Le tiret et le balancier : anatomie de la signature d'écriture des IA

Par Paul-Antoine TUAL, AI Transformation Leader, Croissance et Transitions. Août 2026.

Posture. Cet article s’adresse au dirigeant de PME ou d’ETI dont les offres, les comptes rendus et les publications passent désormais par un modèle de langage, et qui se demande à quoi son lecteur reconnaît la machine. Il documente deux marqueurs mesurables, le tiret cadratin et la phrase à balancier, et remonte à leur mécanique : composition des corpus, vocabulaire de tokenisation, alignement par préférences. Trois séries de mesures y sont utilisées : les travaux publiés de 2026 sur douze modèles, une inspection directe des vocabulaires BPE d’OpenAI faite pour cet article, et le corpus de ce blog lui-même avant sa propre passe de correction. Sources et mesures relevées le 28 août 2026. Le signe étudié apparaît ici uniquement en code, jamais dans la prose : c’est la règle de ce site, et l’article explique pourquoi.

---

1. Sept cent soixante-neuf tirets, sur ce blog

Ce site applique depuis le 23 juillet 2026 une règle simple : aucun tiret cadratin dans le corps d’un article publié. L’archive du dépôt, figée quatre jours plus tôt, permet de mesurer ce que cette règle a corrigé, et le résultat mérite d’ouvrir l’article plutôt que de le refermer.

Sur les vingt-quatre articles français que comptait alors le blog, zone de prose isolée du bloc de sources et de l’en-tête, on relève 61 496 mots et 769 tirets cadratins, soit 12,50 pour 1 000 mots. La médiane par article est de 11,55. Le maximum atteint 25,15 dans un article sur l’abandon de Git, un tiret tous les quarante mots. Le minimum descend à 0,92. Cent soixante-seize phrases en portaient au moins deux, sur cinq cent soixante-deux phrases contenant un tiret, une phrase à tiret sur trois.

Ces textes ont été rédigés avec l’aide d’un modèle, relus, corrigés, sourcés. Personne, dans la boucle, n’avait décidé d’écrire ainsi. Le signe s’était installé seul.

Une précaution avant d’aller plus loin. La même étude qui donne la colonne des modèles mesure aussi huit essais publiés par des humains, 57 232 mots : moyenne de 3,23 pour 1 000 mots, étendue de 0,33 à 17,12 [1]. Le rapport de un à cinquante entre deux auteurs humains interdit de lire un chiffre isolé comme une preuve d’origine. Notre 12,50 reste dans la fourchette humaine. Il en occupe le haut, et il y arrive par accident.

2. La généalogie : du Markdown qui fuit dans la prose

L’explication la plus solide publiée à ce jour tient en une phrase, et elle vient d’un travail de mars 2026 signé E. M. Freeburg, intitulé The Last Fingerprint [1]. Le tiret cadratin est du Markdown qui fuit dans la prose : la plus petite unité survivante de l’orientation structurelle qu’un modèle acquiert sur des corpus saturés de Markdown.

La composition des corpus rend la thèse plausible avant même l’expérience : plus de 60 % des données d’entraînement des premiers modèles de la famille GPT provenaient directement de moissonnages du web, où le balisage est partout [13].

Le protocole vaut mieux que la formule. Douze modèles instruits, cinq fournisseurs, environ 240 000 mots générés, deux conditions. Dans la première, le modèle écrit librement. Dans la seconde, on lui interdit tout formatage : pas de titres, pas de puces, pas de gras, pas de listes numérotées. Résultat sur les marqueurs visibles : ils disparaissent chez les douze modèles, à un résidu près chez Claude Haiku 3.5. La consigne fonctionne parfaitement.

Le tiret, lui, reste. Et il reste de façon très inégale : GPT-4.1 passe de 10,62 à 9,10, soit une baisse de 14 % ; DeepSeek V3 de 6,95 à 5,41 ; Claude Opus 4.6 de 9,09 à 0,19, une baisse de 98 % ; Gemini 2.5 Pro tombe à zéro. Les modèles Llama n’en produisent aucun dans les deux conditions, sur environ 40 000 mots, et les auteurs ont vérifié qu’ils ne leur substituent ni double trait d’union ni demi-cadratin : la construction elle-même est absente de leur écriture.

La raison de cette survie tient à un statut particulier. Un titre, une puce, un mot en gras sont du balisage et rien d’autre. Le tiret cadratin appartient aux deux registres à la fois : marqueur de structure et ponctuation de prose parfaitement légitime. L’ordre « écris en prose, pas en Markdown » ne l’attrape pas, parce qu’il est déjà de la prose.

Reste à savoir qui règle l’amplitude. La comparaison base contre instruit répond : sur Llama 3.1 8B, le modèle de base produit 0,49 tiret pour 1 000 mots, quatre occurrences sur 8 186 mots, et la version alignée tombe à zéro [1]. La tendance latente existe donc avant l’alignement, et l’alignement décide ensuite de l’amplifier ou de l’éteindre. Chez Meta il l’éteint. Chez OpenAI, sur les textes longs, il l’amplifie jusqu’à 14,03. Les données installent la disposition ; le post-entraînement fixe le volume.

3. Ce que le vocabulaire du modèle contient vraiment

L’argument économique se vérifie directement, et personne n’a besoin d’y croire sur parole : les fichiers de vocabulaire des tokeniseurs d’OpenAI sont publics. Nous les avons téléchargés et inspectés pour cet article, le 28 août 2026 [11].

Dans cl100k_base, le vocabulaire de la génération GPT-4, sur 100 256 jetons, 44 contiennent le tiret cadratin. La séquence « espace + tiret » porte le rang 2001, et le tiret seul le rang 2345. Un rang bas signifie une fusion apprise tôt, donc une séquence très fréquente dans le corpus d’entraînement. Pour comparaison, le rang 2001 place ce signe dans les deux premiers pour cent du vocabulaire, au voisinage de constructions aussi banales que l’espace suivi d’un point-virgule (rang 2652). Dans o200k_base, le vocabulaire de la génération suivante, le tiret garde les rangs 2322 et 2733 sur 199 998 jetons.

Le détail décisif se trouve plus loin dans la liste. Le vocabulaire ne contient pas seulement le tiret : il contient —and (rang 17 223), —the, —but, —that, —it, —which, —not, —including. Le signe est fusionné avec la conjonction qui le suit, en un seul jeton. Le modèle qui veut enchaîner une réserve sur une affirmation dispose donc d’un jeton unique qui porte à la fois la rupture et le connecteur. La séquence concurrente , but ne figure pas au vocabulaire ; elle coûte deux jetons.

Deux observations complètent le tableau, et elles comptent pour un texte français. La première : le demi-cadratin est bien plus mal servi, avec 7 jetons dans cl100k_base contre 44, ce qui donne au cadratin un avantage mécanique quand le modèle hésite entre les deux. La seconde : aucune de ces fusions n’est française. Ni —et, ni —le, ni —ce n’existent au vocabulaire. L’économie de jetons du tiret est une économie anglaise, importée telle quelle quand le modèle écrit en français, où elle ne rapporte plus rien.

Un jeton qui pense en anglais ponctue en français.

4. Le balancier : ce que l’alignement récompense

L’autre marqueur est syntaxique. Le texte généré balance : une thèse, une réserve, un contre-argument, une synthèse. Il concède avant qu’on l’attaque, il nuance avant qu’on lui demande. Trois résultats publiés expliquent pourquoi cette posture est le point d’équilibre attendu, sans qu’aucun laboratoire ait eu besoin de la programmer.

Le premier est un résultat d’impossibilité, publié à ICML 2024 par Chakraborty et ses coauteurs [4]. L’alignement standard résume les jugements d’annotateurs en une récompense scalaire unique, apprise sous le modèle de Bradley-Terry. Les auteurs établissent qu’une telle récompense ne peut pas représenter des préférences humaines diverses, et qu’il existe une borne inférieure d’erreur d’alignement imputable à cette diversité. Quand les annotateurs divergent, l’optimisation ne tranche pas : elle cherche le barycentre.

Le deuxième mesure le prix payé. Kirk et ses coauteurs, à ICLR 2024, comparent réglage supervisé et apprentissage par renforcement à partir de rétroactions humaines sur deux modèles de base et deux tâches [5]. L’apprentissage par renforcement généralise mieux hors distribution, et il réduit fortement la diversité des sorties, à l’intérieur d’une même requête comme entre requêtes. Les auteurs parlent d’un arbitrage entre généralisation et diversité. Une écriture qui converge vers une posture unique en est la conséquence directe.

Le troisième montre que les données de préférence sculptent la posture, pas seulement le contenu. Sharma et ses coauteurs, à ICLR 2024 également, analysent les jeux de comparaisons humaines publics et trouvent que le fait d’épouser le point de vue de l’utilisateur figure parmi les traits les plus prédictifs du jugement de préférence [6]. Ce que l’annotateur récompense sans y penser, le modèle l’apprend avec application.

Empilez les trois. Une récompense qui ne peut pas représenter le désaccord, une optimisation qui écrase la variance, des jugements humains qui préfèrent l’accommodement : la phrase à balancier tombe de cet empilement comme le fruit de l’arbre. Concéder d’abord, c’est couvrir plusieurs angles d’évaluation à la fois, donc maximiser une récompense moyenne quand on ignore qui va lire.

Un point d’honnêteté ici. Ce raisonnement s’appuie sur trois travaux solides, mais aucun d’eux ne mesure la densité des tournures contrastives comme les autres mesurent celle du tiret. Il reste une inférence bien étayée, pas un fait établi par comptage. À titre indicatif, notre propre corpus d’avant correction donne 26 tournures du type « ce n’est pas X, c’est Y » sur 61 496 mots, soit 0,42 pour 1 000 mots : dix fois plus rare que le tiret, et bien plus difficile à repérer à la lecture.

5. En français, la règle n’est pas celle qu’on croit

Une idée circule : le modèle importerait en français un usage anglo-saxon, en plaquant le cadratin là où le français voudrait le demi-cadratin. La vérification renverse la proposition.

Le syllabus de typographie française de Gérald Purnelle, à l’Université de Liège, est explicite : on utilise le tiret large pour séparer des membres de phrase, et le demi pour les articles d’énumération, ainsi que pour les intervalles de nombres, « p. 52-64 » [7]. L’article de référence de Wikipédia sur le tiret converge et ajoute la nuance qui compte : ces règles « ne font pas l’unanimité » entre grammairiens, et plusieurs maisons d’édition françaises, dont Gallimard, Albin Michel et Le Seuil, emploient couramment le demi-cadratin là où l’Imprimerie nationale emploie le cadratin [8]. Le choix du signe pour l’incise n’est donc pas la faute qu’on croit y voir.

Deux règles françaises, en revanche, sont nettes et discriminantes. Des espaces normales, sécables, sont indispensables de part et d’autre du tiret d’incise, quand l’usage anglais le plus courant colle le signe aux mots qui l’encadrent [7]. Et un tiret ne peut précéder un point final : quand l’incise se termine avec la phrase, le point absorbe le second tiret [7].

Nous avons donc testé notre propre corpus sur ces deux règles, en attendant d’y trouver l’anglicisme annoncé. Sur les 769 tirets mesurés, 760 sont entourés de deux espaces, soit 98,8 %. Et le nombre de tirets placés juste avant un point final, la faute la plus caractéristique d’un calque de l’anglais, s’établit à zéro.

Le verdict est plus intéressant que celui qu’on attendait. La machine ne s’est pas trompée de convention typographique : elle a respecté la ponctuation française avec une régularité que peu de rédactions humaines tiennent. Sa signature ne se lit pas dans la forme du signe, mais dans sa fréquence et dans son empilement, ces 176 phrases à deux tirets ou plus qui trahissent des propositions mal séparées. Le tic est prosodique, pas orthotypographique.

Corriger la typographie n’aurait rien changé. Corriger la dose a tout changé.

6. Quand la signature devient un procès

Une fois le marqueur connu, il devient une preuve. Et une preuve mal calibrée fait des dégâts.

L’histoire est mesurée à l’échelle d’une population. Une étude publiée en juin 2026 par Przemysław Czuma porte sur 69 632 prépublications de medRxiv dont la section Discussion dépasse 500 caractères [2]. La proportion de textes contenant au moins un tiret cadratin passe de 4,23 % avant le 30 novembre 2022 à 11,58 % après, une hausse absolue de 7,35 points, intervalle de confiance à 95 % de 6,94 à 7,77, avec un rapport de cotes de 2,96. La montée est progressive : environ 4 % en 2023, 8,0 % en 2024, 20,3 % en 2025. Un test placebo à l’intérieur de la période antérieure donne 0,13 point, ce qui écarte une dérive de fond.

L’auteur pose lui-même la limite de son travail : un indicateur au niveau d’une population, pas un détecteur au niveau d’un article. La pratique a ignoré cette précaution. Un dossier d’ActuaLitté de décembre 2025 recense les conséquences : OpenAI a reconnu que son propre détecteur classait comme générés des textes humains, parmi lesquels des œuvres de Shakespeare et la Déclaration d’indépendance ; l’Australian Catholic University a suspendu le détecteur de Turnitin après des accusations infondées fondées sur le seul score automatique ; un lycéen parisien a été accusé à tort lors d’une épreuve de philosophie, accusation ensuite retirée [9]. Turnitin lui-même rappelle qu’un score ne doit pas fonder seul une décision défavorable.

L’effet en retour se voit déjà sur l’écriture humaine. Le Blog du Modérateur le résumait en avril 2026 : des auteurs qui employaient le tiret depuis toujours l’évitent désormais pour ne pas être soupçonnés, quand le signe a six siècles d’usage et reste, selon le Chicago Manual of Style, la ponctuation la plus polyvalente de l’anglais [10]. Un signe légitime se retire du français et de l’anglais écrits parce qu’une machine l’a trop aimé.

Les fournisseurs, eux, ont réagi. OpenAI a traité le point dans GPT-5.1 en novembre 2025, et Sam Altman l’a annoncé sur X le 14 novembre en des termes qui disent l’aveu autant que la correction : « Small-but-happy win: If you tell ChatGPT not to use em-dashes in your custom instructions, it finally does what it’s supposed to do! » [3]. Le mot qui compte est « finally ».

7. Ce qu’un dirigeant peut en faire lundi matin

Trois enseignements pratiques, pour qui publie sous son nom des textes passés par un modèle.

Le premier concerne la consigne. Demander « pas de Markdown » ne règle rien : la Figure 3 montre que l’instruction générique laisse passer le signe, parce qu’il est déjà de la prose. Nommer le tiret fonctionne mieux, sans garantie universelle. La seule règle qui tient est la vérification : sur ce site, un article n’est pas publié avant qu’un script ait compté zéro occurrence dans la zone de prose. Deux secondes de contrôle valent mieux qu’une consigne pieuse. C’est le même réflexe que celui décrit dans notre article sur la charge mentale déléguée à l’IA : la machine émet, l’humain valide par écrit.

Le deuxième concerne le choix du modèle. La densité et la docilité varient d’un fournisseur à l’autre dans un rapport de un à cinquante, et la hiérarchie n’est pas celle qu’on suppose. Un modèle qui produit beaucoup de tirets mais obéit quand on le lui demande vaut mieux, pour un usage éditorial, qu’un modèle plus sobre mais sourd à l’instruction. Cette variable s’essaie en dix minutes sur un texte réel, avant de s’engager sur un abonnement, et elle s’ajoute utilement aux critères de choix que nous détaillions dans la fin de la course au modèle.

Le troisième concerne la prudence. Un chiffre de densité ne prouve rien sur un texte donné : l’étendue humaine de 0,33 à 17,12 l’interdit, et les faux positifs documentés en éducation l’ont montré à des étudiants et à un lycéen. Un dirigeant qui soupçonne un CV, un mémoire ou une offre de fournisseur d’avoir été produit par une machine tient là un indice de population, pas un élément de preuve. Le fonder juridiquement ou disciplinairement serait une faute.

Reste ce que cette histoire dit du métier d’écrire. Nous avons supprimé le tiret de ce site pour ne pas ressembler à une machine, et nous y avons gagné autre chose : chaque suppression obligeait à choisir laquelle des deux propositions empilées était la principale. Le texte s’est raccourci et s’est décidé. La correction cosmétique s’est révélée être une correction de pensée. Le modèle nous avait offert un moyen commode de ne pas trancher ; le lui retirer nous a obligés à le faire.

Le signe partira. L’habitude qu’il servait à masquer, elle, demande un peu plus de travail.

Avertissement. Les densités par modèle proviennent d’un unique travail de recherche publié en mars 2026, avec un protocole documenté mais sans réplication indépendante connue à ce jour. Les mesures présentées comme « propres » (corpus de ce blog, vocabulaires BPE) ont été refaites le 28 août 2026 et sont reproductibles avec les fichiers publics cités. Deux affirmations qui circulent sur le sujet ont été écartées faute de source primaire vérifiable : une hausse de 30 % de l’usage du tiret dans les livres du XIXe siècle attribuée à une étude non retrouvée, et l’idée qu’un modèle empêché d’écrire le tiret lui substituerait systématiquement un double trait d’union, contredite pour les modèles Llama par la vérification des auteurs.

Sources

[1] E. M. Freeburg, The Last Fingerprint: How Markdown Training Shapes LLM Prose, arXiv:2603.27006, 27 mars 2026. Douze modèles, cinq fournisseurs, environ 240 000 mots générés ; référence humaine de 57 232 mots sur huit essais publiés. [2] P. Czuma, Em-ergence of the em-dash: a population-level rise in em-dash frequency in medRxiv preprints at the dawn of the large-language-model era, arXiv:2606.29540, 28 juin 2026. 69 632 prépublications. [3] S. Altman, publication sur X, 14 novembre 2025 : « Small-but-happy win: If you tell ChatGPT not to use em-dashes in your custom instructions, it finally does what it’s supposed to do! » [4] S. Chakraborty, J. Qiu, H. Yuan, A. Koppel, F. Huang, D. Manocha, A. S. Bedi, M. Wang, MaxMin-RLHF: Alignment with Diverse Human Preferences, arXiv:2402.08925, ICML 2024. Résultat d’impossibilité pour une récompense scalaire unique. [5] R. Kirk, I. Mediratta, C. Nalmpantis, J. Luketina, E. Hambro, E. Grefenstette, R. Raileanu, Understanding the Effects of RLHF on LLM Generalisation and Diversity, arXiv:2310.06452, ICLR 2024. [6] M. Sharma et alii, Towards Understanding Sycophancy in Language Models, arXiv:2310.13548, ICLR 2024. Analyse des jeux de comparaisons humaines. [7] G. Purnelle, Règles et usages de typographie française, syllabus, Université de Liège, dépôt institutionnel ORBi 2268/298446. Sections 2.7 « Les tirets » et remarques préliminaires sur le cadratin. [8] Wikipédia, article « Tiret », consulté le 28 août 2026. Usages de l’Imprimerie nationale, pratiques des maisons d’édition françaises, absence d’unanimité entre grammairiens. [9] E. Berton, « IA et faux positifs : pourquoi certains détecteurs se fourvoient », ActuaLitté, 30 décembre 2025. [10] T. Coëffé, « Le tiret cadratin est mort, vive le tiret cadratin », Blog du Modérateur, 16 avril 2026. [11] Fichiers de vocabulaire BPE publics d’OpenAI, cl100k_base.tiktoken et o200k_base.tiktoken, hébergés sur openaipublic.blob.core.windows.net, téléchargés et inspectés le 28 août 2026 pour cet article. [12] Mesure propre sur l’archive du dépôt de ce site figée au 19 juillet 2026 : 24 articles français, 61 496 mots de prose hors en-tête et hors bloc de sources. [13] L. Erisson, « Why Did LLMs Steal Our Em-Dashes? », Office for Science and Society, Université McGill, 8 mai 2026.