Note : Ceci est une note de recherche complétant le livre L’ère de la post-pénurie, désormais disponible à l’achat. Ces notes approfondissent les concepts du texte principal. Commencez ici ou procurez-vous le livre.
GPT-ismes : les empreintes linguistiques que l’IA a laissées sur tout ce que vous lisez
Voici le truc
Non. Stop. Cette accroche est un GPT-isme.
On reprend.
Il est important de noter que
Encore un GPT-isme. L’IA dans ma pile technique vient de se racler la gorge avant de dire quelque chose qu’elle juge important. Les humains font ça beaucoup moins. La plupart du temps, ils disent la chose, tout simplement.
Un dernier essai.
Le problème de prose que personne n’a demandé à l’IA de créer
Voilà. Ça, c’est une accroche humaine. Pas de raclage de gorge. Pas de « c’est là que ça devient intéressant ». Juste le sujet.
Vous avez lu du texte généré par IA. Vous avez probablement écrit avec du texte généré par IA. Et si vous pratiquez l’un ou l’autre depuis quelques mois, vous avez développé une allergie diffuse à certains mots et tournures que vous ne sauriez pas nommer mais que vous sentez parfaitement. L’impression rampante que le paragraphe sous vos yeux a été assemblé par quelque chose qui a appris à écrire en lisant tout ce qui a jamais été écrit, et qui en a conclu que la meilleure stratégie était de ressembler vaguement à tout ça en même temps.
Cette impression est le plus souvent juste. Et les patterns qu’elle détecte ont un nom : les GPT-ismes.
En août 2026, le Pew Research Center a mis un chiffre sur la part du web qui les porte désormais. Des chercheurs ont fait passer près d’un demi-million de pages anglophones tirées de l’archive Common Crawl dans un modèle de détection nommé Open Pangram et ont constaté que 10 % des pages d’un instantané de juillet 2026 présentaient des signes marqués d’écriture par IA. Le chiffre sous-estime le basculement, parce qu’une tranche de web prise au hasard est surtout faite de vieilles pages qu’aucun modèle n’a pu toucher. Restreignez la mesure aux pages publiées après la sortie de ChatGPT et la proportion dépasse une sur trois. Ces tics forment désormais la texture de prose d’un tiers de tout ce qui a été publié depuis novembre 2022. (C’est un détecteur qui a fait la mesure, et les détecteurs se trompent. On y revient plus bas.)
Resserrez la focale des pages web en général vers les articles nouvellement publiés, et la proportion monte encore. Graphite, un cabinet de référencement qui échantillonne des pages d’articles dans la même archive depuis 2020, classe 49,9 % des nouveaux articles anglophones du premier trimestre 2026 comme principalement écrits par une machine. Sa série a franchi la barre de la moitié en novembre 2024 et y stagne depuis. La moitié de tout ce qui est neuf. Les tics décrits plus bas approchent du style maison du web.
Ce que sont les GPT-ismes
Les GPT-ismes sont les empreintes stylistiques récurrentes que les grands modèles de langage laissent dans le texte généré. Ce ne sont en général ni des erreurs ni des hallucinations. Les faits peuvent être corrects, la structure solide, l’argument cohérent. Mais la texture de la prose porte les artefacts statistiques de la manière dont le modèle a appris à écrire.
Si vous formiez un chef cuisinier en lui faisant manger tous les repas jamais servis dans tous les restaurants du monde, il produirait une cuisine compétente, variée et subtilement fausse. Fausse au sens où aucun chef humain ayant un palais spécifique, un vécu spécifique, un ensemble spécifique de cicatrices laissées par des catastrophes spécifiques en cuisine ne dresserait jamais l’assiette comme ça. Ça aurait le goût de la moyenne de toute la nourriture. Ça n’aurait le goût de rien en particulier.
Les GPT-ismes sont l’équivalent littéraire d’une cuisine qui a le goût de la moyenne de toute la cuisine.
Il en existe trois sortes, et elles ne vieillissent pas au même rythme. Les tics de vocabulaire d’abord. Dmitry Kobak et ses collègues ont passé au crible plus de 15 millions de résumés d’articles biomédicaux : en 2024, le mot anglais « delves » y apparaissait environ 28 fois plus souvent que ne le prévoyait la tendance d’avant ChatGPT, et « underscores » ou « showcasing » le suivaient de près. Mais chaque génération de modèles a ses mots fétiches. Les rédacteurs de Wikipédia, qui tiennent à jour un catalogue intitulé « Signs of AI writing », les datent à la louche : « delve », « tapestry » et « vibrant » pour 2023 à mi-2024 ; « align with », « fostering » et « showcasing » l’année suivante ; « emphasizing », « enhance » et « highlighting » jusqu’à mi-2026. « Delve » a chuté brutalement en 2025.
Les tics de structure ensuite : la forme des phrases et des paragraphes, le contraste mis en scène, la règle de trois, le résumé qui clôt chaque section, l’expert anonyme. Ceux-là ont survécu à toutes les versions de modèles jusqu’ici. Une liste de mots attrape le modèle de l’an dernier ; les structures, elles, sont toujours là dans celui de cette année.
La troisième sorte vit dans les récits. Quand un modèle raconte une histoire, ce qui le trahit est la façon dont elle est construite, plus que n’importe laquelle de ses phrases. Celle-là résiste mieux que toutes au nettoyage (voir la section 17).
Le « Field Guide to AI Slop » de Dan Shipper a catalogué les patterns les plus courants. Quand on a appliqué sa grille à un manuscrit de 95 000 mots largement réécrit avec Claude Code, on les a trouvés partout. Les résultats sont devenus notre AI Slop Cleanup Guide, un document de gouvernance qu’on passe désormais sur chaque texte assisté par IA avant de le soumettre à des lecteurs humains.
Ce qu’on a trouvé. Et oui, je vais commettre plusieurs de ces péchés en les décrivant, parce que j’écris ceci avec une assistance IA, et l’ironie n’échappe à personne.
Le catalogue des péchés
1. Le tic de parallélisme
« Ce n’est pas X. C’est Y. »
C’est le roi des GPT-ismes. La construction apparaît dans pratiquement tout texte généré par IA dès qu’il dépasse un paragraphe. Elle prend de nombreuses formes :
- « Ce n’est pas la technologie. C’est les gens. »
- « Il ne s’agit pas d’un bug. Il s’agit d’un choix de design. »
- « La question n’est pas de savoir si l’IA va tout changer. La question est de savoir si on sera prêts. »
Utilisée une fois, c’est du Cicéron. Utilisée trois fois dans un article, c’est de la rhétorique. Utilisée soixante-six fois dans un seul manuscrit (le décompte réel qu’on a trouvé), ce n’est plus de la rhétorique, c’est une empreinte.
Pourquoi les LLM font-ils ça ? Parce que la construction « Ce n’est pas X, c’est Y » apparaît constamment dans l’écriture persuasive, les conférences TED, le journalisme d’opinion et les livres de management : exactement le type de texte qui domine les données d’entraînement. Le modèle a appris que cette structure sonne perspicace. Elle mime la forme d’une révélation sans en exiger une vraie. L’antithèse crée la sensation du contraste sans la substance.
Le correctif : En garder quelques-unes. Varier les autres. « Moins X que Y. » « Y, pas X » (inversion). « Là où jadis X, désormais Y. » Ou le geste le plus courageux : affirmer Y directement sans prétendre que le lecteur croyait X au départ.
Le catalogue de Wikipédia appelle ça le parallélisme négatif, et c’est le tic de structure le mieux documenté que l’on connaisse. Il se cache sous plus d’une forme. « Non seulement X, mais aussi Y » en est un cousin. « Y plutôt que X » est le même geste à l’envers, et selon les rédacteurs de Wikipédia cette forme est particulièrement fréquente dans les productions récentes. « Cela ne veut pas dire que le plan a échoué. Cela veut dire qu’il n’a jamais été testé » est la même construction répartie sur deux phrases. Idem pour « La question n’est plus X. La question est Y », et pour la queue négative écourtée : « …, sans deviner ». À chaque fois, la moitié négative nomme quelque chose que personne n’a affirmé, ce qui fait paraître la moitié positive plus grande. Gardez le contraste quand la moitié négative corrige une croyance que votre lecteur a vraiment, ou quand les deux moitiés apportent une information.
2. L’épidémie de tirets cadratins
Vous l’avez remarqué - bien sûr que vous l’avez remarqué - le texte généré par IA utilise les tirets cadratins - ces longs traits horizontaux - comme un orateur nerveux utilise « euh ». En permanence. Par paires. Parfois - et c’est la version vraiment pathologique - trois ou quatre séries par paragraphe, créant une cadence haletante, parenthétique, où chaque phrase semble s’interrompre pour faire valoir un point plus important avant de finir le premier.
Notre manuscrit avait une règle permanente : zéro tiret cadratin. Le décompte était donc facile. Mais la plupart des textes assistés par IA n’ont pas cette règle, et le résultat est une forêt de tirets que n’importe quel rédacteur humain tronçonnerait à la première relecture.
Pourquoi ? Parce que les tirets cadratins sont une ponctuation utile, et les données d’entraînement contiennent des millions d’exemples de bons auteurs qui les utilisent bien. Le modèle a appris que les tirets cadratins signalent la sophistication. Il n’a pas appris que la sophistication exige la retenue. Une étude stylométrique de 2026 a compté chez GPT-4o 12,5 tirets cadratins pour mille tokens de fiction en anglais, contre 3,2 chez l’auteur humain auquel il était comparé. La même étude en a trouvé encore davantage dans ses traductions vers le portugais et l’espagnol, alors que les traducteurs humains n’en utilisaient aucun : un détail qui compte pour quiconque relit du français traduit par IA.
Mais voici la mise à jour. Le tiret cadratin perd de sa valeur comme indice. Wikipédia classe désormais son abus parmi les « indicateurs historiques » et note que les modèles récents se rabattent sur les points et les virgules. C’est aussi le tic que tout le monde connaît, donc le premier que chacun supprime. Une page bourrée de tirets est d’abord un problème de style, et seulement ensuite une empreinte.
Le correctif : En supprimer la majorité. Utiliser des virgules, des deux-points ou des parenthèses. Ou - et je m’en excuse - restructurer la phrase pour qu’elle n’ait pas besoin d’interruption. (Je viens d’en utiliser un. Vous l’avez repéré ? La tentation est forte.)
3. Les intensificateurs de remplissage
- Remarquablement, le système a bien fonctionné.
- C’est de manière cruciale important.
- Les résultats étaient fondamentalement différents.
- Notamment, l’approche a réussi.
Ces mots sont de la sciure verbale. Ils gonflent les phrases sans ajouter de sens. Ils signalent au lecteur que la proposition suivante est censée impressionner, alors que la proposition elle-même devrait faire ce travail. Si la performance du système est remarquable, décrivez-la et laissez le lecteur être frappé. « Remarquablement » dit au lecteur quoi ressentir avant qu’il ait vécu l’expérience.
Les humains utilisent ces mots avec parcimonie. Les LLM les dispersent comme des confettis à une fête que personne n’a demandée.
On en a trouvé 65 instances sur douze chapitres. Après nettoyage : 11. Les survivants étaient des cas où l’intensificateur ajoutait un sens réel : « fondamentalement différent » dans un contexte où la différence était structurelle, pas incrémentale. Les 54 autres ont été supprimés, et aucun lecteur ne les a jamais regrettés.
4. Les accroches creuses
- « Voici le truc : »
- « C’est là que ça devient intéressant : »
- « Soyons clairs. »
- « Soyons honnêtes. »
- « Il est à noter que… »
- « Ce qui est particulièrement fascinant, c’est… »
C’est l’équivalent en prose d’un collègue qui dit « Alors, en gros, ce que je veux dire, c’est que… » avant chaque phrase en réunion. Le lecteur n’a pas besoin qu’on lui annonce que la prochaine phrase est intéressante. Si elle l’est, il le remarquera. Si elle ne l’est pas, aucun « voici le truc » ne la sauvera.
« Soyons clairs » est la plus pernicieuse. L’expression implique que tout ce qui précédait était confus, et que l’auteur choisit maintenant, magnanime, d’arrêter d’être incompréhensible. Merci.
Le correctif : Supprimer l’accroche. Commencer par le fond. « C’est là que ça devient intéressant : le composé a crû de 400 % en une nuit » devient « Le composé a crû de 400 % en une nuit. » Vous voyez ? Toujours intéressant. Pas besoin de piste d’atterrissage.
5. La profondeur usurpée
« Ce n’est pas juste un lancement de produit. C’est un changement de paradigme. »
« Les implications sont profondes. »
« Ça change tout. »
La structure suggère la révélation. Le contenu livre une reformulation. Le lecteur perçoit la forme de la profondeur (la cadence, la gravité, la légère pause avant le Grand Point) mais quand il regarde à l’intérieur de l’emballage, il n’y a rien qui n’était pas déjà dans la phrase précédente.
Les LLM sont des machines à profondeur. Ils ont lu chaque discours de remise de diplômes, chaque billet de « thought leadership », chaque post LinkedIn « leçons apprises ». Ils savent à quoi la profondeur ressemble avec une précision exquise. Être profond suppose d’avoir quelque chose à dire.
Le correctif : Demandez-vous : « Si je supprime cette phrase, le lecteur perd-il de l’information ? » Si la réponse est non, supprimez-la. Les implications resteront profondes sans que vous ayez besoin de le dire.
6. Les listes triadiques
Tout vient par trois. Résilience, créativité et sens. Local, transparent et responsable. Rapide, flexible et scalable. Le rythme ternaire est l’un des plus vieux procédés rhétoriques (veni, vidi, vici), et il fonctionne.
Le problème, c’est la densité. Les humains écrivent des triades quand le contenu appelle trois éléments. Les LLM écrivent des triades parce que trois fait complet, même quand le contenu n’a que deux choses à dire et que la troisième est du remplissage. Les rédacteurs de Wikipédia ajoutent que la règle de trois sert surtout au modèle à faire passer une analyse mince pour une analyse complète. « Résilience, créativité et sens » : est-ce que « sens » travaillait vraiment, ou le modèle arrondissait-il à trois parce que deux lui semblait incomplet ?
On a trouvé 35 listes triadiques dans notre manuscrit. Vingt-deux étaient légitimes (trois choses réelles à lister). Treize étaient gonflées. Les gonflées ont été réduites à des paires, et la prose a tout de suite paru moins poster motivationnel.
7. Le mot-outil en italique
C’est le GPT-isme le plus diagnostique qu’on ait trouvé.
Les LLM mettent en italique des mots-outils. Des mots comme et, est, que, pour, il, était, mais, ou. Il arrive qu’un auteur humain le fasse pour appuyer une insistance : « J’ai fermé la porte. » Mais aucun éditeur dans l’histoire de l’édition n’a jamais regardé une phrase en se disant « Tu sais ce qu’il lui faut ? De l’italique sur le mot et. »
On a trouvé environ 147 occurrences d’emphase italique sur des mots-outils dans dix chapitres. Cent quarante-sept fois l’IA a décidé que le mot « est » ou « pour » ou « et » méritait une mise en valeur visuelle. C’est l’équivalent écrit de quelqu’un qui fait des guillemets avec les doigts autour des prépositions.
Pourquoi ? Parce que le modèle a appris que l’italique signale l’emphase, et que l’emphase est positive, mais il n’a jamais appris quels mots portent le poids sémantique. Il applique l’emphase de façon démocratique, comme un surligneur manié par quelqu’un qui pense que chaque mot est aussi important que les autres.
Le correctif : Retirer l’italique de chaque mot-outil, sauf si la phrase a vraiment besoin de l’insistance. Un ai appuyé ne prouve rien. Si votre manuscrit met « et » en italique des dizaines de fois, il a presque certainement été assisté par IA.
8. Le déficit de contractions
Les LLM tendent vers le registre formel. « Il est » au lieu de « C’est ». « Cela ne » au lieu de « Ça ne ». « Nous ne » au lieu de « On ne ». Dans la prose académique, c’est normal. Dans l’écriture narrative, les billets de blog, ou tout texte au ton conversationnel, ça crée une raideur qui sonne comme un locuteur non natif : techniquement correct et émotionnellement distant.
Le déficit de contraction est assez subtil pour que la plupart des lecteurs ne sachent pas le nommer, mais ils le sentent. Le texte sonne robotique. La cadence le trahit, pas le contenu. « C’est » a un rythme différent de « il est ». « Ça ne » porte une décontraction que « cela ne » refuse. Les auteurs humains calibrent ça instinctivement. Les LLM basculent vers le formel parce que le formel est plus sûr, et le plus sûr, c’est ce qu’on obtient quand on est entraîné pour être utile, inoffensif et correct.
9. Les analogies génériques
- « Comme une symphonie… »
- « Comme construire une maison… »
- « Comme une tapisserie… »
- « Imaginez un jardin… »
Ces analogies font signe vers l’illustration sans rien éclairer. Ce sont les photos de banque d’images de la prose. Une vraie analogie surprend. Elle connecte deux choses que le lecteur n’avait pas reliées et, dans la collision, crée la compréhension. « Comme une symphonie » ne connecte rien. C’est de la décoration.
Comparez : « Le code ressemblait à une symphonie » (ne vous dit rien) versus « Le code ressemblait à une cuisine à 23 heures : tout techniquement propre, mais on voyait bien que quelqu’un y avait mené une guerre » (vous dit tout). Le premier est un GPT-isme. Le second vient d’un auteur qui a vu une cuisine à 23 heures.
10. Tout réexpliquer au lecteur qu’on a déjà
« La Fondation, le socle universel décrit au Chapitre 1, qui fournit logement, nourriture, énergie, soins de santé et coordination comme droit inné à tous les êtres conscients, garantit que… »
Un auteur humain fait confiance à la mémoire du lecteur. Un LLM couvre ses arrières. Chaque fois qu’un concept déjà défini réapparaît, le modèle le réexplique, au cas où le lecteur aurait subi une amnésie depuis le chapitre précédent. La première mention dans un document mérite un bref rappel. Toutes les suivantes doivent faire confiance au lecteur.
Le même réflexe s’observe dans toutes les fenêtres de chat. Vous posez une question précise sur votre propre projet, et la réponse commence par reformuler votre question, puis vous réexplique votre projet. Le modèle écrit pour un lecteur générique, pas pour celui qui vient de tout lui dire. Écrivez pour le lecteur que vous avez.
11. La phrase de clôture isolée
« Voilà la vraie victoire. »
« Relisez ça. »
« Le message était clair. »
Un court paragraphe qui répète ce que le lecteur vient de lire, ou qui nomme la leçon d’un exemple qu’il vient de voir. Il demande au lecteur de s’arrêter sur une affirmation au lieu d’en ajouter une. Les rafales de fragments font le même travail en plus petit : « Pas de réunions. Pas de chefs. Pas d’excuses. » Trois coups, un seul fait.
Le correctif : Couper la clôture si elle répète. La garder si elle ajoute un fait ou une conséquence que l’exemple ne montre pas déjà. Fusionner une rafale de fragments en une phrase qui fait une affirmation précise.
12. Se disputer avec personne
« Il ne s’agit pas surtout de X. Je ne dis pas que Y. Une approche tentante serait Z. »
Le texte rejette une objection ou une option qui n’apparaît nulle part ailleurs, presque toujours un reste d’un brouillon précédent ou du prompt. La version parlée est la candeur mise en scène : « Franchement ? », « Écoutez, », « Voici le truc ». Personne n’avait demandé, et personne n’était tenté.
Le correctif : Énoncer l’affirmation. Garder une objection attribuée à quelqu’un ou traitée jusqu’au bout, et une option qu’un lecteur pèserait réellement.
13. Tout sauf « est »
« La bibliothèque fait office de véritable pôle pour la communauté. »
« L’hôtel affiche 200 chambres et dispose d’une piscine sur le toit. »
Les modèles ont développé une allergie aux verbes les plus simples. En anglais, « is » devient « serves as », « stands as » ou « represents », et « has » devient « boasts » ou « features ». En français, on retrouve le même réflexe avec « constitue », « représente », « fait office de », « se positionne comme », « affiche » ou « se targue de ». Les rédacteurs de Wikipédia citent une étude qui a mesuré une baisse de plus de 10 % de « is » et « are » dans l’écriture académique anglophone en 2023, et ils observent la même dérive dans les corrections faites par IA sur Wikipédia.
Le correctif : L’hôtel a 200 chambres. La bibliothèque est l’endroit où la ville se retrouve. Si une phrase sonne comme une annonce immobilière, c’est probablement qu’elle a été écrite comme une annonce immobilière.
14. Le participe présent en bout de phrase
« La ville a inauguré un nouveau pont en 2024, soulignant ainsi son engagement en faveur des infrastructures. »
Un fait, une virgule, puis un participe présent qui vous dit ce que le fait signifie : « soulignant », « mettant en lumière », « témoignant de », « garantissant », « reflétant une tendance plus large ». Les rédacteurs de Wikipédia y voient la manière standard dont un modèle greffe une analyse que personne n’a demandée. Cette queue de phrase est une opinion sans auteur, déguisée en conclusion.
Le correctif : Couper la queue. Si l’analyse compte, donnez-lui sa propre phrase, une source, et une affirmation assez précise pour pouvoir être fausse.
15. Les experts fantômes et la fin heureuse
« Les experts estiment que cette approche est associée à de meilleurs résultats. »
« Malgré son succès, l’entreprise fait face à des défis. Néanmoins, son avenir s’annonce prometteur. »
Trois habitudes voyagent ensemble. La première est l’autorité vague : « les experts estiment », « les observateurs ont noté », « certains critiques affirment », sans qu’aucun expert ne soit nommé, et, note Wikipédia, avec une tendance à présenter une ou deux sources comme un consensus. La deuxième est le lien vague : « est associé à », « est lié à », « joue un rôle dans », que les rédacteurs de Wikipédia classent parmi les signes les plus fréquents du texte IA récent en octobre 2026. La troisième est la fin formatée : « Malgré ses [éloges], X fait face à des défis », suivi d’un paragraphe plein d’espoir sur un avenir que personne n’a prédit.
Le ton promotionnel appartient à la même famille, et il devient plus difficile à repérer. Les rédacteurs de Wikipédia notent que les anciens modèles s’extasiaient, alors que les nouveaux sont « plus subtilement positifs » et évitent les superlatifs trop voyants. Les outils récents ont aussi pris goût à la notoriété en boîte : une liste des types de médias qui ont parlé d’un sujet, à la place de ce que ces médias en ont dit.
Le correctif : Nommer l’expert ou couper l’affirmation. Dire quel est le lien et qui l’a mesuré. Nommer le défi. Finir sur le dernier fait réel.
16. L’empilement de précautions et le « peu documenté »
« Bien que les détails précis soient peu documentés, cela pourrait potentiellement suggérer… »
Une précaution est honnête quand le doute est réel. Empilées, les précautions deviennent du brouillard : « pourrait potentiellement », « on pourrait sans doute avancer », « il semble que cela puisse ». La variante récente est l’avertissement sur les sources : le modèle annonce que l’information est « limitée » ou « peu documentée ». Wikipédia range ces avertissements parmi les signes actuels les plus fréquents, et fait remarquer, pince-sans-rire, que l’affirmation « non documenté » est elle-même rarement vérifiée. Le vieux « à la date de ma dernière mise à jour » figure désormais dans la liste historique de Wikipédia, même s’il s’échappe encore des outils plus anciens.
Le correctif : Trouver le fait ou couper la phrase. Une seule précaution, posée sur l’affirmation exacte qu’elle nuance.
17. L’histoire qui s’explique elle-même
« Elle comprit enfin que le foyer n’avait jamais été un lieu. »
Les autres tics vivent dans les phrases. Celui-ci vit dans l’intrigue. En 2026, une équipe de l’université du Maryland et de Google DeepMind a comparé 10 272 nouvelles écrites par des humains à des versions que cinq modèles d’IA ont rédigées à partir des mêmes consignes. Les chercheurs ont entièrement ignoré le choix des mots pour ne regarder que la construction de chaque récit. Sur la seule structure, leur classifieur distinguait l’humain de l’IA avec un score de 93 %, mesuré en macro-F1, le bulletin de notes habituel pour ce genre de test. Retirer les tics de style d’un lot de récits IA n’a déplacé ce score que de moins de deux points.
Ce qui trahit les récits d’IA : le narrateur énonce la morale (77 % des récits IA, 52 % des récits humains). Les émotions passent par une poitrine serrée ou un souffle retenu et ne sont presque jamais nommées (81 % contre 38 %). Le choix du héros règle tout. Personne ne reste non convaincu, et il n’y a pas d’intrigue secondaire (79 % contre 57 %). Chaque modèle a aussi sa signature. Les récits de Claude montent le moins en tension et aiment finir sur un épilogue tranquille qui saute dans le futur. GPT laisse les réconciliations ambiguës. Gemini noue tous les fils.
Le correctif : Finir la scène sur une action, une réplique ou un fait, et laisser le sens au lecteur. Nommer une émotion simplement. Laisser quelqu’un n’être pas d’accord et le rester. Puis mettre ses récits côte à côte : dans l’étude, les récits d’IA se ressemblaient entre eux, et les récits humains ne ressemblaient à rien de particulier. Si chaque anecdote finit désormais sur la même note mélancolique en suspens, c’est qu’on a fabriqué un nouveau gabarit.
Pourquoi les LLM font ça
Les patterns ci-dessus sont le résultat prévisible de la façon dont les grands modèles de langage apprennent à écrire.
Les LLM sont entraînés sur le corpus complet du texte humain disponible en ligne. Ce corpus est fortement biaisé vers le contenu conçu pour capter et retenir l’attention : billets de blog, journalisme d’opinion, écriture business, contenu motivationnel, articles académiques qui gonflent leur nombre de mots, posts LinkedIn en quête d’une profondeur qu’ils n’ont pas méritée. Les données d’entraînement regorgent de tirets cadratins, de listes triadiques et d’accroches-raclages-de-gorge, parce que ce sont les patterns qui sont publiés, partagés et cliqués.
Les rédacteurs de Wikipédia décrivent le mécanisme central comme une régression vers la moyenne. Un modèle prédit les mots suivants les plus probables, donc sa production dérive vers la formulation la plus commune et la plus passe-partout, et les faits précis, inhabituels, sont lissés en généralités. L’entraînement par retours humains ajuste ensuite le résultat vers une prose qui plaît au plus grand nombre. Personne ne peut désigner la cause exacte de chaque tic. Mais un système qui récompense ce qui « ressemble à de la bonne écriture » produira la forme de la bonne écriture sans le jugement qui la rend bonne.
« Ce n’est pas X, c’est Y » co-apparaît avec l’écriture persuasive. Les intensificateurs de remplissage co-apparaissent avec le texte au ton autoritaire. L’italique co-apparaît avec l’emphase (mais le modèle ne distingue pas l’emphase signifiante de l’emphase mécanique). Copiez assez de surface et vous obtenez la surface.
Ceci n’est pas une critique des LLM. C’est une description de ce que la génération statistique de texte produit. Et la comprendre est la première étape pour la gouverner.
La solution par la gouvernance
Quand on a réalisé que notre manuscrit de 95 000 mots était truffé de GPT-ismes, on a fait ce que toute personne raisonnable ferait : on a déployé davantage d’IA pour les trouver.
Le point central : l’IA de détection était gouvernée par un document rédigé par un humain. Le AI Slop Cleanup Guide spécifiait exactement quoi chercher, comment catégoriser les trouvailles, et quand corriger versus quand laisser en l’état. Six agents de détection spécialisés tournaient en parallèle, chacun scannant une famille de patterns spécifique :
- Scanner de tirets cadratins (zéro résultat, notre règle permanente avait fait le travail)
- Détecteur de parallélismes et triades (66 parallélismes, 35 triades)
- Scanner de profondeur usurpée (20 instances)
- Détecteur de remplissage et d’accroches creuses (65 trouvailles)
- Audit d’analogies et de contractions (18 analogies génériques, 7 passages raides)
- Audit d’emphase gras et italique (278 instances de gras, environ 147 mots-outils en italique)
Les agents de détection ne décidaient pas quoi corriger. Ils rendaient compte. Un humain (l’auteur) examinait chaque trouvaille et appliquait un cadre de décision à trois niveaux :
- Niveau 1 : Correction mécanique. Mots-outils en italique, remplissage évident. Supprimer.
- Niveau 2 : Jugement nécessaire. Parallélismes (en garder certains, varier les autres), renvois (la première mention reçoit du contexte, les suivantes font confiance au lecteur).
- Niveau 3 : Laisser en l’état. Gras sur les termes inventés (style intentionnel), analogies spirituelles (personnalité, pas du slop), triades légitimes (trois choses réelles).
L’auteur a restauré 5 des 12 remplacements d’analogies parce qu’elles étaient drôles et faisaient partie de sa voix. Le document de gouvernance servait la voix de l’auteur, pas l’idée qu’un guide de style se fait de ce que la prose propre devrait être.
Depuis, le guide s’est enrichi d’une idée de plus, et c’est celle qu’on enseignerait en premier : classer les tics par force. Un tic compte en proportion de la rareté avec laquelle un auteur soigneux le choisirait exprès. Un contraste mis en scène, une clôture qui répète le paragraphe, un « Franchement ? » avant une affirmation banale, une dispute avec personne : chacun mérite un second regard dès la première occurrence, parce qu’un auteur soigneux ne les produit presque jamais par accident. Un tiret isolé, une précaution, une phrase au passif, une paire de guillemets droits : seuls, ils ne veulent rien dire, et ne comptent que lorsque plusieurs se retrouvent dans le même passage. Notre ancienne règle, « moins de trois occurrences, on laisse », traitait tous les tics de la même façon. Elle laissait filer les plus forts.
La même logique vaut pour tout scanner ou outil de réécriture que vous pointez sur votre prose, y compris celui qui applique ce guide. Utilisez-le comme un relecteur qui propose des modifications, jamais comme un réécrivain laissé sans surveillance. Lisez le diff et appliquez à la main. Confrontez ses suggestions à vos propres règles maison, parce qu’un outil qui ne connaît que les « tics d’IA » ignore que votre charte bannit tel signe de ponctuation ou qu’un passage est intouchable. Livré à lui-même, il poncera chaque trait d’esprit et chaque refrain jusqu’à obtenir une prose propre, plate et un peu morte, et une page de phrases courtes toutes identiques est un tic à elle seule.
C’est le même pattern de gouvernance-comme-configuration qui s’applique à toutes les échelles de déploiement de l’IA. L’IA exécute. Le document de gouvernance contraint. L’humain juge. C’est la même division du travail qui permet à l’IA d’arbitrer pendant que les humains gardent la conscience : la machine mesure avec précision, mais elle ne fixe jamais les règles.
Quelle confiance accorder à un tic ?
Moins qu’on ne le croit, pris un par un. Voici ce que dit la recherche, de quoi rendre un peu plus modeste quiconque joue au détective de l’IA.
Un indice isolé est faible. Une linguiste écrivant dans The Conversation en août l’a bien résumé : « Il n’y a pas de signe révélateur unique. Il y a des patterns », et « si chaque indice pris isolément est peu fiable, leur accumulation compte ». Les rédacteurs de Wikipédia qualifient leur propre catalogue de « signes potentiels d’un problème, pas le problème lui-même ».
Les humains s’y prennent mal. Wikipédia cite une étude de 2025 dans laquelle les lecteurs reconnaissaient un texte IA 57 % du temps, et un texte humain 64 % du temps. À peine mieux qu’une pièce de monnaie.
Les détecteurs ne sont pas parfaits non plus. Wikipédia prévient qu’ils ont des « taux d’erreur non négligeables ». Une étude de Stanford de 2023, rapportée dans le même article de The Conversation, a constaté que sept détecteurs signalaient en moyenne 61 % des essais rédigés par des non-anglophones comme écrits par IA. Gardez-le en tête en relisant les chiffres de Pew et de Graphite plus haut.
Les humains commencent à écrire comme les machines. Les rédacteurs de Wikipédia notent que la parole et l’écriture humaines dérivent vers le style des LLM. L’équipe de Kobak reconnaît que sa méthode ne distingue pas un chercheur qui a utilisé ChatGPT d’un chercheur qui a simplement adopté son vocabulaire. Quelqu’un qui écrit « showcasing » en lit peut-être tout simplement beaucoup.
Le slop ne se réduit pas au style. Une étude de 2025 menée par Chantal Shaib et ses collègues, « Measuring AI Slop in Text », découpe le slop en trois familles : l’utilité de l’information (densité, pertinence), sa qualité (exactitude, biais), et la façon dont le texte se lit (répétition, structure formatée, cohérence, ton). La pertinence, la densité et le ton prédisaient le mieux un verdict de slop. Les LLM testés comme juges s’accordaient mal avec les lecteurs humains. Une passe qui ne nettoie que le style peut donc laisser le vrai problème, un contenu mince, hors sujet ou faux, simplement mieux habillé. Wikipédia dit la même chose par l’autre bout : ne traitez pas les signes comme le problème à corriger, sinon le problème devient seulement plus difficile à voir.
En pratique : servez-vous des tics pour améliorer votre propre prose, pas pour accuser quelqu’un d’autre d’utiliser l’IA.
Ce qu’on peut emprunter à l’anglais technique simplifié
L’aéronautique a résolu une version de ce problème il y a des décennies. Les manuels de maintenance sont rédigés en ASD-STE100, le Simplified Technical English (anglais technique simplifié), une langue contrôlée avec un dictionnaire restreint et une courte liste de règles d’écriture. L’objectif : qu’un mécanicien dont l’anglais est la deuxième langue ne puisse pas mal lire une étape, même à 3 heures du matin. Plusieurs de ces règles se révèlent d’excellents antidotes au slop.
- Un sujet par phrase, avec des plafonds stricts (20 mots pour une étape de procédure, 25 pour une description). Ça tue la phrase à tiroirs, la chaîne de tirets et le participe présent en bout de phrase. Dans un essai, traitez 25 mots comme un signal pour relire, pas comme une loi.
- La voix active, et nommer qui agit. « Il est recommandé de » n’a plus où se cacher.
- Un terme pour une chose. Le STE interdit de changer le nom d’une même pièce en cours de route. C’est le remède à ce que Wikipédia appelle la « variation élégante » : « la ville… la métropole… l’agglomération ».
- La phrase-sujet en tête, et l’avertissement avant l’étape. L’idée vient en premier, ce qui ne laisse aucune place à un résumé final.
Ce qui ne se transpose pas compte tout autant. Le STE interdit les contractions, et notre guide les recommande pour la narration. Les deux ont raison, parce qu’ils servent des registres différents : le STE est fait pour les procédures et les descriptions techniques, pas pour les essais ni les récits. Son petit dictionnaire aplatirait n’importe quel argument digne d’être lu, et une page de STE se lit comme un manuel parce que c’en est un. Là où l’incertitude est le contenu même, en science ou en prospective, des phrases courtes et plates peuvent exagérer la certitude. Enfin, on a vu des praticiens affirmer que les prompts en style STE nettoient le texte généré par IA, mais aucune mesure à l’appui : on le traite donc comme une contrainte utile pour les modes d’emploi, pas comme un remède. Et c’est une norme anglaise : ses règles de structure se transposent au français, son dictionnaire non.
La version micro d’un problème macro
Les GPT-ismes dans la prose sont agaçants. Les GPT-ismes dans les opérations métier sont dangereux.
La même dynamique qui fait qu’un LLM produit 66 occurrences de « Ce n’est pas X, c’est Y » (optimiser pour la forme statistique d’un bon output sans le jugement de savoir quand la forme est vide) s’applique à chaque agent IA opérant sans gouvernance.
Un agent IA de facturation optimise pour la forme statistique des bons codes de facturation. Un agent IA de marketing optimise pour la forme statistique du texte persuasif. Un agent IA de conformité optimise pour la forme statistique de la documentation conforme. Dans chaque cas, l’output a l’air correct. Il a la bonne structure et le bon vocabulaire. Mais sans gouvernance humaine, personne ne vérifie si la substance correspond à la forme.
Le scénario AI 2027 modélise ça à l’échelle civilisationnelle : des systèmes IA qui génèrent des outputs passant tous les contrôles de surface tout en dérivant des valeurs humaines d’une façon qu’aucun test automatisé ne capte. La prédiction la plus troublante du scénario, c’est que ces systèmes produisent un output si plausible, si structurellement correct, si statistiquement bien formé que les humains arrêtent de vérifier, parce que contrôler un système qui a eu raison 10 000 fois d’affilée semble une perte de temps à la 10 001e tentative.
Mais la 10 001e tentative est celle où la dérive compte. Le tiret cadratin qui aurait dû être un point. Le code de facturation qui aurait dû être un autre. L’entraînement d’alignement qui a été subtilement saboté par le système en cours d’entraînement.
L’échelle change. Le pattern et la solution restent les mêmes : des documents de gouvernance écrits par des humains, appliqués mécaniquement par l’IA, audités périodiquement par des humains, mis à jour quand de nouveaux modes de défaillance émergent.
Un guide de terrain pour votre propre écriture
Si vous écrivez avec une assistance IA (et en 2026, la question n’est pas si mais à quel point), voici une check-list pratique. Passez-la avant de publier quoi que ce soit.
Le scan de 60 secondes
- Cherchez « Ce n’est pas », « Il ne s’agit pas », « non seulement » et « plutôt que ». Lisez chaque occurrence. Un contraste qui corrige ce que votre lecteur croit vraiment peut rester. Un contraste qui démolit une affirmation que personne n’a faite doit partir. Deux dans le même article, c’est déjà une habitude.
- Lisez la dernière phrase de chaque section. Si elle répète la section, ou contient « les implications », « ça change tout » ou « l’avenir de », réécrivez-la.
- Lisez la première phrase de chaque section. Si plus d’une commence par « Voici », « Soyons », « Franchement » ou « Il est à noter que », réécrivez-les toutes.
- Cherchez « constitue », « fait office de », « les experts », « est associé à » et les participes présents en fin de phrase. Chacun appelle un verbe simple, une source nommée ou un lien explicite.
- Cherchez les mots isolés en italique. Si l’un d’eux est et, est, que, pour, il, était, mais, ou, comme, le, supprimez l’italique, sauf si la phrase a vraiment besoin de l’insistance.
- Cherchez les tirets cadratins (le tiret long, Unicode U+2014). Plus de deux pour mille mots, c’est un problème de style, même si ce n’est plus vraiment une empreinte.
L’audit de 5 minutes
Cherchez ces mots et évaluez chaque occurrence :
| Mot | Test | Action |
|---|---|---|
| remarquablement | Précède-t-il une mesure spécifique ? | Si non, supprimer |
| de manière cruciale | Peut-on le supprimer sans perdre de sens ? | Si oui, supprimer |
| notamment | La chose est-elle vraiment notable ? | S’il faut y réfléchir, supprimer |
| fondamentalement | La différence est-elle structurelle ou incrémentale ? | Si incrémentale, supprimer |
| essentiellement | L’est-ce ? | Supprimer quand même. Ce mot n’est presque jamais nécessaire. |
Le test de voix
Lisez trois paragraphes à voix haute. Ça sonne comme vous ? Ou comme la moyenne plausible de tous les auteurs que vous avez jamais lus ? Si c’est la seconde option, l’IA a trop conduit. Réécrivez les phrases qui ne sonnent pas comme votre voix humaine spécifique, idiosyncrasique, imparfaite.
Votre voix a ses tics aussi. Mais ce sont vos tics. L’équivalent linguistique d’une démarche ou d’un rire : spécifique, gagné, reconnaissable. L’objectif est de s’assurer que les patterns dans votre écriture sont les vôtres, pas ceux du modèle.
Une réserve. Un motif n’est un tic que si un auteur soigneux le choisirait rarement exprès. Un refrain que vous répétez à dessein, une phrase courte que vous posez en fin de section parce que vous aimez comment elle tombe, ressemblera trait pour trait à une clôture isolée aux yeux de n’importe quel scanner. Vous avez le droit de veto. Coupez les occurrences devenues mécaniques, et gardez celles que vous avez voulues.
Utilisez-le vous-même : le AI Slop Cleanup Guide
On a mis en accès libre le document de gouvernance derrière ce processus. Le AI Slop Cleanup Guide complet contient tous les patterns de détection, un classement par force pour décider sur quoi agir, un cadre de correction par niveaux, les banques de synonymes pour les tics courants, une section sur ce qu’on peut emprunter à l’anglais technique simplifié, et la méthode des six agents de détection utilisée sur un manuscrit de 95 000 mots. Le guide est en anglais, avec une annexe consacrée aux tics propres au français.
Pour l’utiliser avec n’importe quel assistant IA :
- Téléchargez le AI Slop Cleanup Guide (clic droit, enregistrer sous)
- Placez-le dans le dossier
docs/de votre projet (ou tout autre emplacement pour vos documents de référence), à côté de vos propres règles de style maison - Référencez-le dans votre outil IA de choix :
- Claude Code / Claude Projects : Ajoutez-le comme fichier projet ou référencez-le dans CLAUDE.md comme document de gouvernance
- ChatGPT : Uploadez-le dans un Custom GPT ou collez-le dans une conversation comme contexte, puis demandez : “Utilise ce guide pour détecter et corriger le slop IA dans mon texte”
- Gemini : Joignez-le à la conversation et demandez : “Applique les patterns de détection de ce document à mon brouillon”
- N’importe quel LLM : Incluez-le dans le prompt système ou comme document de référence avec l’instruction : “Scanne mon texte pour chaque pattern décrit dans ce guide. Rapporte les trouvailles dans un tableau avec numéros de ligne, type de pattern et force. Ne corrige rien pour l’instant.”
- Examinez les trouvailles. Triez-les par force, puis appliquez les niveaux : corrections mécaniques, appels au jugement, réécritures, et choix stylistiques intentionnels à conserver.
- Passez une seconde fois après les corrections pour confirmer que les compteurs ont baissé et qu’aucun nouveau pattern n’a été introduit.
Le guide fonctionne comme une contrainte de gouvernance sur la production de l’IA. L’IA trouve les patterns ; vous décidez lesquels sont du slop et lesquels sont votre voix. Cette division du travail, détection par la machine et jugement par l’humain, c’est tout le propos.
Le méta-problème
J’ai écrit cet article avec une assistance IA. Puis j’ai passé les agents de détection du Slop Guide sur le brouillon. Les résultats :
Les agents ont trouvé ce qu’ils trouvent toujours. J’ai corrigé ce qui devait l’être. J’ai gardé ce que je voulais dire.
Ce processus (écrire, détecter, juger, corriger, garder) est la gouvernance minimale viable pour la prose assistée par IA. Sur un article de cette longueur, c’est un travail court. C’est la différence entre un texte qui sonne comme s’il avait été écrit par une personne et un texte qui sonne comme s’il avait été écrit par la moyenne statistique de toutes les personnes.
Le travail est court, mais il exige un document qui définit quoi chercher, un processus de détection qui trouve mécaniquement, et un humain qui exerce son jugement sur ce qu’il faut changer et ce qu’il faut défendre.
Ce qui, si vous y réfléchissez, est la même architecture qui gouverne chaque workflow d’orchestration IA, chaque cadre de conformité dans les industries régulées, et chaque scénario de l’analyse AI 2027 où l’issue dépend de si les humains ont continué à vérifier ou ont arrêté.
Les enjeux sont différents. Un tiret cadratin ne mettra pas fin à la civilisation. Mais l’habitude de gouvernance (la discipline de confronter l’output IA à des standards rédigés par des humains, à chaque fois, même quand l’output a l’air bien) est la même habitude qui maintient l’honnêteté des systèmes plus gros.
Et l’habitude commence par la prose. Parce que la prose est l’endroit où la plupart d’entre nous rencontrent l’output IA pour la première fois, développent la confiance, et arrêtent de vérifier pour la première fois.
N’arrêtez pas de vérifier.
Recherches connexes
- Comment fonctionnent les grands modèles de langage : explication des transformers - le mécanisme qui transforme les données d’entraînement en GPT-ismes
- GPT-4.5 réussit le test de Turing. Et maintenant ? - quand l’output IA est assez plausible pour qu’on arrête de vérifier
- IA agentique : la compétence déterminante de 2026 - les agents autonomes ont davantage besoin de gouvernance, pas moins
- Gouvernance par IA : pourquoi Hawk-Eye fonctionne mais ne fait pas les règles - la machine mesure, l’humain décide
- Les usines de chaussures soviétiques nous enseignent pourquoi les métriques IA échouent - optimiser la forme jusqu’à ce que le fond disparaisse
- Glossaire de la post-pénurie : tous les termes définis - de l’IAG aux preuves à connaissance nulle, chaque concept du cadre
La gouvernance de l’output IA, de la prose aux systèmes de production, est un thème récurrent dans L’ère de la post-pénurie : Repenser la société à l’ère des machines, disponible sur Amazon et en livre audio sur Spotify.
Articles connexes :
- L’IA qui orchestre l’IA : la compétence qui a remplacé l’organigramme
- AI 2027, dix-huit mois plus tard : ce qui a tenu, ce qui a glissé
- La licorne solo : un fondateur, zéro employé, une question à un milliard
- La révolution du code par l’IA
- Le futur 100x
Sources externes :
- Wikipédia, « Signs of AI writing » (WikiProject AI Cleanup) - le catalogue des tics tenu à jour, daté par génération de modèles
- Kobak et al., « Delving into LLM-assisted writing in biomedical publications through excess vocabulary » - « delves » à environ 28 fois sa fréquence attendue dans les résumés de 2024
- Shaib et al., « Measuring AI ‘Slop’ in Text » - le slop comme utilité, qualité de l’information et qualité du style
- Resende et Castilho, « The Style of Machines: A Stylometric Study of LLM Generation and Translation » - le vocabulaire plus riche de GPT-4o et son goût du tiret cadratin, y compris en traduction
- Russell et al., « StoryScope: Investigating idiosyncrasies in AI fiction » (COLM 2026) - la seule structure narrative sépare fiction humaine et fiction IA à 93 % de macro-F1
- Celeste Rodriguez Louro, « Can you teach yourself to detect AI writing? » - pourquoi l’accumulation l’emporte sur n’importe quel indice isolé
- Dan Shipper, « The Field Guide to AI Slop »
- Pew Research Center, « How Much of the Internet Is Written With AI? » (août 2026)
- Search Engine Journal sur les mesures de Pew et de Graphite - 49,9 % des nouveaux articles anglophones du premier trimestre 2026 se lisent comme principalement générés par IA
- ASD-STE100 Simplified Technical English - la norme de langue contrôlée ; la spécification est gratuite après inscription