Des chercheurs de NYU et de l'université du Texas à Austin publient « Why is AI-generated language so hard to understand? », un preprint arXiv mis en ligne le 21 octobre et repris par The Decoder le 26. Ils ont comparé la production de 14 modèles, dont Claude, GPT-5.6, Llama et Olmo, à de l'écrit humain sur trois terrains : conversation, code et essais argumentés. Verdict : les modèles abusent de six constructions syntaxiques connues en psycholinguistique pour ralentir la lecture.
- Les neuf modèles de frontière testés utilisent tous plus de combinaisons de mots rares que les rédacteurs humains. Tous donnent aussi des verbes d'action à des sujets inanimés (« la conversation se mord la queue »).
- La cause avancée : le post-entraînement orienté math, code et raisonnement récompense la densité d'information, pas la facilité de lecture. Plus un modèle est « raisonneur », plus il s'éloigne de l'écrit humain.
- Un finetuning ciblé corrige le tir : Claude Opus 5.5 produit une syntaxe plus proche de l'humain que son prédécesseur Opus 5 dans 19 comparaisons sur 21.
La syntaxe trahit l'IA, même sans un seul mot cliché
L'équipe a constitué un corpus de 120 conversations, 45 sessions de code et 980 essais, confrontés à des références humaines : sous-titres de films, StackExchange et copies d'étudiants. Six motifs ressortent. Des combinaisons de mots quasi inexistantes chez l'humain. Des éléments liés placés loin l'un de l'autre dans la phrase, ce qui sollicite la mémoire de travail. Des relatives réduites sans connecteur. Des noms empilés dont il faut deviner lequel modifie lequel. Des noms transformés en verbes. Et des sujets inanimés dotés de verbes d'action.
L'explication proposée vise le post-entraînement. Le passage du RLHF au RLVR (récompenses vérifiables sur les maths et le code) sort l'humain de la boucle de feedback. Dans la famille de modèles ouverts Olmo, l'écart avec l'écrit humain grandit du modèle de base au modèle instruct, puis au modèle de raisonnement. Les auteurs l'ont vérifié en preuve de concept : ils ont affiné un petit modèle avec une simple pénalité de longueur. Il s'est mis à préférer les formulations courtes partout, même là où un humain choisit la forme longue.
Le précédent, c'est le guide « Signs of AI writing » des éditeurs de Wikipedia, publié à l'été 2025. Il catalogue des tics lexicaux et de ton : adjectifs promotionnels, règle de trois, conclusions passe-partout. L'étude descend un niveau plus bas. Interdire « delve » ou « crucial » dans un prompt ne répare pas une dépendance syntaxique de quinze mots. Deux limites quand même. Les références humaines (sous-titres, forums) ne représentent pas l'écrit web professionnel. Et le preprint n'a pas encore été relu par les pairs.
Mon avis : notable. Chez Anthropic, l'ingénieur finetuning Jackson Kernion le reconnaît auprès de The Decoder. L'optimisation math et code a poussé Claude vers un style dense, pensé pour une « psychologie de LLM » plus que pour le lecteur. Opus 5.5 a été corrigé sur ce point précis, et l'étude mesure le progrès. Pour les équipes contenu qui produisent avec l'IA, la qualité de lecture se joue dans le choix du modèle et les consignes syntaxiques, pas dans une liste de mots interdits.
Vos consignes anti-cliché ne suffisent plus
Si vous produisez des pages à grande échelle avec l'IA, ces motifs fatiguent vos lecteurs autant que le vocabulaire. Un texte peut passer tous les filtres lexicaux et rester pénible, parce que chaque phrase empile quatre noms et éloigne le sujet du verbe. Si vous éditez des contenus générés, la relecture doit porter sur la structure des phrases. Une idée par phrase, un acteur nommé en sujet, des compléments proches de ce qu'ils complètent. Le choix du modèle pèse aussi. Les petits modèles ouverts comme Llama ou Olmo base restent les plus proches de l'écrit humain, les gros modèles de raisonnement s'en éloignent le plus. Si vous rédigez tout à la main, rien ne change, sinon un argument de plus pour le revendiquer.
- Prends dix contenus générés récents et compte les sujets inanimés suivis de verbes d'action dans les introductions : c'est le motif le plus répandu chez tous les modèles testés.
- Ajoute trois règles syntaxiques à tes consignes de génération : sujet acteur nommé, moins de 20 mots par phrase, deux noms accolés maximum.
- Compare ton modèle habituel et Opus 5.5 sur le même brief, puis fais relire les deux sorties à un collègue sans lui dire laquelle vient d'où.
Sources
- arXiv - Why is AI-generated language so hard to understand? (21 octobre 2026)
- The Decoder - Researchers find six patterns that make AI text so exhausting to read (26 octobre 2026)
- Wikipedia - Signs of AI writing (2025)
Source : The-decoder.com
Cet article a été rédigé avec l’assistance d’un modèle de langage (LLM).
