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

L’intelligence artificielle générative, comme ChatGPT ou Claude, utilise des modèles de langage (LLM) qui prédisent le mot ou fragment de mot le plus probable dans une phrase.

Pour cela, elle s’appuie sur des milliards de textes issus du Web, de livres ou de Wikipédia.

Cependant, ces modèles privilégient systématiquement les formulations les plus conventionnelles et accessibles, au détriment de l’originalité, de la diversité stylistique ou de la créativité humaine.

Une étude de 2024 révèle que 13,5 % des publications scientifiques publiées cette année-là ont utilisé l’IA dans leur rédaction, un chiffre qui atteint 40 % dans certaines revues.

Les textes générés par IA perdent ainsi leur singularité, leur causticité ou leur capacité à transmettre des émotions authentiques.

Deux mécanismes principaux expliquent les tics de langage des IA.

D’abord, l’étape d’alignement (Reinforcement Learning from Human Feedback, RLHF) : des annotateurs humains évaluent les réponses de l’IA et retiennent celles jugées neutres, polies et structurées, avec des phrases courtes et des mots de liaison.

Ensuite, les corpus d’entraînement des IA sont majoritairement composés de contenus commerciaux ou institutionnels, souvent répétitifs ou de basse qualité.

Par exemple, le jeu de données Colossal Clean Crawled Corpus (C4) contient une forte proportion de contenus dupliqués ou synthétiques issus du Web marchand anglo-saxon.

Ces biais se retrouvent dans les réponses des IA, qui reproduisent des tournures creuses comme « dans le monde actuel en constante évolution » ou « mettre en œuvre ».

L’IA influence non seulement les textes qu’elle génère, mais aussi le langage humain.

Une étude de Hiromu Yakura a analysé 360 000 vidéos YouTube et 771 000 podcasts avant et après le lancement de ChatGPT.

Elle montre une augmentation fulgurante de l’usage de mots typiques de l’IA, comme « delve », « realm » ou « meticulous », dans les conversations spontanées.

Ce phénomène s’explique par le RLHF, qui a renforcé certaines préférences lexicales dans les modèles.

Par ailleurs, les corpus textuels utilisés pour entraîner les IA sont de plus en plus saturés de textes générés par d’autres IA, créant un effet ouroboros (un serpent qui se mord la queue) où les modèles s’auto-alimentent de leurs propres productions, amplifiant leurs tics dans une boucle fermée.

L’IA menace la diversité linguistique en standardisant les langues et en effaçant leurs particularités régionales.

Par exemple, en Inde, les modèles généralistes comme ChatGPT produisent un anglais standardisé, ignorant les spécificités de l’anglais indien.

En Russie, l’IA génère un style bureaucratique soviétique appelé « канцелярит » (kantselyarit), tandis qu’en Chine, elle reproduit le style des dissertations impériales « 八股文 » (bāgǔwén), très structurées et creuses.

Les langues régionales, moins représentées dans les corpus d’entraînement, risquent de disparaître, tout comme les apprentissages linguistiques, car les traductions automatisées imposent une langue appauvrie et truffée de tics.

Face à ce problème, plusieurs pistes sont explorées pour humaniser le style des IA.

Des techniques comme l’AntiSlop sampling agissent comme un correcteur automatique en filtrant les tournures trop typiques de l’IA.

Le fine-tuning consiste à spécialiser un modèle sur des corpus stylistiquement riches.

L’IA constitutionnelle d’Anthropic intègre des principes éthiques pour guider la rédaction.

Des entraîneurs humains, comme des écrivains ou journalistes, pourraient aussi coacher les IA pour éviter les stéréotypes.

Enfin, l’ancrage (grounding) vise à ancrer les modèles dans la réalité des utilisateurs pour exprimer des émotions authentiques.

Meta avait même envisagé de capturer les dialogues de ses employés pour nourrir ses IA, avant de reculer face aux critiques.

La standardisation des langues par l’IA soulève des questions économiques et culturelles.

Les géants de l’IA monétisent de plus en plus l’écrit, ce qui pousse à une uniformisation des contenus pour maximiser les profits.

Par exemple, les rédacteurs web utilisent massivement l’IA pour produire des articles ou fiches produits à un rythme effréné, créant un cercle vicieux où les textes semi-humains, semi-artificiels servent à entraîner de nouvelles IA, aggravant la consanguinité stylistique.

Le risque est une perte irréversible de la diversité linguistique et culturelle, au profit d’une langue globalisée, appauvrie et dépourvue de nuances.