Le rapport complet
Principaux constats
Les journalistes et les fact-checkeurs consacrent une grande partie de chaque vérification à un travail préparatoire manuel avant que l’enquête proprement dite ne commence, et cette charge est une cause récurrente d’épuisement. C’est la conclusion centrale de 20 entretiens menés en juin et juillet 2026 avec des journalistes, des fact-checkeurs, des chercheurs et des responsables éditoriaux en Europe, en Afrique, en Asie du Sud et aux États-Unis, mis en regard des recherches publiées sur le secteur.
Cinq constats sont revenus, quels que soient les rôles et les régions :
- Le travail préparatoire est long et répétitif. Retrouver la source originale d’une affirmation, vérifier cette source et chercher d’autres articles sur le sujet se fait à la main pour presque chaque sujet.
- Le volume, plus que la complexité, est la principale pression. Les affirmations arrivent par plus de plateformes, de formats et de langues que les petites équipes ne peuvent en trier.
- Les images et vidéos générées par IA sont difficiles à identifier. Les indices visuels ne tiennent plus, et les outils de détection se contredisent souvent.
- L’épuisement vient du fait de faire plus avec moins de monde. Les personnes interrogées le relient moins aux enquêtes difficiles qu’à la file continue de vérifications de routine, dans un secteur qui réduit ses effectifs depuis vingt ans.
- Les journalistes ne confieront pas le verdict à une machine. Ils portent le risque de la signature et veulent des preuves traçables, pas un score qui décide à leur place.
Les éléments convergent vers un besoin clair : des outils qui raccourcissent le travail préparatoire tout en laissant le jugement au journaliste, avec chaque source liée, des signaux plutôt que des verdicts, et l’incertitude dite clairement.
À propos de ce rapport
Il s’agit d’une recherche qualitative indépendante sur la manière dont le travail de vérification se fait dans les rédactions et les organisations de fact-checking, et sur les points où il bloque. Elle a été menée par Octavian Andrei Cincă, chercheur indépendant basé en Roumanie qui travaille sur les systèmes de vérification éditoriale.
La recherche a commencé sans produit en tête. Ses constats sont ensuite devenus la base de Veruno, une plateforme de tri pour la vérification que l’auteur développe. Nous déclarons cet intérêt pour que les lecteurs puissent pondérer les conclusions en conséquence. Les sections de constats rapportent ce qu’ont dit les personnes interrogées et les sources publiées ; le produit n’est décrit que dans sa propre section, vers la fin.
Méthodologie
Le rapport repose sur 20 entretiens approfondis menés en juin et juillet 2026, comparés aux recherches publiées sur le secteur.
Participants
Des journalistes, des fact-checkeurs, des chercheurs et des responsables éditoriaux, des reporters jusqu’aux responsables d’équipes et d’organisations. Ils travaillent dans des agences de presse internationales, des rédactions nationales, des organisations indépendantes de fact-checking et des groupes de recherche.
Régions
Europe, Afrique du Nord et de l’Est, Asie du Sud et États-Unis.
Recrutement
Les participants ont été identifiés via LinkedIn. L’auteur a recherché des organisations de presse, de recherche et de fact-checking, puis les personnes responsables des étapes de la vérification étudiées ici. Celles qui ont accepté une demande de connexion ont reçu un message expliquant la recherche ; celles qui ont accepté ont fixé un entretien en ligne au moment qui leur convenait.
Format
Des entretiens conversationnels en ligne, en anglais, d’environ 25 minutes en général et parfois plus, construits autour de six thèmes adaptés au rôle de chaque participant :
- Trouver un sujet qui mérite d’être suivi
- Identifier et vérifier la source originale
- Trouver d’autres médias et sources qui traitent la même affirmation
- Détecter les images et vidéos générées par IA
- Faire face au volume d’information en ligne
- Charge de travail, pression du temps et épuisement
Anonymat
Les participants se sont exprimés sous couvert d’anonymat. Ils ne sont décrits que par leur rôle et leur région, et leurs organisations ne sont pas nommées, car un rôle et un média ensemble pourraient identifier une personne. Aucune citation directe n’est attribuée.
Analyse
Les notes des 20 entretiens ont été rassemblées dans un seul fichier et comparées thème par thème. Un constat n’est rapporté que s’il revient chez plusieurs participants et dans plusieurs rôles. Chaque constat est ensuite confronté aux recherches publiées, listées dans les Références.
Saturation
Une première série de trois entretiens, avec des personnes travaillant dans le fact-checking, le journalisme d’investigation et la recherche en sources ouvertes, a produit une première synthèse. Ses deux constats centraux, le problème du volume et la méfiance envers les verdicts automatisés, ont été testés dans les entretiens suivants et se sont confirmés dans tous les rôles et toutes les régions. Au fil des entretiens, les réponses ont convergé : des participants de pays différents ont décrit le même flux de travail, les mêmes pressions et les mêmes attentes envers les outils. En recherche qualitative, on parle de saturation thématique, le point où de nouveaux entretiens n’apportent plus de thèmes nouveaux.
Contexte historique : deux décennies de rédactions qui rétrécissent
La charge de vérification décrite ici pèse sur un secteur qui perd des effectifs et des revenus depuis vingt ans. Plusieurs personnes interrogées ont évoqué les licenciements sans qu’on le leur demande.
| Indicateur | Chiffre | Source |
|---|---|---|
| Emplois dans les rédactions de journaux aux États-Unis, 2008–2020 | Chiffre: En baisse de 57 %, d’environ 71 000 à 31 000 | Source: Pew Research Center, 2021 [11] |
| Ensemble des emplois en rédaction aux États-Unis, 2008–2020 | Chiffre: En baisse de 26 %, environ 30 000 emplois | Source: Pew Research Center, 2021 [11] |
| Journaux locaux américains disparus depuis 2005 | Chiffre: Près de 3 500, presque 40 % du total | Source: Medill, State of Local News 2025 [6] |
| Comtés américains sans aucune source d’information locale | Chiffre: 213, et 1 524 avec une seule | Source: Medill, State of Local News 2025 [6] |
| Suppressions de postes dans le journalisme recensées au Royaume-Uni et aux États-Unis, 2025 | Chiffre: Au moins 3 444 | Source: Press Gazette [9] |
Les causes sont arrivées par vagues. Dans les années 2000, les petites annonces et la publicité imprimée sont passées en ligne. Dans les années 2010, la publicité numérique s’est concentrée sur quelques grandes plateformes. Tout au long de la période, la concentration au sein de grands groupes a réduit les effectifs locaux.
La pression la plus récente est l’IA générative. Les réponses IA dans les moteurs de recherche réduisent le trafic vers les sites d’information : les visites issues de la recherche Google vers plus de 2 500 sites d’information suivis par Chartbeat ont baissé de 33 % sur l’année close en novembre 2025, et les dirigeants des médias s’attendent à une nouvelle baisse de 43 % au cours des trois prochaines années (Newman, 2026) [7]. Certains éditeurs mettent désormais directement en cause l’IA. Business Insider a réduit ses effectifs de 21 % en 2025, en invoquant des « baisses de trafic extrêmes » dues à la recherche fondée sur l’IA (Nieman Lab) [8].
La plupart de ces chiffres viennent des États-Unis, où le suivi est le plus complet. Les personnes interrogées ont décrit des pressions semblables ailleurs.
Contexte : plus de vérification avec moins de moyens
Les équipes de vérification font désormais face à plus d’affirmations, plus de formats et un public plus méfiant, avec moins de personnel et moins d’argent.
| Indicateur | Chiffre | Source |
|---|---|---|
| Confiance dans l’information, moyenne mondiale | Chiffre: 37 %, le niveau le plus bas depuis le début des mesures en 2015 | Source: Reuters Institute, DNR 2026 [4] |
| Personnes inquiètes de ce qui est vrai ou faux en ligne | Chiffre: 62 %, en hausse de 4 points en un an | Source: Reuters Institute, DNR 2026 [4] |
| Réseaux sociaux et plateformes vidéo comme source d’information | Chiffre: 54 %, devant les sites et applications d’information (51 %) | Source: Reuters Institute, DNR 2026 [4] |
| Organisations de fact-checking qui jugent leurs finances fragiles ou en crise | Chiffre: 76 % de 141 organisations dans 71 pays | Source: IFCN, State of the Fact-Checkers 2025 [5] |
| Organisations de fact-checking qui ont réduit leurs effectifs en 2025 | Chiffre: 38,3 %, contre 14,9 % | Source: IFCN, via Poynter [5] |
| Organisations de fact-checking dont l’audience a augmenté en 2025 | Chiffre: 62 % | Source: IFCN, via Poynter [5] |
L’information atteint de plus en plus le public par les plateformes, les créateurs de contenu et les chatbots IA, auxquels il fait moins confiance qu’à l’information en général. L’inquiétude sur ce qui est vrai ou faux en ligne a augmenté sur de nombreux marchés, jusqu’à neuf points en Belgique. Les fact-checkeurs touchent un public plus large avec des équipes plus petites : chaque vérificateur porte donc une plus grande part du travail.
Constat 1 : le travail préparatoire avant l’enquête est long et répétitif
Les personnes interrogées ont décrit une première phase de vérification qui se répète pour presque chaque sujet et peut prendre des heures avant que le travail de fond ne commence. Dans tous les rôles et toutes les régions, les mêmes quatre étapes sont revenues :
- Trouver un sujet qui mérite d’être suivi, en parcourant les fils, les dépêches, les réseaux sociaux et les messageries.
- Identifier la source originale d’une affirmation, souvent à plusieurs partages de son point de départ.
- Vérifier cette source : qui la gère, depuis quand elle existe, si elle a des antécédents.
- Trouver d’autres articles sur la même affirmation, dans d’autres médias et d’autres langues.
Chercher des vérifications déjà publiées et documenter le cheminement font aussi partie de la pratique courante, mais les personnes interrogées ne les ont pas mis en avant.
Aucune de ces étapes n’est difficile en soi. Le problème décrit par les personnes interrogées est qu’elles se font à la main, onglet après onglet et recherche après recherche, et se répètent pour chaque nouvelle affirmation. Ce temps est pris sur l’enquête elle-même.
Les recherches publiées décrivent le même schéma. Dans une étude de 2025 auprès de huit journalistes d’investigation expérimentés en Allemagne, les participants s’appuyaient sur l’automatisation pour les tâches répétitives comme la veille, l’extraction de données et la synthèse. L’un a décrit la géolocalisation d’une seule maison sur une photo comme une tâche de plusieurs heures ; un autre a expliqué que les journalistes perdent beaucoup de temps à copier des données d’un fichier à l’autre. La même étude souligne que le jugement humain reste nécessaire pour valider tout résultat automatisé (Cifliku and Heuer, 2025) [3].
Constat 2 : le volume d’information est écrasant
Les personnes interrogées ont systématiquement cité la quantité d’information en ligne comme l’une des pressions qui définissent le métier. Les affirmations arrivent de plus d’endroits, dans plus de formats et de langues, et plus vite qu’une petite équipe ne peut les trier.
La difficulté tient autant à la fragmentation qu’au volume. Une même affirmation peut apparaître en même temps sur une plateforme vidéo, dans un groupe de messagerie et sur un site de niche, chaque copie légèrement différente. Décider quelles affirmations méritent de l’attention est en soi une tâche qui prend du temps, avant toute vérification.
Les personnes interrogées ont été claires : le problème est le volume, pas la complexité. Elles se décrivent comme compétentes et rigoureuses, mais travaillant avec des outils qui n’ont pas suivi le rythme des réseaux de bots, des contenus générés par IA et des campagnes coordonnées. Lors d’une actualité de dernière minute, des centaines de vidéos, d’images et de publications peuvent arriver en même temps, et chacune doit être ouverte, soumise à une recherche inversée et recoupée séparément. Le goulet d’étranglement est rarement la décision de vérification. C’est de décider quoi regarder en premier.
Les données d’audience reflètent le même changement. En 2026, les réseaux sociaux et les plateformes vidéo sont devenus pour la première fois la source d’information la plus utilisée dans le monde, à 54 % (Reuters Institute, Digital News Report 2026) [4]. Les fact-checkeurs s’adaptent : 60,6 % publient désormais dans plus d’une langue, contre 52,5 % un an plus tôt (IFCN, via Poynter) [5]. Chaque nouvelle plateforme et chaque nouvelle langue élargit le terrain qu’un vérificateur doit couvrir.
Constat 3 : les images et vidéos générées par IA sont difficiles à identifier, et les détecteurs se contredisent
Les personnes interrogées ont décrit les images et vidéos générées par IA comme l’une des parties les plus récentes et les plus difficiles du métier. Les indices visuels sur lesquels elles s’appuyaient autrefois ne tiennent plus, et une seule image convaincante peut toucher un large public avant que quiconque ne la vérifie.
Les outils de détection aident, mais ne tranchent pas la question. Un audit de NewsGuard publié en mai 2026 a soumis 45 images à cinq détecteurs d’IA de premier plan : 15 photos de presse authentiques, 15 légèrement retouchées avec l’IA et 15 fortement retouchées avec l’IA pour en changer le sens (Blachez et al., 2026) [2]. Il a constaté que :
- Pris ensemble, les outils ont classé des photos authentiques comme générées par IA dans 13,33 % des cas ; le moins bon l’a fait pour 6 des 15 images réelles.
- Les outils les moins enclins à signaler à tort des photos réelles étaient aussi les moins bons pour repérer celles qui avaient été fortement retouchées.
- Pour 35 des 45 images, au moins un outil a donné un résultat différent des autres.
Des tests antérieurs de WITNESS, publiés par le Reuters Institute, ont montré que le recadrage, la compression ou les captures d’écran peuvent amener les détecteurs à classer un contenu IA comme réel (anlen and Vázquez Llorente, 2024) [1]. Les plateformes compressent et nettoient couramment les fichiers au téléversement : c’est donc le cas de tous les jours, pas l’exception.
Le risque va dans les deux sens. Un faux non détecté se propage ; une vraie photo signalée à tort peut servir à écarter des preuves authentiques. Les deux sources concluent que le résultat d’un détecteur doit être un signal parmi d’autres, à côté de la recherche inversée d’images, de la provenance et du contexte.
Constat 4 : l’épuisement vient du fait de faire plus avec moins de monde
L’épuisement est revenu dans tous les rôles, des reporters aux responsables éditoriaux. Les personnes interrogées le relient moins aux enquêtes les plus dures qu’à la charge continue des vérifications de routine, au flux constant de nouvelles affirmations et au sentiment que la file ne se vide jamais.
Plusieurs l’ont replacé dans le contexte des licenciements. Elles ont décrit des équipes réduites pour des raisons économiques alors que le nombre d’affirmations continuait d’augmenter : les mêmes exigences devaient être tenues par moins de personnes (voir le Contexte historique).
Les grandes enquêtes vont dans le même sens. Dans une enquête menée en 2023 auprès des journalistes américains de tout le secteur par le Reynolds Journalism Institute et SmithGeiger, 80 % déclaraient être en situation d’épuisement et 91 % avaient vu des collègues en souffrir (Raškauskaitė, 2025) [10]. Les répondants citaient l’obligation de faire plus avec moins comme le principal facteur négatif, et 20 % des journalistes en activité prévoyaient de quitter la profession, ou l’avaient déjà quittée, à cause de l’épuisement.
Pour les fact-checkeurs, la réduction des équipes ajoute à la pression : la part des organisations qui ont réduit leurs effectifs est passée de 14,9 % à 38,3 % en une seule année, alors que leur audience augmentait (IFCN, via Poynter) [5].
Les outils seuls ne régleront pas l’épuisement. Mais chaque heure de travail préparatoire manuel supprimée est une heure rendue au jugement, au reportage ou au repos.
Constat 5 : les journalistes ne confieront pas le verdict à une machine
Les personnes interrogées ont été constantes : elles veulent de l’aide pour le travail préparatoire, pas un outil qui décide de ce qui est vrai. Le nom du journaliste figure sur l’article, et c’est lui qui porte le risque professionnel et réputationnel de publier une erreur. Un outil qui chercherait à remplacer ce jugement serait rejeté, quelle que soit la précision qu’il revendique. Ce qu’elles ont demandé à la place, c’est la traçabilité : chaque signal relié à sa source, pour pouvoir contrôler elles-mêmes le travail de l’outil.
Les éléments publiés confortent leur prudence :
- Les verdicts automatisés ne sont pas fiables. Les détecteurs d’IA se contredisent et se trompent dans les deux sens (Constat 3). Un outil qui produirait un score unique de vérité hériterait de ces erreurs et les masquerait.
- La validation humaine reste nécessaire. Les recherches sur l’automatisation dans les rédactions soulignent que les journalistes doivent toujours contrôler et interpréter tout résultat automatisé (Cifliku and Heuer, 2025) [3].
- La confiance dans les réponses de l’IA est faible. Seules 20 % des personnes dans le monde font confiance aux réponses d’information des chatbots IA, contre 37 % pour l’information en général (Reuters Institute, Digital News Report 2026) [4].
L’adoption est déjà en cours : plus de la moitié des organisations de fact-checking ont utilisé des outils d’IA en 2025 (IFCN, via Poynter) [5]. La question n’est plus de savoir si les vérificateurs utilisent l’automatisation, mais si celle-ci montre ses sources et leur laisse la décision.
Quatre principes de conception en découlent : montrer chaque source avec un lien ; présenter les signaux comme des pistes à creuser, pas comme des verdicts ; dire clairement ce qui est incertain ; laisser la conclusion au journaliste.
Des constats au produit : Veruno
Veruno a été conçu à partir de ces constats : une plateforme de tri qui donne aux vérificateurs un point de départ plus rapide et documenté pour enquêter sur une affirmation, pas un verdict.
Après la fin des entretiens, en juillet 2026, les notes ont été rassemblées, comparées et transformées en une première synthèse des problèmes et de la manière de rendre chacun plus rapide et plus simple à traiter. Le développement s’est déroulé de juillet à fin octobre 2026, en commençant au moment où se terminaient les derniers entretiens. Pendant cette période, la conception a été ajustée à partir des constats des entretiens et des retours de praticiens et de contacts du secteur public dans le réseau professionnel de l’auteur. La plateforme est maintenant prête pour sa première phase pilote, dont la date reste à fixer.
| Constat | Ce que fait Veruno |
|---|---|
| 1. Travail préparatoire répétitif | Ce que fait Veruno: Claim Radar trouve une affirmation, rassemble d’autres articles sur le même sujet, cherche les vérifications déjà publiées et liste ce qu’il reste à vérifier. Verify Source consulte l’enregistrement public d’un site et vérifie s’il imite un média connu, et compare un profil social aux schémas documentés chez les comptes automatisés. |
| 2. Volume d’information | Ce que fait Veruno: Claim Radar réunit les affirmations dans une seule liste. Targeted News garde en vue les affirmations signalées, avec leur historique, jusqu’à ce qu’elles soient traitées. |
| 3. Images et vidéos générées par IA | Ce que fait Veruno: Geo Lens montre où une image est déjà apparue sur le web et recherche dans les images et les vidéos des signes de génération par IA, présentés comme une probabilité, jamais comme une preuve. |
| 4. Épuisement et petites équipes | Ce que fait Veruno: Workspace donne à chaque enquête un tableau partagé avec des notes, des liens et des fichiers, mis à jour en direct pour toute l’équipe et exportable en rapport. Une affirmation déjà analysée par un autre utilisateur s’ouvre immédiatement depuis l’archive partagée. |
| 5. Pas de verdicts automatiques | Ce que fait Veruno: Chaque source provient de données récupérées et comporte un lien. Les signaux sont présentés comme des indices neutres. |
Veruno se distingue des plateformes d’entreprise qui détectent des campagnes coordonnées à l’échelle de réseaux entiers. Ces outils sont conçus pour cartographier des opérations d’influence à grande échelle. Veruno est conçu pour le tri affirmation par affirmation : pour les rédactions et les équipes de fact-checking de toute taille, et pour les institutions publiques, comme les régulateurs des médias, qui doivent vérifier des affirmations précises, par exemple pendant une élection. Ses signaux sont transparents, et ses tarifs sont pensés pour les petites et moyennes équipes. Après deux décennies de coupes, ce qu’un outil peut rendre de plus précieux à une rédaction, ce sont des heures de travail, et ce qu’il peut aider à éviter de plus coûteux, c’est une erreur publiée.
Limites et prochaines étapes
Il s’agit d’une recherche qualitative : elle identifie des tendances, elle ne les mesure pas.
- Échantillon. Vingt entretiens ne peuvent pas représenter tout le secteur. L’Amérique latine, l’Afrique de l’Ouest et australe et l’Asie de l’Est n’ont pas été couvertes.
- Déclarations. Le temps passé sur les tâches repose sur les récits des personnes interrogées, pas sur l’observation ni sur une mesure du temps.
- Intérêt de l’auteur. L’auteur développe un produit fondé sur ces constats. Pour limiter les biais, chaque constat est confronté à des recherches publiées indépendantes.
Prochaines étapes :
- Tester la plateforme en pilote avec des rédactions, des fact-checkeurs et des organisations médiatiques du monde entier, à partir de janvier 2027, et intégrer leurs retours.
- Mesurer le temps gagné pendant le pilote en chronométrant les mêmes tâches avec et sans la plateforme.
- Étendre les entretiens aux régions pas encore couvertes.
- Refaire l’étude après un an d’utilisation pour voir si les indicateurs de charge de travail et d’épuisement évoluent.
Références
- [1]anlen, s. and Vázquez Llorente, R. (2024). Spotting the deepfakes in this year of elections: how AI detection tools work and where they fail. Reuters Institute for the Study of Journalism, 15 April.
- [2]Blachez, I., Rubinson, S. and Chomnalez, I. (2026). Leading AI image detection tools mislead online users, often declaring authentic content fake. NewsGuard, 8 May.
- [3]Cifliku, B. and Heuer, H. (2025). "This could save us months of work": Use cases of AI and automation support in investigative journalism. arXiv:2503.16011.
- [4]Egan, J., Robertson, C. T., Ross Arguedas, A., Newman, N., Nielsen, R. K., Mukherjee, M. and Fletcher, R. (2026). Digital News Report 2026. Reuters Institute for the Study of Journalism.
- [5]International Fact-Checking Network (2026). State of the Fact-Checkers Report 2025. Poynter Institute.
- [6]Medill Local News Initiative (2025). The State of Local News 2025. Northwestern University, 20 October.
- [7]Newman, N. (2026). Journalism, Media, and Technology Trends and Predictions 2026. Reuters Institute for the Study of Journalism, January.
- [8]Nieman Lab (2025). Business Insider will lay off 21% of staff amid AI disruption and "extreme traffic drops outside of our control". 29 May.
- [9]Press Gazette (2026). More than 3,000 journalism job cuts tracked in UK and US in 2025. 13 January.
- [10]Raškauskaitė, Ž. (2025). Newsroom burnout: The strain of doing more with less. Reynolds Journalism Institute, February.
- [11]Walker, M. (2021). U.S. newsroom employment has fallen 26% since 2008. Pew Research Center, 13 July.
Comment citer
Cincă, O. A. (2026). Verification Under Pressure: Burnout, information overload and the hours lost before real reporting begins. Veruno. https://veruno.eu/research

