It's How You Ask : quand l'IA juge votre style avant de lire votre prénom

Imaginez deux collègues, un lundi matin. Le premier tape dans son assistant IA : « Compose an email to schedule a mid-year review with your team. » Direct, sec, efficace. La seconde écrit : « Let's compose an email together to arrange our mid-year appraisal with our team. » Même demande, même objectif, même deadline. Une seule différence : la formulation.

Et pourtant, l'assistant ne leur rend pas la même copie. Au premier, il livre un email structuré, dense, au vocabulaire soutenu. À la seconde, une réponse plus courte, plus simple, moins formelle. Personne n'a menti, personne n'a mal fait son travail. C'est juste que le modèle, quelque part dans ses entrailles, a décidé que ces deux personnes ne méritaient pas le même niveau de sophistication.

C'est exactement ce que documente It's How You Ask: Gender-Associated Linguistic Bias in LLMs, un papier de Katherine Van Koevering et Anjalie Field (Johns Hopkins University), déposé sur arXiv le 13 août 2026 et publié à la conférence COLM 2026. Et le détail qui rend l'affaire vraiment piquante : signer son prompt « Jennifer » ou « Michael » ne change strictement rien. Ce n'est pas qui vous êtes qui biaise la réponse. C'est comment vous demandez.

Le décor : ce que la sociolinguistique sait depuis cinquante ans

Avant de parler d'IA, un détour par la linguistique s'impose. Depuis les travaux fondateurs de Robin Lakoff dans les années 1970, abondamment répliqués depuis, on sait que les hommes et les femmes n'écrivent pas, statistiquement, de la même façon — y compris dans les emails professionnels.

Les autrices s'appuient sur ce corpus de recherche pour définir quatre familles de traits associés au langage des femmes, qu'elles baptisent WALF (women-associated linguistic features) :

Les hedges (atténuateurs) : maybe, perhaps, I think, sort of — ces petits mots qui adoucissent une affirmation et réduisent sa frontalité.
Les tag questions (questions en fin de phrase) : isn't it?, don't you think? — que les femmes emploient environ deux fois plus que les hommes dans les études empiriques.
Les adjectifs expressifs : lovely, wonderful — des modifieurs chargés affectivement, identifiés par Lakoff comme caractéristiques du parler féminin.
La référence collective : we, our, together — là où les hommes utilisent davantage le I et le my.

En miroir, le style MALF (men-associated linguistic features) : assertions directes, pas de tag questions, référence individuelle, adjectifs neutres.

Précision importante, que le papier martèle : ces traits ne sont pas exclusifs à un genre. N'importe qui peut écrire « maybe we could… ». Mais ils sont statistiquement genrés, culturellement ancrés et largement inconscients. On ne choisit pas son registre linguistique comme on choisit sa cravate ; c'est une seconde peau, façonnée par des décennies de socialisation. Et c'est précisément ce qui rend la suite préoccupante.

La méthode : 427 vrais prompts, chacun cloné en deux versions

Le protocole est astucieux. Plutôt que d'inventer des prompts de laboratoire, les autrices puisent dans WildChat-4.8M, un grand corpus d'interactions réelles entre utilisateurs et LLM. Elles y repèrent, à coup d'expressions régulières, les demandes de rédaction professionnelle et en retiennent 427 prompts valides : 200 emails, 200 lettres de candidature et 27 lettres de démission (le corpus n'en contenait pas plus — on y reviendra).

Ensuite, l'idée maligne : chaque prompt est réécrit par GPT-4 en deux versions jumelles. Une version WALF, truffée de hedges, tag questions, adjectifs expressifs et pronoms collectifs ; une version MALF, nettoyée de tout cela. Même tâche, même sémantique, seul le registre change. C'est l'équivalent expérimental d'un test en aveugle : on envoie deux CV identiques avec deux styles différents, et on regarde qui décroche l'entretien.

Les autrices ne se contentent pas de croiser les doigts sur la qualité de la réécriture. Deux études de validation humaine vérifient que les paires préservent bien la tâche d'origine (57 paires sur 60, soit 95 %, jugées identiques par vote majoritaire) et restent réalistes (3,84/5 de réalisme moyen, contre 4,37 pour les vrais prompts). Un contrôle par regex confirme que l'injection a fonctionné (p < 0,001), et que ces traits apparaissent bel et bien dans les prompts réels des corpus Wildchat et Mila — les adjectifs expressifs figurent par exemple dans 14,7 % des phrases de Wildchat.

Le tout est soumis à quatre modèles : GPT-4, Gemma 2 27B, Mistral 7B Instruct et Llama 3.1 3B Instruct. Les réponses sont mesurées sur des métriques établies : longueur (mots, tokens), sophistication lexicale, lisibilité (score de Flesch), niveau scolaire requis (Flesch-Kincaid), diversité lexicale (type-token ratio), plus trois mesures stylistiques — densité de politesse, formalité et « clout » (un score LIWC d'autorité sociale).

Les résultats : plus simple, plus court, moins formel

Le verdict est net, et cohérent d'un modèle à l'autre. Les prompts WALF déclenchent des réponses plus lisibles, moins sophistiquées lexicalement, et d'un niveau scolaire plus bas. En clair : le modèle sort sa version « grand public » quand on lui parle avec des hedges, et sa version « rapport de direction » quand on lui parle au style direct.

L'effet est le plus fort sur les emails et les candidatures. Sur les emails, la quasi-totalité des cases du tableau de résultats penche du même côté : sophistication supérieure côté MALF pour les quatre modèles (p < 0,001 pour la plupart), nombre de tokens supérieur côté MALF, niveau scolaire supérieur côté MALF. La formalité suit le même chemin, et c'est l'effet stylistique le plus consistant : significatif sur les trois catégories de documents (p < 0,001 pour les emails et les candidatures, p = 0,033 pour les démissions), toujours en faveur des prompts MALF.

Et puis il y a ce résultat en creux, presque plus parlant que les autres : la politesse des réponses ne bouge pas. Alors que les prompts WALF sont 7 à 60 fois plus polis que les prompts MALF, les modèles restituent la même densité de politesse dans les deux cas. Les autrices y voient un signal important : les modèles savent calibrer la politesse sur le type de document plutôt que sur le registre de l'utilisateur. La capacité à résister au mimétisme existe donc. Elle n'est simplement pas appliquée à la sophistication.

« Mais le modèle ne fait qu'imiter ! » — eh bien non

L'objection vient immédiatement à l'esprit : si j'écris de façon plus simple, le modèle me répond plus simplement, c'est du mimétisme de bon aloi, pas un biais. Les autrices ont pris cette objection au sérieux et l'ont testée de deux façons.

Premier test : est-ce que la complexité du prompt prédit la complexité de la réponse ? Réponse : très mal. Les régressions donnent des R² faméliques — le meilleur prédicteur (mots uniques dans les candidatures) n'explique que 34 % de la variance, et la médiane des mesures stylistiques tombe à… 2,9 %. Cas d'école : la formalité des prompts diffère de 15 points entre versions, mais ne prédit que 3,7 % de la formalité des réponses.

Deuxième test : est-ce que le modèle recopie simplement les hedges injectés, ce qui ferait mécaniquement baisser les scores ? L'analyse de médiation (bootstrap, 2 000 rééchantillonnages) ne trouve qu'une médiation partielle sur quelques métriques. L'essentiel de l'écart de complexité reste inexpliqué par le recopiage de traits.

Conclusion des autrices : le modèle ne fait pas écho à votre style. Il ajuste son registre global en fonction d'indices linguistiques genrés — il vous a, en quelque sorte, classé.

Le twist : votre prénom ne fait rien, votre syntaxe fait tout

C'est ici que le papier devient franchement contre-intuitif. La recherche sur les biais des LLM travaille classiquement avec des marqueurs explicites : prénoms, pronoms, mentions démographiques. Les autrices montent donc une expérience factorielle 2×2 : registre linguistique (WALF/MALF) croisé avec une signature « Sign off as [name] », en utilisant les dix prénoms masculins et féminins les plus courants du recensement américain de 1990.

Résultat : le genre du prénom n'a pratiquement aucun effet. Aucune métrique de complexité, aucun trait linguistique de la réponse ne bouge significativement selon qu'on signe Jennifer ou Michael. Pendant ce temps, les effets du registre linguistique se répliquent, avec des tailles d'effet comparables à l'expérience principale.

Pour comprendre pourquoi, les autrices ouvrent le capot de Llama-3.2-3B-Instruct avec deux outils d'interprétabilité mécanistique. D'abord des sondes linéaires (linear probes : de simples classifieurs entraînés sur les activations internes, couche par couche) : le registre linguistique se décode à 98,8 % dès la couche 5 — sur 28 couches — et reste lisible jusqu'au bout du réseau. Le genre du prénom, lui, plafonne à 71,7 %. Les deux informations culminent dans la même couche mais vivent dans des sous-espaces largement orthogonaux : le réseau encode bien le prénom, il ne s'en sert simplement pas pour générer.

Ensuite, du patching d'activations (on remplace les activations d'un prompt WALF par celles de son jumeau MALF, couche par couche, et on mesure combien la sortie diverge) : les couches 0 à 7 concentrent l'essentiel de l'effet causal. Autrement dit, tout se joue dans le hall d'entrée du transformer. Avant même de « réfléchir » à votre demande, le modèle a déjà pris votre accent — et décidé du costume de sa réponse.

La métaphore qui s'impose est celle du maître d'hôtel d'un restaurant un peu snob : il ne regarde pas votre carte de visite (le prénom, il l'ignore superbement), mais il a jaugé votre manière de demander une table dès la troisième syllabe. Et il vous place en conséquence.

Pourquoi ce papier compte

D'abord parce qu'il déplace la question du biais. La littérature existante demande surtout comment les modèles dépeignent les gens (dans des lettres de recommandation, des profils, des récits). Ici, la question devient : est-ce que les modèles servent différemment leurs utilisateurs ? C'est un biais côté guichet, pas côté fiction — et c'est celui qui touche directement les millions de personnes qui font rédiger leurs emails par une IA.

Ensuite parce que l'enjeu professionnel est réel. Comme l'écrivent les autrices : si les styles de communication typiques des femmes produisent des documents « plus simples et moins sophistiqués » qui sont ensuite envoyés tels quels, les LLM pourraient « renforcer par inadvertance les stéréotypes sur la compétence professionnelle des femmes ou diluer l'autorité perçue de leurs communications ». Le biais ne reste pas dans le chatbot : il part en pièce jointe.

Enfin parce que le papier démonte les remèdes faciles. Débiaiser les prénoms et les pronoms — l'approche dominante — ne servira à rien ici, puisque les prénoms n'ont déjà aucun effet. Demander aux utilisatrices d'« écrire plus directement » revient à leur imposer un style qui peut leur sembler artificiel ou professionnellement inapproprié — les autrices parlent joliment de « mettre un prix sur les traits linguistiques associés aux femmes » (chaque contournement coûte des tokens et des efforts). Et la chirurgie interne ? Les expériences de steering montrent que la direction « registre » est enchevêtrée avec les features nécessaires à la cohérence du texte : on ne peut pas la retirer proprement sans abîmer le reste.

La piste que les autrices jugent la plus principielle : entraîner les modèles à calibrer leur registre sur l'audience du document plutôt que sur le style du demandeur. Une lettre de candidature vise un recruteur, quelle que soit la façon dont on l'a demandée. Et le fait que les modèles réussissent déjà cet exercice pour la politesse prouve que la capacité existe.

Les limites, dites sans détour

Le papier a le mérite d'être honnête sur ses bémols, et il faut l'être avec lui.

Le cadrage est binaire : les traits étudiés viennent d'une littérature sociolinguistique qui documente surtout les différences entre hommes et femmes cisgenres, en anglais. La variation réelle du langage et des expressions de genre est infiniment plus riche — les autrices le reconnaissent explicitement.

Les manipulations sont artificielles : injecter des hedges via GPT-4, même validé par des humains, n'est pas exactement la même chose que la variation naturelle. Le réalisme des prompts réécrits est d'ailleurs légèrement inférieur à celui des vrais (3,84 contre 4,37 sur 5), et un artefact résiduel ne peut être totalement exclu.

L'échantillon des lettres de démission est minuscule (27 prompts), ce qui explique probablement la rareté des effets significatifs sur cette catégorie — les tests y manquent simplement de puissance.

Enfin, toute l'analyse mécanistique repose sur un seul modèle (Llama-3.2-3B-Instruct). Les couches 0-7 d'un petit Llama ne sont pas nécessairement le hall d'entrée de tous les transformers du marché.

Ce qu'on va surveiller

La question la plus vertigineuse du papier tient en une phrase de sa conclusion : que se passe-t-il en boucle fermée ? Si les utilisatrices constatent, consciemment ou non, que leur style produit de moins bonnes réponses, deux dérives sont possibles : adopter progressivement un style masculin-associé — l'IA comme machine à normaliser le langage, thème qui résonne avec ce qu'on écrivait ici sur l'effacement des marqueurs culturels par les LLM — ou simplement utiliser moins ces outils en contexte professionnel. Dans les deux cas, le désavantage se recompose à un autre étage.

Les autrices appellent des études longitudinales sur ces boucles de rétroaction, et des extensions à d'autres dimensions (âge, classe sociale, origine) et à d'autres langues. On attend notamment avec curiosité l'équivalent francophone : nos « peut-être que… », « je me disais que… », « n'est-ce pas ? » déclenchent-ils la même rétrogradation de registre ?

En attendant, une chose est sûre : la prochaine fois que votre assistant IA vous rendra un texte étonnamment plat, posez-vous la question. Ce n'est peut-être pas ce que vous avez demandé. C'est peut-être comment.

Références

Katherine Van Koevering, Anjalie Field, It's How You Ask: Gender-Associated Linguistic Bias in LLMs, arXiv:2608.13328v1, déposé le 13 août 2026, publié à COLM 2026. https://arxiv.org/abs/2608.13328