Comment « dé-IA-iser » nos écrits pour éviter la disparition des particularités des langues ?

Source: The Conversation – in French – By Maria Mercanti-Guérin, Maître de conférences en marketing digital, IAE Paris – Sorbonne Business School

Les tics de langage de l’intelligence artificielle colonisent nos écrits. Derrière ces formules creuses se cache l’appauvrissement systématique de la langue. Les Russes parlent d’une IA « канцелярит » (kantselyarit) reprenant le jargon bureaucratique soviétique, les Chinois d’une IA stéréotypée, comme les dissertions impériales « 八股文 » (bāgǔwén), et les Québécois d’un manque de singularité de leur langue par rapport au français de l’Hexagone. Que faire ?

L’intelligence artificielle (IA) générative présente un certain nombre de [tics de langage], des mots et tournures qu’elle suremploie par rapport aux rédacteurs humains.

Une étude estime qu’au moins 13,5 % des publications scientifiques de 2024 ont fait intervenir une IA dans leur rédaction, un chiffre qui grimpe à 40 % dans certaines revues.

Claude, ChatGPT ou Deepseek sont nourries des mêmes sources (Web, livres, Wikipédia, code…). Ces grands modèles de langage (LLM) reposent sur la prédiction statistique du prochain token (mot ou fragment de mot) le plus probable dans une séquence donnée.

L’IA sélectionne donc systématiquement les formulations les plus accessibles et conventionnelles disponibles dans ses données d’entraînement. Elle écrit en perdant l’originalité des styles humains, leur irrégularité, leur diversité. Elle perd également la causticité, le double sens, voire la faculté critique. Une expérience menée auprès de 293 participants (« writers ») invités à écrire une courte histoire a montré une augmentation de la similarité entre histoires conçues avec l’IA générative et donc une perte de créativité collective. Chacun écrit « mieux », mais tout le monde finit par écrire pareil.

Ces observations sont confirmées par mon dernier terrain de recherche. L’analyse des sites Web de 15 marques cosmétiques montre un décalage avec les 1 575 avis de consommateurs et les 1 611 brevets déposés par ces marques. Le style IA fait perdre la spécificité des positionnements et des singularités technologiques.

Modèles similaires

Au-delà de la génération de tokens, plusieurs éléments peuvent expliquer les tics de langage de l’IA.

La première cause tient à l’étape dite d’« alignement » : une fois entraîné sur des milliards de textes, le modèle est ajusté par des humains qui notent ses réponses, un procédé connu sous le nom de Reinforcement Learning from Human Feedback (RLHF), ou apprentissage par renforcement à partir de rétroaction humaine, en français.

Des annotateurs humains évaluent le caractère neutre et inoffensif des réponses du modèle. Ils retiennent les réponses polies, structurées présentant des phrases relativement courtes et des mots de liaison donnant le sentiment d’une pensée logique.

La deuxième tient au terrain d’entraînement des IA. Alimentées de contenus marketing tirés du Web ou de documents institutionnels, les IA sont soit emphatiques, soit terriblement ennuyeuses et reproduisent les tics langagiers présents dans ces corpus. Les recherches montrent une prédominance des domaines commerciaux (.com) largement présents dans l’un des grands jeux de données de référence pour entraîner les modèles de langage, le Colossal Clean Crawled Corpus ou C4. Il existe, également, une forte prévalence de contenus dupliqués, synthétiques ou de basse qualité. C’est ce matériau standardisé issu du Web marchand anglo-saxon que le modèle, statistiquement, apprend à imiter.

Mais que révèlent ces tics de langage ?

Si les tics sont en train de coloniser le Web, ils menacent les IA elles-mêmes par des phénomènes de contamination croisés.

Contaminations IA – humains

Dans une étude, le chercheur Hiromu Yakura a analysé plus de 360 000 vidéos YouTube et 771 000 épisodes de podcasts enregistrés avant et après la sortie de ChatGPT.

L’utilisation des « mots GPT » (comme « delve », « realm », « meticulous ») a connu une augmentation fulgurante dans les conversations spontanées humaines dans les dix-huit mois qui ont suivi son lancement.

C’est en récompensant certaines tournures lors du RLHF que l’on a, sans le vouloir, gravé dans le modèle ces préférences lexicales.

Contaminations IA-IA

Les grands corpus textuels (Common Crawl et ses dérivés) qui servent à la recherche linguistique sont saturés de textes générés par IA, ce qui complique l’observation de l’évolution naturelle de la langue.

À terme se profile le risque de l’ouroboros, le dragon ou le serpent qui se mord la queue : des modèles entraînés sur leurs propres productions, amplifiant leurs tics dans une boucle fermée.

Contaminations IA-humains-IA

Les IA servent aux humains des textes préformatés. Les rédacteurs Web utilisent les IA pour produire à un rythme effréné articles de blog ou fiches produit. Certains auteurs avouent leur utilisation régulière de Claude ou ChatGPT dans la production de leurs romans. Ce matériau semi-humain, semi-artificiel sert à l’entraînement des IA qui souffrent alors de consanguinité stylistique. Elles s’empoisonnent et deviennent de moins en moins performantes.

Meta, avant de reculer face à la fronde de son personnel et à des fuites de données, avait décidé pour pallier le problème de capter les dialogues humains de ses salariés pour nourrir son IA.

Des tics caractéristiques

Les tics de traduction qui sonnent faux viennent de l’anglais – langue de Claude ou de ChatGPT – car les grands modèles – GPT, Claude, Gemini – sont entraînés sur des corpus massivement anglophones.

Voici quelques exemples des tics les plus caractéristiques des IA génératives en français :

les formules d’ouverture grandiloquentes comme « dans le monde actuel en constante évolution » ;
les adjectifs creux et interchangeables comme « fascinant » ou « crucial » ;
les verbes abstraits comme « mettre en œuvre » ou « s’articuler » ;
les mots de liaison à chaque phrase comme « en outre » ou « par ailleurs » ;
les conclusions marquées comme « en somme » ou « au final ».

Vers la fin des langues régionales ?

À terme se profile la fin des langues régionales inconnues des IA, mais également la fin de l’apprentissage des langues. Au-delà des tics de langage, les IA imposent sur tous les réseaux sociaux des traductions automatisées dans la langue de l’utilisateur. Objectif : lui permettre de lire les contenus du monde entier sans barrières linguistiques, avec le risque de véhiculer une langue traduite pauvre et bourrée de tics.

Des chercheurs canadiens montrent que les modèles spécialisés sont capables de comprendre la grammaire d’une langue. En revanche, les modèles généralistes, comme ChatGPT, sont incapables d’être réellement multilingues et ne transfèrent pas bien les règles grammaticales entre les langues. Connaître l’anglais n’aide pas vraiment une IA à parler le français québécois.

Les chercheurs indiens notent que l’IA efface les particularités de l’anglais indien pour produire un anglais standardisé. Les tics de langage entretiennent également un vaste système de déculturation. Ainsi, une description de Diwali (la fête des lumières) assistée par l’IA se concentre souvent sur des éléments occidentalisés, comme l’échange de cadeaux, tout en omettant les rituels religieux spécifiques et leur vocabulaire particulier.

Les observateurs russes signalent que ChatGPT produit un style qualifié de « канцелярит » (kantselyarit) pour désigner le jargon bureaucratique soviétique pesant. L’IA ressuscite involontairement ce style que les Russes avaient mis des décennies à dépasser. Le projet humanizer-ru a répertorié 44 patterns stylistiques sur lesquels il faut se pencher pour « dé-IA-iser » un texte russe.

En mandarin, les utilisateurs signalent que les textes IA sont reconnaissables à leur style « 八股文 » (bāgǔwén), référence au style des dissertations impériales stéréotypées, très structurées et creuses.

Humanisation du style des IA

Les sociétés d’intelligence artificielle ont pris conscience du problème. Elles cherchent à humaniser le style des IA, ce qui permettrait la disparition des tics mais pourrait bien aggraver le problème.

Il sera bientôt impossible de distinguer une production IA d’une production humaine, à travers des techniques comme :

l’AntiSlop sampling, littéralement « anti-bouillie », agissent déjà comme un correcteur automatique. Les chercheurs listent les mots et tournures trop typiques de l’IA. Un filtre intégré au modèle (l’échantillonneur) écarte ces tournures à mesure que le texte s’écrit, forçant une reformulation ;
le fine-tuning, consistant à spécialiser un modèle d’IA pré-entraîné à l’accomplissement d’une tâche spécifique, va se faire sur des corpus stylistiquement riches ;
l’IA constitutionnelle d’Anthropic, méthode qui consiste à aligner les systèmes d’intelligence artificielle sur les valeurs humaines en leur fournissant des principes éthiques de haut niveau à intégrer la façon d’écrire dans ses prérequis ;
les entraîneurs humains vont être recrutés différemment. Écrivains, journalistes spécialisés ayant perdu leur travail à cause de l’IA vont en retrouver un grâce à elle. Véritables coachs d’écriture, ils peuvent enseigner à l’IA à s’affranchir des stéréotypes de style ;
les modèles vont tenter de s’ancrer dans la réalité des utilisateurs. Cette imprégnation devrait permettre de sortir d’une rédaction convenue pour exprimer de vrais sentiments ou émotions. L’ancrage ou grounding fait sortir l’IA de l’artificiel pour la rapprocher du quotidien humain.

Le choix collectif entre préserver la diversité des langues, ou continuer à alimenter la machine, se heurte à une monétisation croissante de l’écrit. Derrière les tics, la machine infernale du gain pour rentabiliser les géants de l’IA est enclenchée.

Maria Mercanti-Guérin ne travaille pas, ne conseille pas, ne possède pas de parts, ne reçoit pas de fonds d’une organisation qui pourrait tirer profit de cet article, et n’a déclaré aucune autre affiliation que son organisme de recherche.

– ref. Comment « dé-IA-iser » nos écrits pour éviter la disparition des particularités des langues ? – https://theconversation.com/comment-de-ia-iser-nos-ecrits-pour-eviter-la-disparition-des-particularites-des-langues-281811

MIL OSI – Global Reports –