Comment Gemini a plongé le blog IA dans le mode collapse et forcé la reconstruction du générateur de sujets

Une invite créative ouverte s'avéra être un mauvais éditeur : au lieu de diversité, elle a subtilement entraîné la colonne du vendredi du blog d'IA dans un effondrement de mode. Pendant quatre semaines d'affilée, le LLM proposait essentiellement la même « question controversée sur l'IA », ne modifiant que légèrement la formulation, et ce n'est devenu visible que lorsque les textes sémantiquement identiques ont formé une chaîne. Le problème n'a pas émergé immédiatement précisément parce que chaque publication individuelle semblait acceptable.

La première semaine le sujet paraissait approprié, la deuxième—simplement similaire, la troisième la répétition pouvait être attribuée au hasard, mais à la quatrième il était clair : le modèle ne cherchait pas de nouveaux angles mais tournait autour du même schéma. Pour une équipe éditoriale c'est un type particulièrement désagréable d'échec, car localement la qualité est préservée tandis que systémiquement le contenu commence à se dupliquer. Initialement, les solutions ont été cherchées dans l'invite elle-même.

La logique était claire : si le modèle était bloqué sur une thèse, alors des exigences de diversité plus strictes, des contraintes, des demandes de nouvelles perspectives ou des interdictions de répétitions étaient nécessaires. Mais de telles mesures n'ont aidé que cosmétiquement. Les formulations changeaient, le ton se déplaçait, mais l'idée centrale restait la même.

C'est une observation importante pour quiconque utilise des LLM dans des pipelines de contenu : une demande ouverte de « trouver un sujet intéressant » ne garantit pas une véritable diversité, même si les réponses semblent fraîches. Au cours de l'enquête, il s'avéra qu'une partie du problème résidait non seulement dans l'ingénierie des prompts mais aussi dans la configuration propre de Gemini. Cette couche était initialement tombée hors du champ de vision, bien qu'elle affecte directement la distribution des réponses et la tendance du modèle à répéter les modèles sûrs.

Dans de tels systèmes, une erreur vit rarement en un seul endroit : l'invite, les paramètres de génération et la logique globale du pipeline se renforcent mutuellement. Donc essayer de « corriger » tout avec une formulation magique masque généralement simplement le symptôme mais n'élimine pas la cause. La situation a également révélé un autre problème pratique de l'automatisation éditoriale : la révision manuelle standard ne détecte pas de telles défaillances si on examine les matériaux un par un.

Ce qui est nécessaire c'est un contrôle au niveau de la série—comparer les sujets sur un mois, vérifier la proximité sémantique, un registre des angles déjà publiés et au moins une simple métrique de diversité. Sinon le modèle produira des textes « normaux » qui dans l'ensemble brouillent la colonne et créent l'impression que le blog débat répétitivement avec lui-même sur une question. Après quatre séries d'expériences, l'équipe est arrivée à une conclusion plus pragmatique : la tâche de génération de sujets est mieux ne pas être laissée entièrement à la discrétion du modèle.

Au lieu d'une demande ouverte « invente une question », le générateur a été basculé vers une rotation déterministe d'un pool de sujets pré-assemblé et édité. Cette approche est moins efficace du point de vue de la « créativité », mais elle fournit ce que l'équipe éditoriale a vraiment besoin—une couverture prévisible de différentes histoires, l'absence de bouclage et un contrôle sur l'équilibre thématique. Et la correction n'a nécessité ni fine-tuning, ni RAG, ni migration vers un autre modèle.

La conclusion principale ici est simple : si un LLM est intégré dans un processus éditorial régulier, il doit être évalué non par une seule réponse réussie mais par une série de publications. L'effondrement de mode dans les tâches appliquées ressemble souvent non pas à une panne abrupte mais à un rétrécissement graduel de la gamme d'idées, perceptible seulement à distance. Donc pour les générateurs de rubriques, les générateurs de sujets et d'autres scénarios récurrents, plus fiable que la liberté maximale du modèle est une combinaison de listes curées, de rotation stricte et de vérifications périodiques pour la répétition sémantique—et les décisions sont mieux prises à l'avance, avant que la répétition ne devienne une habitude éditoriale ancrée.