Dans cet article, en s'inspirant de l'intuition tirée du test de Turing, nous proposons d'utiliser l'entraînement par apprentissage antagoniste pour la génération de dialogues dans un domaine ouvert : le système est entraîné à produire des séquences indiscernables des énoncés de dialogue générés par des humains. Nous formulons cette tâche comme un problème d'apprentissage par renforcement (AR) où nous entraînons conjointement deux systèmes : un modèle génératif pour produire des séquences de réponses et un discriminateur – analogue à l'évaluateur humain dans le test de Turing – pour distinguer les dialogues générés par des humains de ceux produits par une machine. Les sorties du discriminateur sont ensuite utilisées comme récompenses pour le modèle génératif, incitant le système à générer des dialogues qui ressemblent au plus près aux dialogues humains.En complément de l'entraînement antagoniste, nous décrivons un modèle d'{\em évaluation antagoniste} qui utilise le succès dans la tromperie d'un adversaire comme métrique d'évaluation du dialogue, tout en évitant plusieurs pièges potentiels. Les résultats expérimentaux sur plusieurs métriques, y compris l'évaluation antagoniste, montrent que le système entraîné de manière antagoniste génère des réponses de meilleure qualité que les méthodes précédentes utilisées comme points de référence.