Voix LLM : pourquoi on la repère et comment la corriger

Passez dix minutes sur des articles de blog écrits depuis la fin 2023 et vous le sentirez : une impression diffuse que tout a été écrit par le même stagiaire un peu trop zélé. C'est la voix LLM, ce registre distinctif et reconnaissable instantanément que les grands modèles de langage adoptent par défaut quand on leur demande de rédiger de la prose. Ce n'est pas un bug d'un modèle en particulier. C'est un artefact structurel de la manière dont ces systèmes sont entraînés, et si vous publiez du texte généré par IA, elle vous coûte de l'attention, de la confiance et de l'engagement, que vous le sachiez ou non.

Le plus étrange, c'est que personne ne sait vraiment la définir. Demandez à un lecteur pourquoi un paragraphe semble écrit par une machine, et il vous parlera des tirets cadratins, du mot « delve », ou d'une fluidité vaguement corporate. Mais les détecteurs fondés sur des caractéristiques de surface échouent en permanence, et beaucoup d'auteurs humains utilisent des triades et des précautions oratoires. Il se passe quelque chose de plus profond, et le comprendre compte si vous construisez des produits qui génèrent du texte, ou si vous essayez simplement d'écrire des prompts qui ne produisent pas de la bouillie.

À quoi ressemble vraiment la voix LLM

Les signes les plus connus relèvent du vocabulaire : « delve », « landscape », « tapestry », « testament », « furthermore ». Mais se focaliser sur des mots isolés passe à côté du vrai signal. J'ai relu des milliers de lignes de texte généré en construisant des outils d'écriture, et les motifs qui trahissent réellement ce style se situent au niveau de la phrase et du paragraphe :

• Addiction à la règle de trois. « C'est rapide, fiable et évolutif. » « Clair, concis et convaincant. » Les LLM recourent sans cesse aux triades, parce qu'elles correspondent à du « bon style » dans leurs données d'entraînement. Les humains les utilisent de temps en temps. Les modèles les utilisent une phrase sur trois.
• Structure de paragraphe symétrique. Phrase d'accroche, trois arguments de soutien, puis une phrase de conclusion qui reformule le sujet. Pour chaque paragraphe. Les vrais rédacteurs varient énormément : certains paragraphes ne font qu'un mot.
• Fausse prudence. « Il convient de garder à l'esprit que... » « Il est important de considérer... » Le modèle reconnaît la complexité sans jamais prendre position. C'est l'équivalent rédactionnel d'un haussement d'épaules.
• Parallélisme négatif. « Ce n'est pas seulement X, c'est Y. » « Il ne s'agit pas de vitesse, mais de confiance. » Une fois qu'on repère cette construction, on la voit partout, parce que les modèles l'emploient sans relâche pour fabriquer de l'emphase.
• Dérive vers le résumé. Le texte LLM répète constamment ce qu'il vient de dire. « En d'autres termes... » « En fin de compte, l'essentiel à retenir est... » Les auteurs humains vous font confiance pour avoir suivi.
• Platitude émotionnelle. Ni agacement, ni enthousiasme, ni confusion qui reste en suspens. L'affect est uniformément agréable et professionnel, comme un chat de service client.

Le fil conducteur : la voix LLM est ce qu'on obtient quand chaque décision locale est « le choix statistiquement le plus sûr ». C'est une prose sans aucun risque. Et les lecteurs, même ceux qui seraient incapables de nommer le moindre signe, ressentent cette absence de risque comme une forme de fadeur.

Pourquoi le RLHF ancre ces signes

Ce n'est pas un hasard. Cette voix est la conséquence prévisible du processus d'entraînement, et il vaut la peine d'en comprendre le mécanisme si l'on veut la combattre.

Les modèles de base, entraînés sur du texte brut d'internet, sont stylistiquement chaotiques : ils imitent volontiers un message de forum délirant ou un article académique dense. La voix que nous reconnaissons vient de la seconde étape : l'apprentissage par renforcement à partir de retours humains. Des évaluateurs humains, qui parcourent des milliers de réponses sous contrainte de temps, récompensent systématiquement les réponses qui sont :

• Polies et sans prise de position (aucun évaluateur n'a jamais pénalisé une précaution oratoire)
• Structurées (les puces et les intertitres facilitent la notation)
• Complètes (une réponse qui couvre tous les angles paraît plus utile qu'une réponse qui tranche)
• Grammaticalement impeccables (les fautes de frappe sont sanctionnées, les tics d'écriture le sont encore davantage)

Agrégez ces préférences sur des millions de comparaisons et vous obtenez un signal de récompense qui pointe droit vers le centre statistique de « professionnel, serviable, inoffensif ». Chaque modèle entraîné ainsi (GPT, Claude, Gemini, Llama) converge vers le même attracteur. Des laboratoires différents, des données différentes, la même voix. C'est l'indice que la cause est la méthode, et non le modèle.

Il existe un second mécanisme, plus subtil. À mesure que le texte généré par IA envahit internet, il entre dans les données d'entraînement de la génération suivante de modèles. La voix commence à s'alimenter elle-même. Des chercheurs l'ont documenté pour la traduction automatique et les modèles d'images ; la prose ne fait pas exception. Le résultat est une régression stylistique vers la moyenne, qui s'amplifie à chaque cycle d'entraînement. Cela signifie aussi que ces signes sont contagieux pour les humains : on a déjà vu « delve » et « genuinely » s'infiltrer dans l'écriture humaine, à mesure que les gens absorbent les productions des LLM, ce qui brouille encore davantage la détection.

La voix LLM n'est pas un style que le modèle a choisi. C'est le centroïde de tout ce que les évaluateurs humains ont été entraînés à récompenser, et ça s'entend.

Pourquoi elle vous coûte réellement des lecteurs

Voici une raison pragmatique de s'en soucier, au-delà de l'esthétique. Quand nous lisons, nous modélisons en continu l'esprit de l'autre côté du texte : ses intentions, sa confiance, la question de savoir si elle vaut la peine d'être écoutée. La voix LLM brise cette simulation. Les phrases sont grammaticalement correctes, mais la personne derrière elles n'est pas là. Les lecteurs le vivent comme un malaise diffus, puis un ennui, puis la touche retour arrière.

Je l'ai vu se produire avec des outils de support. Des équipes injectent les sorties brutes du modèle dans les réponses aux clients et découvrent que l'abandon des tickets augmente, alors même que le temps de réponse est tombé à quelques secondes. Les clients ne pensent pas consciemment « ceci a été écrit par un LLM ». Ils pensent « ça ne mène nulle part » et arrêtent de lire. Une faible densité d'information, avec toutes ces précautions et ces résumés, fait que la réponse utile se trouve à la neuvième phrase d'une réponse de douze.

Il existe aussi une externalité de confiance. Dès qu'un lecteur tombe sur un article à la voix LLM sur votre site, il se met à suspecter tous les autres. Les outils de détection qui prétendent repérer les textes IA sont peu fiables (j'ai vu certains signaler des empreintes stylistiques réellement ambiguës), mais cela compte peu, car la réaction instinctive du lecteur se déclenche bien avant qu'il ne songe à utiliser un outil. Un contenu perçu comme généré par IA empoisonne aussi votre contenu écrit par des humains.

Des techniques de prompt qui font vraiment bouger les lignes

Vous ne pouvez pas vous extraire entièrement de l'attracteur du RLHF par le prompt, mais vous pouvez aller étonnamment loin. L'erreur la plus courante consiste à demander une écriture « naturelle » ou « humaine », or la notion de naturel du modèle est la voix LLM. Attaquez plutôt les mécanismes précis :

You are drafting a product update email.
Hard constraints:
- Never use triads or lists of three adjectives.
- Never start a sentence with "It's" or "This".
- No hedging phrases ("bear in mind", "it's important").
- Vary sentence length: at least two sentences under 6 words.
- Take a position. If something is a trade-off, say which side you'd pick.
- Do not summarize or conclude. End on the strongest point.
Here is a paragraph written by our founder last month. Match this rhythm and vocabulary:
"Ship it Friday. The sync bug is ugly but it only hits multi-tab users, and the workaround is a refresh. Waiting two more weeks to fix it properly costs us the changelog window, and honestly, I'm tired of explaining the delay."

Trois éléments de ce prompt font un vrai travail. D'abord, les contraintes négatives ciblent des modes d'échec précis (triades, précautions, phrases de résumé) plutôt que des impressions vagues. Ensuite, l'exemple de style fait plus que n'importe quel adjectif : donner au modèle un échantillon humain concret à imiter l'oriente vers un autre point de l'espace des styles. Enfin, exiger une longueur de phrase variable brise le rythme métronomique, qui est à lui seul le signe inconscient le plus visible.

Une astuce supplémentaire, qui a plus de poids qu'il n'y paraît : demandez quelque chose que le modèle juge légèrement inconfortable. « Écris comme si tu étais un peu agacé par la deadline » ou « reconnais ce que nous avons raté ». Les modèles optimisés par RLHF détestent être négatifs ; forcer un registre émotionnel précis les arrache au ton agréable et professionnel par défaut. Le résultat doit toujours être relu, mais il arrive avec un pouls.

La passe d'édition : soustraire, pas réécrire

Le prompt vous mène déjà aux trois quarts du chemin. Les derniers 30 % relèvent d'une passe d'édition mécanique, qui consiste surtout à supprimer. Quand je retravaille des brouillons générés, je fais quatre balayages :

• Supprimez le premier et le dernier paragraphe. Les introductions LLM tournent autour du pot et les conclusions résument. Aucune des deux ne contient d'information. Cette seule coupe retire une part étonnante de l'odeur.
• Éliminez chaque précaution. Repérez « il faut garder à l'esprit », « il est important de », « on peut dire que », « généralement », « typiquement », « souvent ». Dans la moitié des cas, la phrase tient très bien sans eux ; dans l'autre moitié, vous ne disiez rien de toute façon.
• Cassez le rythme. Repérez la plus longue suite de phrases de longueur moyenne et transformez-en une en fragment. « On livre vendredi. » Les fragments sont le moyen le moins coûteux de signaler un pouls humain.
• Insérez un élément précis que le modèle ne pouvait pas connaître. Un vrai chiffre tiré de vos logs, un nom, une date, une opinion réelle sur un compromis. La spécificité est la seule chose que le centroïde du RLHF ne peut pas imiter, parce qu'elle suppose de s'engager.

C'est rapide (quinze minutes pour un brouillon de mille mots) et cela fonctionne précisément parce que la voix LLM est un petit ensemble d'habitudes répétées, superposées à une prose par ailleurs compétente. Vous ne réécrivez pas : vous poncez les empreintes.

Pour les équipes qui font cela à grande échelle, il vaut la peine de transformer ce balayage en étape de lint : un script simple qui signale les triades, les formules de précaution et les longueurs de phrases uniformes attrape automatiquement l'essentiel du problème. Plusieurs linters de prose open source peuvent être configurés avec des jeux de règles personnalisés ; intégrez-en un à votre chaîne de contenu comme vous lintez du code. Si vous investissez déjà dans la mesure des performances de l'IA sur des tâches réelles, ajoutez « pourcentage de phrases signalées » à vos métriques.

Où la prose LLM est acceptable, et où elle ne l'est pas

Ma position, après quelques années à construire et déployer des systèmes de génération de texte : adaptez l'outil aux attentes du lecteur, et arrêtez de prétendre qu'une seule politique convient à tout.

Si le texte s'adresse à un processus plutôt qu'à une personne (une lettre type à un service administratif, un rapport de conformité que personne ne lira, une description d'API destinée à être consommée par une machine), laissez le LLM l'écrire sans vous en excuser. Personne ne mobilise sa simulation intérieure dans ces cas-là ; il n'y a pas de lecteur à aliéner. Honnêtement, une part croissante de la documentation sera de toute façon lue principalement par d'autres modèles, qui n'ont pas le frisson de la vallée de l'étrange.

Mais si le texte sert à convaincre, inspirer confiance ou penser (un article de blog, un document de conception qui a besoin d'adhésion, un e-mail demandant à quelqu'un de changer d'avis), le calcul s'inverse. Là, le modèle est mieux utilisé comme critique que comme nègre. Demandez-lui d'attaquer votre brouillon : « où est-ce vague, où l'argument saute-t-il une étape, où un lecteur sceptique bondirait-il ? » Cela exploite les points forts du modèle, qui est réellement excellent en critique, sans laisser sa voix approcher votre prose. Ceux qui tirent le meilleur parti des LLM pour l'écriture les traitent comme un éditeur brillant et infatigable dont on ignore poliment les réécritures proposées.

Et il y a une vérité plus dure sous ces conseils de métier : écrire, c'est pour beaucoup d'entre nous la manière de penser. L'effort pour faire entrer un argument dans des phrases est souvent l'endroit où l'argument se forge réellement. Déléguez entièrement la rédaction, et vous déléguez aussi cette part-là. On entend le résultat : une prose qui ne va nulle part, parce que personne n'a rien pensé en la produisant.

En pratique

La voix LLM n'a rien de mystérieux, et elle ne disparaîtra pas d'elle-même : les mêmes incitations d'entraînement qui l'ont créée sont toujours en place, et aucun laboratoire de pointe n'a montré une réelle capacité à la corriger à la source. La responsabilité vous revient donc, et elle se répartit clairement :

• Vous générez à grande échelle ? Contraignez le prompt mécaniquement (pas de triades, pas de précautions, variance de longueur de phrase imposée), fournissez un exemple de style humain, et passez la sortie au lint.
• Vous écrivez quelque chose qui compte ? Rédigez-le vous-même, utilisez le modèle comme critique, et ne laissez jamais ses formulations suggérées entrer dans votre brouillon, car chaque suggestion acceptée est une petite greffe de voix.
• Du texte destiné à un processus ? Livrez la sortie brute et consacrez votre temps d'édition aux endroits où des humains lisent réellement.

Le point essentiel, c'est que la voix n'est pas une décoration : c'est la preuve d'un esprit. Les lecteurs sont extraordinairement doués pour détecter son absence, et ils le sont de plus en plus chaque mois, à mesure qu'internet se remplit de l'alternative. Les équipes qui gagneront les prochaines années de contenu assisté par IA ne seront pas celles qui produisent le plus de texte. Ce seront celles dont le texte sonne encore comme quelqu'un.