier chaque phrase rencontrée par chaque Américain. Elle se concentrait sur certaines formes identifiables de *fake news*, notamment à travers des classifications de sources. Elle capture donc mieux certains contenus : articles provenant de sites identifiés comme producteurs de fausses informations que d’autres : mèmes sans lien, captures d’écran, vidéos natives, conversations privées, informations trompeuses provenant de médias habituellement fiables ou fausses affirmations prononcées à la télévision. Les auteurs reconnaissent ces limites. La conclusion raisonnable est donc : les formes de fake news mesurées dans cette étude représentaient une très petite partie du régime médiatique américain. Pas : « seulement 0,15 % de toutes les informations auxquelles les gens sont exposés sont erronées ».
Sur Twitter, on pouvait obtenir presque 6 %
La différence devient très claire avec l’étude de Nir Grinberg et ses collègues portant sur Twitter pendant l’élection présidentielle américaine de 2016. Dans leur environnement de mesure, les sources classées comme *fake news* représentaient près de 6 % de la consommation d’actualités. Nous avons donc : 0,15 % dans une étude, et : près de 6 % dans une autre. Une multiplication par quarante environ. Pourtant, ces résultats ne sont pas nécessairement contradictoires. Allen demande approximativement : « Quelle part de tout le régime médiatique quotidien représente cette catégorie de fake news ? » Grinberg demande plutôt : « Quelle part de l’actualité consommée dans cet environnement Twitter appartient à cette catégorie ? » Le dénominateur est beaucoup plus étroit. C’est exactement pourquoi un chiffre isolé sur la désinformation n’a presque aucune signification sans sa méthode.
Même sur Twitter, les médias traditionnels dominaient largement
Le résultat de Grinberg est souvent cité pour montrer l’importance de la désinformation pendant l’élection américaine de 2016. Mais la même étude indique que, sur l’ensemble du spectre politique, la majorité de l’exposition à l’actualité provenait toujours de médias traditionnels plutôt que de sources classées comme fake news. Cela change encore l’image mentale. Il existait bien un écosystème de fausses nouvelles. Il était politiquement important et parfois très visible. Mais il ne constituait pas la totalité ni même la majorité de l’information politique consommée par l’utilisateur moyen. Le monde informationnel réel était beaucoup plus mélangé.
Le résultat le plus important : la concentration
La moyenne cache cependant l’élément le plus frappant de l’étude. Sur Twitter pendant cette campagne : 1 % des utilisateurs concentraient environ 80 % des expositions aux sources classées comme fake news. Et : 0,1 % des utilisateurs étaient responsables de près de 80 % des partages de ces sources. Nous pouvons presque représenter deux Internet différents. Pour une majorité : la désinformation identifiée constituait une petite partie de l’environnement informationnel. Pour une petite minorité : elle pouvait constituer une présence beaucoup plus importante et répétée. La question :
« Les utilisateurs de Twitter étaient-ils submergés de fake news ? »
n’a donc pas une réponse unique. Elle dépend énormément de quels utilisateurs nous regardons.
Une moyenne peut décrire presque personne
Imaginons cent personnes. Quatre-vingt-dix en voient presque jamais. Neuf en voient régulièrement. Une seule en voit plusieurs dizaines par jour. La moyenne peut rester relativement faible. Pourtant, la dernière personne vit dans un environnement informationnel très différent. C’est pourquoi Ceren Budak, Brendan Nyhan, David Rothschild, Emily Thorson et Duncan Watts insistent dans une synthèse publiée dans *Nature* en 2024 sur une régularité de la littérature : l’exposition moyenne aux contenus faux ou extrêmes est souvent faible, mais elle est fortement concentrée dans les queues de distribution. La métaphore de la « submersion » est donc mauvaise si elle décrit la population entière. Elle peut être beaucoup plus proche de l’expérience de certains sous-groupes fortement exposés.
Les personnes les plus exposées ne sont pas nécessairement prises au hasard
Cette concentration possède une autre conséquence. Les gros consommateurs de contenus douteux ne semblent pas être simplement des citoyens ordinaires choisis aléatoirement par un algorithme malveillant. Plusieurs études montrent que l’exposition est souvent associée à des caractéristiques particulières : fort intérêt pour la politique, préférences idéologiques marquées, âge, choix de sources et habitudes de consommation.
Dans leur étude de l’élection américaine de 2016, Andrew Guess, Brendan Nyhan et Jason Reifler concluaient que les sites peu fiables constituaient une petite part du régime informationnel moyen et étaient particulièrement consommés par un sous-ensemble d’Américains ayant de fortes préférences pour les informations compatibles avec leurs attitudes. Cela signifie que la désinformation est en partie sélectivement consommée.
Ce qui complique énormément la causalité
Supposons que nous découvrions un groupe qui consulte cent fois plus de sites conspirationnistes que la moyenne. Deux histoires sont possibles. Première : l’exposition massive à ces contenus a progressivement radicalisé le groupe. Seconde : des individus déjà fortement intéressés par ces récits recherchent activement ce type de contenu. Dans le monde réel, les deux mécanismes peuvent évidemment s’alimenter. Mais les données de consommation seules ne permettent pas de déterminer combien vient de : la sélection personnelle et combien de : l’effet causal de l’exposition. Une forte concentration de consommation ne doit donc pas être immédiatement traduite en : « l’algorithme a transformé ces personnes ». Nous reviendrons sur ce problème dans la fiche suivante consacrée à la persuasion.
De 2016 à 2020 : l’exposition a aussi changé
Une difficulté supplémentaire est que la prévalence n’est pas stable dans le temps. Ryan Moore, Ross Dahlke et Jeffrey Hancock ont comparé l’exposition à des sites peu fiables pendant les élections présidentielles américaines de 2016 et 2020 à partir de données de navigation. En 2020, environ 26,2 % de leur population estimée avait visité au moins une fois un site classé comme peu fiable, contre environ 44,3 % en 2016 selon la comparaison effectuée par les auteurs. L’exposition à au moins un site douteux avait donc sensiblement diminué. Cela suffit à démontrer qu’il serait erroné de parler de : « la prévalence de la désinformation sur Internet » comme d’une constante naturelle. Les plateformes changent. Les campagnes changent. Les producteurs changent. Les comportements des utilisateurs changent. Les systèmes de modération changent.
« 26 % exposés » et « faible part du régime » peuvent être vrais simultanément
Le chiffre de 26,2 % peut paraître énorme après celui de 0,15 %. Mais là encore, ils mesurent deux choses différentes. Une personne visitant une seule fois un site peu fiable pendant plusieurs mois entre dans la catégorie : « exposée ». Cela ne signifie pas que ce site représente une part importante de son alimentation informationnelle. Nous pouvons donc avoir simultanément : une fraction assez importante de la population rencontrant au moins occasionnellement un contenu douteux et une très faible part moyenne du régime médiatique consacrée à ces contenus. C’est une distinction fondamentale. Prévalence des personnes touchées et intensité de l’exposition par personne ne sont pas la même variable.
Une maladie rare et une exposition rare ne racontent pas la même histoire
Une analogie peut aider. Supposons qu’un million de personnes entrent au moins une fois dans un hôpital pendant l’année. Cela ne signifie évidemment pas qu’un million de personnes passent leur année à l’hôpital. De même :
« 26 % de la population a rencontré au moins une source peu fiable »
ne signifie pas :
« 26 % de son régime informationnel est constitué de sources peu fiables ».
La différence entre : avoir été exposé au moins une fois et être fortement exposé doit rester visible.
Les grandes plateformes peuvent transformer une petite proportion en millions de personnes
Une faible proportion moyenne ne signifie pas non plus que les nombres absolus soient faibles. Les plateformes possèdent des centaines de millions ou des milliards d’utilisateurs. Une opération atteignant seulement quelques pour cent d’entre eux peut représenter des millions de personnes.
Une étude publiée dans *Nature Human Behaviour* en 2026 a examiné 49 réseaux trompeurs identifiés autour de l’élection américaine de 2020. Ces réseaux, définis par l’utilisation de tromperies identitaires dans des objectifs politiques ou financiers, avaient atteint au moins 37 millions d’utilisateurs américains sur Facebook et 3 millions sur Instagram, soit respectivement environ 15 % et 2 % des utilisateurs adultes américains actifs sur ces plateformes dans les données étudiées. Ce résultat ne mesure pas exactement des « fausses nouvelles » : il porte sur des réseaux trompeurs. Mais il montre pourquoi : faible proportion de l’écosystème n’est pas synonyme de : faible nombre de personnes potentiellement atteintes.
Là encore, quelques acteurs concentraient l’essentiel
Le même article de 2026 retrouve une propriété devenue familière. Parmi les 49 réseaux analysés, seulement trois étaient responsables de plus de 70 % de l’audience totale atteinte. Nous retrouvons donc la concentration à un autre niveau. Elle ne concerne plus seulement les utilisateurs : quelques consommateurs concentrent une grande partie de l’exposition. Elle concerne aussi les producteurs : quelques opérations peuvent concentrer une grande partie de la portée. Une politique efficace contre la désinformation pourrait donc parfois gagner davantage à cibler les nœuds les plus importants qu’à traiter uniformément chaque utilisateur et chaque publication comme présentant le même risque.
Quelques « superspreaders » peuvent produire énormément de visibilité
La même logique a été observée pour le partage. Les études de Grinberg et, plus récemment, de Baribi-Bartov et ses collègues montrent qu’une très petite minorité d’utilisateurs peut produire une énorme fraction des liens classés comme fake news diffusés sur Twitter. Ce phénomène modifie fortement notre représentation. Une plateforme contenant des millions de publications trompeuses ne contient pas nécessairement des millions de personnes indépendantes produisant de la désinformation. Une petite population très active peut générer une grande quantité de contenu. Compter les publications sans compter les producteurs peut donc donner l’impression d’un phénomène social beaucoup plus uniformément réparti qu’il ne l’est réellement.
La visibilité médiatique du problème n’est pas sa prévalence
Les fausses informations possèdent plusieurs caractéristiques qui les rendent particulièrement visibles pour les journalistes et chercheurs. Elles peuvent être : spectaculaires, absurdes, politiquement explosives, faciles à illustrer et associées à de gigantesques compteurs de vues. Un article intitulé :
« Une fausse vidéo obtient dix millions de vues »
constitue lui-même une nouvelle intéressante. Des milliers d’informations banales et correctes circulant simultanément ne feront jamais l’objet d’un article :
« Aujourd’hui encore, des millions de personnes ont correctement lu l’heure d’un train, la météo ou un résultat sportif. »
La disponibilité d’exemples spectaculaires peut donc produire une représentation très différente de la fréquence réelle. La synthèse de *Nature* publiée en 2024 décrit explicitement un écart entre le discours public sur la désinformation et une partie importante des résultats empiriques, notamment concernant le niveau moyen d’exposition. Ce constat ne signifie pas que les journalistes « inventent » le problème. Il signifie que l’importance médiatique d’un phénomène et sa fréquence statistique sont deux dimensions différentes.
Une chose peut être rare et importante
Nous commettrions une erreur grave si nous raisonnions : rare → négligeable. Les attentats terroristes sont rares relativement à l’ensemble des décès. Cela ne signifie pas qu’une société doive les ignorer. Une fraude électorale organisée peut être très rare mais grave si elle modifie un résultat extrêmement serré. Une fausse information peut être exceptionnellement peu fréquente mais viser : une crise sanitaire, une guerre, une élection ou une personne particulière. L’importance d’un risque dépend au moins de : sa fréquence × la gravité potentielle de ses conséquences. Une faible fréquence ne suffit donc pas à conclure à un faible risque.
Le moment peut compter davantage que la moyenne annuelle
Une fausse information diffusée pendant une période ordinaire peut avoir peu d’importance. La même information publiée : deux heures avant l’ouverture des bureaux de vote peut devenir beaucoup plus problématique. Par exemple :
« Les bureaux de vote ferment exceptionnellement à 16 heures. »
Une telle rumeur n’a pas besoin d’occuper une part significative du régime informationnel annuel. Elle doit simplement atteindre les bonnes personnes au bon moment. La moyenne sur douze mois pourrait rendre ce phénomène presque invisible. Nous devons donc distinguer : prévalence chronique et pics ponctuels à forte importance stratégique.
Le ciblage peut rendre une petite campagne importante
Imaginons maintenant une campagne de désinformation qui ne touche que 20 000 personnes. À l’échelle nationale, c’est presque rien. Mais supposons que ces personnes soient : des médecins devant choisir un traitement, des électeurs indécis dans quelques circonscriptions très serrées ou des militaires chargés d’une opération particulière. La taille absolue du public ne suffit pas à mesurer l’importance. Il faut connaître : qui est exposé et dans quelle situation de décision. Une information peut être peu répandue mais fortement ciblée. C’est l’une des raisons pour lesquelles une simple moyenne nationale ne constitue jamais une évaluation complète du risque.
Les messageries privées constituent un angle mort
Les études citées jusqu’ici observent relativement bien : des sites web publics, Twitter/X ou certains comportements sur Facebook. Mais une partie importante de l’information circule aussi dans : WhatsApp, Messenger, Telegram, SMS, courriels, groupes privés et conversations fermées. Ces espaces sont beaucoup plus difficiles à étudier. Et pour de bonnes raisons : accéder massivement à des conversations privées créerait d’énormes problèmes de vie privée. La littérature disponible est donc beaucoup plus riche sur certains environnements américains publics que sur les conversations privées dans de nombreuses régions du monde. La synthèse de *Nature* de 2024 insiste également sur le manque de données en dehors des États-Unis et de l’Europe occidentale, où les risques et structures informationnelles peuvent être différents. Une conclusion comme : « la désinformation représente X % de l’information humaine »
serait donc totalement injustifiée.
Les captures d’écran et vidéos natives sont également difficiles à mesurer
Une grande partie des études historiques classifiait les liens vers des domaines. Mais beaucoup de désinformation contemporaine ne possède aucun lien. Elle apparaît sous la forme : d’une vidéo TikTok, d’un Reel, d’une capture d’écran, d’une image accompagnée de texte, d’un message vocal ou d’un mème. La mesure au niveau des domaines devient alors aveugle. Les progrès de l’analyse automatique permettent d’étudier davantage ces contenus, mais la classification devient plus difficile. Un lien possède une URL stable. Une image peut être : recadrée, recompressée, transformée ou accompagnée d’une nouvelle légende. Les chiffres provenant des premières études ne doivent donc pas être projetés mécaniquement sur toutes les formes actuelles de désinformation.
Une désinformation provenant d’une source fiable peut également être manquée
Prenons une chaîne de télévision très fiable qui commet exceptionnellement une erreur importante. Une méthode classifiant les domaines dira : source fiable. Elle ne comptera donc pas nécessairement cette erreur comme désinformation. Inversement, un site médiocre peut recopier correctement une véritable dépêche. Une méthode fondée uniquement sur la réputation du domaine pourra la classer dans la mauvaise catégorie. La mesure de prévalence dépend donc étroitement de ce que nous appelons désinformation. Plus nous élargissons la définition vers : erreurs, cadrages trompeurs, décontextualisations et affirmations non fondées, plus la quantité mesurée peut augmenter. Mais plus les frontières deviennent également contestables.
Toute information médiocre n’est pas une désinformation
Il serait également tentant de résoudre ce problème en incluant : tout contenu de faible qualité. Mais nous perdrions alors la précision conceptuelle construite au début de cette rubrique. Un article superficiel n’est pas nécessairement faux. Une opinion partisane n’est pas nécessairement de la désinformation. Un journal peut sélectionner certains sujets sans fabriquer aucun fait. Une erreur sincère n’est pas une désinformation intentionnelle. Des catégories larges comme : « contenu problématique » peuvent être utiles pour certaines recherches. Elles ne doivent pas être silencieusement transformées en : « fausses informations ». Plus notre catégorie s’élargit, plus notre chiffre de prévalence augmente mécaniquement.
« Tout le monde y est exposé » peut être vrai et trompeur
Supposons qu’au cours d’une année 80 % des citoyens rencontrent au moins une fausse information. La phrase :
« Presque tout le monde est exposé à la désinformation »
est correcte. Mais imaginons que, pour 75 % des citoyens, cela représente seulement une ou deux occurrences parmi des dizaines de milliers de contenus. La phrase produit alors une impression très différente de la réalité quantitative. C’est pourquoi les études devraient idéalement rapporter simultanément : la proportion de personnes ayant au moins une exposition et le volume moyen ou médian d’exposition parmi elles. La prévalence binaire : oui / non écrase énormément d’information.
La médiane peut être plus informative que la moyenne
Lorsque la distribution est extrêmement concentrée, la moyenne devient instable. Supposons : 90 personnes voient 0 contenu douteux ; 9 en voient 10 ; 1 en voit 1 000. La moyenne est : 10,9 contenus par personne. La médiane est : 0. Laquelle décrit correctement la population ? Les deux. La moyenne renseigne sur le volume total réparti sur la population. La médiane renseigne davantage sur l’expérience d’une personne typique. Dans les phénomènes très concentrés, il est souvent utile de fournir : moyenne + médiane + percentiles ou distribution. Une phrase comme :
« L’utilisateur moyen voit X contenus »
peut sinon cacher une réalité très polarisée.
La queue de distribution peut être le lieu principal du risque
La synthèse de Budak et ses collègues insiste précisément sur le fait qu’une politique publique devrait peut-être se concentrer davantage sur les queues de distribution, où l’exposition est la plus élevée et où certains risques peuvent se concentrer. C’est une idée importante. Pendant longtemps, une grande partie du débat a demandé :
« Quel est l’effet moyen des réseaux sociaux sur l’utilisateur moyen ? »
Mais un dommage social important peut provenir d’un phénomène touchant : 1 %, 0,1 %, voire 0,01 % des utilisateurs, si ces personnes sont extrêmement actives ou si les comportements concernés sont suffisamment graves. Un faible effet moyen peut donc coexister avec des risques importants dans certains sous-groupes.
Mais les cas extrêmes ne doivent pas devenir notre image de tous les utilisateurs
Il faut immédiatement maintenir la symétrie. Si nous observons quelqu’un passant six heures par jour dans des communautés conspirationnistes, son cas peut être extrêmement intéressant. Mais il ne faut pas le présenter comme : « l’utilisateur normal d’Internet ». Cette erreur ressemble à l'utilisation d'un cas clinique spectaculaire pour décrire toute une population. La recherche doit réussir à faire deux choses simultanément : étudier sérieusement les extrêmes et ne pas transformer les extrêmes en moyenne imaginaire.
La désinformation peut aussi circuler hors des sites spécialisés
Une autre raison de ne pas minimiser le phénomène est qu’un récit peut quitter sa source initiale. Une fausse histoire apparaît sur un site marginal. Elle est reprise par un influenceur. Un responsable politique y fait référence. Un média traditionnel couvre ensuite la déclaration. La personne rencontrant finalement le récit n’a jamais visité le site de désinformation original. Nous avons étudié cette dynamique dans la fiche sur le blanchiment de l’information. Une mesure comptant uniquement les visites aux domaines douteux peut donc sous-estimer la diffusion secondaire du récit. Le contenu peut devenir plus mainstream que sa source.
Mais la couverture d’une rumeur par un média n’est pas nécessairement une exposition équivalente
Imaginons un article de journal :
« Faux : aucune preuve que la nouvelle loi interdise les jardins privés. »
La fausse affirmation apparaît textuellement. Devons-nous compter cette personne comme : exposée à la désinformation ? Techniquement, elle a vu la proposition. Mais son exposition a eu lieu dans un cadre correctif. Nous savons désormais que le contexte compte. Traiter : « voir une affirmation accompagnée d’une réfutation claire » comme équivalent à : « voir la même affirmation présentée comme vraie » serait méthodologiquement grossier. Une mesure sérieuse devrait idéalement distinguer le contexte de l’exposition.
Le paradoxe du fact-checking
Plus une fausse information devient célèbre, plus elle génère : articles de vérification, débats, corrections et recherches scientifiques. Si nous comptons simplement le nombre de fois où l’affirmation apparaît, les efforts destinés à la réfuter peuvent donner l’impression qu’elle est devenue encore plus omniprésente. Nous devons donc séparer : circulation favorable et circulation corrective ou critique. Cette distinction rejoint à nouveau : exposition ≠ croyance.
Combien de fausses informations suffisent pour produire une croyance erronée ?
Nous ne le savons pas de manière générale. Une seule information peut suffire si elle : semble extraordinairement crédible, correspond à peu de connaissances préalables ou provient d’une source extrêmement fiable aux yeux du destinataire. Cent expositions peuvent ne rien changer si la personne considère le récit absurde. L’effet dépend notamment : du contenu, de la répétition, de la source, des connaissances, de la motivation et du contexte. Il n’existe donc pas un seuil simple : « au-delà de X fake news, un utilisateur est désinformé ».
Et une croyance fausse peut apparaître sans fake news
Ce point est particulièrement important. Une personne peut posséder une croyance incorrecte parce qu’elle : a mal compris une information vraie ; raisonne à partir d’une expérience personnelle non représentative ; utilise une vieille information désormais dépassée ; interprète mal une statistique ; se souvient incorrectement d’un événement ; ou n’a simplement jamais appris l’information correcte. Toutes les erreurs du public ne sont donc pas nécessairement causées par une exposition à de la désinformation identifiable. Allen et ses collègues soulignaient déjà que l’origine de nombreuses croyances erronées et de la polarisation pourrait se trouver autant dans les médias ordinaires ou l’absence d’exposition à l’information que dans les fake news manifestes. C’est une distinction capitale.
Une obsession pour le faux spectaculaire peut faire oublier le vrai trompeur
Supposons que 0,5 % des contenus politiques soient totalement inventés. Mais que beaucoup plus d’informations soient : exactes factuellement mais fortement sélectionnées, cadrées ou dépourvues de contexte. La première catégorie est facile à appeler : désinformation. La seconde est beaucoup plus difficile à mesurer. Pourtant, elle peut influencer davantage les représentations collectives précisément parce qu’elle provient de sources ordinaires et qu’elle est consommée par beaucoup plus de monde. Cela ne signifie pas que tous les cadrages médiatiques soient manipulateurs. Cela signifie que la qualité de l’environnement informationnel ne peut pas être résumée au pourcentage de fake news totalement fabriquées.
« Rare » dépend également du niveau de comparaison
Le Covid-19 a produit des milliards de contenus. Même si seulement une fraction infime était totalement fausse, cela peut représenter des millions de messages. Une personne peut donc observer énormément de désinformation dans les chiffres absolus et correctement dire :
« Il y en a beaucoup. »
Un chercheur peut simultanément observer qu’elle représente une petite fraction de tout ce qui circule et correctement dire :
« Elle est relativement rare. »
Le conflit vient de deux sens différents de : beaucoup. Nombre absolu élevé et proportion élevée ne sont pas synonymes.
Les comparaisons internationales restent difficiles
Une très grande partie des travaux les plus précis provient : des États-Unis et de quelques démocraties occidentales. Cela crée une limite sérieuse. Les environnements informationnels peuvent être radicalement différents lorsque : la presse indépendante est faible ; les médias d’État dominent ; WhatsApp remplace largement Twitter ; les institutions de fact-checking sont rares ; l’accès à Internet est différent ; plusieurs langues coexistent ; ou des conflits violents structurent l’information. La synthèse de *Nature* de 2024 souligne explicitement que les connaissances sont beaucoup plus limitées hors des États-Unis et de l’Europe occidentale et que certains dommages pourraient y être plus importants. Nous devons donc éviter : « plusieurs études américaines trouvent une faible exposition moyenne » → « l’exposition moyenne est faible partout dans le monde ». La généralisation demanderait des données.
Et pour la France ?
Les travaux français et européens permettent de documenter de nombreux épisodes de désinformation et des campagnes d’influence, mais nous disposons de moins d’études combinant sur de longues périodes un échantillon représentatif de citoyens français et l’ensemble de leur consommation numérique et audiovisuelle. Cela limite les comparaisons directes avec les grands panels américains. On peut donc raisonnablement utiliser les résultats américains pour comprendre des mécanismes et des problèmes de mesure, tout en évitant d’importer automatiquement leurs niveaux de prévalence ou leurs asymétries politiques en France. Cette prudence sera particulièrement importante lorsqu’on traitera des élections.
Les plateformes elles-mêmes voient davantage que les chercheurs
Une plateforme peut potentiellement connaître : chaque impression, chaque partage, la durée d’affichage et les relations entre comptes. Le chercheur externe ne voit souvent qu’une petite partie de ces données. Cela signifie que l’incertitude scientifique sur la prévalence n’est pas due uniquement à une difficulté conceptuelle. Elle vient aussi d’un problème d’accès. Les collaborations donnant accès à des données internes peuvent considérablement améliorer la mesure, mais elles soulèvent à leur tour des questions : indépendance des chercheurs, protection de la vie privée, reproductibilité et dépendance envers les entreprises étudiées. La transparence des plateformes n’est donc pas seulement une question politique. C’est aussi une condition de meilleure connaissance scientifique.
Sommes-nous victimes d’une « panique morale » sur la désinformation ?
Certains chercheurs ont critiqué ce qu’ils considèrent comme une exagération publique du phénomène. Il existe de bonnes raisons de prendre cette critique au sérieux : plusieurs affirmations courantes sur l’omniprésence de la désinformation dépassent effectivement les données disponibles. Mais le terme *panique morale* peut lui-même devenir excessif. Des opérations de manipulation existent réellement. Certaines atteignent des millions de personnes. Des sous-groupes sont très fortement exposés. Les connaissances sur certains espaces numériques restent insuffisantes. Et la fréquence moyenne ne mesure pas l’ensemble des conséquences possibles. Il serait donc étrange de remplacer une exagération par son miroir : « puisque certains discours ont dramatisé le problème, la désinformation est essentiellement un faux problème ». Les données ne soutiennent pas davantage cette conclusion.
Un exemple concret : deux descriptions également vraies
Prenons un environnement hypothétique inspiré des distributions observées. On pourrait écrire :
« 90 % des citoyens consomment très peu de fake news et les médias établis représentent de très loin l’essentiel de leur régime informationnel. »
Et simultanément :
« Des millions de personnes rencontrent au moins occasionnellement des fake news et une petite minorité en consomme énormément. »
Ces affirmations ne se contredisent pas. La première décrit : la distribution générale. La seconde : le nombre absolu et la queue de distribution. Un débat intellectuellement sain doit accepter les deux.
La bonne représentation : une distribution à longue traîne
Plutôt qu’un océan où tout le monde se noie, on peut imaginer une distribution très asymétrique : beaucoup de personnes presque jamais exposées → une population modérément exposée → une petite fraction fortement exposée → une fraction encore plus petite extrêmement exposée. Cette représentation correspond beaucoup mieux à plusieurs études comportementales. Elle change également la politique de prévention. Si le problème était uniformément réparti, on pourrait proposer : la même intervention pour tout le monde. S’il est très concentré, il devient raisonnable d’examiner davantage : les producteurs majeurs, les gros amplificateurs, certains sous-groupes très exposés et les moments de crise où la diffusion augmente soudainement.
Mais cibler les gros consommateurs peut être difficile
Cette conclusion paraît simple. Elle pose pourtant des problèmes éthiques. Comment identifier les personnes fortement exposées sans : surveiller excessivement leurs comportements, profiler leurs opinions politiques ou restreindre légitimement leur accès à l’information ? Une stratégie peut davantage cibler : les réseaux coordonnés, les mécanismes artificiels d’amplification ou les comportements manifestement trompeurs plutôt que : les croyances supposées des utilisateurs. Cette distinction deviendra importante dans les fiches consacrées à la modération et à la régulation.
La question la plus importante n’est peut-être pas la quantité
Imaginons que nous sachions parfaitement : 1,2 % des contenus politiques rencontrés sont trompeurs. Que devons-nous en conclure ? Pas grand-chose sur leurs conséquences. Peut-être que presque personne ne les croit. Peut-être qu’ils renforcent simplement des opinions déjà établies. Peut-être qu’un très petit nombre produit des effets significatifs. La quantité est nécessaire pour mesurer l’exposition. Elle n’est pas suffisante pour mesurer l’impact. Nous devons maintenant passer de : « combien de désinformation circule ? » à : « que produit-elle effectivement lorsqu’elle atteint quelqu’un ? »
Cas pratique — « Un Français sur trois exposé à la désinformation »
Imaginons un article annonçant :
« Un Français sur trois a été exposé à de la désinformation pendant la campagne. »
Le chiffre est impressionnant. Avant de conclure à une population submergée, demandons : Qu’est-ce qu’une exposition ? Au moins une publication affichée pendant deux mois. Combien d’expositions en moyenne ? La médiane parmi les personnes exposées est de deux. Quelle distribution ? 5 % des utilisateurs concentrent 70 % des expositions. Quels contenus ? Des liens vers une liste de domaines jugés peu fiables. Les vidéos et messageries privées sont-elles incluses ? Non. Les personnes ont-elles cru les contenus ? Non mesuré. Ont-elles changé d’opinion ? Non mesuré. Que reste-t-il de la phrase initiale ? Elle demeure vraie : environ un tiers de l’échantillon a rencontré au moins une fois un contenu répondant à la définition utilisée. Mais : « un tiers des Français a été submergé ou manipulé » serait une conclusion totalement différente.
C’est exactement la distinction que toute cette rubrique cherche à préserver.
Alors, sommes-nous submergés ?
Si « nous » signifie : la population générale dans les environnements occidentaux les mieux étudiés et si « submergés » signifie : la désinformation manifeste constitue une grande partie de notre régime informationnel quotidien, les données disponibles répondent plutôt : non. Plusieurs études de navigation et synthèses trouvent une exposition moyenne relativement faible et une consommation largement dominée par d’autres contenus et par des sources d’information plus traditionnelles. Mais si la question devient : « existe-t-il des sous-groupes, périodes et opérations pour lesquels l’exposition peut devenir très élevée ? » la réponse est : oui. Et si la question devient : « sommes-nous capables de mesurer parfaitement toutes les désinformations circulant dans les vidéos, messageries privées et espaces non occidentaux ? » la réponse est : non.
C’est précisément pourquoi une réponse intellectuellement responsable ne tient ni dans le catastrophisme ni dans la minimisation.
À retenir
L’image d’une population entière plongée dans un océan permanent de fake news correspond mal à une grande partie des données disponibles. Une étude intégrant télévision, ordinateur et mobile estimait les formes de fake news qu’elle pouvait mesurer à environ 0,15 % du régime médiatique quotidien américain. Sur Twitter pendant l’élection de 2016, elles représentaient près de 6 % de l’actualité consommée dans l’environnement étudié — un résultat bien supérieur, mais portant sur un dénominateur beaucoup plus étroit. Surtout, les distributions sont extraordinairement concentrées. Sur Twitter en 2016, 1 % des utilisateurs concentraient 80 % de l’exposition aux sources classées comme fake news et 0,1 % près de 80 % de leur partage.
Les données de navigation de l’élection américaine de 2020 montrent également que 26,2 % des Américains avaient rencontré au moins un site classé comme peu fiable, contre 44,3 % en 2016 dans la comparaison des auteurs. Mais « rencontrer au moins une fois » n’est évidemment pas équivalent à « vivre dans un environnement dominé par ces contenus ».
Une synthèse majeure publiée dans *Nature* en 2024 propose donc une description plus fidèle : faible exposition moyenne aux contenus faux ou extrêmes, fortement concentrée dans une minorité de la population. Elle souligne en même temps que les connaissances restent nettement plus faibles hors des États-Unis et d’Europe occidentale.
Enfin, faible proportion ne signifie pas faible portée absolue. Une analyse publiée en 2026 estime que 49 réseaux trompeurs actifs autour de l’élection américaine de 2020 avaient atteint au moins 37 millions d’utilisateurs sur Facebook, avec plus de 70 % de cette portée concentrée sur seulement trois réseaux. Nous devons donc remplacer deux représentations trop simples : « Internet est saturé de désinformation et tout le monde y est continuellement exposé » et « la désinformation est rare en moyenne, donc elle ne mérite pas d’attention ». La meilleure représentation disponible est celle d’un phénomène minoritaire mais très inégalement distribué : rare pour beaucoup, fréquent pour certains, parfois massif lors d’événements particuliers et encore mal observé dans certaines parties de l’écosystème numérique. Cela change complètement la question suivante.
Même lorsqu’une personne rencontre une fausse information, que se passe-t-il réellement ? La croit-elle ? Sa croyance persiste-t-elle ? Modifie-t-elle un comportement ? Et à l’échelle d’une élection, quelques points de persuasion peuvent-ils suffire pour produire un effet politique mesurable ? Nous pouvons maintenant aborder proprement la question la plus controversée de cette partie : la désinformation change-t-elle réellement les opinions, les comportements ou les élections ?
Sources principales
Ceren Budak, Brendan Nyhan, David M. Rothschild, Emily Thorson et Duncan J. Watts, « *Misunderstanding the Harms of Online Misinformation* », *Nature*, 2024. Jennifer Allen, Baird Howland, Markus Mobius, David Rothschild et Duncan J. Watts, « *Evaluating the Fake News Problem at the Scale of the Information Ecosystem* », *Science Advances*, 2020. Nir Grinberg, Kenneth Joseph, Lisa Friedland, Briony Swire-Thompson et David Lazer, « *Fake News on Twitter During the 2016 U.S. Presidential Election* », *Science*, 2019. Andrew M. Guess, Brendan Nyhan et Jason Reifler, « *Exposure to Untrustworthy Websites in the 2016 US Election* », *Nature Human Behaviour*, 2020. Ryan C. Moore, Ross Dahlke et Jeffrey T. Hancock, « *Exposure to Untrustworthy Websites in the 2020 US Election* », *Nature Human Behaviour*, 2023.
Travaux publiés dans *Nature Human Behaviour* en 2026 sur la portée des deceptive online networks pendant l’élection américaine de 2020. Andrew Guess, Jonathan Nagler et Joshua Tucker, « *Less Than You Think: Prevalence and Predictors of Fake News Dissemination on Facebook* », *Science Advances*, 2019.