40+ mots et expressions qui trahissent ChatGPT

En 2024, au moins un article biomédical sur huit indexé dans PubMed portait la signature lexicale d’une assistance de l’IA, et dans certains pays et certaines revues, cette proportion dépassait deux sur cinq. Personne n’avait besoin d’avouer quoi que ce soit. Quelques mots formels, légèrement théâtraux, faisaient les aveux, apparaissant ensemble dans un même résumé bien plus souvent que le hasard ne l’aurait permis.

Les mots qui trahissent ChatGPT ne sont pas exotiques. Ce sont des mots anglais ordinaires, formels, employés un peu trop souvent, dans des combinaisons qu’un rédacteur attentif alignerait rarement dans un seul paragraphe. Voici la référence complète de travail, plus de quarante d’entre eux, organisés selon l’endroit où ils ont tendance à apparaître, avec, pour chacun, ce qu’un éditeur attentif emploie à la place. Certains sont assez célèbres pour avoir leur propre réputation. La plupart ne le sont pas, et passent inaperçus précisément parce qu’aucun d’entre eux, pris isolément, ne paraît suspect. Les mécanismes plus larges qui expliquent pourquoi cela se produit relèvent d’un texte compagnon, ici, l’enjeu est la liste elle-même.

Pourquoi ces mots trahissent ChatGPT

Un modèle de langage construit une phrase en choisissant, encore et encore, le mot suivant statistiquement probable, dans un système entraîné à paraître compétent plutôt que distinctif. Cette habitude se manifeste dans le choix des mots, le rythme des phrases, la ponctuation et la structure, et elle est présentée en détail dans le guide de TextPulse sur les schémas d’écriture de l’IA. Le choix des mots est simplement le niveau que le lecteur remarque d’abord, parce que c’est le plus facile à repérer sur la page.

Le choix des mots mérite sa propre référence pour une raison, il est vérifiable. Un lecteur n’a pas besoin d’un abonnement à un détecteur pour remarquer qu’un paragraphe s’appuie à la fois sur cinq ou six mots formels, pauvres en information. Les compter est une compétence que chacun peut acquérir dans le temps nécessaire pour lire cette liste une fois. Le rythme des phrases et la ponctuation sont traités en détail ailleurs sur ce site, le vocabulaire est le seul niveau qui ne récompense le lecteur que par l’attention qu’il y porte.

La liste complète des mots qui trahissent ChatGPT

La liste ci-dessous compte plus de quarante entrées, regroupées selon l’endroit où chaque mot tend à apparaître, prose académique et de recherche, rédaction commerciale et professionnelle, formules de transition stéréotypées, et atténuateurs qui ferment un paragraphe sans dire grand-chose. Environ la moitié proviennent d’une seule vaste étude d’abrégés biomédicaux, le reste est documenté de manière informelle, par exemple par l’analyse, réalisée par un fournisseur de détection, de plus de dix millions de mots de sortie de ChatGPT, ou par une analyse de novembre 2025 qui a relevé l’expression « notable works include » à environ 120 fois son taux habituel dans un texte généré par IA et « today's fast-paced world » à environ 107 fois. Il est utile de distinguer ces deux types de source, un échantillon évalué par les pairs de quinze millions d’abrégés n’a pas le même poids qu’une analyse de la sortie d’un chatbot par un seul analyste, et le tableau ci-dessous ne prétend pas le contraire.

Mot ou expression	Où il se regroupe	Ce qu’un rédacteur attentif utilise à la place
delve (into)	Académique	examiner, étudier
underscore / underscores	Académique	mettre en évidence, montrer
showcase / showcasing	Académique	présenter, démontrer
intricate	Académique	complexe, détaillé
meticulous	Académique	soigneux, approfondi
comprehensive	Académique	complet, exhaustif
notably	Académique	en particulier
crucial	Académique	important, essentiel
exhibited	Académique	a montré
multifaceted	Académique	à multiples facettes
encompasses	Académique	couvre, inclut
facilitates	Académique	aide, permet
elucidates	Académique	explique
discernible	Académique	visible, clair
underpinning	Académique	qui soutient
insights	Académique	résultats, points
within	Académique	dans
across	Académique	dans, à travers
particularly	Académique	en particulier
noteworthy	Académique	qui mérite d’être mentionné
leverage	Business	utiliser
utilize	Business	utiliser
streamline	Business	simplifier
elevate	Business	améliorer, élever
unlock	Business	ouvrir, rendre possible
seamlessly	Business	de manière fluide, sans étapes supplémentaires
cutting-edge	Business	récent, de pointe
robust	Business	solide, fiable
innovative	Business	nouveau
results-driven	Business	efficace
actionable	Business	utilisable, pratique
groundbreaking	Business	nouveau, original
transformative	Business	important, majeur
state-of-the-art	Business	dernier, le plus récent
additionally	Transition	aussi, et
furthermore	Transition	aussi, et
moreover	Transition	aussi
in order to	Transition	pour
due to the fact that	Transition	parce que
a wide range of	Transition	plusieurs, ou le nombre réel
today's fast-paced world	Hedge / closer	nommer l’année réelle ou le domaine
notable works include	Hedge / closer	nommer les deux ou trois qui comptent
aims to explore	Hedge / closer	examine, teste
it is worth noting	Hedge / closer	énoncer le fait directement
plays a vital role in	Hedge / closer	compte pour, façonne
serves as a testament to	Hedge / closer	montre, prouve
boasts	Hedge / closer	a, comprend

"Delve" n’a exactement qu’une ligne au-dessus et rien de plus, c’est déjà le mot le plus documenté de toute cette liste, et répéter ce cas en prose éclipserait les quarante-six autres. Un contrôle plus rapide que la lecture visuelle de tout le tableau consiste à faire passer un brouillon par le nettoyeur gratuit de mots IA de TextPulse, qui signale automatiquement ce type de densité.

Un exemple travaillé

Prenez une phrase qui comporte d’un coup quatre entrées du tableau, « This comprehensive study aims to explore the multifaceted challenges that underscore the pivotal role of policy in modern research. » Chaque mot est réel et chaque proposition est grammaticale, ce qui est précisément le problème. Un éditeur humain la réduirait à quelque chose comme, « This study looks at how policy shapes research, and why it matters. » Aucun fait n’a été perdu. Ce qui a disparu, c’est le remplissage.

Quelle catégorie de mot est l’indice le plus révélateur ?

Le registre académique fournit l’indice le plus net. Dans une étude portant sur 15.1 million d’abrégés PubMed publiés entre 2010 et 2024, « underscores » a atteint environ 14 fois sa fréquence attendue en 2024, et « showcasing » près de 11 fois. Même des mots ordinaires ont évolué, « potential », « findings » et « crucial » sont tous devenus sensiblement plus fréquents, simplement à partir d’un point de départ plus élevé, de sorte que la hausse paraît plus faible en ratio brut bien qu’elle soit réelle. La même équipe de recherche a isolé un groupe de dix connecteurs par ailleurs banals, parmi lesquels « additionally », « comprehensive », « notably » et « within », qui ensemble sont devenus statistiquement inhabituels en tant que groupe, aucun d’entre eux ne signifie grand-chose isolément, mais quatre ou cinq d’entre eux dans un même abrégé, si.

Le même schéma apparaît en dehors de la biomédecine, avec des intensités différentes selon les disciplines. Une analyse distincte d’environ 951,000 articles sur arXiv, bioRxiv et dans les revues de la famille Nature entre janvier 2020 et février 2024 a estimé l’implication probable de LLM jusqu’à 17.5 percent en informatique, contre un plafond plus proche de 6.3 percent en mathématiques et dans le portefeuille Nature. Un directeur de mémoire en sciences humaines et un autre en informatique ne lisent pas le même taux de base de ces mots, ce qu’il vaut la peine de garder à l’esprit avant de traiter un seul essai comme une valeur aberrante. Les articles plus courts et les articles d’auteurs qui publient fréquemment des preprints présentaient aussi plus souvent ce schéma, ce qui correspond à une explication simple, les mots font gagner du temps, et la pression temporelle n’est pas répartie uniformément dans une discipline.

La colonne sur les affaires et la carrière ci-dessus est documentée de manière plus lâche, mais non moins visible. "Aims to explore" est apparu à un rythme environ 50 fois supérieur à sa fréquence normale dans la même analyse de novembre 2025 citée plus haut, et les lettres de motivation, les résumés LinkedIn et les communiqués de presse sont les lieux où "streamline", "elevate" et "results-driven" ont tendance à se regrouper. Un responsable du recrutement qui lit quarante lettres de motivation presque identiques en une après-midi le remarque plus vite que ne le mesure n’importe quelle étude, c’est pourquoi les recruteurs décrivaient déjà ce schéma de façon anecdotique bien avant que quiconque n’en fasse le calcul. Rien de tout cela ne prouve qu’une lettre de motivation donnée a été rédigée par un chatbot. Cela prouve que le vocabulaire de l’écriture d’entreprise et le vocabulaire vers lequel se tourne un modèle de langage se recoupent fortement, ce qui était déjà vrai avant l’existence de ChatGPT et est simplement devenu plus facile à repérer une fois qu’un outil a commencé à en produire autant d’un coup.

Comment la liste continue de changer

La liste n’est pas figée. La propre ligne directrice de Wikipedia pour repérer les ajouts rédigés par une machine, maintenue par des bénévoles qui annulent ce type de modification chaque jour, suit l’évolution de la mode en temps réel. Sa vague de 2023 à la mi-2024 se concentre sur des mots tels que "boasts", "crucial", "pivotal" et "tapestry". À la mi-2025, la même ligne directrice suivait un autre ensemble, comprenant "align with", "fostering" et "showcasing", tandis que des mots plus simples comme "enhance" et "highlighting" portaient une plus grande part du poids qu’un an plus tôt les termes plus voyants n’en avaient porté. Rien de tout cela n’est coordonné de manière centrale.

Une liste figée à un instant donné se démode vite pour exactement cette raison. Ce qui tient, c’est l’habitude sous-jacente, des mots formels, employés un peu trop souvent, quels que soient ceux qui sont à la mode cette année.

Ces mots prouvent-ils que ChatGPT l’a écrit ?

Non. Un rédacteur soigneux sous la pression d’une échéance, un locuteur non natif de l’anglais qui cherche un vocabulaire formel sûr, et un étudiant à qui l’on a enseigné exactement ces mots dans un cours d’écriture peuvent tous produire un paragraphe qui obtient un score élevé face à cette liste sans qu’aucun chatbot ne soit à proximité. Considérer le tableau ci-dessus comme une preuve de faute est l’erreur qui conduit à accuser à tort des rédacteurs soigneux, et il vaut la peine de la nommer comme une erreur plutôt que de la répéter en silence. Les propres produits de TextPulse existent parce que le problème inverse est tout aussi réel, un texte humain authentique, malchanceux au point de regrouper quelques-uns de ces mots dans un seul paragraphe, peut être entraîné dans un examen qu’il n’a jamais mérité.

Les détecteurs statistiques fonctionnent sur un signal apparenté mais entièrement différent, décrit dans l’article de TextPulse sur how AI detectors work, et l’humanizer IA de TextPulse fournit un Human Score estimé calculé à partir du texte qui lui est soumis plutôt qu’un verdict émis par un détecteur quelconque. Une liste de mots comme celle-ci constitue un point de départ pour une décision humaine, non un substitut à celle-ci. Le reste de la free tools collection de TextPulse couvre les autres niveaux, le rythme, la ponctuation et la structure, pour toute personne qui vérifie un brouillon complet plutôt qu’un seul paragraphe.

Un seul verbe représente une part plus importante de cette liste que tout autre, et la raison pour laquelle les modèles y ont recours est expliquée séparément. La ponctuation trahit la même chose, et l’habitude du tiret cadratin a sa propre page.

La prochaine fois qu’un paragraphe vous semblera légèrement décalé, ne vous contentez pas de chercher un seul synonyme en pensant avoir corrigé le problème. Examinez plutôt la densité, deux ou trois de ces mots qui font un véritable travail relèvent d’une écriture ordinaire, quatre ou cinq qui ne font aucun travail du tout constituent l’indice, et la différence est quelque chose que tout lecteur peut apprendre à voir sans rien faire passer d’abord par un détecteur.