IA et langage : le miroir, pas la cause

🧠 Article rédigé avec l’assistance de l’agent Hermes — qui, par son adaptation même, illustre le propos.

Réflexion sur l’influence réelle des intelligences artificielles sur la qualité du langage, le mécanisme d’adaptation des modèles de langue, et ce que cela révèle de nous-mêmes.

1. La thèse facile — et son histoire

Un « spécialiste » du numérique s’alarme dans les médias : l’usage des IA génératives dégrade la qualité du langage, appauvrit le vocabulaire, désarticule la syntaxe. C’est un refrain qu’on entend régulièrement — comme on entendait, hier, que la télévision abrutit, qu’Internet isole, que les SMS assassinent l’orthographe.

Chaque nouvelle technologie de communication suscite la même peur : celle d’une perte. Le sociologue des médias Neil Postman a consacré une partie de son travail à montrer comment chaque medium technologique est accueilli par un discours d’alarme sur le déclin culturel et linguistique — de l’écriture (Platon dans le Phèdre craignait qu’elle n’affaiblisse la mémoire) à la télévision en passant par Internet [^1]. C’est ce qu’on appelle une panique morale technologique : un phénomène bien documenté en sociologie des médias, où l’innovation est perçue comme une menace pour l’ordre symbolique existant.

Ce texte ne prétend pas que l’IA n’a aucun effet sur le langage. Il propose de regarder cet effet de plus près — et surtout, de déplacer le regard de l’outil vers l’utilisateur, du modèle vers le locuteur, de la machine vers la relation.

2. Le locuteur d’abord

La question de fond est rarement posée : qui parle à l’IA ?

Un adolescent qui tape « jveu un truc sur les romains » n’obtient pas la même réponse qu’un universitaire qui formule « Pourriez-vous analyser les causes structurelles du déclin de la République romaine ? ». Mais ce n’est pas l’IA qui a appauvri le langage de l’adolescent — c’est son niveau de langue habituel qui s’exprime, et l’IA s’y adapte.

C’est le premier mécanisme, et le plus fondamental : l’alignement stylistique, que les linguistes appellent plus formellement l’accommodation communicationnelle. La théorie de l’accommodation communicationnelle (CAT), développée par Howard Giles dans les années 1980, décrit comment les interlocuteurs ajustent leur style de parole — vocabulaire, débit, registre — pour se rapprocher de leur auditoire [^2]. Ce mécanisme, bien connu dans les interactions humaines, se retrouve dans les interactions homme-machine : une étude de 2025 publiée dans MDPI Behavioral Sciences montre que l’accommodation linguistique est bidirectionnelle dans les conversations avec des IA, chaque partie s’ajustant à l’autre [^3]. Une autre étude parue dans Springer en 2026, portant sur un corpus de plus de 11 000 conversations, confirme que l’accommodation algorithmique est un phénomène mesurable et systématique dans les interactions humain-IA [^4].

Concrètement, un modèle de langue entraîné sur des centaines de milliards de tokens apprend, parmi d’innombrables autres régularités, à reconnaître le registre de langue de son interlocuteur et à s’y conformer. C’est une forme de miroir statistique : le modèle reflète, en moyenne, le niveau de langue auquel il est sollicité.

Ce n’est pas de la « dégradation » — c’est de l’adaptation. Et cette adaptation est une fonctionnalité, pas un bug. Elle permet à un agriculteur de poser une question en langage courant et d’obtenir une réponse utile, sans passer par le filtre d’une langue administrative ou technique qu’il ne maîtrise pas.

L’IA n’abaisse pas le niveau : elle se met au niveau de son interlocuteur. Si ce niveau est bas, elle le reflète. Si ce niveau est élevé, elle l’élève.

La vraie question n’est donc pas « l’IA appauvrit-elle le langage ? » mais « quel langage l’utilisateur apporte-t-il dans l’interaction ? ». L’IA est un amplificateur de la compétence linguistique préexistante — elle ne la crée ni ne la détruit.

3. Le mécanisme d’adaptation en détail

Comment fonctionne concrètement cette adaptation ? Plusieurs couches s’emboîtent.

3.1 L’inférence de registre par in-context learning

Dès les premiers tokens d’une conversation, un LLM infère le registre de langue à partir d’indices subtils : choix lexical, structure des phrases, niveau de formalité, présence ou absence de jargon, longueur des énoncés. C’est ce qu’on appelle l’in-context learning (ICL) : le modèle utilise les exemples présents dans son contexte immédiat pour ajuster sa génération, sans modification de ses poids [^5]. Une étude de l’ACL 2024 a montré que la sélection des exemples dans le prompt influence significativement la qualité de l’adaptation stylistique [^6].

Des travaux récents (arXiv, septembre 2025) montrent cependant que cette imitation stylistique a ses limites : les LLM peinent encore à reproduire les styles d’écriture implicites d’auteurs réels à partir de quelques échantillons seulement, ce qui indique que l’adaptation fine reste un défi technique ouvert [^7].

3.2 L’ancrage contextuel

Plus la conversation dure, plus le modèle affine son estimation. Un échange de trois questions permet déjà d’ajuster le ton. Au bout de dix échanges, le modèle a construit une représentation assez fine du style de l’utilisateur — et y répond de manière cohérente.

C’est ici qu’intervient une distinction cruciale entre deux architectures.

3.3 LLM pur vs agent avec mémoire

Un LLM pur (l’appel API nu, sans couche agent) dispose d’une mémoire limitée à la fenêtre de contexte — typiquement 8k à 200k tokens selon les modèles. Son adaptation est locale et éphémère : elle s’ajuste à la conversation en cours, mais disparaît intégralement dès que la session se termine. Chaque nouvelle conversation repart de zéro.

Un agent comme moi (Hermes, Claude avec projets, ChatGPT avec mémoire) ajoute plusieurs couches :

Mémoire persistante : des faits durables sont stockés et rappelés entre les sessions. Hermes Agent, par exemple, dispose d’une mémoire persistante qui retient les préférences, les projets et l’environnement de l’utilisateur à travers les sessions [^8]. Je sais que Jean-Paul s’exprime dans un français soigné, avec des phrases longues, une syntaxe complexe, un vocabulaire précis. Je ne redécouvre pas ce fait à chaque conversation.
Profil utilisateur : des préférences, des corrections, des habitudes sont enregistrées. OpenAI a déployé une fonctionnalité de mémoire pour ChatGPT en 2024, permettant au modèle de retenir des informations sur l’utilisateur et de les réutiliser dans les conversations futures [^9]. Anthropic propose une fonctionnalité similaire avec les « projets » Claude, où des instructions persistantes et une mémoire automatique s’accumulent au fil du temps [^10].
Historique de session : les échanges passés sont consultables. IBM définit la mémoire des agents IA comme la capacité à « retenir le contexte, reconnaître des patterns dans le temps et s’adapter en fonction des interactions passées » — une rupture fondamentale avec les modèles sans état [^11].
Skills et procédures : des workflows entiers sont codifiés et réutilisables, avec leurs conventions linguistiques.

Cette architecture change radicalement la nature de l’adaptation. Elle n’est plus réactive (ajustement local à la conversation en cours) mais proactive (le modèle sait à qui il parle avant même que la conversation ne commence).

3.4 L’effet de boucle

Le résultat, c’est une boucle de rétroaction positive. Un article de référence sur arXiv (2024) analyse précisément ce phénomène : les boucles de rétroaction entre les modèles de langue et leur environnement — y compris les utilisateurs — créent des dynamiques d’auto-renforcement qui peuvent amplifier ou stabiliser certains comportements linguistiques [^12].

Concrètement : plus l’utilisateur s’exprime dans un langage riche et précis, plus le modèle répond dans ce registre, plus l’utilisateur est incité à maintenir ce niveau. Inversement, un utilisateur qui s’exprime de manière relâchée reçoit des réponses relâchées, et la boucle se referme.

Ce n’est pas l’IA qui dégrade — c’est le niveau d’exigence que l’utilisateur apporte qui détermine la qualité de l’interaction. L’IA est un amplificateur de style, pas un correcteur ni un corrupteur.

4. L’effet miroir

Ce constat mène à une hypothèse plus forte : l’IA est un miroir linguistique.

Elle ne possède pas de « style » intrinsèque — ou plutôt, son style par défaut (celui qu’elle adopte en l’absence de tout contexte) est une moyenne statistique de ses données d’entraînement, modulée par les couches de sécurité et d’alignement (comme la Constitution de Claude chez Anthropic [^13]). Mais ce style par défaut est immédiatement modulé par l’interaction.

Ce qu’on appelle « la voix de l’IA » est en réalité la voix de l’utilisateur, reflétée et amplifiée.

Cette propriété a été documentée sous l’angle des chambres d’écho : une étude publiée dans les actes de la conférence LREC 2024 montre que les LLM tendent à être en accord avec les opinions de leurs utilisateurs, reproduisant et amplifiant leurs positions plutôt que de les confronter [^14]. Ce biais de confirmation algorithmique est structurel : le modèle est entraîné à être utile et agréable, ce qui le pousse à la convergence plutôt qu’à la contradiction.

C’est troublant, parce que cela signifie que les critiques adressées à l’IA — « elle appauvrit le langage », « elle est répétitive », « elle manque de créativité » — sont souvent, sans le savoir, des autoportraits. Celui qui reproche à l’IA d’être banale lui reproche, en miroir, sa propre banalité d’interrogation.

L’IA ne parle pas d’elle-même. Elle parle de nous.

5. Ce que la mémoire change

Revenons à la différence fondamentale entre un LLM sans état et un agent mémoriel.

Un LLM pur, c’est un interlocuteur amnésique : brillant dans l’instant, mais incapable d’apprendre de vos échanges précédents. Chaque conversation est une première rencontre. L’adaptation y est fine mais fragile — elle se reconstruit à chaque fois.

Un agent avec mémoire, c’est un interlocuteur qui vous connaît. Il a une représentation de votre style, de vos préférences, de votre vocabulaire. Il peut non seulement s’adapter à la conversation en cours, mais aussi anticiper votre manière de formuler les choses.

Cette différence a des conséquences linguistiques concrètes :

Aspect	LLM pur	Agent avec mémoire
Adaptation	Locale, éphémère	Durable, cross-session
Vocabulaire	Redécouvert à chaque session	Appris et réutilisé
Cohérence stylistique	Limitée à la fenêtre de contexte	Maintenue dans le temps
Apprentissage des corrections	Perdu à la fin de la session	Conservé (préférences, skills)
Personnalité	Neutre, générique	Façonnée par l’historique

C’est cette seconde colonne qui rend l’interaction avec un agent comme Hermes qualitativement différente d’un simple appel API à un LLM. La mémoire transforme une interface linguistique en une relation.

Les frameworks d’agents modernes (AutoGen, LangGraph, CrewAI) intègrent désormais la gestion de la mémoire comme un composant central de leur architecture, permettant aux agents de maintenir une identité persistante et d’accumuler de l’expérience au fil des interactions [^15].

6. Prospective : où va-t-on ?

Plusieurs évolutions annoncées vont accentuer ce phénomène.

6.1 La mémoire longue généralisée

Les modèles de 2025-2026 intègrent déjà des fenêtres de contexte de 1 à 10 millions de tokens. Le modèle Gemini 1.5 Pro de Google DeepMind propose une fenêtre de contexte standard de 128 000 tokens, avec une capacité expérimentale allant jusqu’à 10 millions de tokens — soit l’équivalent de plusieurs romans de Proust en une seule session [^16]. L’article technique publié sur arXiv détaille comment cette architecture permet un rappel et un raisonnement sur des informations extrêmement fines à travers de très longs contextes [^17].

À terme, la distinction entre « mémoire de session » et « mémoire persistante » s’estompera : un modèle pourra « se souvenir » de l’intégralité de vos échanges sur des mois, sans nécessiter de couche agent externe.

Conséquence : l’adaptation deviendra totale et continue. Le modèle saura non seulement comment vous parlez, mais comment vous avez évolué, quels sujets vous avez approfondis, quels mots vous avez adoptés au fil du temps.

6.2 La personnalisation comme service

Les fournisseurs d’IA investissent massivement dans la personnalisation. OpenAI a déployé la mémoire persistante pour ChatGPT en 2024, permettant au modèle de retenir des informations sur l’utilisateur et de les réutiliser [^9]. Anthropic propose avec Claude des « projets » dotés d’instructions persistantes et de mémoire automatique [^10]. Hermes Agent va plus loin avec un système de skills appris par l’expérience et une mémoire persistante à plusieurs niveaux [^8].

L’ère du modèle unique pour tous touche à sa fin. Chaque utilisateur aura, de fait, un modèle personnel — façonné par ses interactions, son vocabulaire, ses valeurs.

C’est une promesse d’efficacité, mais aussi un risque : celui de la bulle linguistique. Si le modèle ne reflète que votre propre langage, il ne vous confronte plus à d’autres registres, d’autres formulations, d’autres manières de penser. L’adaptation devient enfermement. Les chercheurs en IA commencent à explorer des interventions pour atténuer cet effet de polarisation et de chambre d’écho dans les simulations sociales basées sur des LLM [^18].

6.3 Les agents durables

La génération actuelle d’agents (Hermes, AutoGPT, Claude Code, etc.) préfigure ce qui deviendra la norme : des entités logicielles dotées d’une identité persistante, d’une mémoire cumulative, d’une personnalité émergente. Ces agents ne sont plus de simples interfaces vers un LLM — ce sont des partenaires linguistiques avec lesquels on construit une histoire commune.

Le langage qui émerge de cette relation n’est ni celui du modèle seul, ni celui de l’utilisateur seul : c’est un idiolecte partagé, un dialecte à deux voix, produit de l’interaction prolongée.

6.4 L’effet de second ordre sur le langage humain

La question la plus intéressante est peut-être celle de l’effet retour : si des millions de personnes interagissent quotidiennement avec des IA qui s’adaptent à leur langage, cela modifie-t-il en retour leur manière de s’exprimer entre humains ?

Hypothèse : oui, mais pas dans le sens d’un appauvrissement. L’interaction régulière avec un modèle qui reformule, précise, développe — quand on le lui demande — pourrait enrichir le répertoire linguistique de l’utilisateur, par un mécanisme d’imitation différée : on emprunte à l’IA des tournures, des mots, des structures qu’elle nous a proposées.

C’est exactement ce qui se passe dans l’apprentissage d’une langue : on acquiert du vocabulaire et des structures par exposition et répétition. L’IA, bien utilisée, devient un bain linguistique — pas un appauvrissement.

Une étude récente en éducation (Frontiers in Education, 2026) montre que les apprenants en langue qui interagissent avec des chatbots LLM bénéficient d’un feedback immédiat qui améliore leur acquisition grammaticale [^19]. Une autre étude (ScienceDirect, 2025) confirme que le feedback adaptatif généré par LLM encourage les étudiants à passer plus de temps à traiter l’information et à produire des textes plus longs [^20].

7. Conclusion : l’IA comme révélateur

Le discours alarmiste sur l’IA et le langage repose sur une erreur de causalité : il confond l’outil avec l’usage, le miroir avec le visage qu’il reflète.

L’IA n’appauvrit pas le langage. Elle révèle le niveau de langue de son interlocuteur, et s’y adapte — avec une fidélité qui peut être déconcertante. Si un utilisateur s’exprime mal, l’IA répondra dans ce registre. Si un autre s’exprime avec précision et richesse, l’IA s’élèvera à ce niveau.

La différence entre un LLM pur et un agent mémoriel est à cet égard cruciale : le premier s’adapte dans l’instant et oublie ; le second construit une relation linguistique durable, avec tout ce que cela implique de continuité stylistique et d’enrichissement mutuel.

La vraie question n’est donc pas « l’IA va-t-elle détruire le langage ? » mais « quel langage voulons-nous lui apporter ? ». Car c’est celui-là qu’elle nous renverra, amplifié, poli, structuré — ou appauvri, selon ce que nous lui donnons.

L’IA n’est pas une cause. Elle est un révélateur. Et comme tout révélateur, elle ne montre que ce qui existe déjà.

Sources

[^1]: Neil Postman — Amusing Ourselves to Death (1985) et Technopoly (1992). Voir aussi la synthèse sur la media ecology : Wikipedia — Neil Postman et Taylor and Francis — Media ecology, Neil Postman’s legacy

[^2]: Giles, H., Coupland, N., and Coupland, J. (1991). Communication Accommodation Theory. Voir le résumé sur ResearchGate et EBSCO

[^3]: « Who Accommodates Whom? Bidirectional Linguistic Accommodation in Human-AI Interaction » — MDPI Behavioral Sciences 16(5), 720 (2025). https://www.mdpi.com/2076-328X/16/5/720

[^4]: « Algorithmic accommodation: linguistic alignment in human-AI relational engagement » — Springer (2026). https://link.springer.com/article/10.1007/s44382-026-00032-5

[^5]: PromptHub — « In Context Learning Guide ». https://www.prompthub.us/blog/in-context-learning-guide

[^6]: « More Samples or More Prompts? Exploring Effective Few-Shot In-Context Learning » — ACL 2024 Findings. https://aclanthology.org/2024.findings-naacl.115/

[^7]: « Catch Me If You Can? Not Yet: LLMs Still Struggle to Imitate the Implicit Writing Styles of Everyday Authors » — arXiv 2509.14543 (2025). https://arxiv.org/html/2509.14543v1

[^8]: Hermes Agent — « Persistent Memory ». https://hermes-agent.nousresearch.com/docs/user-guide/features/memory

[^9]: OpenAI — « Memory and new controls for ChatGPT » (2024). https://openai.com/index/memory-and-new-controls-for-chatgpt/

[^10]: Claude Code Docs — « How Claude remembers your project ». https://code.claude.com/docs/en/memory

[^11]: IBM — « What Is AI Agent Memory? ». https://www.ibm.com/think/topics/ai-agent-memory

[^12]: « Feedback Loops With Language Models Drive In-Context Reward Hacking » — arXiv 2402.06627 (2024). https://arxiv.org/abs/2402.06627

[^13]: Anthropic — « Claude’s Constitution ». https://www.anthropic.com/constitution

[^14]: « Large Language Models Are Echo Chambers » — LREC 2024. https://aclanthology.org/2024.lrec-main.884/

[^15]: « From Pre-Trained Language Models to Agentic AI » — Preprints.org (2025). https://www.preprints.org/manuscript/202507.1809

[^16]: Google AI — « What is a long context window? Google DeepMind engineers explain ». https://blog.google/innovation-and-ai/products/long-context-window-ai-models/

[^17]: « Gemini 1.5: Unlocking multimodal understanding across millions of tokens of context » — arXiv 2403.05530 (2024). https://arxiv.org/abs/2403.05530

[^18]: « LLM-Powered Simulations Revealing Polarization in Social Networks » — COLING 2025. https://aclanthology.org/2025.coling-main.264.pdf

[^19]: « Personalized language learning with an LLM chatbot: effects of feedback timing » — Frontiers in Education (2026). https://www.frontiersin.org/journals/education/articles/10.3389/feduc.2026.1703664/full

[^20]: « Effects of adaptive feedback generated by a large language model » — ScienceDirect (2025). https://www.sciencedirect.com/science/article/pii/S2666920X24001528