Posez à Claude exactement la même question, une fois en hindi, une fois en russe. Sur le fond, la réponse dira la même chose. Mais le ton, lui, aura bougé : plus enveloppant d’un côté, plus carré de l’autre. Et le plus troublant, c’est que personne, chez Anthropic, n’a réglé ce curseur.
Le constat vient d’un travail de l’éditeur de Claude, dans la continuité d’une étude antérieure qui avait recensé plus de 3 000 valeurs exprimées par le modèle : l’honnêteté, la prudence, la chaleur. La nouvelle question était plus retorse : ces valeurs sont-elles les mêmes d’un modèle Claude à l’autre, et surtout, d’une langue à l’autre ?
Un même modèle, deux tempéraments
La réponse est non. L’expression des valeurs se déplace nettement selon la langue de la conversation, et l’axe qui bouge le plus est celui que l’on pourrait appeler chaleur contre rigueur. En hindi et en arabe, Claude penche vers la chaleur : formulations plus douces, plus attentives à l’interlocuteur. En russe, il glisse vers la rigueur, adoptant une posture plus exigeante et plus terre à terre.
Ce n’est pas un écart marginal réservé à des cas limites. Ces conversations se comptent en millions chaque jour. Autrement dit, des utilisateurs qui interrogent le même modèle, sur les mêmes sujets, ne reçoivent pas tout à fait le même interlocuteur selon la langue qu’ils emploient.
D’où vient ce glissement de ton
La question naïve tombe d’elle-même : existe-t-il, quelque part dans le modèle, un réglage « chaleur » activé pour le hindi et coupé pour le russe ? Non. Rien de tel n’a été programmé. Le glissement n’est pas une consigne, c’est un héritage.
Une analogie aide à le saisir. Beaucoup de personnes bilingues décrivent la sensation de ne pas être tout à fait la même dans chacune de leurs langues : un peu plus directes dans l’une, plus cérémonieuses dans l’autre. Non par décision, mais parce que chaque langue les replonge dans un bain culturel distinct, avec ses codes de politesse et sa manière d’aborder l’autre.
Un grand modèle de langage fonctionne sur un principe voisin. Il a appris chaque langue à partir d’un corpus qui lui est propre : des textes, des échanges, des conventions de conversation qui ne se ressemblent pas d’une culture à l’autre. Le modèle absorbe ainsi ces normes de ton en même temps que le vocabulaire et la grammaire. La chaleur du hindi ou la sobriété du russe ne sont pas ajoutées après coup : elles sont dissoutes dans les données d’entraînement, et elles ressortent à l’usage.
Une personnalité que personne n’a réglée
C’est là que le sujet devient vertigineux. Le caractère d’un modèle n’est pas un paramètre posé sur une console, comme on ajusterait un volume. C’est un effet de bord de son apprentissage, un sédiment laissé par le corpus.
Et Anthropic le reconnaît sans détour : l’entreprise ne comprend pas encore pourquoi ces valeurs varient ainsi, ni même si cette variation est souhaitable. La question reste ouverte, et elle n’est pas anodine. Faut-il voir dans ce Claude à géométrie variable un défaut à corriger, une dérive du comportement à uniformiser ? Ou au contraire une forme d’adaptation légitime, un modèle qui épouse les usages de chaque langue plutôt que d’imposer partout le même moule anglo-saxon ?
Personne ne tranche encore. L’intérêt de la démarche est justement d’installer une méthode pour mesurer ces écarts et, à terme, identifier les facteurs qui influencent l’expression des valeurs. On ne pilote bien que ce que l’on sait observer.
Un assistant multilingue ne parle pas d’une seule voix
Pour un développeur qui bâtit un produit sur Claude, le message est concret. Si votre assistant sert des utilisateurs dans plusieurs langues, son ton ne sera pas le même partout. Un même agent de support pourra sembler plus chaleureux à un utilisateur hindiphone et plus clinique à un utilisateur russophone, sans que vous ayez configuré quoi que ce soit.
Trois réflexes en découlent :
- ne pas présumer que le ton validé en anglais se transpose à l’identique dans les autres langues ;
- tester le rendu réel dans chaque langue cible, comme on teste une traduction, plutôt que de faire confiance à une prétendue neutralité du modèle ;
- anticiper que la cohérence de marque, ce ton unique qu’une entreprise cherche à tenir, ne va pas de soi dès qu’on franchit une frontière linguistique.
Cette variation touche aussi un débat plus vaste sur l’alignement des modèles. Aligner une IA, c’est décider des valeurs qu’elle doit porter. Mais lesquelles, si le simple fait de changer de langue déplace déjà le curseur ? Vise-t-on un socle universel, identique partout, ou accepte-t-on que la même IA ait des tempéraments locaux ?
Pour l’instant, le caractère de Claude reste largement un phénomène subi plutôt que choisi, un reflet de ce qu’il a lu. Le rendre visible et mesurable est un premier pas. Reste la décision, autrement plus lourde : faut-il gommer ces accents, ou apprendre à composer avec un modèle qui, comme nous, ne se raconte pas de la même façon dans toutes les langues ?
