Vous lisez un article, tout paraît fluide, puis une formule revient trop souvent : « ceci compte », « ce n’est pas simplement », « une autre dimension ». Le doute s’installe. Depuis que les grands modèles de langage inondent le web, les équipes marketing, les rédactions startups et les responsables de communication digitale cherchent des indices concrets. Une étude récente de Graphite, relayée par TechCrunch, montre que les anciens tics ont été gommés, mais que d’autres signatures ont pris leur place. Loin d’être un détail stylistique, ces habitudes pèsent sur la crédibilité d’une marque, le référencement et la confiance du lecteur.

Pourquoi la chasse aux signatures linguistiques est devenue un enjeu business

Le contenu généré n’est plus un prototype de laboratoire. Il alimente des pages produit, des newsletters internes, des livres blancs, des posts LinkedIn et des argumentaires de levée de fonds. Quand le lecteur sent une mécanique trop régulière, il décroche. Quand Google et les plateformes renforcent leurs filtres, le risque n’est plus seulement esthétique : il devient commercial.

Les premiers réflexes de détection — le tiret cadratin partout, le verbe delve, les listes trop symétriques — ont largement disparu. Les laboratoires ont corrigé ce qui était devenu un mème. Graphite avance pourtant un constat plus gênant : le volume global de formulations « trop IA » ne s’effondre pas. On retire les tics célèbres, d’autres émergent. Chaque version de modèle développe sa propre grammaire de confort.

Ce n’est pas que les signatures diminuent. Les laboratoires retirent les plus connues, mais d’autres apparaissent. Et chaque version de modèle a les siennes.

– Greg Druck, chief AI officer de Graphite, cité par TechCrunch

Pour une audience de marketeurs et de fondateurs, la leçon est simple : un modèle « plus naturel » n’est pas un modèle invisible. Il est seulement plus discret… jusqu’à ce qu’on mesure réellement sa distribution de mots.

Comment Graphite a comparé humains et modèles sans fausser le jeu

Détecter un style, ce n’est pas compter des mots au hasard. L’équipe a d’abord constitué un corpus de contrôle : 10 000 articles publiés avant la sortie de ChatGPT. Ce choix évite de mélanger, dans le groupe « humain », des textes déjà influencés par les assistants.

Ensuite, les chercheurs ont fait réécrire ces articles par plusieurs modèles à partir de résumés. L’idée est de limiter le biais de source : le modèle ne recopie pas le texte original, il reconstruit un propos à partir d’une synthèse. On obtient ainsi des échantillons appariés, comparables phrase à phrase, sur le lexique comme sur la syntaxe.

Leur définition d’une « signature » est claire et opérationnelle : une expression au moins deux fois plus fréquente dans le contenu généré que dans le contenu humain. Le résultat dépasse l’anecdote. Graphite aurait isolé environ 13 000 formulations répondant à ce critère. Autrement dit, le phénomène n’est pas limité à trois tics viraux. Il s’agit d’une vaste cartographie de préférences statistiques.

Cette méthode intéresse directement les équipes SEO et les agences. Elle rappelle qu’un détecteur amateur, fondé sur deux ou trois mots, est déjà obsolète. La vraie piste, c’est la surreprésentation relative d’un répertoire entier de constructions.

Ce que Claude Opus 5.5 répète trop souvent

Selon les mesures rapportées, le tic lexical le plus marquant d’Opus 5.5 serait le mot dependable, environ 23 fois plus fréquent que dans les textes humains du corpus. Ce n’est pas un mot rare en anglais professionnel. C’est précisément pour cela qu’il passe inaperçu… jusqu’à ce qu’il revienne comme un tampon.

Le modèle a aussi modifié ses habitudes de contraste. L’ancienne structure « ce n’est pas X, c’est Y » serait désormais évitée. À la place, une variante plus « premium » s’installe : quelque chose « est plus qu’un X, c’est un Y ». Le lecteur sent encore l’effet de révélation, mais l’emballage a changé.

Le trait le plus spectaculaire reste l’obsession de la pertinence. Opus aime expliquer pourquoi les choses comptent. La formule this matters apparaîtrait 116 fois plus souvent que chez les humains. La variante why X matters serait environ 92 fois plus fréquente. Pour un rédacteur humain, « ceci est important » est une conclusion rare, souvent réservée à un tournant argumentatif. Pour le modèle, c’est presque un réflexe de clôture.

Dans un contexte marketing, ce tic est doublement dangereux. D’abord, il infantilise le lecteur : on lui dit que le sujet « compte » au lieu de le démontrer. Ensuite, il uniformise les pages d’un même site. Dix articles qui répètent « voici pourquoi cela importe » finissent par sonner comme une seule et même voix de synthèse.

Astra, l’autre profil : hedges et cadrages correctifs

Le modèle Astra d’OpenAI affiche un autre portrait-robot. Il aime ouvrir « une autre dimension » du sujet. Il multiplie aussi les précautions : une action may provide ou can provide un bénéfice. Cette prudence statistique, utile en recherche, devient un style d’entreprise mou quand elle sature une landing page.

Graphite met surtout en avant le cadrage correctif : définir un sujet comme « pas simplement X », ou proposer une alternative « plutôt que de s’appuyer sur X ». Ces constructions seraient plus de 100 fois plus fréquentes que dans l’écriture humaine du corpus. Le texte avance alors par rectification permanente. Le lecteur a l’impression qu’on corrige une idée qu’il n’a pas eue.

Pour une startup qui vend de la clarté — un outil no-code, une API, une offre SaaS — ce style est un piège. Il crée de la sophistication verbale sans créer de précision. Or le marché B2B récompense rarement le flou élégant.

Le grand ménage des tirets cadratins n’a pas tout réglé

Les laboratoires ont visiblement réagi à la rumeur culturelle de l’em-dash. Dans les échantillons de Graphite, Opus 5.5 l’utiliserait 99 % moins souvent qu’Opus 5. Astra le ferait 88 % moins souvent que les textes humains. Gemini 3.1 Pro l’aurait presque éliminé.

Cette correction prouve deux choses. Premièrement, les labs savent écraser un tic dès qu’il devient un signal public. Deuxièmement, ils le font de manière brutale, parfois au prix d’une prose plus plate. Un signe de ponctuation n’est pas un crime. C’est sa sur-fréquence qui trahit une génération automatique.

Le paradoxe, c’est que le lecteur formé à « chasser le tiret » se croit désormais à l’abri. L’étude dit l’inverse : le radar amateur est en retard d’une génération de modèles.

Claude se rapproche des humains, GPT s’en éloignerait

Greg Druck formule une observation stratégique : les modèles Claude se rapprocheraient progressivement de la distribution lexicale humaine, tandis que la famille GPT s’en éloignerait. Si cette tendance se confirme, elle n’est pas qu’un détail de recherche. Elle oriente le choix d’outil pour une rédaction, un CMS assisté ou un agent de content ops.

Attention toutefois à ne pas en faire un slogan de marque. « Plus proche des humains » ne signifie pas « indétectable ». Cela signifie seulement que la courbe globale des fréquences se normalise, pendant que certaines formules restent des pics aberrants.

Il se trouve que les modèles Claude se rapprochent réellement de la distribution de mots humaine au fil du temps. Pour les modèles GPT, c’est l’inverse.

– Greg Druck, Graphite, via TechCrunch

Les laboratoires promettent une prose plus naturelle. Les données tempèrent

Lors de la sortie d’Opus 5.5, Anthropic a mis en avant une communication plus naturelle, plus claire, plus facile à suivre. OpenAI a tenu un discours voisin pour les versions GPT-6 de Sol et Luna : davantage de clarté, moins de jargon, moins de tournures étranges. Ces promesses parlent aux acheteurs d’outils. Elles rassurent aussi les équipes éditoriales fatiguées de relire des textes trop « assistant ».

Graphite reste sceptique sur la capacité des labs à éradiquer complètement ces constructions. Un modèle compte des milliards de paramètres. Les suites de tests sont finies. Des régularités passent entre les mailles. On peut pénaliser un mot. On peut décourager une structure. On ne contrôle pas toute la combinatoire d’une langue.

Mon hypothèse générale, c’est que les laboratoires maîtrisent moins ces phénomènes qu’on ne l’imagine. Ce sont d’immenses modèles. Ils n’ont qu’un nombre fini de tests, et des choses filent.

– Greg Druck

Ce que cela change pour le marketing, le SEO et la com digitale

Un site de contenu qui industrialise l’IA sans filet éditorial accumule trois risques. Le premier est réputationnel : le lecteur expert, très présent dans la tech et la crypto, identifie vite une voix trop lisse. Le deuxième est algorithmique : les moteurs n’ont pas besoin d’un mot unique pour classer un texte comme peu original. Le troisième est interne : les équipes finissent par penser comme leurs outils. Les briefs se ressemblent. Les angles s’appauvrissent.

La bonne réponse n’est pas l’abstinence technologique. C’est un processus de réécriture humaine qui casse les cadences. On garde la vitesse de production. On refuse la signature statistique.

• Relire spécifiquement les formules de contraste et les conclusions du type « voici pourquoi c’est important ».
• Remplacer les hedges vagues par un chiffre, un exemple client ou une limite assumée.
• Varier la longueur des phrases au lieu d’enchaîner des périodes parfaitement équilibrées.
• Interdire les révélations factices : « ce n’est pas un outil, c’est une nouvelle façon de travailler ».
• Confronter chaque paragraphe à une question simple : un humain pressé dirait-il vraiment cela ?

Ces gestes paraissent artisanaux. Ils le sont. C’est précisément ce qui les rend difficiles à imiter à l’échelle d’un modèle.

Une grille pratique pour auditer un texte généré

Plutôt que de chercher « l’odeur de l’IA » au feeling, on peut poser une check-list courte, adaptée aux équipes content d’une scale-up.

1. Le texte justifie-t-il trop souvent son propre intérêt ? Si chaque section s’ouvre ou se ferme par une déclaration d’importance, le modèle a pris le volant.

2. Corrige-t-il sans cesse une idée implicite ? Les tournures « pas simplement », « plutôt que de dépendre de » signalent un cadrage correctif. Un bon article tranche. Il ne rectifie pas en boucle.

3. Hedger est-il devenu un style, pas une prudence ? « Peut apporter », « est susceptible de fournir » sont acceptables une fois. Dix fois, c’est une politique d’évitement.

4. Les mots « rassurants » reviennent-ils comme une gamme de marque ? Dependable, robuste, holistique, seamless : la liste change selon le modèle et la langue, mais le mécanisme est le même.

5. La ponctuation a-t-elle été sur-corrigée ? L’absence totale de tirets, d’incises ou d’aspérités peut être aussi artificielle que leur abus.

Pourquoi ces tics survivent malgré le fine-tuning

Un LLM n’écrit pas une phrase parce qu’elle est belle. Il échantillonne une continuation probable. Les constructions contrastives sont efficaces pour produire une impression de profondeur à faible coût cognitif. Dire « ceci compte » clôt un paragraphe sans avoir à démontrer. Dire « une autre dimension » ouvre une section sans avoir à changer vraiment d’angle. Ces mouvements sont des raccourcis de génération.

Le reinforcement learning à partir de préférences humaines peut même les renforcer. Des évaluateurs fatigués notent souvent mieux un texte qui « sonne intelligent » qu’un texte sec et juste. Le modèle apprend alors à livrer de la gravité rhétorique. Le tic n’est plus un accident. C’est une stratégie récompensée.

Ajoutez à cela la pression produit. Chaque lab veut un style distinctif, « plus clair », « plus utile », « plus naturel ». Ces consignes globales créent des attracteurs. On croit personnaliser. On standardise autrement.

Implications pour les fondateurs qui vendent de l’IA générative

Si votre produit promet de « rédiger comme un humain », l’étude Graphite est un rappel de due diligence. Vos démos peuvent sembler fluides. Vos clients enterprise, eux, mesureront la dérive lexicale après 200 pages. Un outil qui laisse passer 13 000 signatures n’est pas un détail UX. C’est un risque de churn pour toute équipe éditoriale exigeante.

Les meilleurs positionnements ne sont plus « on écrit pour vous ». Ils deviennent « on accélère une première version, puis on force la singularité de votre voix ». Cette promesse est moins magique. Elle est plus vendable auprès d’un CMO qui a déjà brûlé un trimestre de contenus interchangeables.

Dans la crypto, la fintech ou la deeptech, le sujet est encore plus sensible. Le public y est allergique au storytelling creux. Une formule du type « ce protocole est plus qu’une infrastructure, c’est une nouvelle confiance » déclenche immédiatement le réflexe de méfiance. Le marché n’a pas besoin qu’on lui dise que cela compte. Il a besoin du mécanisme, du risque et du chiffre.

Ce que les équipes peuvent exiger des modèles dès maintenant

On ne contrôle pas un milliard de paramètres. On peut contrôler un brief. Quelques contraintes concrètes réduisent déjà la surface de signatures.

• Interdire explicitement les formules de révélation et les conclusions moralisatrices.
• Demander des exemples datés, des noms d’acteurs, des limites et des contre-exemples.
• Imposer un ton de compte-rendu plutôt qu’un ton de manifeste.
• Faire générer plusieurs versions puis fusionner uniquement les faits, jamais les transitions.
• Conserver une passe humaine obligatoire sur les titres, les accroches et les derniers paragraphes.

Ces règles ne rendent pas un texte génial. Elles empêchent le texte de devenir un clone statistique. Pour beaucoup de marques, c’est déjà un avantage concurrentiel.

Une lecture plus large : la voix de marque comme actif rare

Pendant des années, le contenu a été traité comme un volume à produire. L’arrivée des LLM a rendu ce volume quasi gratuit. La rareté s’est déplacée. Ce qui coûte cher désormais, c’est une voix reconnaissable, un jugement, une prise de risque éditoriale. Les signatures de modèles sont l’inverse exact de cet actif : elles diluent la voix dans une moyenne mondiale.

Les entreprises qui s’en sortiront ne seront pas celles qui détectent le mieux l’IA. Ce seront celles qui acceptent de ralentir légèrement la machine pour réinjecter de l’expérience terrain. Un fondateur qui raconte une levée ratée. Un CMO qui admet un canal mort. Un product manager qui décrit un edge case. Ces aspérités ne sont pas des tics. Elles sont des preuves de vie.

L’article de TechCrunch le montre sans le dire aussi brutalement : tant que les modèles optimiseront la plausibilité, ils produiront des habitudes. La plausibilité n’est pas la personnalité.

Limiter la panique, garder la méthode

Faut-il jeter les assistants ? Non. Faut-il croire qu’un modèle frontier a « résolu » le style humain ? Non plus. La position utile, pour une audience business, est intermédiaire. On utilise l’IA comme un accélérateur de structure. On refuse qu’elle dicte la rhétorique. On mesure les récurrences. On forme les rédacteurs à les voir.

Graphite, en élargissant le champ à des milliers de formulations, rend service à toute l’industrie du contenu. Le débat n’est plus « y a-t-il un tiret ? ». Il devient « quelle est la densité de confort linguistique de ce texte ? ». Cette question est plus adulte. Elle est aussi plus actionnable.

Les prochains modèles annonceront encore une écriture plus claire, plus chaleureuse, plus fidèle à l’intention. Certains progrès seront réels. D’autres déplaceront simplement le tic d’un quartier lexical à un autre. Les équipes qui l’auront compris n’attendront pas le prochain mème pour corriger leurs process.

En pratique, que retenir dès aujourd’hui

Opus 5.5 aime dire que les choses importent et glisse encore trop de mots « fiables » dans la prose. Astra multiplie les dimensions supplémentaires et les recadrages. Les labs ont presque éradiqué l’em-dash, preuve qu’ils savent frapper un symbole trop visible. Ils maîtrisent moins la forêt des constructions. Claude semblerait se rapprocher de la distribution humaine. GPT, selon Graphite, ferait le chemin inverse. Les communiqués parlent de naturel. Les comptages parlent de signatures persistantes.

Pour le marketing, la startup et la communication digitale, la conclusion n’est pas moraliste. Elle est opérationnelle. Traitez le modèle comme un stagiaire ultra-rapide, pas comme une plume senior. Donnez-lui des interdits précis. Exigez des faits. Cassez les cadences. Et rappelez-vous qu’un lecteur de 2026 n’a plus besoin d’un détecteur magique. Il a juste assez lu de textes lisses pour reconnaître, d’instinct, quand on lui explique une fois de trop que cela compte.

Le web n’a pas besoin de moins d’outils. Il a besoin de plus de jugement. Les signatures linguistiques ne sont que le symptôme visible d’un contenu qui n’a pas encore choisi son point de vue. Choisissez-en un. Tenez-le. Relisez. C’est encore la méthode la plus difficile à automatiser, et donc la plus précieuse.