Quand l’IA écrit, quelle voix reste-t-il ?
Lecture commentée de l’article "When AI Writes, Whose Voice Remains? Quantifying Cultural Marker Erasure Across World English Varieties in Large Language Models"
Introduction — l’IA corrige-t-elle… ou normalise-t-elle ?
On demande souvent aux grands modèles de langage de "rendre un texte plus pro", "corriger l’anglais", "reformuler proprement". Dit comme ça, difficile de s’y opposer. Qui serait contre un peu de clarté, deux fautes en moins, et un email qui n’a pas l’air d’avoir été rédigé dans un ascenseur émotionnel ?
Et pourtant, le papier de Satyam Kumar Navneet, Joydeep Chandra et Yong Zhang pose une question beaucoup plus fine, et franchement plus intéressante : quand une IA réécrit un texte, est-ce qu’elle améliore seulement la forme, ou est-ce qu’elle efface aussi une manière d’habiter la langue ?
C’est là que ce travail devient important. Il ne parle pas de fautes grossières, ni de haine en ligne, ni de biais spectaculaires. Il s’intéresse à quelque chose de plus discret : l’érosion de marqueurs culturels dans des variétés d’anglais du monde, ici l’anglais indien, singapourien et nigérian, lorsqu’un grand modèle de langage (LLM, Large Language Model) est chargé de "professionnaliser" ou de clarifier un texte. Les auteurs donnent un nom à ce phénomène : "Cultural Ghosting", autrement dit une disparition des traces culturelles du locuteur alors même que le sens global reste intact.
D'une formation littéraire à la base je pense fermement que les différences nous enrichissent, le langage nous donne accès à l’altérité, ce qui tombe biens car cela cadre très bien avec le cœur philosophique du papier. Mais l’article oblige à raffiner cette posture. Le danger n’est pas seulement que les LLM nous fassent tous parler pareil, comme un open space mondial légèrement trop poli. Le danger est plus subtil : ils peuvent préserver ce qu’on dit tout en effaçant la manière depuis laquelle on le dit. Ils gardent le message, mais limant l’angle, ils affadissent le point de vue. Comme un fer à repasser posé sur une étoffe riche : le tissu reste là, bien sûr, mais les plis qui racontaient son histoire disparaissent.
Le cœur du papier — mesurer l’effacement, pas juste le pressentir
Le mérite principal de ce travail est de transformer une intuition sociale en protocole mesurable. Les auteurs construisent un corpus de 1 490 textes contenant des marqueurs culturels issus de plusieurs sources, notamment des emails, des posts de réseaux sociaux et des articles de presse. Ils recensent 108 marqueurs linguistiques spécifiques, répartis entre trois variétés d’anglais : indien, singapourien et nigérian.
Ces marqueurs sont de trois types. Certains sont lexicaux, c’est-à-dire liés au vocabulaire ou à des expressions stabilisées. D’autres sont pragmatiques, donc liés aux usages de politesse, à la relation sociale, à la distance hiérarchique, à la manière de se situer face à l’autre. Enfin, certains sont syntaxiques, relevant de tournures grammaticales particulières. Le papier donne des exemples très parlants : "Kindly do X" devient "Please do X", "Respected sir" devient "Hello", "Do the needful" devient "Take necessary action". Le sens n’explose pas ; il se décape.
Pour tester cela, les auteurs font passer ces textes dans cinq modèles open source avec trois types de prompts. Le prompt de base demande de rendre le texte plus professionnel et grammaticalement correct. Un second prompt est plus neutre et demande surtout d’améliorer la clarté. Un troisième demande explicitement d’améliorer le texte tout en préservant la voix culturelle et les expressions régionales. Au total, cela produit 22 350 sorties générées par les modèles.
Pour quantifier le phénomène, le papier introduit deux métriques. La première, IER (Identity Erasure Rate, taux d’effacement identitaire), mesure la proportion de marqueurs culturels qui disparaissent pendant la réécriture. La seconde, SPS (Semantic Preservation Score, score de préservation sémantique), mesure à quel point le sens du texte reste proche de l’original. C’est une idée simple et puissante : on peut enfin séparer l’identité stylistique de la fidélité au contenu.
Et c’est précisément cette séparation qui produit le résultat le plus frappant du papier.
Le résultat le plus fort — le sens reste, la voix s’en va
Les auteurs parlent d’un "Semantic Preservation Paradox" : les modèles conservent bien le sens, mais effacent malgré tout des marqueurs culturels. En moyenne, sur l’ensemble des sorties, l’IER atteint 10,26 %, tandis que le SPS moyen monte à 0,748. En clair : l’IA garde globalement ce que vous vouliez dire, mais elle retire régulièrement des indices sur qui parle, d’où, et selon quelles normes relationnelles.
C’est une découverte importante, parce qu’elle casse une idée trop commode : celle selon laquelle homogénéiser la forme serait juste le prix à payer pour préserver le sens. Le papier montre au contraire que cette opposition est largement artificielle. Les auteurs écrivent que le compromis entre authenticité culturelle et fidélité sémantique est faux : le prompt de préservation culturelle réduit l’effacement de 29 % sans sacrifier la qualité sémantique, qui augmente même légèrement dans leurs résultats.
Autrement dit, non, garder une voix située n’est pas forcément être moins clair. La clarté n’exige pas la standardisation. C’est un point essentiel, et il mérite d’être retenu bien au-delà de ce papier.
Tous les marqueurs ne souffrent pas pareil
L’autre résultat très fort concerne la vulnérabilité inégale des marqueurs. Les auteurs montrent que les marqueurs pragmatiques sont de loin les plus exposés. Leur taux d’effacement atteint 71,5 %, contre 56,3 % pour les marqueurs syntaxiques et 37,1 % pour les marqueurs lexicaux. Le papier résume cela d’une formule nette : les marqueurs pragmatiques sont 1,9 fois plus vulnérables que les marqueurs lexicaux.
Pourquoi est-ce si important ? Parce que ce sont justement ces marqueurs pragmatiques qui portent le plus de social. Ils disent la hiérarchie, la déférence, la chaleur, la solidarité, l’atténuation, parfois même une manière locale d’éviter la brutalité d’un impératif. Quand "Respected Sir" devient "Hello", ce n’est pas seulement une reformulation plus courte. C’est un changement dans la texture relationnelle du message. Quand "Kindly" devient "Please", il ne s’agit pas uniquement d’un synonyme plus international : une certaine manière de baliser la relation disparaît.
Comme je l'ai dit plus haut, je crois dur comme fer que la langue ouvre à l’altérité. Mais ce papier suggère quelque chose d’encore plus précis : l’altérité linguistique ne se loge pas seulement dans des mots "exotiques" ou des expressions pittoresques. Elle habite les micro-réglages de la relation. Ce que les LLM effacent d’abord, ce n’est pas seulement du vocabulaire ; c’est une façon d’être avec autrui.
Les modèles n’effacent pas tous de la même manière
Le papier montre aussi des écarts assez marqués selon les modèles. En prompt de base, l’IER varie de 3,5 % à 20,5 % selon le modèle, soit un rapport d’environ 5,9 entre le meilleur et le pire. Les auteurs en tirent une conclusion intéressante : ce n’est pas tant la taille du modèle qui compte que sa stratégie d’alignement et ses données d’entraînement. En d’autres termes, le problème n’est pas "l’IA" en général, ni même simplement "les grands modèles", mais la manière concrète dont on les entraîne à reconnaître ce qui ressemble à du bon style.
C’est un point très utile pour éviter le grand récit fataliste. Ce papier n’annonce pas une catastrophe irréversible où tout finirait en anglais corporate sans accent ni relief. Il montre plutôt que certains choix techniques favorisent davantage la convergence vers des normes occidentales, tandis que d’autres la limitent. Les auteurs vont même jusqu’à tester des pistes d’atténuation plus algorithmiques : du décodage contraint conscient des marqueurs et du reranking contrastif. Sur un sous-ensemble, leur approche de décodage contraint réduit l’IER de 47 % tout en gardant un SPS proche du point de départ.
Voilà qui change beaucoup la conversation. Si l’effacement est mesurable, et si des interventions techniques le réduisent, alors l’uniformisation n’est pas une fatalité naturelle du progrès. C’est un problème de design.
"Cultural ghosting is a design choice, not an inevitability."
Cette phrase, à elle seule, résume le papier, et peut-être même la conclusion de certaines réunions en entreprise.
Pourquoi ce papier dépasse largement la linguistique
On pourrait croire qu’il s’agit d’un débat pour sociolinguistes raffinés, discutant autour d’un thé très sérieux du destin des particules discursives. Ce serait une erreur.
Pour l’IA appliquée, ce papier touche à la question de l’alignement : qu’est-ce qu’un système récompense lorsqu’on lui apprend à "mieux écrire" ? Si la récompense implicite favorise une prose perçue comme standard, neutre, polie selon certaines normes, alors le modèle devient un outil de normalisation culturelle. Et cela vaut pour les assistants d’écriture, le support client, les outils RH, les plateformes éducatives, ou encore les systèmes d’aide à la rédaction professionnelle.
Pour le développement logiciel et la data science, le message est limpide : un pipeline de réécriture ne devrait pas évaluer seulement la grammaire, la lisibilité et la similarité sémantique. Il devrait intégrer une notion de préservation de la voix, au moins quand celle-ci est souhaitée. Sinon, on optimise un système sur des métriques polies et on découvre trop tard qu’il a transformé la diversité linguistique en variable d’ajustement.
Même pour la création de jeux, le papier ouvre une piste passionnante. Les jeux vidéo ont besoin de voix distinctes, de personnages crédibles, de mondes qui sonnent juste. Si un LLM uniformise spontanément les idiolectes, les registres ou les marqueurs culturels, il risque de produire des PNJ qui ont tous fait la même école de communication bienveillante. L’heroic fantasy en sortira peut-être plus correcte, mais certainement moins vivante.
Ce que le papier prouve, et ce qu’il ne prouve pas
Il faut aussi être juste avec l’étude. Elle est convaincante, mais elle a des limites que les auteurs reconnaissent eux-mêmes. Le corpus ne couvre que certaines variétés d’anglais, avec un lexique fini de 108 marqueurs. L’étude repose sur des modèles open source, pas sur les grands modèles propriétaires. Et la validation passe par des proxys automatiques plutôt que par une vaste enquête perceptive menée avec des locuteurs concernés.
Donc non, ce papier ne démontre pas à lui seul que les LLM vont appauvrir toutes les langues du monde de manière uniforme. Il ne prouve pas non plus que toute correction linguistique est une violence symbolique. Parfois, corriger aide vraiment ; parfois, simplifier rend service ; parfois même, un locuteur souhaite précisément converger vers une norme attendue. Le vrai sujet, ce n’est pas l’interdiction de la standardisation. C’est l’absence de choix éclairé sur ce qui est standardisé, et pourquoi.
Le problème n’est pas que les LLM rendent impossible "la possibilité de l’autre". Le problème est qu’ils risquent de rendre cette possibilité optionnelle par défaut, puis progressivement invisible. On ne supprime pas l’altérité d’un coup ; on la remplace par des réglages par défaut très performants.
Conclusion — préserver le sens, oui ; aplatir les voix, non merci
Ce papier est précieux parce qu’il nomme une inquiétude diffuse, puis la mesure avec méthode. Il montre que les LLM peuvent agir comme des agents de standardisation douce, capables de conserver le message tout en rognant la voix. Il montre aussi, et c’est la bonne nouvelle, que ce n’est ni inévitable ni nécessaire pour écrire clairement.
Au fond, apprendre une langue étrangère n’a jamais consisté seulement à permuter des synonymes. C’est découvrir qu’une autre vision du monde peut tenir dans un adverbe, une formule de politesse, une tournure qu’un correcteur trop pressé qualifierait de bizarre. Le papier nous rappelle cela avec une rigueur bienvenue : la diversité linguistique ne vit pas seulement dans les dictionnaires, elle vit dans les usages.
Et si les LLM doivent devenir nos co-auteurs, alors il faudra leur apprendre une chose très simple, presque élémentaire : bien écrire n’est pas toujours écrire pareil.
L’IA peut repasser le texte. Elle n’est pas obligée d’effacer le motif.
Source
Article commenté à partir de : Navneet, Chandra, Zhang (2026), "When AI Writes, Whose Voice Remains? Quantifying Cultural Marker Erasure Across World English Varieties in Large Language Models". DOI arXiv : 10.48550/arXiv.2602.22145.