Tiret cadratin et écriture IA : un indice de style, jamais une preuve

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

Cet article examine le tiret cadratin sous trois angles qu’il faut garder distincts pour éviter les raccourcis : le goût d’un auteur, les conventions d’une langue et les régularités mesurées dans des corpus humains ou générés.

• Un signe de ponctuation peut être fréquent chez un auteur sans renseigner sur son outil d’écriture.
• Une forme correcte en français peut être inhabituelle dans un autre code éditorial.
• Une différence statistique entre groupes ne permet pas d’attribuer l’origine d’un texte isolé.

1. Ce que 769 tirets disent de ce blog

L’archive du site au 19 juillet 2026 montre une habitude éditoriale très marquée, mais elle ne permet pas de déterminer quelle part vient du modèle, de la consigne, de la relecture ou du goût retenu au fil des publications.

• Le corpus isolé compte 61 496 mots et 769 tirets cadratins, soit 12,50 pour 1 000 mots.
• La médiane atteint 11,55 par article, avec une étendue de 0,92 à 25,15.
• Parmi 562 phrases contenant au moins un tiret, 176 en portent deux ou davantage.
• Les textes ont été assistés, relus et corrigés par des humains : le décompte décrit donc un processus éditorial mixte.

La comparaison avec les huit essais humains du préprint de Freeburg interdit précisément de transformer cette densité en diagnostic d’origine.

• La moyenne de cet échantillon humain est de 3,23 tirets pour 1 000 mots.
• Son étendue va de 0,33 à 17,12 selon l’auteur et le genre.
• La densité historique du blog se situe dans cette étendue et ne constitue donc pas une frontière entre humain et machine.

Corpus ou modèle, sans consigne de suppression	Tirets cadratins pour 1 000 mots
Ce blog avant juillet 2026	12,50
GPT-4.1	10,62
Claude Opus 4.6	9,09
DeepSeek V3	6,95
Référence humaine, moyenne de 8 essais	3,23
GPT-5.4	1,43
Llama 3.1 et 3.3 Instruct	0,00

Ces valeurs issues d’un seul protocole sont utiles pour comparer ses conditions expérimentales, mais elles ne classent ni tous les humains ni toutes les versions futures de chaque famille de modèles.

• Les modèles, paramètres et dates d’appel appartiennent à l’expérience de février et mars 2026.
• L’échantillon humain ne compte que huit essais et n’est pas une norme générale.
• Un changement de consigne suffit à modifier fortement certaines lignes du tableau.

2. Une hypothèse sur le Markdown, avec ses limites

Le préprint The Last Fingerprint propose que le tiret cadratin survive comme ponctuation de prose lorsque les autres habitudes structurelles apprises sur des textes balisés sont supprimées, mais son expérience teste une asymétrie de réponse à la consigne et non la composition causale des données d’entraînement.

• Douze modèles de cinq fournisseurs produisent environ 240 000 mots sur dix sujets et sous deux conditions principales.
• L’instruction de rédiger sans titres, listes ni gras élimine presque tous ces marqueurs visibles.
• Les tirets persistent chez plusieurs modèles : GPT-4.1 passe de 10,62 à 9,10 pour 1 000 mots, tandis que Claude Opus 4.6 passe de 9,09 à 0,19.
• L’auteur qualifie lui-même la généalogie Markdown de proposition à tester, faute de corpus contrôlés avec et sans balisage.

Les écarts entre modèles rendent plausible un rôle du post-entraînement et des instructions système, sans autoriser à désigner une procédure unique comme cause mesurée.

• Les deux modèles Llama testés ne produisent aucun tiret dans les conditions principales.
• Le modèle Llama 3.1 8B de base en produit quelques-uns, alors que sa version instruite tombe à zéro.
• Les fournisseurs n’utilisent pas nécessairement les mêmes données, tokeniseurs, réglages ou méthodes d’alignement.
• Le résultat porte donc sur les sorties observées, tandis que l’explication mécaniste reste une inférence.

3. Ce que la tokenisation établit, et ce qu’elle n’établit pas

L’inspection des vocabulaires publics d’OpenAI établit que certaines séquences contenant le tiret disposent de jetons dédiés, mais la présence ou le rang d’un jeton ne suffit pas à expliquer la probabilité qu’un modèle choisisse ce signe.

• Dans cl100k_base, 44 jetons contiennent le cadratin et 7 contiennent le demi-cadratin.
• La séquence espace + cadratin porte le rang 2001 et le cadratin seul le rang 2345.
• Des jetons anglais tels que —and, —but ou —the existent, contrairement aux suites françaises —et, —le et —ce.
• Les fichiers officiels de tiktoken permettent de reproduire l’inventaire et associent aujourd’hui GPT-4.1 à o200k_base, pas à cl100k_base.

Le raisonnement économique doit donc rester modeste : un segment fusionné peut demander moins de jetons qu’une séquence décomposée, mais la génération dépend aussi des probabilités apprises, du contexte et du post-entraînement.

• Le nombre de jetons décrit un encodage, pas une intention syntaxique.
• Un avantage d’encodage anglais ne démontre pas un transfert fautif vers le français.
• Une comparaison pertinente doit employer le tokeniseur effectivement associé au modèle testé.

4. La phrase à balancier reste une hypothèse rhétorique

Trois travaux sur l’alignement expliquent pourquoi une prose prudente, accommodante ou peu diverse peut émerger, mais aucun ne relie expérimentalement ces mécanismes au nombre de phrases construites comme « ce n’est pas X, c’est Y ».

• Chakraborty et al. montrent les limites d’une récompense unique face à des préférences humaines diverses.
• Kirk et al. observent, sur deux modèles de base et deux tâches, une meilleure généralisation hors distribution du RLHF accompagnée d’une diversité moindre que le réglage supervisé.
• Sharma et al. constatent que les réponses conformes à l’opinion exprimée par l’utilisateur sont plus souvent préférées dans des données de comparaison humaines.
• Passer de ces résultats à une forme de phrase précise constitue une interprétation éditoriale, pas un résultat mesuré par ces études.

Le corpus historique du blog fournit seulement un point de départ pour une analyse ultérieure de cette tournure.

• Vingt-six constructions proches de « ce n’est pas X, c’est Y » ont été comptées dans 61 496 mots.
• La densité obtenue, 0,42 pour 1 000 mots, est descriptive et ne comporte aucun corpus témoin comparable.
• La révision doit donc juger chaque opposition selon sa fonction argumentative plutôt que l’effacer comme une prétendue signature d’IA.

5. En français, plusieurs conventions coexistent

Le syllabus de typographie de Gérald Purnelle distingue le tiret large pour séparer des membres de phrase et le demi-cadratin pour certaines énumérations ou certains intervalles, tout en rappelant que les usages typographiques comportent des variantes et des exceptions.

• Le cadratin peut encadrer une incise ou marquer une rupture syntaxique.
• Le demi-cadratin sert couramment aux intervalles et peut remplacer le cadratin selon le code d’une maison.
• L’espacement français autour d’une incise diffère souvent de l’em dash américain composé sans espaces.
• La ponctuation finale absorbe généralement le second tiret lorsque l’incise termine la phrase.

Le contrôle effectué sur l’ancien corpus montre une convention française appliquée avec cohérence, ce qui déplace la question de la correction typographique vers celle du rythme voulu par l’auteur.

• Sur 769 cadratins, 760 sont entourés de deux espaces, soit 98,8 %.
• Aucun n’est placé immédiatement avant un point final.
• Ces deux observations ne prouvent ni l’identité de l’auteur ni la qualité de la phrase.
• La fréquence peut alourdir une prose même lorsque chaque occurrence respecte le code choisi.

6. Un signal de population ne juge pas un texte

L’étude préenregistrée de Przemysław Czuma mesure une hausse du nombre de sections Discussion contenant au moins un cadratin dans 69 632 prépublications medRxiv, puis précise que son plan ne peut établir ni la causalité ni l’origine d’un article particulier.

• La prévalence passe de 4,23 % avant le 30 novembre 2022 à 11,58 % après cette date.
• La hausse absolue estimée est de 7,35 points, avec un intervalle de confiance à 95 % de 6,94 à 7,77.
• La série annuelle atteint 8,0 % en 2024 et 20,3 % en 2025.
• L’usage de modèles de langage est une explication possible parmi les changements intervenus dans les pratiques de rédaction et d’édition.

La conséquence pratique est simple : le tiret peut contribuer à une étude stylométrique agrégée, mais ne doit jamais fonder seul une accusation, une sanction ou un rejet.

• Les auteurs humains présentent des habitudes de ponctuation très différentes.
• Les modèles changent avec leur version, leur consigne et leur contexte de génération.
• La révision humaine brouille encore toute attribution fondée sur un seul caractère.
• Une évaluation individuelle doit examiner les sources, le processus de travail et des éléments indépendants.

7. Établir une règle éditoriale vérifiable

Une organisation qui publie des textes assistés gagne à définir une convention sobre, à l’appliquer aux humains comme aux outils et à relire le raisonnement que la ponctuation organise.

• Donnez un exemple de la ponctuation attendue dans la consigne ou le guide de style.
• Comptez automatiquement les signes si une limite formelle doit être respectée.
• Relisez les phrases chargées de plusieurs ruptures pour choisir la proposition principale.
• Conservez un tiret lorsqu’il sert réellement la voix de l’auteur et la clarté.

La règle de ce site, fixée à zéro cadratin dans la prose courante, exprime un goût pour des phrases plus directes et ne prétend ni corriger toute la typographie française ni révéler l’origine d’un texte.

• Elle facilite un contrôle automatique avant publication.
• Elle oblige souvent à transformer une incise en phrase, en virgule ou en parenthèse.
• Elle peut être assouplie pour une citation, un exemple linguistique ou un document régi par une autre charte.

Si vous voulez relier ces choix éditoriaux à vos usages réels de l’IA, l’audit de maturité Junyr est un échange vidéo gratuit et sans engagement de 30 minutes.

• Vous situez votre organisation sur l’échelle de maturité.
• Vous identifiez le principal blocage et le premier projet raisonnable.
• Vous recevez une synthèse d’une page après l’échange.

Limites des mesures

Les densités citées décrivent des protocoles et des corpus datés, sans fournir de seuil universel ni de détecteur individuel.

• Les valeurs par modèle proviennent d’un préprint sans réplication indépendante connue au 6 septembre 2026.
• Les chiffres du blog et des vocabulaires sont des mesures internes reproductibles datées du 28 août 2026.
• Les comparaisons futures devront préciser la version, le tokeniseur, la consigne et le corpus humain de référence.

Sources

[1] E. M. Freeburg, The Last Fingerprint: How Markdown Training Shapes LLM Prose, arXiv:2603.27006, 27 mars 2026.

[2] P. Czuma, Em-ergence of the em-dash, arXiv:2606.29540, 28 juin 2026.

[3] S. Chakraborty et al., MaxMin-RLHF: Alignment with Diverse Human Preferences, ICML 2024.

[4] R. Kirk et al., Understanding the Effects of RLHF on LLM Generalisation and Diversity, ICLR 2024.

[5] M. Sharma et al., Towards Understanding Sycophancy in Language Models, ICLR 2024.

[6] G. Purnelle, Règles et usages de typographie française, Université de Liège.

[7] OpenAI, tiktoken_ext/openai_public.py et tiktoken/model.py, fichiers publics des encodages et association modèles-tokeniseurs.

[8] Mesure interne sur l’archive de ce site au 19 juillet 2026 : 24 articles français, 61 496 mots de prose hors frontmatter et sources.