Une étude révèle pourquoi les textes générés par l'intelligence artificielle sont difficiles à lire
29 octobre 2026 · 3 min de lecture
Une recherche menée conjointement par l'Université de New York et l'Université du Texas à Austin démontre systématiquement que les modèles de langage de pointe exploitent excessivement des constructions linguistiques complexes pour les êtres humains. Cette analyse confirme que la perception subjective de difficulté rencontrée par les utilisateurs réguliers d'assistants conversationnels repose sur des faits objectifs mesurables. Les chercheurs ont soumis quatorze systèmes différents, incluant des versions récentes de modèles propriétaires ainsi que des alternatives ouvertes plus modestes, à trois types de tâches distinctes : des dialogues informels, des sessions de programmation informatique et la rédaction d'essais argumentatifs.
L'enquête a porté sur un vaste corpus comprenant cent vingt conversations, quarante-cinq sessions de codage et neuf cent quatre-vingts essais, tous comparés à des textes humains issus de sous-titres de films, de forums techniques et de copies d'élèves. L'étude identifie six catégories précises de constructions que ces systèmes surutilisent fréquemment. Parmi celles-ci figurent des combinaisons de mots rares dans le langage courant, comme l'expression budget de patience du lecteur, ainsi que des éléments de phrase liés mais séparés par de longues interruptions, ce qui surcharge la mémoire de travail. D'autres anomalies incluent l'omission de mots de liaison essentiels, l'empilement excessif de noms communs obligeant le lecteur à déduire les relations entre eux, et l'utilisation de noms communs fonctionnant spontanément comme des verbes.
Un sixième motif problématique concerne l'attribution d'actions humaines à des objets inanimés ou des concepts abstraits, tels qu'une conversation qui mangerait sa propre queue. Bien que ces phrases restent compréhensibles dans leur principe, elles exigent un effort cognitif supplémentaire pour être interprétées correctement. Les résultats montrent une variation significative selon les familles de modèles. Les systèmes plus petits et ouverts produisent des textes plus proches du style humain que leurs homologues massifs. Au sein d'une même famille, la complexité augmente avec le niveau de spécialisation, passant du modèle de base à la version instructive, puis au modèle de raisonnement avancé, suggérant que les phases d'entraînement postérieur sont la cause principale de cette dégradation stylistique.
Les chercheurs attribuent ce phénomène à un changement d'objectif durant l'entraînement. Alors que le langage humain optimise l'équilibre entre facilité de production et clarté de compréhension, les modèles modernes sont de plus en plus entraînés pour exceller en mathématiques, en code et en logique formelle. Dans ces domaines, la justesse est récompensée au détriment de la lisibilité. Le passage de méthodes d'apprentissage basées sur le retour humain à des systèmes utilisant des récompenses vérifiables automatiquement éloigne l'humain de la boucle de rétroaction. Cela conduit les systèmes à développer un dialecte efficace pour compresser l'information et résoudre des problèmes complexes, mais sous-optimal pour la lecture humaine naturelle.
À titre de preuve de concept, l'équipe a entraîné un modèle réduit avec une pénalité favorisant les réponses courtes. Ce système a adopté une préférence marquée pour des formulations concises, même sur des structures de phrases jamais vues durant son apprentissage, contrairement aux humains qui adaptent leur longueur au contexte. Des observations internes à l'industrie corroborent cette analyse, indiquant que l'optimisation récente pour l'efficacité technique et la communication entre machines a créé un style dense et peu naturel pour les lecteurs humains. Certaines améliorations récentes observées sur des versions ultérieures suggèrent toutefois qu'une optimisation ciblée peut restaurer la clarté des phrases et réduire la densité informationnelle excessive.