Pourquoi l'anglais de l'IA sonne traduit (et la grammaire n'y est pour rien)

En bref : l'anglais de l'IA sonne traduit parce que le modèle écrit la moyenne statistique de l'anglais, et la moyenne de l'anglais a la forme d'une traduction appliquée : chaque phrase à peu près de la même longueur, un connecteur en tête de chaque paragraphe, des précautions empilées avant chaque demande, aucune contraction, une formule à chaque extrémité. Un lecteur natif entend le rythme avant de vérifier la grammaire. Demander un anglais « naturel » ou « natif » ne change rien, parce que ces mots décrivent un effet que le modèle vise déjà. Ce qui fonctionne, c'est mesurer vos propres habitudes en anglais à partir d'e-mails que vous avez envoyés et les transmettre au modèle sous forme de règles. Chaque nouveau modèle exécute ces règles mieux que le précédent.

Vous demandez à ChatGPT de peaufiner un e-mail destiné à un client à Londres. Chaque phrase revient correcte. Vous le relisez deux fois, ne trouvez rien à redire, et avez pourtant le sentiment qu'il sonne traduit. Vous l'envoyez. La réponse est polie et légèrement plus distante que celle de la semaine dernière.

Rien dans le brouillon n'était faux. Rien n'y était de vous non plus.

Pourquoi l'anglais de l'IA sonne-t-il traduit ?

Parce que le modèle écrit le centre de tout l'anglais qu'il a vu, et le centre de l'anglais a la forme d'une traduction. Une prose traduite se reconnaît à sa structure bien avant son vocabulaire : des phrases de longueur presque égale, un mot de liaison en tête de chaque paragraphe, plus de ménagement que la demande n'en exige, aucune contraction, et une ouverture et une clôture qu'on pourrait transplanter dans n'importe quel autre e-mail sans rien perdre. L'IA produit cette structure par défaut, que la requête soit arrivée en japonais, en français ou en anglais.

Cette platitude est mesurable. Notre référence « IA moyenne », construite à partir de 320 échantillons répartis sur cinq modèles et quatre langues, place la production anglaise de l'IA à un score de régularité compris entre 52 et 55, et le chiffre bouge à peine d'une langue à l'autre. Sur notre échelle, cela signifie une variation de longueur de phrase modérée et uniformément répartie : le modèle n'écrit ni la phrase de six mots qui fait mouche, ni celle de trente mots qui porte le contexte. Comment nous avons construit cette référence explique la méthode ; en résumé, le rythme est le même partout, ce qui est exactement ce qu'un lecteur veut dire quand il trouve qu'un texte « sonne traduit ».

Voici à quoi ressemble la forme moyenne sur un seul e-mail, et ce qu'un lecteur à l'aise en anglais remarque à chaque ligne :

Chaque ligne relève d'un choix de placement ou de rythme. Un correcteur grammatical valide les sept. Votre client, non.

Que se passe-t-il quand le brouillon commence en japonais ou en français ?

Le modèle corrige les phrases et garde l'architecture. Collez un brouillon en japonais et demandez de l'anglais, ou écrivez en anglais avec un plan japonais en tête, et le modèle corrige chaque phrase tout en préservant l'ordre que vous lui avez donné : la relation d'abord, les circonstances ensuite, les excuses en troisième, la demande en dernier, la gratitude pour finir. De l'anglais correct disposé dans un ordre japonais est la définition la plus précise qui existe de « sonne traduit ».

Prenez une responsable de compte à Tokyo qui écrit à un client à Londres au sujet d'une livraison décalée d'une semaine. La logique japonaise de cet e-mail est saine : reconnaître la relation, expliquer les circonstances, s'excuser, annoncer la nouvelle date, demander de la compréhension. L'anglais de l'IA pour le même plan donne : « I hope this email finds you well. I am writing to inform you regarding the delivery schedule. Due to unforeseen circumstances in our production process, we regret to inform you that the delivery will be delayed. » La date arrive au deuxième paragraphe. La demande n'arrive jamais vraiment.

La même personne, écrivant dans son propre anglais un bon jour, envoie quelque chose qui ressemble plutôt à : « Quick update on the delivery: it's moving from the 20th to the 27th. The cause was a supplier delay on our side, and we've already switched to a second source. Sorry for the knock-on effect on your planning. Does the 27th still work for your team? » Mêmes faits, mêmes excuses, même politesse. La demande est dans la première ligne et le ménagement tient en une phrase.

La version française du problème est structurelle d'une autre manière. Nos données par langue montrent la production française de l'IA à 75 en complexité de phrase et à 32 en concision, le plus haut et le plus bas des quatre langues mesurées. Un responsable produit français qui rédige en français et demande de l'anglais obtient un vocabulaire lissé et des subordonnées conservées : une phrase anglaise avec un squelette français, quarante mots de long, le verbe principal quelque part au milieu. Comment l'IA écrit différemment en japonais, en français et en espagnol présente le tableau complet.

Une chose doit être claire : la solution n'est pas de faire sonner l'un ou l'autre comme un Londonien. L'anglais de la responsable de compte est une chose à part entière. Elle place bien le contexte en premier, en deux phrases courtes plutôt qu'en cinq longues, et elle s'excuse bien une fois, après avoir annoncé la solution. Ce sont ses habitudes. Le problème de traduction, c'est ce que le modèle ajoute par-dessus, et le guide pour les professionnels bilingues explique pourquoi cet ajout frappe le plus durement ceux qui écrivent dans une langue seconde.

Pourquoi « écris en anglais naturel » ne règle-t-il rien ?

Parce que « naturel », « natif », « fluide » et « conversationnel » sont des étiquettes pour un effet, et le modèle vise déjà cet effet. Ces mots décrivent des millions de rédacteurs et aucune de leurs habitudes. L'IA ne connaît pas votre ton ; elle connaît des mots qui décrivent un ton. Demandez un anglais naturel et vous obtenez la moyenne de tout ce que les données d'entraînement ont étiqueté comme naturel, c'est-à-dire le même brouillon avec deux contractions en plus.

« Professionnel mais chaleureux » a le même problème, et c'est la formule vers laquelle la plupart des gens se tournent. Elle décrit des milliers de rédacteurs. Votre collègue qui tape les mêmes trois mots dans la même case obtient le même e-mail que vous. Une voix ne vit pas dans des adjectifs. Elle vit dans la longueur des phrases et sa variation, dans l'endroit où se placent les nuances, dans les transitions que vous utilisez et celles que vous n'utilisez jamais, dans votre façon de ponctuer. Nous en avons parlé longuement dans Les adjectifs ne sont pas votre voix, et l'argument vaut avec encore plus de force pour une langue seconde, parce que les adjectifs que vous choisiriez pour votre anglais sont précisément ceux vers lesquels le modèle tend par défaut.

Le guide des Custom Instructions d'OpenAI présente la fonctionnalité sous forme de deux questions : que doit savoir le modèle à votre sujet, et comment doit-il répondre. La plupart des gens répondent à la seconde par une humeur. La réponse qui change le brouillon est une règle : ouvrir sur la demande, une précaution maximum, contractions activées, aucune formule de clôture. Une règle peut être suivie. Une humeur ne peut être qu'approchée, et l'approximation, c'est la moyenne.

Un meilleur modèle cessera-t-il de sonner traduit ?

Non, et la raison est structurelle plutôt que passagère. La capacité du modèle et le conditionnement par vos données sont deux couches distinctes. Les laboratoires améliorent la première à chaque version et ne peuvent pas fournir la seconde, parce qu'elle se construit à partir d'e-mails que vous avez envoyés et que le laboratoire ne les a jamais vus. Un modèle plus puissant suit « anglais naturel » plus fidèlement, ce qui produit une version plus lisse de la même forme moyenne.

Nos propres données par modèle le montrent en chiffres. Sur la tranche anglaise de 80 échantillons de la référence, les cinq modèles mesurés s'étalent sur 61 points en expressivité et se superposent presque sur deux autres axes. Passer d'un modèle à un autre change l'énergie du brouillon. Cela ne change ni le placement de la demande, ni le nombre de précautions, ni le rythme, parce qu'aucun des modèles ne dispose de la moindre information sur les vôtres. Ce que cache la référence « IA moyenne » détaille les chiffres modèle par modèle.

La même séparation joue en votre faveur une fois que vous avez un profil. Plus le modèle devient capable de suivre des instructions nuancées, mieux il exécute aussi votre profil. « Ouvrir sur la mise à jour, une précaution par demande, au moins une phrase de moins de huit mots par paragraphe » est une instruction nuancée, et chaque génération l'applique plus précisément que la précédente. Donnez un adjectif vague à un modèle plus puissant et vous obtenez une moyenne plus lisse. Donnez-lui un profil mesuré et vous obtenez un vous plus fidèle. Ce que vous recevez dépend entièrement de ce que vous avez transmis, un point que nous avons développé dans Pourquoi les meilleurs modèles ne connaissent toujours pas votre voix.

Comment donner à l'IA votre anglais plutôt que la moyenne ?

Mesurez vos habitudes à partir d'anglais que vous avez déjà envoyé, écrivez-les sous forme de règles, et placez ces règles là où le modèle les lit à chaque requête : les Custom Instructions de ChatGPT ou un Project, un Claude Project, un Gem Gemini. Trois étapes, et les deux premières ne demandent aucun logiciel.

Étape 1 : rassemblez dix e-mails envoyés dans un seul registre. Clients, interne ou premier contact ; choisissez-en un. Prenez ceux que vous étiez satisfait d'envoyer, pas ceux que vous avez réécrits pendant une heure, parce que le profil doit capturer votre mardi ordinaire et non votre meilleur jour. Gardez-les séparés de tout ce que vous avez écrit en japonais ou en français. Votre anglais n'est pas une traduction de vos autres langues et ne doit pas être mesuré comme tel.

Étape 2 : comptez, ne décrivez pas. Pour chaque e-mail, notez :

• La phrase la plus courte, la plus longue, et la longueur typique. La plupart des gens sont surpris de voir à quel point la plus courte est courte.
• Où se place la demande : phrase un, ou après un paragraphe de contexte.
• Les précautions avant la demande : quelles formules, et combien. « Could you » et « I was wondering whether it might be possible » ne sont pas la même précaution.
• Les contractions : présentes ou absentes.
• Vos véritables ouvertures et clôtures, y compris « aucune ».
• Les connecteurs que vous utilisez (« also », « so », « and ») et ceux qui n'apparaissent jamais dans vos écrits.
• Le schéma d'excuses : à quelle fréquence, à quel degré de concret, avant ou après la solution.

Étape 3 : écrivez les comptes sous forme de règles. Un bloc terminé pour un registre ressemble à ceci :

English email, client-facing:
- Open with the update or the ask in sentence one. Context comes after.
- Vary sentence length: at least one sentence under 8 words per paragraph, none over 30.
- One hedge per ask, maximum. Use "could you". Never "I was wondering if".
- Contractions on: it's, we're, I'll.
- Connectors: "also", "so", "and". Never "in addition" or a linking adverb to open a paragraph.
- No opening formula. Close with the next step and my first name.
- Apologise once, concretely, after the fix is stated. Never "we regret to inform".

Ce bloc n'est pas la description d'une humeur. Chaque ligne peut être vérifiée sur le résultat, et chaque ligne vient de quelque chose que vous avez réellement écrit.

Un test de cinq minutes vous dit si un brouillon de l'IA est passé. Mettez le brouillon à côté d'un de vos propres e-mails. Soulignez chaque phrase de moins de huit mots dans chacun. Entourez la demande dans chacun. Comptez les précautions qui la précèdent. Si le brouillon de l'IA n'a aucune phrase courte, la demande au troisième paragraphe et trois précautions devant, vous lisez la moyenne, et la moyenne sonne traduit.

MyWritingTwin fait le comptage à votre place. Une analyse d'ADN d'écriture mesure votre rythme de phrase, le placement de vos précautions, vos connecteurs et votre formalité à partir de vos propres échantillons, par langue et contre une référence « IA moyenne » propre à chaque langue, puis transforme le résultat en un profil de style que vous emportez dans ChatGPT, Claude et Gemini. Votre profil anglais et votre profil japonais sont construits séparément, à partir d'échantillons séparés, parce que les changements de registre qui comptent dans les e-mails professionnels japonais sont des habitudes différentes de celles qui comptent dans votre anglais, et un modèle ne doit pas être autorisé à en faire la moyenne. Si vous écrivez dans plus d'une langue, Votre voix d'écriture change quand vous changez de langue explique pourquoi un seul profil ne suffit jamais.

---

Si vous voulez voir la forme de votre propre anglais face à la moyenne avant d'écrire la moindre règle, le Writing DNA Snapshot gratuit mesure quelques-uns de vos échantillons contre la référence IA propre à chaque langue et vous montre où le modèle vous aurait aplati. Soumettez vos échantillons en anglais et vos échantillons en japonais ou en français séparément, et vous obtenez deux graphiques, et non une moyenne des deux.