Votre IA écrit comme un humain : la nouvelle arnaque du contenu propre

En janvier, Numerama racontait une petite merveille de l'économie circulaire numérique : des bénévoles de Wikipédia recensent les signes d'écriture artificielle pour nettoyer l'encyclopédie ; un développeur récupère cette liste et en fait Humanizer, un outil qui aide les modèles à éviter ces mêmes signes. Le mode d'emploi de la détection devient celui du camouflage. Difficile de trouver une meilleure publicité pour l'absurdité de notre époque.

Le projet WikiProject AI Cleanup est né de la nécessité de repérer des ajouts générés par des modèles et de vérifier leur conformité aux règles de Wikipédia. Ses bénévoles ont accumulé des exemples : formules grandiloquentes, conclusions mécaniques, transitions qui brassent de l'air, emphase typographique, mais aussi références douteuses. La liste n'est pas un test scientifique capable d'attribuer un texte à une machine. C'est un guide d'observation destiné aux contributeurs.

Le guide public de Wikipédia insiste d'ailleurs sur cette distinction : ses indicateurs sont descriptifs, non prescriptifs, et certains ne valent que dans le contexte encyclopédique. Une tournure suspecte ne constitue pas une preuve. Un humain peut écrire comme ChatGPT. Un modèle peut rédiger sans laisser ses signatures habituelles. Le simple fait de supprimer une antithèse automatique ne transforme pas le texte en enquête sérieuse.

L'astuce de Humanizer est précisément de retourner la liste. Plutôt que de repérer « pas X mais Y », les introductions solennelles et les affirmations vagues, on demande au modèle de les réécrire. L'outil recommande aussi de conserver les faits, les nombres, les citations et les liens. Sur ce dernier point, il propose une véritable discipline d'édition. Sur le premier, il rend mécaniquement moins utile une partie du flair des chasseurs de tics.

Le titre de Numerama joue à juste titre sur le retournement, mais « c'est déjà foutu » est une conclusion plus large que les faits. Ce qui est fragilisé, c'est une stratégie de détection fondée sur des signes visibles et facilement corrigeables. Ce n'est ni la preuve qu'aucune détection n'est possible, ni celle que tout texte retravaillé devient indiscernable.

Dans un entretien accordé à IEEE Spectrum, une contributrice du projet, Ellia Lebleu, décrit le glissement des indices grossiers vers des caractéristiques plus structurelles : répétition des constructions en trois temps, parallélismes négatifs et comportements de publication anormaux. Le contexte de production compte autant que la prose. Un compte qui soumet plusieurs textes très longs en quelques minutes ne soulève pas les mêmes questions qu'un contributeur qui rédige lentement un article documenté.

La même contributrice explique avoir utilisé un détecteur pour estimer la part de nouveaux articles et brouillons générés par IA. Elle évoque environ 20 % signalés fin 2025, puis 15 à 16 % début 2026, tout en reconnaissant qu'on ne sait pas si la baisse traduit un effet des règles ou un retard de l'outil face aux modèles. Un score de détection ne mesure pas directement la réalité. Ces chiffres sont des estimations dépendantes d'un détecteur, pas un recensement certain de toutes les contributions.

Plus important encore, le projet de nettoyage distingue les sources inventées des sources réelles mais mal utilisées. Il donne l'exemple d'un article sur un insecte appuyé sur des publications authentiques qui parlaient en réalité d'autre chose. La bibliographie peut être impeccable en apparence et fausse dans sa fonction. C'est moins spectaculaire qu'un paragraphe rempli de clichés. C'est autrement plus dangereux pour un lecteur.

Transposons cela au marketing B2B. Une équipe produit un livre blanc avec une IA. Le premier jet déborde de « leviers stratégiques », de « paysages en mutation » et de « synergies » dont personne ne sait très bien ce qu'elles font dans la phrase. Un second agent applique Humanizer. Le texte gagne en netteté. Les tournures deviennent moins convenues. L'amélioration est réelle, mais elle concerne d'abord la forme. Rien ne dit que le livre blanc répond à une objection commerciale ou présente une information nouvelle.

Il faut reconnaître ce mérite : un mauvais style coûte du temps au lecteur et peut brouiller le raisonnement. Retirer les remplissages est utile. Ce serait idiot de défendre les paragraphes creux au nom de la transparence sur l'IA. Mais supprimer les symptômes ne traite pas nécessairement la maladie. Un texte peut être fluide, sobre et intégralement interchangeable avec celui d'un concurrent.

C'est même le risque le plus intéressant pour une équipe éditoriale. Dès que les entreprises adoptent les mêmes modèles, les mêmes consignes de rédaction et les mêmes outils de « naturalisation », elles peuvent fabriquer des textes moins reconnaissables comme artificiels, mais plus homogènes entre eux. La disparition des tics ne garantit aucune singularité. Celle-ci vient des questions posées, des preuves recueillies, des contradictions acceptées et des décisions que le contenu aide à prendre.

On retrouve ici le problème que j'avais examiné dans l'analyse sur les agents IA et leurs critères d'évaluation : si un système apprend à satisfaire une grille, il peut progresser sur la grille sans progresser sur la mission. Appliqué au style, le mécanisme est presque caricatural. Le texte ne sent plus l'IA : le tableau de bord applaudit. Et le prospect continue de chercher une réponse à sa question.

Il existe une différence entre réviser une phrase et assumer une publication. Le premier geste peut être automatisé assez loin. Le second exige de savoir qui répond des chiffres, qui peut défendre les sources et qui décide qu'une affirmation n'est pas suffisamment étayée. La responsabilité éditoriale ne se délègue pas à un correcteur de tics. C'est aussi ce que montre le débat de Wikipédia : le problème porte sur la vérifiabilité, les biais, les erreurs et la confiance dans le processus de contribution.

Pour prolonger ce point, j'avais déjà traité la question du droit de veto dans les rédactions pilotées par IA. Ajouter un agent chargé d'humaniser les textes ne répond pas à la question centrale : qui a le pouvoir d'arrêter une publication, même si elle est fluide, bien structurée et agréable à lire ? Le veto doit porter sur les preuves et sur l'utilité, pas sur le nombre de formules suspectes détectées.

Un processus plus solide sépare donc trois examens. D'abord, les faits : chaque source dit-elle réellement ce qu'on lui fait dire ? Ensuite, la pensée : qu'apporte l'article à la compréhension d'un problème précis ? Enfin, la langue : la voix est-elle singulière, les phrases servent-elles le raisonnement, les tics ont-ils été retirés sans effacer l'auteur ? Inverser cet ordre revient à polir la carrosserie avant de vérifier le moteur. Ça brille, jusqu'au premier virage.

Reste une question plus délicate. Si les lecteurs associent certains signes à l'IA, les supprimer peut aussi servir à masquer le rôle réel des outils dans la production. La frontière dépend du contexte et des engagements pris envers l'audience. Un bon style n'est pas une déclaration de provenance. Une entreprise qui promet des enquêtes originales doit pouvoir expliquer sa méthode, pas simplement produire une prose qui semble avoir été tapée par un humain contrarié.

La leçon de cette histoire n'est donc pas de renoncer aux outils de réécriture. Je m'en sers volontiers comme d'un contrôle supplémentaire. Elle consiste à refuser de prendre leur succès pour celui du contenu. On ne reconnaît pas un bon article à son absence de tics. On le reconnaît aux choses précises qu'il permet de comprendre, de vérifier et de décider. Pour l'instant, aucun bouton « humaniser » ne fait ce travail à notre place.