L'IA est-elle capable de trouver le bon épisode d'une série télévisée ? Pas de manière fiable.

Le monde devient de plus en plus axé sur la conversation, et l'IA générative aide les gens à s'y retrouver dans un univers de plus en plus complexe. Dans le domaine du divertissement, les téléspectateurs ont recours à la recherche vocale pour s'y retrouver dans un paysage vidéo en pleine expansion, qui ne cesse de se fragmenter entre les différentes chaînes et les différents services.

Cependant, malgré la généralisation des fonctionnalités vocales sur tous les appareils, l’utilité de cette technologie repose sur les données : des informations concrètes et en temps réel qu’un^LLM1 utilise pour valider, enrichir et corriger les réponses qu’il fournit aux requêtes des utilisateurs. Dans le streaming , cela revêt une importance particulière pour les contenus épisodiques.

Non seulement le volume de contenu sériel dépasse largement celui des films disponibles, mais le public effectue ses recherches d’épisodes de séries différemment de celles qu’il effectue pour les films. Les téléspectateurs savent rarement quelle saison ou quel épisode précis ils souhaitent regarder, en particulier lorsqu’il s’agit de séries qui existent depuis longtemps, comme NCIS, Grey’s Anatomy et Les Simpson. Ainsi, lorsqu’ils effectuent une recherche, ils utilisent des requêtes contextuelles telles que « Montre-moi les épisodes de Noël de The Office »ou « Dans quels épisodes de Friends Bruce Willis apparaît-il en guest star ? »

Dans ces cas-là, les réponses des modèles LLM seront généralement erronées. En effet, celles-ci reposent sur des calculs de probabilité basés sur la saison et le numéro d’épisode. Pour les fournisseurs, la mauvaise expérience utilisateur liée à ces réponses erronées ne fera qu’aggraver les frustrations liées à la fragmentation croissante des contenus. Les contenus épisodiques jouent un rôle majeur dans la congestion des contenus, les épisodes de séries télévisées représentant 85 % des contenus distribués par les six fournisseurs mondiaux de SVOD suivis par le Data Gracenote Data Hub.

À mesure que les catalogues vidéo s'étoffent, l'IA générative deviendra de plus en plus utile aux spectateurs à la recherche d'un programme à regarder. En seulement un an et demi, par exemple, le nombre d'épisodes de séries télévisées mis à la disposition du public a augmenté de plus de 21 %.

En proposant des fonctionnalités telles que la recherche conversationnelle, des visuels personnalisés pour les programmes, des recommandations sur mesure et les temps forts sportifs en temps réel, GenAI va transformer la manière dont les téléspectateurs interagissent avec les contenus vidéo.

Pour offrir ces fonctionnalités — et les proposer de manière pertinente et personnalisée —, les modèles de langage à grande échelle (LLM) qui sous-tendent la recherche et la découverte doivent avoir accès à des données précises et exhaustives sur le divertissement. Cela vaut tout particulièrement pour les 50 % d’Américains qui déclarent qu’ils envisageraient de résilier un abonnement si celui-ci ne^leur proposait pas de contenus qui^les intéressent².

L’accès à des données validées en temps réel est essentiel, car les grands modèles de langage (LLM) déployés en entreprise ne s’appuient sur aucune source d’information externe. Contrairement aux chatbots populaires (par exemple, ChatGPT ou Gemini), ils ne connaissent que ce que leurs données d’entraînement leur fournissent. Or, les informations concernant les nouveaux programmes ne figurent souvent pas dans les données d’entraînement d’un LLM, ce qui les empêche d’aider les utilisateurs à trouver ce qu’ils recherchent. La comédie *Rooster*, avec Steve Carell, par exemple, est trop récente pour qu’un LLM lancé en 2025 dispose d’informations à son sujet.

Les réponses des modèles LLM non fondées et l'expérience de l'utilisateur 

Comme nous l’avons détaillé dans notre récent rapport intitulé « Plot holes in AI », les modèles de langage de grande envergure (LLM) non entraînés sur des données spécifiques peinent à fournir des réponses précises lorsqu’on leur pose des questions sur les caractéristiques de base de séries télévisées et de films populaires. En ce qui concerne les contenus épisodiques, cette lacune est bien plus marquée. En effet, les attributs des métadonnées sont bien plus spécifiques au niveau de l’épisode qu’au niveau du titre de la série. 

Les déductions sémantiques, les probabilités prédictives et l'absence de capacités d'indexation contribuent toutes à augmenter considérablement le risque qu'un LLM non ancré « hallucine » lorsqu'il ne dispose que du titre d'une série, du numéro de la saison et du numéro de l'épisode. Et surtout, les téléspectateurs recherchent rarement un épisode à partir de son titre.

Afin de mieux comprendre l’importance de l’ancrage dans la recherche et la découverte au niveau des épisodes, nous avons récemment évalué la qualité des réponses non ancrées fournies par des modèles de langage à grande échelle (LLM) à des questions élémentaires portant sur des épisodes de séries télévisées spécifiques. Bien que les utilisateurs n’effectuent généralement pas leurs recherches de cette manière, nous avons utilisé les numéros de saison et d’épisode dans nos requêtes afin d’évaluer la précision des métadonnées correspondantes. L’étude portait sur 100 épisodes populaires issus de 13 pays (1 300 au total).

Dans l'ensemble, l'exactitude factuelle des réponses concernant les épisodes s'est avérée nettement inférieure à celle observée pour les séries télévisées et les films. Parmi les 100 épisodes les plus populaires aux États-Unis, par exemple, seules 27 % des descriptions de programmes, en moyenne, étaient^exactes², contre une moyenne de 69 % pour les 100 séries télévisées et les 100 films les plus populaires.

La précision n’était pas le seul point faible rencontré par le LLM non entraîné au cours des 1 300 épisodes (100 par pays) de l’étude. Le manque d’informations constituait un problème encore plus important, car il ne disposait pas aucune données (titre, description, acteurs, genre) pour 604 de ces épisodes (soit 46,5 % du total). Ce problème était particulièrement flagrant en Suède, où aucune information n’était disponible pour 73 des 100 épisodes. Aux États-Unis, le LLM non ancré n’a fourni aucune information pour 31 épisodes.

Celui dont l'intrigue ne tient pas la route

Lorsque le LLM non entraîné ne renvoyait pas de réponses vides, il fournissait souvent des descriptions d’épisodes incorrectes — une conséquence des suppositions sémantiques, des probabilités prédictives et d’un manque d’indexation. Alors que les spectateurs ne rechercheraient probablement jamais un épisode en utilisant uniquement un numéro de série et un numéro d’épisode, streaming utilisent ces attributs pour convertir les titres d’épisodes obtenus en liens profonds ou en une fiche associée dans leur lac de données. Dans ce contexte, l’harmonisation et l’indexation des données en arrière-plan sont essentielles pour garantir qu’un service puisse proposer avec précision le contenu adapté à chaque spectateur. 

Chaque requête ne comportant qu'un numéro de série et un numéro d'épisode, le LLM non ancré fournissait souvent des descriptions présentant les détails d'épisodes totalement différents de ceux sur lesquels portaient les questions. Dans les exemples ci-dessous, les titres et les descriptions fournis par le LLM non ancré sont incorrects.

L'ancrage est essentiel pour les expériences de contenu de nouvelle génération

La manière dont les consommateurs recherchent des informations et les outils qu'ils utilisent évoluent. L'utilisation de l'IA générative est déjà courante chez les natifs du numérique, et son adoption se généralise rapidement.

Le paysage actuel du contenu est trop vaste pour être exploré à l'aide des fonctions de recherche traditionnelles, même au sein d'une même plateforme ou d'un même service. L'utilisation de l'IA générative pour la recherche et la découverte de contenu représente un changement radical dans l'expérience utilisateur, susceptible de réduire considérablement le sentiment négatif des utilisateurs face à l'engorgement croissant du contenu. 

Mais lorsqu’on lui a posé une question sur l’épisode S02E06 de *Stranger Things*, la réponse du LLM non ancré a mélangé des informations provenant de plusieurs épisodes différents. Dans ce cas, le spectateur finira par se méfier du service, ce qui est déjà courant chez les utilisateurs actuels de chatbots : 75 % d’entre eux déclarent vérifier les résultats fournis par les chatbots basés sur l’IA, car ils craignent qu’ils ne soient^{pas corrects³}.

Dans ce scénario, cela se traduit par une expérience utilisateur médiocre, susceptible d'inciter le spectateur à chercher ailleurs quelque chose à regarder.

Pour en savoir plus sur l'utilisation des modèles de langage de grande envergure (LLM) non ancrés dans les expériences de recherche et de découverte de contenu, téléchargez notre rapport « Les lacunes de l'IA ».

Notes

1. Les LLM constituent un type d'IA générative qui est entraînée à partir d'énormes quantités de données afin de comprendre et de générer un langage similaire à celui des humains.
2. Par rapport aux données d'ancrage.
3. Gracenote Étude sur l'utilisation de l'IA de nouvelle génération (GenAI) en 2026