Trois itérations de prompt : comment un assistant d’écriture IA invente les personnages à la place de l’autrice

L’écrivaine sud-africaine Coral Hart a publié 370 livres en 20 mois avec l’aide de l’IA. De quoi se demander ce qu’un modèle fait réellement à un texte de fiction. L’autrice d’une analyse publiée sur Habr l’a testé sur une scène de sa propre nouvelle : un homme et une femme jouent aux échecs, avec un enfant à proximité.

Le résultat du premier essai

Le prompt était court : il décrivait la situation apparente, précisait que l’homme était sûr de gagner et demandait de restituer les pensées des personnages en 1000–1500 caractères. L’assistant de BotHub utilisait le préréglage Claude Sonnet 5.5, avec une température de 0.8 et une limite de réponse de 16 000 tokens.

Le modèle a produit une scène qui tenait bien en elle-même. Mais il a décidé de son propre chef que l’enfant était le fils des joueurs, inventé un passé au couple (« Autrefois, il attendait qu’elle termine son livre... Maintenant, il attendait son coup ») et orienté l’ensemble vers une réconciliation. Dans l’idée de l’autrice, l’enfant n’est absolument pas leur fils, et les personnages incarnent l’ambivalence. Autrement dit, le modèle a comblé les blancs avec le scénario le plus familier.

Ce qui a permis de se rapprocher de l’intention initiale

L’autrice a révélé au modèle le sens caché de la scène, tout en lui demandant de ne pas l’expliciter au lecteur. Elle a ensuite détaillé les personnages : l’homme aime garder le contrôle, mais comprend vite l’enfant ; la femme a peur de perdre et se lasse de la partie. Il a aussi fallu supprimer l’effet de « saynète achevée » : alors qu’il s’agissait d’un passage situé au milieu d’une nouvelle, le modèle cherchait un dénouement marquant. La demande a donc été précisée pour laisser la partie inachevée.

La troisième version a fait apparaître la contradiction recherchée : l’homme remarque immédiatement un fil sur la roue de la petite voiture, mais ignore le souhait de la femme de mettre fin à la partie. Des défauts subsistaient :

• le modèle a interprété « comprend l’enfant » au sens littéral, comme la capacité à réparer un jouet, plutôt qu’à déchiffrer les émotions derrière un dessin ;
• la réplique « Tu me laisses toujours un choix pour lequel je suis coupable d’avance » explique trop directement la relation ;
• les gestes manquent de continuité : la main était au-dessus du fou, puis réparait la petite voiture, avant d’être finalement « retirée de la pièce », alors que le texte ne décrit aucun retour à l’échiquier.

Ce qu’il faut en retenir en pratique

Il ne s’agit pas d’un benchmark, mais d’une expérience menée par une seule autrice, sans test de lecture à l’aveugle. La leçon est concrète et s’applique aussi bien à la fiction qu’à tout produit fondé sur l’IA générative.

• Détaillez ce que veulent les personnages et ce qui les en empêche. Un caractère contradictoire donne au modèle davantage de points d’appui que le simple adjectif « sévère ».
• Indiquez ce que le lecteur ignore encore : les règles de l’univers, les relations, l’intention cachée et les éléments à révéler plus tard.
• Précisez la forme : le point de vue, l’endroit où la scène s’interrompt et ce qui doit rester en suspens.
• Vérifiez la cohérence des gestes et des détails : elle reste un point faible, même dans les versions réussies.

L’autrice cite également une étude de 2024 : les récits écrits par des humains avec des suggestions de GPT-4 étaient jugés plus originaux et plus agréables à lire, mais se ressemblaient davantage entre eux. C’est un signal important pour les responsables produit : un assistant IA relève le niveau moyen, mais réduit la diversité. Si vous concevez un outil pour les auteurs, permettez-leur de préciser le contexte caché et les contraintes, au-delà du seul thème et de la longueur. Et dites clairement que la responsabilité du texte reste celle de la personne qui le publie sous son nom.