Six nouvelles d’environ mille mots. Trois sortent de revues littéraires et de recueils reconnus, trois ont été produites par ChatGPT à partir de consignes calquées sur le thème, le style et le point de vue narratif des originales. 1 682 lecteurs en ont lu une, puis l’ont notée sur une échelle allant de moins trois à plus trois. Les textes de la machine passent devant : 1,54 contre 0,97.
L’écart de 0,57 point est net, et il se retrouve sur l’immersion : 1,42 contre 1,00. Sydney Sears et Deena Skolnick Weisberg, qui signent l’expérience dans la revue Judgment and Decision Making, y ont ajouté une variable qui change la lecture de ces notes : la moitié des lecteurs se voyait annoncer un auteur humain, l’autre moitié ChatGPT. L’annonce était fausse une fois sur deux.
Deux notes pour un même texte
Le dispositif permet donc de comparer la même nouvelle selon l’étiquette collée dessus. Quel que soit l’auteur réel, les notes montent quand on annonce un humain et descendent quand on annonce ChatGPT. Le texte n’avait pas bougé d’un mot ; seule l’information sur son origine changeait.
Cette pénalité n’a rien d’uniforme. Les lecteurs favorables à l’IA notaient plus haut en général, et encore plus haut quand on leur disait que le texte venait de ChatGPT. Chez les sceptiques, l’effet s’inverse. Une étude de 2024 sur des poèmes générés avait relevé le même biais.
L’étiquette ne renseigne donc pas sur la qualité du texte : elle dit surtout à quel camp appartient celui qui lit. Un a priori s’active, et il se convertit en points.
Personne ne repère la machine
Deux expériences supplémentaires, 905 participants au total, durcissent l’exercice : chaque lecteur reçoit cette fois une nouvelle humaine et une nouvelle générée, et doit désigner celle qui sort du modèle. Même en comparaison directe, les réponses ne font pas mieux que le hasard.
La familiarité déclarée avec les systèmes d’IA améliore un peu le taux de bonne identification ; celle avec la fiction, pas du tout. On repère un tic de génération parce qu’on en a vu mille, pas parce qu’on a lu Tchekhov.
La détection à l’œil nu ne tient donc pas comme garde-fou. Si vous comptiez sur la vigilance de votre audience, ou sur celle de vos relecteurs, pour trier ce qui sort d’un modèle, cette étude vous retire le filet.
La note récompense la lecture facile
Les auteurs avancent une explication sobre : les textes générés sont plus lisses, plus faciles à lire, plus positifs émotionnellement. Or nous préférons ce qui se lit sans effort. La note paie donc en bonne partie un confort de lecture, quand la densité littéraire n’entre pas dans le calcul.
La fiction exigeante, elle, résiste et demande du travail. Un texte peut être excellent et peu engageant, comme il peut être agréable et creux. Le format joue lui aussi en faveur des modèles : tenir mille mots cohérents n’a pas grand-chose à voir avec tenir trois cents pages.
Le protocole a sa limite, et elle est de taille. Le modèle n’a choisi ni le thème, ni le style, ni le point de vue narratif : on les lui a fournis, repris des textes humains. Il exécute une commande, il n’invente pas le cadre.
Le résultat reste solide dans son périmètre, à condition de le lire pour ce qu’il est : une préférence déclarée, sur des textes courts, notée par des lecteurs ordinaires.
Déclarer coûte plus cher que générer
Produire un texte que des lecteurs jugent au niveau d’un auteur publié ne coûte presque plus rien : quelques centimes de tokens, les unités de texte facturées par les modèles. L’annoncer coûte, lui, des points de perception mesurables.
Le silence rapporte, donc. Mention légale, badge de plateforme, charte interne : toute obligation de transparence fonctionne comme une taxe payée par ceux qui la respectent, pendant que les autres encaissent la prime. Et aucun outil ne rééquilibre la balance, puisque la détection humaine plafonne au hasard. Les plateformes composent déjà avec cet écart : Amazon impose depuis 2023 aux auteurs qui publient sur Kindle Direct Publishing de signaler un texte entièrement généré, mais la déclaration est adressée à la plateforme, elle ne remonte pas au lecteur.
Dissimuler l’usage des modèles serait pourtant une mauvaise lecture du résultat. Ce qu’un lecteur évalue dépasse le texte fini : il juge aussi une relation. Signer, c’est promettre que quelqu’un a choisi ces mots et en répond. La mention ChatGPT annule cette promesse avant la première ligne.
Cette relation se travaille, et c’est le seul terrain sur lequel un éditeur garde la main. Ce que la mention efface, on le regagne en rendant visible le travail humain qui subsiste : le choix du sujet, la vérification, l’arbitrage, la responsabilité éditoriale assumée par un nom. Un lecteur ne boude pas la technologie pour elle-même ; il se méfie d’un texte que personne n’assume.
Les données et le matériel de l’étude, prompts compris, sont publics sur l’Open Science Framework, la plateforme de partage ouvert de travaux scientifiques. C’est peut-être son apport le plus utile : n’importe qui peut reprendre le protocole, allonger les textes, changer de genre, et vérifier si l’avantage tient au-delà de mille mots. En attendant, une entreprise qui hésite à afficher l’origine de ses contenus sait ce qu’elle met dans la balance : quelques dixièmes de point de perception contre la seule chose que ses lecteurs ne peuvent pas vérifier seuls, la confiance qu’ils lui accordent.
