De nombreux lecteurs l’ont remarqué de manière anecdotique : le texte écrit par des modèles d’IA semble de plus en plus dense, guindé et étrangement épuisant à analyser, même s’il est grammaticalement impeccable. Une nouvelle prépublication publiée sur arXiv met des données linguistiques concrètes derrière cette intuition – et propose une explication de la raison pour laquelle cela se produit.
L'étude intitulée « Pourquoi le langage généré par l'IA est-il si difficile à comprendre ? » a été soumise le 21 octobre par les chercheurs Thomas Hikaru Clark, Matias B. Martin et Kyle Mahowald. S’appuyant sur un nouveau corpus de textes générés par l’IA dans divers domaines, les auteurs ont analysé un ensemble de caractéristiques psycholinguistiques bien établies dans la littérature en tant que marqueurs de difficultés de traitement pour les lecteurs humains – notamment les clauses relatives aux objets, les longues dépendances syntaxiques et les n-grammes basse fréquence. Pour plus de contexte sur cette histoire, consultez notre dernières avancées en IA.
Ce que les chercheurs ont mesuré
La psycholinguistique sait depuis longtemps que toutes les phrases ne coûtent pas le même prix à lire. Les clauses relatives d'objet (« le sénateur que le journaliste a attaqué... ») prennent sensiblement plus de temps à traiter que les clauses relatives d'objet. Les longues dépendances entre les mots obligent les lecteurs à conserver davantage de données en mémoire. Les séquences de mots rares nécessitent plus d’efforts pour être récupérées et intégrées. Ces caractéristiques servent de règle pour mesurer la difficulté à comprendre réellement un texte, par opposition à sa sophistication.
Les chercheurs ont comparé l’écriture générée par l’IA à deux références : le texte écrit par l’homme et les paraphrases produites par traduction aller-retour, un contrôle conçu pour séparer les véritables bizarreries du modèle de la saveur générique de la prose formelle ou machine.
Ce contrôle est important. Les sceptiques pourraient raisonnablement affirmer que le texte de l’IA se lit simplement comme un écrit commercial ou technique – formel, impersonnel et riche en noms – plutôt que de présenter une pathologie distincte. La traduction aller-retour produit un texte avec un registre similaire, légèrement artificiel, sans aucune formation de modèle linguistique derrière. Si les modèles d’IA dépassaient encore cette valeur de référence en termes de mesures de difficulté de traitement, la différence devrait provenir de quelque chose de spécifique dans la façon dont les modèles eux-mêmes ont appris à écrire. C’est essentiellement ce que révèle l’étude.
Ce qu'ils ont trouvé
Les résultats étaient cohérents dans tous les domaines. Par rapport à l’écriture humaine, les neuf modèles frontières et proches de la frontière examinés dans l’étude – un groupe qui comprend des systèmes des familles GPT-5.6, Claude, Llama, DeepSeek et Qwen – ont fait des choix mesurables plus difficiles :
- Davantage de sujets inanimés associés à des verbes animés — le modèle d'écriture caractéristique de l'IA que les abstractions « fouillent », « soulignent » ou « mettent en évidence ».
- Plus de n-grammes basse fréquence, c'est-à-dire des séquences de mots inhabituelles que les écrivains humains produisent rarement.
- Dépendances syntaxiques plus longues, avec des sujets et des verbes séparés par davantage de matériel intermédiaire.
- Plus de noms empilés et, dans le texte conversationnel, des clauses relatives d'objet plus réduites.
L'étude a également documenté des variations substantielles entre les familles de modèles (tous les modèles ne sont pas également difficiles à lire) et a révélé que les modèles d'IA utilisaient ces constructions difficiles plus souvent que les paraphrases de traduction aller-retour, ce qui indique que l'effet est spécifique à la manière dont les modèles sont formés plutôt qu'à un artefact du registre formel.
Cette variation est sans doute l’un des résultats les plus utiles de l’article. Si les difficultés de lecture étaient une conséquence inévitable de l’échelle ou des capacités, tous les systèmes frontières se regrouperaient. Au lieu de cela, l’écart entre les familles suggère que les choix post-formation – la combinaison de données, les signaux de récompense, l’accent mis sur les domaines à fort raisonnement – façonnent visiblement la façon dont la prose d’un modèle atterrit sur un lecteur humain. En d’autres termes, les textes d’IA difficiles à lire sont un résultat de conception et non un sous-produit inévitable de l’intelligence.
L'hypothèse de la densité de l'information
Pourquoi les modèles dériveraient-ils vers un langage plus dur ? Les auteurs proposent et testent une hypothèse : alors que le langage humain a évolué et est appris sous pression pour communiquer avec succès, le texte généré par l'IA est de plus en plus optimisé pour d'autres objectifs - mathématiques, code et tâches de raisonnement - où la pression est vers la densité de l'information plutôt que vers la facilité de compréhension.
Un modèle récompensé pour avoir regroupé les réponses correctes dans moins de jetons apprend des habitudes qui se retrouvent dans la prose : compresser le sens, préférer des formulations précises mais rares, intégrer plus de structure par phrase. Le résultat est un texte qui obtient de bons résultats aux tests de référence tout en devenant de moins en moins naturel pour les lecteurs humains.
Pour tester cette idée, les chercheurs ont mené une expérience de validation de principe : ils ont affiné un modèle de langage avec une pénalité de longueur, l'obligeant à compresser sa sortie. Le comportement linguistique du modèle s'est écarté des modèles humains exactement comme le prédit l'hypothèse, ce qui soutient l'idée selon laquelle la pression d'optimisation, et non les données seules, est à l'origine du changement.
Pourquoi c'est important
Les résultats mettent en évidence ce que les auteurs appellent un désalignement entre les exigences de traitement linguistique des humains et celles implicitement préférées par les grands modèles linguistiques. Ce désalignement a des conséquences pratiques. Les assistants IA qui produisent des textes plus difficiles à lire imposent une taxe cachée sur chaque réponse, et l'effet s'aggrave à mesure que les gens consacrent plus de temps à lire sur des brouillons, des résumés et des explications générés par des modèles.
Les auteurs soutiennent que leur cadre indique des solutions possibles : des moyens de former ou de régler des modèles dont la sortie respecte les limites du traitement humain sans sacrifier les capacités. L'article est une prépublication et n'a pas encore fait l'objet d'un examen par les pairs, mais son observation centrale résonne déjà : l'ouvrage a fait la une de Hacker News le 24 octobre, suscitant un débat actif sur la question de savoir si le compromis entre la performance de raisonnement et la prose lisible est fondamental ou réparable.
Pour l’instant, l’étude donne aux lecteurs un vocabulaire validé pour une frustration familière. Le texte ne s’aggrave pas par accident – il devient plus dense à dessein.
Sources : arXiv:2610.29162, discussion sur Hacker News---
Restez à la Pointe de l'IALes dernières actualités, analyses et percées en IA — au même endroit.
Lire plus d'actualités IA →
