Simon Willison défend une règle stricte pour l’écriture avec l’IA : aucune réécriture n’est sans perte

Simon Willison a mis en lumière un conflit marqué dans l’écriture assistée par IA le 11 août 2026 : réécrire plus vite peut insidieusement produire une communication moins fidèle.

L’argument vient de l’ingénieure logicielle Sophie Alpert, qui a publié une politique interne élaborée durant son travail chez Clay. Elle autorise l’assistance de l’IA, mais confie à l’auteur humain la responsabilité de chaque phrase finale.

Cette norme remet en cause une hypothèse répandue concernant les grands modèles de langage, ou LLM. Beaucoup considèrent la réécriture comme une opération cosmétique qui préserve les idées tout en améliorant le ton, la structure ou la grammaire. Alpert soutient qu’aucune transformation en langage naturel ne fonctionne ainsi.

Chaque réécriture modifie l’accent, l’implicite, le rythme ou la précision. Le danger grandit lorsque le système de réécriture ne possède pas le modèle mental détaillé de l’auteur d’origine.

L’adhésion de Willison compte, car il a documenté de nombreux usages productifs des LLM dans le développement logiciel. Son soutien ne rejette pas l’assistance de l’IA. Il trace une frontière entre l’accélération de la production et l’externalisation du jugement.

L’enjeu central n’est donc pas l’écriture humaine contre l’écriture machine. Il oppose la commodité à la fidélité, avec la responsabilité de l’auteur entre les deux.

Simon Willison relaie une politique d’écriture destinée aux ingénieurs

L’événement immédiat est modeste, mais la norme qu’il propose s’applique à chaque document produit par une organisation d’ingénierie.

Le 11 août, Willison a renvoyé vers l’essai d’Alpert du 25 juin dans sa note sur l’écriture avec l’IA. Il a qualifié cette courte politique de « vraiment bonne » et souligné sa règle centrale de responsabilité.

Alpert a élaboré cette politique pour les ingénieurs de Clay, puis l’a publiée sous forme de guide d’ingénierie. Elle couvre le brainstorming, la rédaction, la relecture, l’examen et le partage de travaux écrits.

La politique n’interdit pas ces usages. Elle exige plutôt que les auteurs vérifient que chaque idée et chaque phrase correspondent bien à ce qu’ils avaient l’intention de communiquer.

« Vous devez assumer chaque idée et chaque phrase de vos documents », écrit Alpert. Cette exigence attribue la paternité du texte à la personne qui partage le document, quel que soit l’outil ayant produit sa première version.

La règle devient concrète lors de la relecture. Si un collègue demande ce qu’une phrase signifie, rejeter la faute sur un système d’IA ne résout pas la confusion. L’auteur a choisi et diffusé cette formulation.

Cette distinction importe, car les documents d’ingénierie coordonnent souvent des travaux aux conséquences importantes. Les spécifications techniques guident l’implémentation, les analyses d’incident influencent les futures mesures de protection et les mises à jour de statut façonnent les décisions de ressources ou de calendrier.

Une phrase vague dans un message informel peut créer un malentendu passager. Une exigence vague dans une spécification technique peut se propager dans le code, les tests, les interfaces et les procédures opérationnelles.

Le titre d’Alpert décrit le mécanisme à l’origine de ce risque. Les transformations du langage naturel ne sont pas sans perte, car les formulations transportent davantage que des faits explicites.

L’ordre des phrases détermine les priorités. Les exemples limitent l’interprétation. Les nuances indiquent le degré de confiance. La suppression d’une réserve peut transformer une observation prudente en engagement apparent.

Un LLM peut produire une prose plus nette tout en modifiant l’un de ces éléments. Le résultat peut paraître plus soigné tout en représentant moins fidèlement l’auteur.

C’est pourquoi la fluidité constitue une faible preuve de fidélité. Un paragraphe lisible peut toujours contenir une affirmation déplacée, un lien non étayé ou une emphase mal placée.

Willison met l’accent sur l’appropriation du texte plutôt que sur la seule divulgation. Signaler que l’IA a participé à la rédaction peut améliorer la transparence, mais cela ne rend pas utile un document trompeur.

Les lecteurs ont toujours besoin d’un document auquel ils peuvent se fier. Ils ont aussi besoin d’un auteur capable d’expliquer son raisonnement, de défendre ses affirmations et de les réviser lorsqu’elles sont contestées.

La politique modifie donc le critère d’achèvement. Un document n’est pas prêt lorsque le modèle a fini d’écrire. Il l’est lorsque l’auteur comprend et accepte l’intégralité du résultat.

Rédiger plus vite transfère le travail aux lecteurs

La longueur générée par l’IA crée un coût organisationnel caché lorsque les auteurs économisent quelques minutes en mobilisant des heures d’attention collective.

Alpert soutient que les auteurs devraient consacrer davantage de temps à produire un document que chaque lecteur n’en passe à le consulter. Ce principe reflète l’économie inégale de l’écriture au travail.

Une seule personne crée généralement un document technique. Plusieurs ingénieurs, responsables, designers ou clients peuvent devoir le lire.

Un raccourci de cinq minutes pour l’auteur peut imposer plusieurs minutes supplémentaires à chaque destinataire. Dans un grand groupe de relecture, l’effort économisé devient une perte nette.

Ce problème apparaît lorsqu’une personne donne une brève instruction à un LLM et diffuse sa réponse plus longue avec peu de révisions. L’auteur a, en pratique, délégué l’interprétation à son audience.

Les lecteurs doivent repérer la décision réelle, distinguer les éléments probants du remplissage et déterminer quelles affirmations expriment la position de l’auteur. Ils peuvent aussi devoir résoudre les contradictions introduites durant la génération.

Un document peut être grammaticalement correct tout en imposant cette charge. Le problème n’est pas nécessairement une mauvaise prose. C’est une intention incertaine.

Les ingénieurs évoluent déjà dans des environnements informationnels saturés. Ils passent d’une pull request à un ticket, d’un document de conception à un fil de discussion, d’un tableau de bord à un canal d’incident.

Ajouter du texte plausible mais faiblement relu accroît la quantité de matière nécessitant du jugement. Cela n’augmente pas automatiquement la quantité de connaissances utiles.

Cette situation crée une pression tant pour les responsables d’ingénierie que pour les contributeurs individuels. Ils doivent décider si le volume de documents mesure la communication ou s’il enregistre simplement la production des outils.

Les politiques qui célèbrent une rédaction plus rapide sans mesurer l’effort des lecteurs favorisent une production visible. Elles négligent le travail en aval nécessaire pour interpréter, vérifier et corriger cette production.

La norme d’Alpert inverse cette incitation. L’auteur devrait assumer le coût ponctuel de rendre un document concis, car chaque lecteur en bénéficie ensuite.

La même logique apparaît dans les directives de rédaction d’Atlassian publiées en juin 2026. Son équipe de marque avertit que des contenus génériques et non vérifiés dégradent les systèmes internes de connaissance, comme des copies répétées d’une image.

Cette comparaison renvoie à un second coût. Les documents faibles ne disparaissent pas après leur première lecture. Les organisations les stockent dans des index de recherche, des graphes de connaissances, des archives de projet et des systèmes de récupération alimentés par l’IA.

Une fois stocké, un résumé déformé peut influencer des décisions ultérieures. Un autre modèle peut le récupérer, le condenser de nouveau et présenter le résultat sans son contexte d’origine.

L’organisation se retrouve alors face à une chaîne de transformations avec perte. Chaque étape peut supprimer des réserves tout en renforçant l’apparence d’une autorité institutionnelle.

Un système de connaissances personnelles est confronté au même défi. Tout capturer apporte peu de valeur si les résumés ne préservent plus les raisons d’une décision.

Une bonne gestion des connaissances dépend de la provenance, du contexte et de la qualité de récupération. Davantage de texte, à lui seul, n’apporte aucune de ces propriétés.

La pression pèse le plus lourdement sur les personnes qui consultent des documents à grande échelle. Les ingénieurs seniors, les relecteurs sécurité, les dirigeants et les responsables d’incident examinent souvent de nombreux artefacts issus d’auteurs différents.

Ils ne peuvent pas reconstituer l’intention implicite de chaque auteur. Ils ont besoin que le document soumis contienne les distinctions pertinentes.

C’est pourquoi « l’IA l’a écrit » échoue comme explication. Cette formule identifie une méthode de production tout en laissant intact le problème du lecteur.

La réponse nécessaire n’est pas une interdiction générale. Les équipes ont besoin d’attentes de relecture qui considèrent la sortie de l’IA comme un matériau inachevé tant qu’un auteur responsable ne l’a pas adoptée.

La réécriture par IA modifie le sens, même lorsque les faits subsistent

Le compromis central est simple : la réécriture peut améliorer la clarté en surface tout en affaiblissant le lien entre le langage et le modèle mental réel de l’auteur.

Le langage naturel ne sépare pas le contenu de sa présentation aussi nettement qu’un format de données structuré. Le choix des mots et l’organisation contribuent à déterminer le sens d’une affirmation.

Prenons le cas d’un ingénieur qui écrit : « Le cache a probablement provoqué le pic de latence, mais le changement de déploiement reste un autre facteur plausible. »

Un outil de réécriture pourrait renvoyer : « Le pic de latence a été causé par le cache. » La phrase est plus courte et plus assurée. C’est aussi une affirmation différente.

Une autre réécriture pourrait conserver les deux facteurs, mais placer le déploiement en premier. Ce changement peut influencer l’enquête qui recevra l’attention.

Même un résumé apparemment neutre choisit ce qu’il omet. Il peut préserver la conclusion tout en supprimant les éléments probants, l’incertitude ou les alternatives écartées qui rendaient cette conclusion défendable.

La transformation devient plus risquée lorsque l’instruction ne fournit qu’une idée générale. Le modèle doit alors ajouter des transitions et des hypothèses que l’auteur n’a jamais formulées explicitement.

Ces ajouts peuvent créer un raisonnement cohérent à la lecture, mais qui n’a pas réellement été mené. La cohérence masque alors une lacune dans la paternité intellectuelle.

Alpert décrit l’écriture comme une forme de réflexion. Le travail consistant à ordonner les affirmations, choisir des exemples et répondre aux objections peut révéler des défauts dans l’idée sous-jacente.

Éviter ce travail peut faire gagner du temps de rédaction tout en conservant la confusion. L’auteur reçoit un artefact à l’apparence achevée avant d’avoir construit un raisonnement abouti.

Cette préoccupation est particulièrement pertinente pour les spécifications d’ingénierie. Une spécification est à la fois un outil de communication et la preuve que quelqu’un a examiné les contraintes, les alternatives et les cas d’échec.

Un système d’IA peut imiter la forme de ce document. Il peut produire des sections consacrées aux objectifs, à l’architecture, à la sécurité, à la migration et aux questions ouvertes.

Cette structure ne prouve pas que l’auteur a évalué ces sujets. Un modèle complet peut dissimuler une réflexion incomplète.

La politique distingue donc l’assistance de la substitution. Le brainstorming peut faire émerger des alternatives. La relecture peut repérer des passages maladroits. Un brouillon peut aider un auteur à trouver un point de départ.

Toutefois, l’humain doit toujours décider quelles affirmations ont leur place, ce qu’elles signifient et si le document mérite le temps de ses lecteurs.

Cela ne concerne pas uniquement les hallucinations factuelles. Un modèle peut préserver tous les faits nommés tout en déformant le message par l’accent mis sur certains éléments.

Il peut atténuer un avertissement, renforcer une prévision, supprimer une exception gênante ou remplacer un terme précis par un synonyme plus large.

Les transformations de ton portent également du sens. Réécrire un désaccord direct dans un langage corporate poli peut masquer l’urgence ou la certitude derrière le message initial.

La traduction présente des risques analogues. Une phrase traduite peut préserver sa proposition centrale tout en modifiant les codes culturels, la précision technique ou la force perçue d’une recommandation.

Ces transformations peuvent être utiles. Elles ne sont simplement pas gratuites.

Un auteur qui accepte une réécriture doit comparer le résultat au sens recherché, et non seulement aux règles grammaticales. Cela exige une lecture attentive et une connaissance du sujet.

Cette relecture devient plus difficile à mesure que le texte généré s’allonge. L’auteur peut parcourir rapidement une prose qui lui paraît familière et ne pas voir de petites modifications sémantiques.

Le style soigné crée un biais d’automatisation, c’est-à-dire la tendance à faire confiance à une sortie parce qu’un système l’a produite avec assurance. La fluidité peut intensifier ce biais.

La perte de sens complique également la recherche ultérieure. Les systèmes de recherche et de synthèse classent souvent une phrase déclarative concise au-dessus d’une discussion nuancée.

Si la phrase concise exagérait la source, les futurs lecteurs pourraient rencontrer d’abord cette distorsion. La version transformée peut alors remplacer de fait l’original dans la mémoire organisationnelle.

L’expression « aucune transformation sans perte » ne doit pas être comprise comme une exigence de conserver chaque phrase pour toujours. La révision reste nécessaire, et la révision humaine modifie elle aussi le sens.

La différence réside dans la responsabilité. Un auteur humain peut décider intentionnellement quel sens préserver, affiner ou supprimer.

Un LLM ne possède pas l’intention complète de l’auteur. Il estime une continuation ou une réécriture probable à partir du contexte disponible.

Ce mécanisme peut produire un excellent langage. Il ne peut pas garantir l’alignement avec une intention non formulée qui n’existe que dans l’esprit de l’auteur.

La responsabilité compte davantage que la détection d’une prose générée par l’IA

Les équipes tirent davantage profit de l’attribution de la responsabilité des affirmations finales que de la tentative d’identifier quelles phrases ont commencé avec un modèle.

De nombreux débats sur l’écriture assistée par l’IA se concentrent sur la détection. Les relecteurs recherchent des phrases répétées, une structure uniforme, des transitions ampoulées ou des schémas stylistiques familiers.

Ces signaux constituent des fondations peu fiables pour la gouvernance. Les auteurs humains peuvent écrire une prose générique, tandis qu’une écriture assistée par un modèle et soigneusement travaillée peut éviter les schémas évidents.

La détection vise également le mauvais résultat. La question opérationnelle est de savoir si le document est exact, intentionnel, explicable et mérite d’être lu.

Un brouillon entièrement humain peut échouer à ces tests. Un brouillon fortement assisté peut les réussir si l’auteur vérifie soigneusement et adopte chaque élément.

Cela ne rend pas la divulgation inutile. Certains contextes l’exigent, car les lecteurs doivent comprendre le processus de production ou évaluer les conflits.

L’édition universitaire en fournit un exemple. Les règles actuelles d’Elsevier sur la responsabilité des auteurs autorisent les usages de soutien tout en exigeant supervision humaine, vérification et divulgation.

Sa politique indique également que les outils d’IA ne peuvent pas recevoir la qualité d’auteur, car celle-ci implique des responsabilités qui appartiennent aux personnes. Ce raisonnement correspond étroitement à la norme d’Alpert sur le lieu de travail.

Les organisations de presse sont parvenues à des positions similaires. Les normes de rédaction mises à jour de l’Associated Press autorisent une assistance limitée tout en conservant la supervision éditoriale et les exigences établies en matière de reportage.

Ces politiques diffèrent par leur portée, mais elles partagent une idée pratique. Un outil ne peut pas assumer la responsabilité professionnelle d’une affirmation publiée.

Les équipes d’ingénierie peuvent traduire cette idée dans leur comportement de relecture. L’auteur désigné ou le responsable du document doit répondre aux questions sans traiter les passages générés comme de simples accidents jetables.

Les relecteurs doivent remettre en question les certitudes inexpliquées, les preuves manquantes et les recommandations vagues. Ils ne devraient pas consacrer leur attention limitée à deviner quel outil a produit le langage.

Les organisations doivent également protéger les informations confidentielles. Une équipe peut produire une prose exacte tout en enfreignant une politique en envoyant du code sensible, des données clients ou des plans internes à un service inadapté.

Cette question s’ajoute à la fidélité sémantique plutôt que de la remplacer. Une politique responsable d’écriture assistée par l’IA doit couvrir à la fois le traitement de l’information et la paternité finale.

La politique éditoriale de Fast Company illustre cette approche plus large. Elle exige une révision humaine substantielle et aborde les paramètres de conservation des outils, le contenu confidentiel et la responsabilité.

La question difficile est de savoir ce qui constitue une relecture suffisante. Une lecture rapide peut confirmer qu’un paragraphe paraît raisonnable sans vérifier chacune de ses implications.

Les équipes devraient éviter de prétendre que ce seuil dispose d’un test numérique parfait. La profondeur de la relecture dépend de l’objectif du document et de ses conséquences potentielles.

Un compte rendu de réunion informel exige moins de contrôle qu’un rapport d’incident. Une déclaration de sécurité destinée aux clients demande davantage de relecture qu’une note interne de réflexion.

Le principe le plus sûr adapte la responsabilité à l’impact. Les auteurs devraient vérifier les faits, les affirmations et les engagements en fonction du préjudice qu’une phrase trompeuse pourrait causer.

Une provenance claire peut soutenir ce processus. Les équipes peuvent conserver les notes sources, les registres de décisions, les éléments de preuve liés et les brouillons antérieurs lorsque ces matériaux éclairent l’élaboration des conclusions.

Une base de connaissances technique consultable peut garder les documents sources à proximité des synthèses. Cette proximité aide les lecteurs à examiner le contexte plutôt qu’à faire confiance à la seule prose condensée.

Cependant, la provenance ne peut pas sauver un document dont le responsable ne l’a jamais compris. Les liens fournissent des preuves, mais quelqu’un doit décider ce que ces preuves étayent.

L’argument sceptique contre la politique d’Alpert est qu’exiger une appropriation au niveau de chaque phrase pourrait décourager une assistance utile. Certains rédacteurs communiquent mieux après avoir reçu un soutien structurel ou linguistique.

Les personnes dont l’anglais n’est pas la langue maternelle peuvent particulièrement bénéficier d’outils qui améliorent la clarté. Les personnes en situation de handicap peuvent utiliser la génération ou la réécriture comme aide à l’accessibilité.

Ces avantages sont réels, et la politique n’exige pas une rédaction sans assistance. Elle exige l’adoption éclairée du résultat final.

Cependant, la charge consistant à relire chaque phrase peut se rapprocher de celle d’une rédaction à partir de zéro. Pour certaines tâches, cela réduit l’avantage d’efficacité.

Ce n’est pas nécessairement un défaut de la règle. Cela révèle à quel point la productivité revendiquée provenait du déplacement du travail cognitif vers les lecteurs ou les relecteurs.

L’incertitude concerne la capacité des futurs systèmes à réduire cette charge de relecture sans affaiblir la fidélité. Un meilleur contexte, des liens vers les sources et le suivi des changements sémantiques pourraient aider.

Aucune de ces fonctionnalités ne peut observer pleinement une intention que l’auteur n’a jamais exprimée. L’auteur doit rester dans la boucle de vérification.

La politique trace une meilleure frontière qu’une interdiction de l’IA

Une politique utile distingue l’assistance acceptable de la sortie sans responsable, au lieu de traiter chaque interaction avec un LLM comme équivalente.

Les interdictions générales sont faciles à énoncer et difficiles à faire respecter. Les capacités d’IA apparaissent déjà dans les éditeurs, les plateformes de communication, les outils de recherche et les systèmes d’exploitation.

Une interdiction regroupe également des actions très différentes. Vérifier la grammaire ne comporte pas le même risque que générer une analyse d’incident à partir d’une invite d’une seule ligne.

Le cadre d’Alpert autorise le brainstorming, la rédaction et la relecture. Sa frontière apparaît au moment où le contenu devient une affirmation adressée à d’autres personnes.

Cette approche donne de la flexibilité aux ingénieurs tout en préservant un responsable identifiable. Elle correspond également à la manière dont les équipes gèrent déjà d’autres formes de collaboration.

Un ingénieur peut recevoir des modifications d’un collègue, mais le responsable du document approuve toujours la version finale. La suggestion d’un relecteur ne transfère pas automatiquement la qualité d’auteur.

La même logique peut s’appliquer à un LLM. Sa suggestion reste un langage proposé jusqu’à ce que l’auteur l’examine et l’adopte.

Les équipes peuvent concrétiser cette frontière grâce à plusieurs questions de relecture.

L’auteur comprend-il chaque affirmation ? Peut-il expliquer pourquoi chaque section existe ? L’incertitude et les alternatives sont-elles représentées avec exactitude ?

Le document cite-t-il les preuves nécessaires aux décisions importantes ? Une version plus courte servirait-elle mieux les lecteurs ?

Ces questions évaluent la sortie sans exiger une reconstitution médico-légale du processus de rédaction. Elles fonctionnent également pour les documents produits sans IA.

Le suivi des modifications peut aider lorsque les modèles réécrivent une prose existante. L’auteur peut examiner les suppressions, les ajouts et les nuances modifiées au lieu de comparer de mémoire deux longs documents.

Demander au modèle de préserver l’incertitude peut réduire les distorsions évidentes. Fournir des documents sources peut également faciliter l’identification des ajouts non étayés.

Aucune de ces techniques ne rend la transformation sans perte. Elles améliorent les conditions de la relecture humaine.

Un flux de travail plus solide demande à l’auteur de commencer par des notes concrètes, des décisions et des preuves. Le modèle travaille ensuite sur un contenu qui reflète déjà une réflexion substantielle.

Cela diffère de la demande d’une spécification complète à partir d’une invite courte. Le premier flux de travail aide à l’expression. Le second demande au modèle d’inventer une grande partie du raisonnement.

La distinction n’est pas toujours nette. La rédaction et la réflexion interagissent, et une question générée par un modèle peut déclencher une véritable intuition.

La règle d’appropriation gère mieux cette ambiguïté qu’une liste de tâches. Quel que soit le chemin ayant produit l’idée, l’auteur doit comprendre et défendre l’énoncé final.

Les responsables doivent également éviter de mesurer la réussite à travers le seul débit de documents. Davantage de spécifications, de mises à jour et de synthèses ne garantissent pas des décisions plus rapides ou meilleures.

Les mesures utiles comprennent le temps de relecture, les demandes de clarification, les décisions rouvertes, les corrections factuelles et les erreurs de mise en œuvre en aval.

Une politique devrait aussi définir des exceptions à faible enjeu. Une sortie de modèle clairement signalée peut être utile lorsqu’une équipe souhaite examiner une idée générée par un outil.

Alpert autorise explicitement la sortie verbatim de l’IA lorsqu’elle est identifiée comme telle. Les lecteurs savent alors qu’ils évaluent une suggestion, et non la position arrêtée de l’auteur.

Cette étiquette modifie le contrat conversationnel. L’auteur présente un objet de discussion plutôt que de revendiquer la responsabilité de son raisonnement.

La distinction évite un échec fréquent. Les équipes ne devraient pas traiter un texte généré provisoire comme un registre de décision simplement parce qu’il apparaît dans un document formel.

La meilleure frontière dépend donc du statut communicatif. Les brouillons, les questions et les expériences peuvent rester provisoires.

Les spécifications, rétrospectives, recommandations et déclarations publiques ont besoin de responsables comptables. Leur langage guide l’action et façonne la mémoire institutionnelle.

Ce que la règle d’écriture assistée par l’IA de Simon Willison met sous surveillance

Le prochain test consiste à déterminer si les équipes d’ingénierie construisent des flux de travail qui préservent l’intention, plutôt que de simplement produire plus vite un texte plus propre.

Le premier signal est la diffusion de règles explicites de paternité au sein des organisations d’ingénierie. Les politiques utiles identifieront qui est responsable des affirmations générées et ce que signifie l’achèvement de la relecture.

Si davantage d’équipes adoptent cette norme, l’argument de Willison et Alpert gagnera un soutien pratique. Cela montrerait que les organisations considèrent la fidélité sémantique comme une question opérationnelle.

Le jugement s’affaiblit si les équipes parviennent à une communication fiable avec une relecture plus légère et sans hausse des corrections. Ce résultat suggérerait que les préoccupations actuelles surestiment le coût.

Le deuxième signal est le soutien produit à la relecture sémantique. Les outils d’écriture peuvent montrer les affirmations modifiées, les nuances supprimées, les ajouts non étayés et les certitudes altérées.

Le suivi ordinaire des modifications révèle les mots modifiés. Des systèmes plus utiles expliqueraient comment la réécriture proposée a changé l’argument.

Si ces capacités deviennent fiables, l’assistance par IA peut faire gagner du temps sans masquer les transformations. Les auteurs resteraient responsables de la sortie, mais pourraient l’examiner plus efficacement.

L’argument s’affaiblit si les outils prétendent préserver le sens sans preuves transparentes. Une simple étiquette de confiance ne peut pas établir qu’une réécriture correspond à l’intention privée d’un auteur.

Le troisième signal est la qualité des documents en aval. Les équipes devraient surveiller le volume de clarifications, la durée de relecture, les suivis d’incidents et les conflits entre les synthèses et les documents sources.

Une hausse du nombre de documents soignés accompagnée d’un surcroît de corrections étayerait la thèse de la transformation avec perte. Elle montrerait que la qualité de surface masquait une dette de communication.

Des résultats stables ou en amélioration ne prouveraient pas que les réécritures sont sans perte. Ils montreraient que la relecture humaine et de meilleurs outils peuvent gérer efficacement cette perte.

Les lecteurs devraient également observer comment la recherche par IA change les enjeux. Les assistants internes répondent de plus en plus aux questions à partir de spécifications stockées, de notes de réunion et de rapports d’avancement.

Un document faible peut donc influencer davantage que son public initial. Il peut devenir une preuve récupérée pour de futures réponses générées.

Cet effet multiplicateur rend la qualité des sources importante. Les organisations ont besoin de moyens pour distinguer les décisions relues des brouillons provisoires et des suggestions générées.

L’intervention de Simon Willison propose une norme utile dans cet environnement. Utilisez l’IA là où elle aide, mais ne confondez pas fluidité générée et réflexion adoptée.

Avant de partager un document assisté par IA, demandez-vous si vous pouvez expliquer chaque ligne sans renvoyer la responsabilité au modèle. Puis retirez tout ce que vous ne pouvez pas défendre.

Conservez les éléments probants qui sous-tendent les affirmations importantes, gardez l’incertitude visible et donnez aux lecteurs le document le plus court qui étaye la décision. Considérez le texte final comme votre propre travail.

La question pratique n’est pas de savoir si l’IA a touché le document. Elle est de savoir si le document porte encore votre sens après chaque transformation.