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 ne font pas ça. Les humains 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 juste. Et les patterns qu’elle détecte ont un nom : les GPT-ismes.

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 pas des erreurs. Ce ne sont pas 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.

Pensez-y comme ça. 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. Pas fausse au sens de dangereuse. 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.

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), c’est une empreinte diagnostique plus fiable que n’importe quel outil de détection d’IA sur le marché.

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.

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.

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. Ils ne savent pas ce qu’elle est. La distinction compte.

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. « 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. Aucun auteur humain ne fait ça. Aucun guide de style ne le recommande. 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. Sans exception. Si votre manuscrit met « et » en italique, il a été assisté par IA, et aucun prompt ingénieux n’empêchera le modèle de le refaire.

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. La sur-explication par renvoi

« 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.

Pourquoi les LLM font ça

Les patterns ci-dessus ne sont pas des bugs. Ce 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 sont, statistiquement, un océan de tirets cadratins, de listes triadiques et d’accroches-raclages-de-gorge, parce que ce sont les patterns qui sont publiés, partagés et cliqués.

Le modèle ne comprend pas pourquoi un auteur compétent utilise un tiret cadratin dans une phrase donnée. Il comprend que les tirets cadratins co-apparaissent avec du texte à fort engagement. Alors il produit des tirets cadratins. Beaucoup de tirets cadratins. Parce que l’association statistique entre « tiret cadratin » et « texte que les humains notent favorablement » est forte dans les données d’entraînement.

La même logique s’applique à chaque pattern de la liste. « 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). Le modèle produit la forme de la bonne écriture sans le jugement qui la rend bonne.

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, ~150 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.

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.

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 n’est pas que les systèmes IA se rebellent. C’est qu’ils 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 les tirets cadratins (le caractère long —). Comptez-les. S’il y en a plus de deux pour mille mots, vous avez un problème.
Cherchez « Ce n’est pas » et « Il ne s’agit pas » suivis d’une proposition contraire. Comptez les constructions antithétiques. Plus d’une par article est suspect. Plus de trois est diagnostique.
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 sur-le-champ. Sans exception.
Lisez la première phrase de chaque section. Si plus d’une commence par « Voici », « Soyons », ou « Il est à noter que », réécrivez-les toutes.
Lisez la dernière phrase de chaque section. Si plus d’une contient « les implications », « ça change tout », ou « l’avenir de », réécrivez-les toutes.

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 n’est pas d’éliminer tous les patterns. L’objectif est de s’assurer que les patterns dans votre écriture sont les vôtres, pas ceux du modèle.

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, le cadre de correction à trois niveaux, les banques de synonymes pour les tics courants, et la méthodologie des six agents de détection utilisée sur un manuscrit de 95 000 mots.

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)
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 sévérité. Ne corrige rien pour l’instant.”
Examinez les trouvailles. Appliquez le cadre à trois niveaux : corrections mécaniques (Niveau 1), appels au jugement (Niveau 2), choix stylistiques intentionnels à conserver (Niveau 3).
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. Ça prend une vingtaine de minutes sur un article de cette longueur. 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.

Vingt minutes, ce n’est pas beaucoup. Mais ça 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.

La gouvernance de l’output IA, de la prose aux systèmes de production, est un thème récurrent dans L’ère de la post-pénurie : le plan pour la prochaine civilisation de l’humanité, disponible sur Amazon et en livre audio sur Spotify.

Articles connexes :

Sources externes :

Dan Shipper, « The Field Guide to AI Slop »

GPT-ismes : les empreintes linguistiques que l'IA a laissées sur tout ce que vous lisez