Pourquoi l'IA paraît plus maligne en anglais
Par Chatday Editorial Team ·
Vous posez une question à une IA en français, en polonais ou en turc, et la réponse arrive vite, bien tournée. Vous posez exactement la même question en anglais, et quelque chose change subtilement. La réponse est un peu plus tranchante. Mieux structurée. Plus assurée.
Vous ne l’imaginez pas, et votre façon d’écrire n’y est pour rien. L’écart existe, il a été mesuré, et il tient à une chose toute simple : ces modèles ont fait presque toutes leurs lectures en anglais.
L’internet que ces modèles ont lu est surtout anglophone
Les modèles de langue apprennent en lisant des quantités énormes de texte récupéré sur le web. Et ce web-là est très déséquilibré.
Une synthèse des grandes archives web utilisées pour cet entraînement a examiné une copie de fin 2023 de Common Crawl, une collecte publique de milliards de pages. L’anglais représentait environ 44 % du total. La deuxième langue du classement, l’allemand, tournait autour de 5 %. Tout le reste se partageait ce qui restait.
Comparez maintenant avec le monde réel. Les bases de données linguistiques estiment le nombre d’anglophones à environ 1,5 milliard, en comptant tous ceux qui l’ont appris comme deuxième langue, soit à peu près une personne sur six. Autrement dit, une langue parlée par un sixième de l’humanité fournit près de la moitié de la matière à lire.
Le modèle ne décide pas de privilégier l’anglais. Il s’y entraîne simplement bien davantage. Chaque expression toute faite, chaque tournure bancale, chaque cas tordu apparaît des milliers de fois plus souvent en anglais qu’en catalan ou en vietnamien, et c’est l’entraînement qui compte.
Votre IA réfléchit sans doute en anglais avant de vous répondre
Voici la partie qui surprend. Quand vous écrivez dans votre langue, le modèle ne raisonne pas forcément dedans.
Une étude de 2025 a sondé ce qui se passe réellement dans les modèles multilingues pendant qu’ils répondent. Les chercheurs ont constaté que ces systèmes prennent leurs décisions clés dans un espace de représentation proche de l’anglais, quelle que soit la langue d’entrée ou de sortie. Selon leurs termes, le modèle produit d’abord quelque chose de forme anglaise pour les mots porteurs de sens, puis le convertit dans la langue cible.
Imaginez un collègue brillant qui a grandi en lisant en anglais et travaille aujourd’hui dans votre bureau. Il vous comprend parfaitement. Mais quelque part au milieu, la réflexion se fait dans sa première langue, et ce qui vous revient est passé par une étape de traduction.
La plupart du temps, vous ne remarquez rien. Vous remarquez quand la blague tombe à plat, quand une expression arrive traduite mot à mot, ou quand le ton est techniquement correct et socialement à côté.
Pourquoi votre langue peut coûter plus cher et saturer plus vite
Il existe une deuxième raison, plus mécanique, qui n’a rien à voir avec l’intelligence.
Avant de lire votre texte, le modèle le découpe en petits morceaux appelés tokens. En gros, un token est un fragment de mot. Ce découpage est calibré surtout sur l’anglais : l’anglais obtient des morceaux efficaces, les autres langues se fragmentent bien davantage.
Les travaux sur le sujet ont montré qu’une même phrase peut occuper jusqu’à 15 fois plus de tokens dans certaines langues qu’en anglais. Les langues qui n’utilisent pas l’alphabet latin sont les plus pénalisées.
Trois conséquences en découlent, et vous les ressentez toutes :
- Vous atteignez les limites plus tôt. La mémoire de travail de l’IA se compte en tokens, donc le même document en consomme davantage dans votre langue.
- Cela peut coûter plus cher. Quand un service facture au token, la même tâche revient plus cher dans une langue qui se fragmente davantage.
- Cela peut sembler plus lent. Plus de morceaux, c’est plus de matière à traiter pour le modèle.
Rien de tout cela n’est une punition. C’est l’effet secondaire d’une conception calibrée sur des textes anglais, et cela façonne discrètement votre expérience.
Quelle est l’ampleur réelle de l’écart ?
Assez grande pour compter, et très inégale. Un test multilingue nommé MMLU-ProX a posé le même ensemble de près de 12 000 questions de type examen dans 29 langues, ce qui donne une comparaison propre : mêmes questions, langue différente, même modèle.
Le constat est constant. Les modèles réussissent bien dans les langues très présentes à l’écrit et chutent dans celles qui ont peu de matière en ligne, avec des écarts atteignant environ 24 points de pourcentage entre la plus forte et la plus faible. Sur un test où un bon score tourne autour de 70, perdre 24 points sépare l’expert sûr de lui de l’élève qui rame.
| Où se situe votre langue | Qui est concerné | À quoi vous attendre |
|---|---|---|
| Très représentée | Anglais | Raisonnement le plus fin, meilleures expressions, mise en forme la plus fiable |
| Bien représentée | Français, espagnol, allemand, portugais, chinois, japonais | Proche de l’anglais au quotidien, quelques tournures rigides |
| Moyennement représentée | Beaucoup de langues européennes et asiatiques moins présentes en ligne | Bonnes réponses, ton plus traduit, davantage d’erreurs sur les détails locaux |
| Peu représentée | Langues plus petites et la plupart des langues africaines | Raisonnement nettement plus faible, erreurs affirmées avec aplomb, tout vérifier |
Deux nuances honnêtes. Vos questions du quotidien sont bien plus faciles qu’un examen, donc l’écart ressenti est souvent plus faible que celui du papier. Et ces chiffres bougent tous les quelques mois, ce qui nous amène à la bonne nouvelle.
L’écart se referme, et c’est volontaire
Les laboratoires ont compris qu’entraîner sur plus de langues n’est pas de la générosité, mais une amélioration.
Un article de 2026 l’a testé directement et conclut qu’ajouter des langues pendant l’entraînement améliore les résultats sur toute la ligne. Les langues peu dotées gagnent beaucoup, les langues bien dotées se maintiennent au lieu de reculer, et ajouter ne serait-ce qu’une seule langue autre que l’anglais a aussi amélioré l’anglais du modèle. Les auteurs qualifient l’entraînement uniquement anglophone de largement sous-optimal.
C’est pourquoi chaque génération de modèles sonne un peu plus naturelle que la précédente dans votre langue. Et c’est pourquoi il vaut la peine de refaire les tests ci-dessous tous les quelques mois : la réponse à la question de la meilleure IA dans votre langue ne cesse de changer.
Quatre façons d’obtenir de meilleures réponses dans votre langue
1. Précisez la langue et le registre
N’écrivez pas dans votre langue en espérant que ça passe. Dites-le. Par exemple : réponds en français, dans un registre courant et naturel, comme parlerait une vraie personne.
C’est cette dernière partie qui pèse le plus. Livrés à eux-mêmes, les modèles glissent vers une voix formelle qui sent la traduction, parce que c’est à cela que ressemble la majorité des textes non anglophones sur internet.
2. Montrez-lui comment vous écrivez
Collez deux ou trois phrases que vous avez écrites vous-même et demandez-lui de retrouver cette voix. Cela marche bien mieux que décrire le ton souhaité, et c’est le remède le plus rapide au côté artificiel des textes d’IA, dans n’importe quelle langue.
3. Pour les questions difficiles, séparez la réflexion de la réponse
Si une question est vraiment ardue, essayez de la poser en anglais en demandant la réponse dans votre langue. Vu ce que l’on sait de cette étape intermédiaire de forme anglaise, cela aide parfois.
Parfois. Pas toujours. Le vérifier vous coûte un message de plus, et dès que la difficulté tient au raisonnement, l’essai en vaut la peine.
4. Changez de modèle, pas de prompt
C’est ce que presque personne n’essaie, et c’est souvent gagnant. Chaque laboratoire s’entraîne sur un mélange de langues différent, donc leurs forces dans votre langue divergent plus que ne le laisse croire leur communication. Le même prompt peut tomber parfaitement dans un modèle et sonner raide dans un autre, cas particulier de la raison plus large pour laquelle les modèles d’IA donnent des réponses différentes.
Gemini 3.1 Pro et Claude Sonnet 5 sont de bons points de départ, mais ne nous croyez pas sur parole. Faites passer votre propre prompt dans plusieurs modèles et voyez lequel sonne comme une personne de chez vous.
Le test en trois prompts pour tout nouveau modèle
Quand vous voulez savoir si un modèle tient la route dans votre langue, les classements ne vous le diront pas. Trente secondes de test personnel, si. Voici ce que nous regardons, et ce que chaque point attrape :
- Une expression ou une blague. Demandez-lui d’expliquer un dicton que seuls les gens d’ici utilisent. Cela démasque les modèles qui traduisent au lieu de comprendre.
- Un détail local. Posez une question pratique et propre à l’endroit où vous vivez, puis vérifiez la réponse. Cela démasque l’invention affirmée avec aplomb, l’erreur la plus coûteuse.
- Un court texte dans votre voix. Un message à un collègue, dans votre registre habituel. Cela démasque la raideur, la mauvaise formalité et ce parfum de traduction reconnaissable entre tous.
Faites tourner ces trois-là sur deux ou trois modèles. Vous aurez un favori en quelques minutes, et ce ne sera peut-être pas le plus connu.
Là où rien de tout cela n’aide
Soyons clairs sur les limites : aucune formulation ne fera apparaître un savoir que le modèle n’a jamais eu.
Si votre langue est peu présente en ligne, le manque est dans l’entraînement, et aucune instruction astucieuse ne le comble. Les règles locales, les détails juridiques régionaux et les spécificités d’une petite ville sont les terrains où les modèles inventent avec le plus d’assurance, dans toutes les langues, et où il faut vérifier avant d’agir.
Pour tout ce qui engage vraiment, un contrat, un courrier médical, un formulaire administratif, traitez la sortie de l’IA comme un premier jet et faites relire par une personne qui maîtrise la langue. Et quand le travail relève de la traduction pure plutôt que de la conversation, un outil de traduction conçu pour cela vaut mieux qu’une fenêtre de chat. Nous avons détaillé cette méthode dans comment traduire n’importe quoi avec l’IA.
En résumé
L’IA n’est pas plus maligne en anglais. Elle y a simplement plus lu, plus pratiqué, et la mécanique en dessous a été réglée pour cette langue. Cet écart se réduit à chaque génération, plus vite qu’on ne le croit, parce que les laboratoires ont découvert qu’enseigner plus de langues à un modèle le rend meilleur partout.
En attendant qu’il disparaisse, la solution n’est pas de renoncer à votre langue. C’est de dire précisément ce que vous voulez, de montrer votre voix au modèle et d’arrêter de supposer que la première IA essayée est celle qui parle le mieux la vôtre.