Modèles d'écriture IA : les mots, le rythme et la ponctuation qui la trahissent

Lisez cette phrase une fois et voyez si vous savez déjà d’où elle vient, des chercheurs continuent de souligner l’interaction complexe entre la motivation et la réussite, et un corpus croissant de travaux met en évidence le rôle clé que joue l’autorégulation dans la réussite académique. Rien n’y est faux. Chaque proposition est grammaticale, chaque mot est un vrai mot, et un correcteur ne retirerait pas un seul point. Mais cela se lit quand même comme si cela était sorti d’une machine, parce que c’est le cas. C’est de cela que traite cet article.

Les schémas d’écriture de l’IA sont les habitudes reproductibles, dans le choix des mots, le rythme des phrases, la ponctuation et la structure, qui rendent la prose rédigée par une machine reconnaissable au premier coup d’œil. Ils se regroupent à quatre niveaux, les mots vers lesquels un modèle se tourne, la forme de ses phrases, la ponctuation sur laquelle il s’appuie, et la manière dont il structure un argument dans son ensemble. Aucun d’entre eux, pris isolément, ne prouve quoi que ce soit. Ensemble, dans un seul paragraphe, ils sont difficiles à manquer.

La machine qui fait cela s’appelle un détecteur statistique. Elle attribue un score à la prévisibilité de chaque mot, selon ce qu’un modèle de langage attend. Un rapport contient les calculs de perplexity et de burstiness sous-jacents à ce score, expliqués plus en détail dans un autre article sur how AI detectors work. Le reste de cet article est un catalogue d’indices d’écriture de l’IA qu’un lecteur peut entendre, compter ou montrer du doigt sur la page. Cela peut avoir de l’importance, même si un détecteur se trompe, n’est pas disponible, ou passe à côté de la question. Ce qui suit ici ne nécessite ni modèle ni abonnement.

Pourquoi les schémas d’écriture de l’IA sonnent-ils comme des robots ?

Un modèle de langage fait quelque chose de différent d’une personne au niveau de la phrase, il choisit, encore et encore, le mot statistiquement le plus probable qui suit, dans un système entraîné à paraître compétent plutôt que distinctif. La compétence à cette échelle produit une prose fluide, correcte et vite oubliée, ce qui est à l’origine de cette impression de robot. Un lecteur ne peut souvent pas dire ce qui ne va pas dans un paragraphe de ce type, seulement qu’il paraît plat, et les quatre niveaux ci-dessous sont l’endroit où réside cette platitude.

Le choix des mots est le niveau que les lecteurs remarquent d’abord, des mots formels et théâtraux apparaissant là où ils n’ont pas leur place. Le rythme des phrases est plus discret, un paragraphe où chaque phrase a à peu près la même longueur. La ponctuation et la mise en forme portent leur propre signature, un tiret utilisé comme articulation universelle, une liste à puces fragmentant un texte qui n’était pas une liste dans l’esprit de l’auteur. La structure est la moins visible, une partie qui reformule son propre titre, couvre exactement trois points, puis se termine en se résumant elle-même.

Commencez par les mots, les plus faciles à repérer et les mieux documentés.

Quels mots AI utilise-t-il trop souvent ?

Vous voyez ces mots formels, légèrement théâtraux, revenir sans cesse, "delve", "underscore", "showcase" et "pivotal" comptent parmi les plus documentés. Dmitry Kobak et trois co-auteurs ont entrepris d’identifier ce langage. Ils ont analysé 15.1 million de résumés PubMed de 2010 à 2024 et ont identifié un groupe de mots dont la fréquence a fortement augmenté lorsque ChatGPT a été lancé. "Delve" a connu la hausse la plus marquée, l’étude, publiée dans Science Advances en juillet 2025, estimant sa fréquence en 2024 à environ 28 fois celle d’avant 2023. Les suivants étaient "underscore" et "showcase". Les auteurs estiment qu’au moins 13.5 percent des résumés de 2024 portent des signes d’assistance par AI, ce chiffre dépassant 40 percent dans certains pays et chez certains éditeurs.

La raison pour laquelle les modèles convergent vers ces mots précis est moins établie que le motif lui-même. Une étude COLING 2025 a testé vingt et un mots surreprésentés en fonction de l’architecture du modèle, des données d’entraînement et du retour humain utilisé pour affiner les chatbots, et a conclu que l’étape du retour était l’explication la plus plausible, sans expliquer complètement l’effet. L’interprétation fait aussi l’objet de débats, un échange de 2026 dans la revue PNAS a contesté la manière dont un déplacement de fréquence des mots mesure directement l’usage de AI, ce qu’il convient de garder à l’esprit avant de traiter ici un quelconque chiffre comme un fait établi.

Ce n’est pas vrai seulement pour les résumés d’articles de revue. Dans une étude comparant un demi-million de dissertations d’étudiants et de dissertations générées par IA, les chercheurs ont comparé la longueur des textes et le choix des mots, et ont constaté que les dissertations humaines étaient globalement plus longues et utilisaient un vocabulaire plus riche. Dans une étude des évaluations par les pairs soumises à quatre conférences de machine learning, dont ICLR 2024 et NeurIPS 2023, les chercheurs ont utilisé la même technique pour estimer qu’entre six et quinze pour cent du texte des évaluations avait été substantiellement modifié par un LLM. Il était plus probable qu’il soit affecté par un LLM lorsqu’il était soumis près de la date limite.

Mot ou expression surutilisé par l’IA	Ce qu’un rédacteur attentif utilise à la place
delve (into)	look at, examine
underscore	show, stress
showcase	present, demonstrate
pivotal	main, deciding
robust	solid, reliable
intricate	complex, detailed
meticulous	careful, thorough
tapestry	mix, range
testament	sign, evidence
boasts	has, includes
foster	encourage, support
garner	gain, attract
multifaceted	many-sided, complex
holistic	whole, overall
nuanced	careful, precise
invaluable	useful, valuable
realm	field, area
embark on	begin, start
unlock	open up, make possible
interplay	relationship, link

Aucun de ces mots n’est faux en soi. Une section de méthodes qui qualifie un résultat de robuste emploie correctement ce mot, et un historien qui décrit un argument juridique complexe n’avoue pas parler à un chatbot. Ce qui donne une impression de texte produit par une machine, c’est la densité, trois ou quatre de ces mots dans un seul paragraphe, sans fonction précise, empilés comme un modèle les empile parce que chacun était indépendamment le choix suivant le plus sûr. Un passage rapide avec le nettoyeur gratuit de mots IA de TextPulse signale directement cette densité.

Pourquoi les phrases IA semblent-elles toutes avoir la même longueur ?

Un modèle construit chaque phrase comme il a construit la précédente, au lieu de condenser une idée en six mots à un endroit et de la déployer sur trente ailleurs, de sorte que le texte tend à rester presque toujours de la même longueur. Cette variation, ou son absence, est quelque chose que l’on peut entendre en lisant un paragraphe à voix haute, un exercice différent du score de burstiness qu’un détecteur calcule à partir de la même propriété sous-jacente.

Deux habitudes plus discrètes trahissent le rythme de près. Un modèle aime terminer une phrase par un participe présent suspendu qui suggère une importance sans ajouter d’information, une affirmation suivie d’une mise en avant de la nécessité de recherches supplémentaires ou d’une réflexion sur un changement plus large dans le domaine. Il cherche aussi une structure appariée pour paraître équilibré, sur le modèle de la méthode n’est pas seulement efficace, mais aussi évolutive. Dit une fois, cette construction n’a rien d’exceptionnel. Dite dans chaque paragraphe, elle ressemble à un modèle dont on aurait remplacé les noms.

La règle des trois

Au niveau des groupes de mots aussi, les groupes de trois constituent le rythme par défaut du modèle, trois adjectifs avant un nom, trois exemples dans une liste, trois propositions construites de la même manière à la suite. Des groupes de trois occasionnels ont toujours fait partie de l’anglais. Un groupe de trois bien placé n’est le symptôme de rien. L’indice, c’est la fréquence. Le problème n’est pas trois. Le problème, c’est trois qui apparaît dans presque chaque paragraphe.

Le comptage suffit pour repérer la plupart de ces éléments sans formation particulière. Lisez un paragraphe et notez la longueur de chaque phrase en mots. Si toutes vos marques se situent à quelques mots près de la précédente, le rythme est révélateur. Utilisez le outil gratuit de vérification de burstiness de TextPulse pour automatiser le comptage et le représenter sous forme de graphique, ce qui est utile pour un passage trop long pour être évalué d’un seul coup d’œil, phrase par phrase.

Le tiret cadratin et autres indices de ponctuation

Pourquoi ce signe est devenu la référence

Le tiret cadratin est probablement le signe de ponctuation le plus souvent incriminé dans les textes produits par machine. Vous le connaissez peut-être comme le long tiret qui remplace une virgule, un deux-points ou un point pour relier deux parties d’une phrase. Le tiret cadratin n’est pas nouveau et ce n’est pas quelque chose qu’AI a inventé. Depuis aussi longtemps que les guides de style existent, de Chicago à AP, ils autorisent son usage pour l’emphase et l’interruption. Et de nombreux rédacteurs professionnels l’utilisent intentionnellement.

La raison probable de sa présence si fréquente dans les sorties de machine est banale, ce signe est courant dans la prose éditée et mise en page professionnellement sur laquelle les modèles de langage sont entraînés, et il permet à une phrase de continuer sans se conclure par un point. Un modèle conçu pour produire un texte fluide et lié recourt souvent à cette souplesse, plus souvent que la plupart des gens lorsqu’ils rédigent à la main.

La fréquence varie énormément selon le système qui a produit le texte. Un test comparatif réalisé à la mi-2025 a soumis la même consigne à six chatbots et a compté les occurrences du signe, trois systèmes l’ont rendu huit ou neuf fois en moins de six cents mots, un l’a utilisé deux fois dans près de mille mots, et deux ne l’ont pas utilisé du tout. La fréquence est une propriété du modèle qui a produit le paragraphe devant vous, et non un trait fixe de l’écriture de AI. OpenAI a ajouté en novembre 2025 un réglage qui permet à un utilisateur de demander à ChatGPT de cesser d’utiliser ce signe et de s’y conformer réellement, ce qui rend même cet indice en partie facultatif désormais.

Rien de tout cela ne fait du signe lui-même une preuve de quoi que ce soit. Beaucoup d’auteurs soigneux l’emploient délibérément, et beaucoup de dissertations d’étudiants qui n’ont jamais utilisé de chatbot l’emploient aussi, parfois parce qu’un enseignant leur a appris à le faire. Ce qui mérite d’être vérifié, c’est la densité, une page qui s’appuie sur ce signe à chaque deuxième phrase se lit différemment d’une page qui l’emploie deux fois à dessein. Le suppresseur gratuit de tirets cadratins de TextPulse vérifie cette densité et propose, pour chaque occurrence, la virgule, les deux-points, le point ou le trait d’union qui conviennent.

Puces, texte en gras et en-têtes

Le même niveau concerne les choix de mise en forme en dessous de la phrase. Une liste à puces au milieu d’un texte en prose qui n’a jamais été une liste dans l’esprit de l’auteur. Des en-têtes en casse de titre alors que le reste du document est en casse de phrase. Une expression en gras au début de chaque puce, comme un mini titre. Aucun de ces éléments n’est un signe de ponctuation, mais ils viennent tous du même endroit, un modèle qui met en forme pour une fenêtre de chat, où la structure visuelle se substitue aux transitions que la prose porterait normalement.

Structure et forme de l’argument

Le dernier niveau se situe au-dessus de la phrase et c’est le plus difficile à corriger par un simple remplacement de mot, parce qu’il s’agit de la forme même de l’argument. Une section rédigée par une machine commence souvent par reformuler son propre titre en des termes légèrement différents, avance à travers deux ou trois points d’appui auxquels elle accorde à peu près le même poids, quelle que soit l’importance réelle de chacun, puis se termine en résumant ce qu’elle vient de dire plutôt qu’en ajoutant quoi que ce soit de nouveau.

Une habitude connexe apparaît constamment dans les textes plus longs, une section énumère ce qu’une chose fait bien, pivote sur un mot tel que however, énumère les difficultés dans le même trio ordonné, puis évoque un avenir qui les résoudra vraisemblablement. Les arguments réels sont plus irréguliers que cela. Un auteur humain accorde généralement plus d’importance à un point qu’aux deux autres, lui consacre davantage d’espace, et ne doit pas au lecteur une conclusion symétrique.

C’est aussi le niveau où l’écriture académique formulée de manière stéréotypée peut sembler trompeusement similaire à l’écriture produite par une machine, puisqu’une section de méthodes ou une revue de littérature est censée suivre une forme fixe. La différence se situe à l’intérieur de cette forme. Une revue de littérature rédigée par une machine mentionne les points habituels d’un domaine dans l’ordre habituel. Une revue rédigée par un humain discute des points qui comptent et des raisons pour lesquelles ils comptent, même à l’intérieur d’un modèle rigide, parce qu’une position réelle est défendue.

Ces indices prouvent-ils qu’un texte est écrit par une IA ?

Aucun indice isolé ne prouve quoi que ce soit, et un ensemble complet d’indices non plus. Sous la pression d’un éditeur ou d’un professeur, un rédacteur académique soigneux peut produire des paragraphes présentant plusieurs de ces caractéristiques, comme l’absence de pronoms, mais sans l’aide d’un chatbot. Les rédacteurs dont l’anglais n’est pas la langue maternelle peuvent aussi employer des mots sûrs qu’on leur a enseignés en classe, et les étudiants à qui l’on apprend à utiliser des connecteurs formels peuvent également recourir à nombre de ces caractéristiques. Une liste de mots n’est pas une preuve de faute, c’est une erreur qui peut faire accuser à tort des rédacteurs soigneux. Il faut signaler cette erreur, et non la répéter discrètement.

Ce qu’un outil peut faire de manière responsable, c’est montrer le schéma, et non trancher sur le texte. Ce que nous avons à offrir avec le AI humanizer de TextPulse, c’est une estimation d’un Human Score fondée sur le texte qui lui est présenté. Il s’agit d’une lecture de la position d’un brouillon par rapport à ces schémas de surface, et non d’un verdict de quelque détecteur que ce soit, ni d’une promesse sur ce qu’un autre outil dira demain. C’est un nombre que vous pouvez utiliser comme point de départ pour une décision, de la même manière qu’un correcteur orthographique signale un mot sans décider si la phrase qui l’entoure est bonne ou non.

Chaque indice ci-dessus a sa propre page. Le vocabulaire lui-même est répertorié dans un article sur words that give away ChatGPT, avec des traitements distincts de l'habitude du tiret cadratin et de pourquoi les modèles privilégient un verbe en particulier. Les étiquettes plus larges sont aussi abordées, ce que signifie AI slop, ce que signifie AI fluff, et un guide pratique pour déterminer si quelque chose a été écrit par AI. Si le problème concerne vos propres brouillons plutôt que ceux de quelqu'un d'autre, il existe un article sur la suppression des mots AI de votre écriture.

La prochaine fois que vous lirez votre prose et que quelque chose vous semblera un peu étrange, ne vous contentez pas de trouver un synonyme pour le remplacer. Essayez plutôt de la lire à voix haute. Comptez le nombre de mots dans chaque phrase. Demandez-vous exactement ce que chaque mot fait là. C'est le même examen qu'un éditeur attentif effectuait bien avant que tout cela n'ait un nom.