Contexte et méthodologie
L’auteur rappelle son mémoire de licence, qui portait sur l’identification d’un auteur à partir d’un court paragraphe en comparant les statistiques d’usage des mots avec un corpus de références. Cette approche, appelée stylométrie, montre que même des mesures simples (fréquence des mots, longueur des phrases) permettent de distinguer des styles individuels. Le texte souligne que, contrairement aux humains, les modèles d’IA tendent à « moyenner » le style, ce qui rend l’attribution d’un auteur difficile, même avec des astuces de prompt.
Mécanismes de perte de style et de précision
Le texte indique que les modèles de génération de langage, lorsqu’ils reçoivent un prompt détaillé, doivent faire des hypothèses pour « coudre » le texte. Cette étape introduit une ambiguïté lexicale : le modèle choisit souvent des termes généraux afin d’éviter des erreurs logiques, alors que l’auteur humain aurait pu préciser le sens exact. Cette tendance à la généralisation se traduit par une perte de précision, observable même lorsque le rédacteur connaît parfaitement le sujet. De plus, l’absence de processus de réflexion externe (écriture à la main) empêche le rédacteur de confronter ses idées, ce qui, selon l’auteur, réduit la capacité à repérer des incohérences internes.
Conséquences sur la lecture et la collaboration
L’auteur rapporte une expérience personnelle : il lit le texte généré par IA au moins un tiers plus lentement que le même texte rédigé par un humain. Cette donnée, bien que subjective, illustre un coût cognitif supplémentaire lié à la nécessité de désambiguer les mots et de combler le manque de contexte stylistique. Le texte ajoute que les modèles sont « extrêmement verbeux », augmentant le nombre total de tokens et, par conséquent, le temps de lecture. Cette verbosité, combinée à la perte de style, peut annuler les gains de productivité annoncés pour le rédacteur, surtout dans des scénarios collaboratifs où plusieurs itérations sont nécessaires. Enfin, le texte mentionne un impact sur la confiance entre lecteur et auteur : l’absence de repères stylistiques affaiblit la perception d’authenticité, ce qui peut freiner l’adoption de l’IA dans des contextes où la transparence est attendue.
