Décrire mon ton d'écriture à l'IA ? Les adjectifs ne sont pas votre voix

En bref : si vous voulez décrire votre ton d'écriture à l'IA et récupérer un texte qui sonne comme vous, les adjectifs n'y suffiront pas. « Professionnel mais chaleureux » décrit des milliers de personnes, donc le modèle renvoie leur moyenne. L'IA ne connaît pas votre ton ; elle connaît des mots qui décrivent un ton. Une voix se loge dans la longueur des phrases, la position des nuances, les transitions et la ponctuation, et chacun de ces éléments se compte. Mesurez-les sur vos propres textes, formulez-les comme des instructions, et collez le résultat dans ChatGPT, Claude ou Gemini. C'est toute la différence entre une étiquette de ton et un profil de style.

Vous avez créé un Custom GPT nommé « Écris comme moi ». Les instructions disent : chaleureux mais professionnel, concis, assuré, sans remplissage. Le premier brouillon qu'il a produit s'ouvrait sur « J'espère que ce message vous trouve en bonne santé » et se fermait sur « N'hésitez pas à revenir vers moi ». Vous avez réécrit les instructions deux fois. La troisième version sonne exactement comme la première.

Les instructions ont été suivies. Le problème, c'est ce qu'elles contenaient.

Peut-on décrire son ton d'écriture à l'IA avec des adjectifs ?

Vous pouvez les taper, le modèle obéira, et le résultat ne sera pas votre voix. Un adjectif est un pointeur vers un registre que le modèle connaît déjà. Il ne dit rien sur lequel, parmi les milliers d'auteurs de ce registre, vous êtes.

Regardez ce dont le modèle dispose quand vous écrivez « professionnel mais chaleureux » dans les Custom Instructions. Pendant son entraînement, il a vu une masse énorme de textes étiquetés ou décrits avec ces mots : articles de blog d'entreprise, e-mails RH, réponses de support client, publications LinkedIn. L'expression pointe désormais vers le centre statistique de tous ces textes. Quand vous l'invoquez, vous obtenez ce centre. Votre collègue qui tape la même expression obtient le même centre. Vous deux n'écrivez pas du tout pareil dans la vraie vie, et le modèle n'a aucun moyen de le savoir, parce que la seule chose que l'un et l'autre lui avez donnée, c'est l'étiquette.

Faites l'expérience vous-même. Mettez « professionnel mais chaleureux, concis et humain » dans une nouvelle conversation et demandez un e-mail de suivi après une réunion client. Demandez à quelqu'un de votre équipe de faire de même. Les deux brouillons se ressembleront davantage entre eux que l'un ou l'autre ne ressemble à ce que vous avez réellement envoyé le mois dernier. Aucun empilement d'adjectifs n'y change rien. « Assuré, direct, accessible, humain », ce sont quatre pointeurs vers quatre registres, et le modèle les fond en une seule moyenne.

Nous avons mesuré à quel point cette moyenne est étroite. Dans nos données sur les raisons pour lesquelles l'écriture IA sonne générique, nous avons noté 320 échantillons IA issus de cinq modèles sur six dimensions de style, et l'écart entre modèles était faible comparé à la distance entre n'importe quel modèle et un auteur individuel. L'étiquette de ton ne fait pas bouger le modèle de sa position par défaut. Rien dans l'étiquette ne lui dit où aller.

Pourquoi « professionnel mais chaleureux » produit-il le même e-mail pour tout le monde ?

Parce que l'IA ne connaît pas votre ton ; elle connaît des mots qui décrivent un ton. Une étiquette de ton est la description d'un effet, et le modèle n'a aucune trace de la façon dont vous produisez cet effet.

Pensez à tout ce que « chaleureux » recouvre. Une personne est chaleureuse en ouvrant sur une ligne personnelle avant la demande. Une autre l'est en utilisant les prénoms et des phrases courtes. Une troisième l'est en glissant une pointe d'humour à la fin, jamais au milieu. Toutes trois cocheraient « chaleureux » sur un formulaire. Toutes trois écrivent des e-mails complètement différents. Le mot écrase ces différences en un seul registre, et le modèle ne peut produire que le registre.

Le même écrasement se produit avec chaque adjectif de chaque modèle de ton que l'on trouve sur le web :

Chaque ligne se termine de la même façon. L'étiquette nomme l'effet, et le modèle remplit la mécanique avec son réglage par défaut. Le propre guide des Custom Instructions d'OpenAI décrit ce champ comme l'endroit où dire à ChatGPT comment vous voulez qu'il réponde. La plupart des gens le remplissent d'effets. Le modèle a besoin de mécanique.

C'est aussi pour cela que votre troisième Custom GPT sonne comme le premier. Un Custom GPT est un contenant. Réécrire les adjectifs à l'intérieur réarrange des pointeurs vers la même moyenne. Notre guide des meilleures Custom Instructions pour ChatGPT montre à quoi ressemblent ces champs quand ils transportent de la mécanique plutôt que des effets.

De quoi une voix est-elle réellement faite ?

Une voix se loge dans la longueur des phrases, la position des nuances, les transitions et la ponctuation. Ces quatre éléments sont là où vos lecteurs vous reconnaissent, et aucun d'eux n'est un adjectif. Chacun est une mesure que vous pouvez relever sur des textes que vous avez déjà écrits.

La longueur des phrases. Pas « concis », mais une distribution. Votre phrase typique fait peut-être douze mots. Vos phrases courtes tombent peut-être à quatre quand vous tranchez. Vos longues atteignent peut-être trente quand vous posez le contexte. Le rythme d'alternance entre elles vous appartient, et un modèle à qui l'on a dit « concis » produira à jamais des phrases uniformes de quatorze mots.

La position des nuances. Si « probablement » ouvre la proposition ou la ferme. Si vous nuancez avant une recommandation et jamais après. Si vous utilisez encore « je pense » une fois votre décision prise. Deux auteurs au vocabulaire identique diffèrent ici à chaque paragraphe, et les lecteurs le sentent sans pouvoir le nommer.

Les transitions. « Donc » plutôt que « par conséquent » plutôt qu'une nouvelle phrase sans liaison. Si vos paragraphes s'ouvrent sur la conclusion ou y mènent. Si vous commencez des phrases par « et ». Si vous écrivez un jour « cependant ». Les transitions par défaut du modèle sont celles qu'il a vues le plus souvent, et ce sont celles qui donnent à un brouillon son odeur d'IA.

La ponctuation. La fréquence des deux-points. La densité de virgules par phrase. Si vos apartés vont entre parenthèses ou ont droit à leur propre phrase. Si vous utilisez des points d'exclamation dans un e-mail professionnel (certaines personnes le font, une fois par message, toujours au même endroit).

Par-dessus ces quatre éléments viennent le vocabulaire et les évitements : les mots vers lesquels vous allez et les tournures que vous n'écririez jamais. Le constat est le même dans tous les cas. Tout cela se compte. Vous pouvez prendre dix e-mails que vous avez envoyés et produire un chiffre pour chaque élément. Un chiffre peut être formulé en instruction, et une instruction avec un chiffre dedans peut être vérifiée. Notre explication du fonctionnement de l'extraction de style parcourt l'ensemble complet des dimensions que nous mesurons, et il y en a plus de quatre, mais ces quatre-là sont celles qui séparent une étiquette de ton d'une voix.

Pourquoi les échantillons et les Custom GPT ne suffisent-ils pas non plus ?

Les échantillons valent mieux que les étiquettes et laissent quand même le modèle déduire. Les Custom GPT sont des contenants et héritent de la faiblesse de ce qu'on y met. Ni l'un ni l'autre ne comble seul la lacune de fond, à savoir que personne n'a dit au modèle quels sont vos schémas.

Coller trois e-mails dans les instructions d'un Custom GPT, ou les téléverser en fichiers de connaissances, donne au modèle des preuves brutes. C'est un vrai progrès par rapport aux adjectifs. Le modèle peut maintenant voir que vos phrases sont courtes et que vos demandes viennent en premier. Ce qu'il doit faire ensuite, c'est deviner lesquels des schémas présents dans ces trois e-mails vous appartiennent et lesquels appartiennent à ce mardi-là. Trois échantillons ne peuvent pas distinguer une habitude d'une humeur. La déduction dérive aussi. Une longue conversation ramène le modèle vers son réglage par défaut à chaque tour, parce que les échantillons sont en haut du contexte et que la production du modèle s'accumule en dessous.

Il y a aussi un plafond pratique. Le champ des Custom Instructions a une taille, et les échantillons la consomment vite. Remplissez-le de trois e-mails et il ne reste plus de place pour les règles dont vous avez réellement besoin. Déplacez les échantillons dans des fichiers de connaissances et le modèle les consulte quand il juge qu'ils sont pertinents, c'est-à-dire pas à chaque requête.

Voici le schéma qui se dégage des trois approches que la plupart des gens essaient :

La question du contenant (Custom Instructions, Custom GPT, Project, Gem) compte bien moins que ce qu'on y met. Nous avons comparé ce que la mémoire de ChatGPT stocke réellement à un profil mesuré dans notre comparatif mémoire contre profils de style, et la conclusion vaut pour tous les contenants : la mémoire stocke des faits sur vous, et des faits sur vous ne sont pas votre voix non plus.

Comment décrire votre ton d'écriture à l'IA, alors ?

Mesurez-le sur vos propres textes, formulez les mesures comme des instructions, et collez ces instructions dans le contenant que votre IA propose. Remplacez chaque adjectif par un chiffre ou une règle que le modèle peut suivre sans interpréter.

La version manuelle prend une heure et bat n'importe quel modèle de ton :

1. Rassemblez dix à quinze textes que vous avez écrits et dont vous étiez satisfait, dans le registre dont vous avez le plus besoin. E-mails clients, points internes, propositions. Choisissez ceux qui ont reçu de bonnes réponses. Notre guide sur la sélection des échantillons d'écriture explique ce qui rend un échantillon utile et ce qu'il faut écarter.
2. Comptez les mots par phrase sur l'ensemble. Notez la valeur typique, la plus courte, la plus longue. Écrivez-le sous forme de fourchette.
3. Listez chaque nuance que vous avez employée et sa position. Début de la proposition, fin de la proposition, ou absente après une décision.
4. Listez vos transitions. Celles que vous avez utilisées, et celles que vous n'avez jamais utilisées. La seconde liste est souvent plus utile que la première.
5. Notez vos habitudes de ponctuation. Deux-points par e-mail, virgules par phrase, parenthèses ou phrases séparées pour les apartés.
6. Rédigez ces constats sous forme d'instructions. « Phrases de 12 mots en moyenne, de 4 à 28. Ouvrir sur la demande. Nuancer uniquement avant les recommandations, jamais après les décisions. Ne jamais utiliser "cependant" ni "par ailleurs". Un deux-points par e-mail au maximum. » Aucun adjectif nulle part.

Ce bloc va dans les Custom Instructions de ChatGPT, le champ d'instructions d'un Custom GPT, le System Prompt d'un Claude Project ou les informations enregistrées de Gemini. Même bloc, chaque outil.

C'est exactement ce qu'est un profil de style de MyWritingTwin.com : l'étape de mesure faite pour vous, sur plus de dimensions que vous n'en compteriez à la main, à partir d'échantillons que vous avez déjà. Le résultat est une analyse d'ADN d'écriture exprimée en contraintes, livrée sous forme de Master Prompt que vous déployez une fois dans l'IA que vous payez déjà. Votre Writing Twin pour ChatGPT, Claude et Gemini, c'est ce bloc d'instructions, pas un chatbot à part, et il vit dans le contenant que vous utilisez déjà.

Deux propriétés d'un profil mesuré comptent pour l'argument développé ici.

Il peut être vérifié. « Était-ce assez chaleureux ? » n'a pas de réponse. « La longueur moyenne des phrases était-elle dans la fourchette ? » en a une. Quand un brouillon dérive, vous comptez, vous voyez où il a manqué, et vous corrigez une règle. Un adjectif ne vous donne rien à corriger.

Il survit à la prochaine version du modèle. Les mesures portent sur vous, donc elles ne changent pas quand le modèle change. Un meilleur modèle exécute le même profil plus fidèlement que le précédent, ce qui explique qu'un profil mesuré devienne plus utile à chaque version tandis qu'un modèle de ton reste exactement aussi vague que le jour où vous l'avez écrit.

Comment vérifier si votre description de ton a fonctionné ?

Donnez au modèle le brief d'un e-mail que vous avez déjà envoyé, puis comparez son brouillon au vôtre en comptant. Cinq minutes, aucun outil, et le résultat est un chiffre plutôt qu'une impression.

Prenez un e-mail de la semaine dernière. Rédigez un brief en deux lignes : à qui il s'adresse, ce dont vous avez besoin, ce que la personne sait déjà. Collez le brief dans votre assistant avec vos instructions de ton actuelles activées et demandez l'e-mail. Mettez son brouillon à côté du vôtre et comptez :

• Mots par phrase, la plus courte et la plus longue
• Phrases par paragraphe
• Où se situe la demande (première ligne ou dernière)
• Nuances : combien, et si elles ouvrent ou ferment la proposition
• Virgules par phrase
• Ligne d'ouverture et ligne de clôture

Si les chiffres diffèrent, votre description n'a pas fonctionné, quoi que l'assistant vous réponde quand vous le lui demandez directement. S'ils concordent sur un e-mail, essayez-en trois autres dans des registres différents. Les adjectifs de ton survivent généralement au premier test et échouent au second, parce que l'étiquette a été écrite pour une humeur et que vous en avez plusieurs.

Refaites le même test après avoir remplacé les adjectifs par des mesures. Les chiffres convergent. Cette convergence est tout l'enjeu, et c'est ce que « décrire mon ton d'écriture à l'IA » aurait dû vouloir dire dès le départ : non pas une description de l'effet que vous espérez, mais une spécification de la façon dont vous écrivez réellement.

Votre voix n'a jamais été un adjectif. Elle a toujours été un ensemble d'habitudes que vous pouviez compter. Une fois que vous remettez le compte au modèle, il cesse de vous fondre dans la moyenne de tous les autres.

Mesurez en une minute environ la distance entre votre configuration actuelle et votre écriture réelle avec le test Humanity Score, ou construisez un profil de style à partir de vos propres échantillons et collez-le dans l'IA que vous utilisez déjà.