Pourquoi l'IA ne compte pas les R de strawberry
Par Chatday Editorial Team ·
Demandez à un chatbot d’organiser votre mariage, il le fait à merveille. Demandez-lui combien de fois la lettre R apparaît dans « strawberry » et il y a de fortes chances qu’il réponde deux. La vraie réponse est trois. C’est l’une des choses les plus étranges de l’IA moderne : le même outil qui vous explique la physique quantique se casse les dents sur une tâche qu’un enfant de six ans réussit avec un crayon.
Ce n’est pas un bug, et l’IA n’est pas bête. C’est un effet secondaire de la façon dont ces systèmes lisent, au départ. Et une fois que vous l’avez compris, beaucoup de petits ratés bizarres de l’IA prennent soudain tout leur sens.
Le fameux raté de « strawberry », expliqué
« Combien de R dans strawberry ? » est devenu le passe-temps préféré d’internet pour ridiculiser l’IA. Et pendant un temps, presque tous les chatbots se trompaient, répondant « deux » avec l’assurance joyeuse de quelqu’un qui ne s’est jamais trompé de sa vie.
Épelez-le vous-même : s-t-r-a-w-b-e-r-r-y. Il y a un R vers le début et un double R vers la fin. Trois au total. Facile pour un humain, parce que nous regardons les vraies lettres. L’IA n’a pas ce droit, et pour comprendre pourquoi, il faut regarder comment elle lit.
L’IA lit par morceaux, pas par lettres
Voici la partie que presque personne ne connaît. Avant qu’un modèle d’IA lise votre message, le texte est découpé en morceaux appelés tokens. Un token est le plus souvent un mot courant ou un fragment de mot. Le mot « strawberry » est souvent découpé en quelque chose comme « st », « raw » et « berry ».
Maintenant, comptez les R comme le modèle le fait. Le morceau « st » n’en a aucun. « raw » en a un. « berry » en a deux, mais le modèle le voit comme un seul bloc, pas comme b-e-r-r-y. Les lettres se retrouvent donc enfouies dans les morceaux, et le modèle doit se souvenir à peu près de la façon dont chaque morceau s’écrit, au lieu de le lire au passage.
Un chercheur l’a très bien dit : c’est comme vouloir compter les brins d’une corde sans la détresser d’abord. Le modèle voit la corde tressée (le token), pas les brins séparés (les lettres).
Pourquoi le même détail casse le calcul simple
C’est aussi pour ça que l’IA traverse une dissertation de philosophie sans effort mais trébuche sur une multiplication à quatre chiffres. Les nombres sont eux aussi découpés en morceaux, et même pas de façon cohérente. Le nombre 12345 peut devenir « 123 » et « 45 », si bien que le modèle n’aligne jamais vraiment les chiffres comme vous le feriez sur une feuille.
En plus, l’IA ne calcule pas. Elle prédit la suite la plus probable à partir de tout ce qu’elle a lu. Ça marche à merveille pour la langue, où « à peu près » suffit, et très mal pour l’arithmétique, où la réponse est soit exacte soit fausse. Le modèle est fait pour la probabilité, et les maths veulent de la précision. Ces deux-là ne s’entendent pas toujours. C’est un cousin de la raison pour laquelle l’IA invente des choses avec aplomb : une réponse fluide et plausible n’est pas la même chose qu’une réponse juste.
Alors pourquoi certains modèles y arrivent maintenant ?
Voici le retournement. Aujourd’hui, demandez strawberry à la plupart des chatbots et ils répondent trois. La question est devenue si célèbre que la bonne réponse est désormais gravée dans ce qu’ils ont appris. Les modèles n’ont pas soudain acquis une vision des lettres. Ils ont appris la chute par cœur.
Changez le mot et le masque tombe. Lors d’un test soigné de 2025, des chercheurs ont demandé combien de B dans « blueberry ». Un chatbot populaire s’est trompé environ quatre fois sur dix, affirmant avec assurance qu’il y en avait trois alors qu’il y en a deux, petites coches à l’appui à côté de son raisonnement. Un autre modèle a réussi à chaque fois, en avançant patiemment lettre par lettre. La même tâche, des résultats très différents, ce qui montre que c’est moins une loi d’airain de l’IA qu’une question de savoir si tel modèle prend la peine de ralentir et de vérifier.
C’est la version honnête de l’histoire. Le problème des morceaux est réel, mais ce n’est pas tout. Même une IA qui montre son raisonnement peut se tromper de compte, parce qu’elle reconnaît des motifs au fil des étapes au lieu de percevoir vraiment chaque lettre. Les modèles « qui réfléchissent », plus récents, s’en sortent bien mieux que les rapides, un bon exemple d’IA rapide contre IA maligne en action. Mais mieux ne veut pas dire garanti.
Ce que l’IA fait très bien, et ce qu’il faut vérifier
Pas besoin de connaître la tuyauterie par cœur. Il vous suffit d’un instinct : où l’IA est solide, et où il vaut mieux lui faire montrer son travail.
| Tâche | Comment l’IA s’en sort | Quoi faire |
|---|---|---|
| Écrire, résumer, trouver des idées | Excellent | Faites confiance, puis survolez |
| Expliquer une notion en mots simples | Excellent | Faites confiance |
| Compter des lettres ou des caractères | Fragile | Demandez-lui d’épeler |
| Calcul long ou exact | Fragile | Demandez étape par étape, ou une calculatrice |
| Détails précis dans un long document | Variable | Demandez-lui de citer la ligne source |
Le schéma est simple. Quand la tâche est du langage, laissez filer. Quand la tâche exige de l’exactitude, ralentissez-la ou passez à un modèle qui fait attention.
Comment obtenir vraiment la bonne réponse
Trois gestes corrigent presque tous les ratés de comptage ou de calcul :
- Faites-lui montrer son travail. « Va lettre par lettre » ou « résous étape par étape » pousse le modèle à tout poser là où il peut le voir, au lieu de lâcher une réponse au hasard.
- Demandez deux fois, ou demandez à deux modèles. Si l’exactitude compte, ne vous fiez pas à la première réponse rapide. Un deuxième avis d’un modèle différent rattrape un nombre surprenant de ces erreurs.
- Prenez le bon modèle pour la tâche. Les modèles rapides et bavards sont faits pour la vitesse. Pour tout ce qui est délicat et exact, un modèle plus lent qui réfléchit vaut les quelques secondes de plus.
Ce dernier point est plus facile quand vous n’êtes pas enfermé dans une seule IA. Vous pouvez aligner quelques-uns des meilleurs modèles sur la même question et voir qui a vraiment juste.
À retenir
Le raté de l’IA sur le comptage des lettres n’est pas le signe qu’elle serait secrètement bête. C’est une fenêtre sur la façon dont ces outils fonctionnent vraiment : ils lisent par morceaux, prédisent au lieu de calculer, brillants avec la langue et maladroits avec le littéral. Une fois que vous savez ça, vous cessez d’être surpris et vous prenez les commandes. Demandez-lui de ralentir, faites-lui montrer son travail, et quand la réponse doit vraiment être juste, faites intervenir un deuxième modèle.
Le meilleur moyen d’acquérir cet instinct, c’est de tester par vous-même. Demandez à un modèle de compter les R, puis demandez-lui d’épeler d’abord le mot et regardez la réponse changer.