Comment apprendre à un modèle de langage à écrire comme une vraie rédaction, sans qu'on voie la différence

Le prompt « écris comme un journaliste » ne fonctionne pas. C'est la première chose que découvre quiconque a tenté d'utiliser des modèles de langage pour produire du contenu pour un média précis. Le texte est fluide, correct, parfois même captivant, mais il ne sonne pas comme la publication visée. Il sonne comme ChatGPT qui fait semblant d'être journaliste. C'est ce problème qu'une équipe de développeurs a entrepris de résoudre, et son analyse technique détaillée a été publiée sur Habr.

L'autrice du post, Lena, dont c'est la première publication sur la plateforme, décrit la tâche avec une honnêteté désarmante. Le but n'était pas que le modèle écrive « bien ». Il était que le texte ne puisse pas être distingué de celui d'une rédaction précise : un portail local précis, une chaîne Telegram précise, une publication de niche précise. L'écart entre ces deux formulations est un gouffre dans lequel tombent la plupart des tentatives d'automatisation du contenu.

Pourquoi est-ce si difficile ? Le style d'une publication n'est pas un ensemble de règles qu'on peut consigner dans un prompt système. Ce sont des centaines de schémas implicites : la longueur des phrases, la fréquence des tournures familières, la préférence pour certaines constructions syntaxiques, les manières caractéristiques d'ouvrir et de clore les paragraphes, et même des « imperfections » typiques, comme l'habitude d'une rédaction d'abuser des tirets ou de mettre un point après chaque élément d'une liste. Par défaut, les modèles de langage moyennent tout cela en un « bon texte moyen » qui n'appartient à personne.

L'approche naïve, un prompt détaillé décrivant le style, atteint un plafond presque aussitôt. On peut écrire : « utilise des phrases courtes, un ton familier, commence par une question provocante ». Le modèle exécute docilement les consignes, mais le résultat est une caricature, pas une imitation. C'est comme demander à un acteur de jouer une « personne triste » : il montre le stéréotype de la tristesse, pas une personne triste en particulier. Un prompt de style décrit un genre, pas une voix.

L'étape logique suivante, ce sont les exemples few-shot : on fournit au modèle quelques textes de référence de la publication cible directement dans le contexte de la requête. Cela fonctionne nettement mieux, mais crée de nouveaux problèmes. La fenêtre de contexte n'est pas infinie, et plus on charge d'exemples, moins il reste de place pour la tâche elle-même. De plus, le modèle se met à copier des phrases et des faits précis des exemples au lieu d'abstraire le style. Il retient la surface, pas la structure.

La solution qui fonctionne vraiment, à laquelle l'équipe aboutit, se situe à l'intersection de plusieurs approches. Le fine-tuning sur un corpus de textes de la publication permet au modèle d'« absorber » les schémas stylistiques dans ses poids plutôt que dans son contexte. Mais là aussi, il y a des écueils : il faut un volume de données suffisant, un filtrage minutieux et, point particulièrement intéressant, des métriques qui mesurent la similarité stylistique et pas seulement la qualité du texte.

Les benchmarks standards comme la perplexité ou le score BLEU sont inutiles ici. L'équipe a mis au point ses propres métriques, qui analysent la distribution des longueurs de phrases, la diversité lexicale, la fréquence des marqueurs stylistiques et d'autres paramètres qui, ensemble, forment l'« empreinte » d'une publication.

Ce cas est intéressant au-delà de l'aspect technique. Il soulève une question fondamentale sur l'avenir des médias : si l'on peut apprendre à un modèle à imiter le style d'une rédaction sans qu'on voie la différence, que devient la notion même de voix éditoriale ? D'un côté, c'est un puissant outil de passage à l'échelle : une petite rédaction peut produire davantage de contenu tout en préservant sa cohérence stylistique. De l'autre, cela brouille la frontière entre paternité et imitation. Si le lecteur ne distingue pas le texte d'un modèle de celui d'un journaliste, qui en est l'auteur ?

Il y a aussi un volet pratique. Le marché du contenu est déjà inondé de textes d'IA génériques qui sonnent tous pareil. Les publications capables de préserver une voix singulière, même avec l'aide de modèles finement ajustés, obtiennent un avantage concurrentiel. Le paradoxe, c'est qu'une technologie qui menace de rendre le contenu impersonnel peut devenir un outil pour en préserver l'individualité.

La publication sur Habr est, pour l'essentiel, la documentation ouverte d'une approche que de nombreux groupes de médias développent à huis clos, et c'est cette ouverture qui en fait la valeur. L'imitation stylistique ne fera que se compliquer à mesure que les publications exigeront des outils d'IA non seulement de la compétence, mais du caractère. Ceux qui apprendront à résoudre ce problème de façon systématique, et non en réécrivant des prompts à l'infini, fixeront le standard de qualité du contenu d'IA pour les années à venir.