Pourquoi ChatGPT utilise-t-il autant de tirets cadratins ?

Les modèles apprennent sur du texte que quelqu’un a édité : livres, presse, rapports, essais. Tout est passé par un éditeur ou au moins un guide de style, et les guides américains exigent le tiret cadratin pour les incises depuis des générations. Un modèle qui imite la moyenne de son corpus imite donc la prose éditée — et la prose éditée est riche en tirets.

Le contrepoids qui existe dans l’édition réelle ne survit pas de la même façon. Personne ne corrige un texte publié pour y écrire « moins de tirets ici », car c’est un jugement porté sur le document entier. Le corpus contient les tirets ; il ne contient pas la réaction contre eux.

Le tiret cadratin est le signe le plus souple de l’anglais. Il remplace une virgule, deux-points, un point-virgule ou une paire de parenthèses sans changer un mot autour de lui, et réussit les quatre sans faute de grammaire. Pour un système qui choisit le token suivant en maximisant la fluidité locale, c’est exactement ce qu’il faut : atteindre le tiret est presque toujours correct, atteindre le point-virgule parfois non.

Dans la plupart des tokenizers modernes, le tiret cadratin est un token unique, l’espace autour également. Écrire « le plan — risqué comme il était — a fonctionné » coûte moins de tokens que la même phrase avec des parenthèses ou un point-virgule et une conjonction. L’effet est faible et n’est pas un choix conscient, mais il pointe dans la même direction que tout le reste : le chemin le moins cher vers une phrase fluide passe par le tiret.

Les modèles sont façonnés par des données de préférence humaine : des évaluateurs comparaient des réponses et choisissaient celle qu’ils préféraient. Un texte à tirets se lit plus sûr et plus immédiat qu’un texte à incises de virgules, et les évaluateurs ont récompensé ce registre. C’est une déduction, pas un fait publié — mais elle explique un motif observable : demandez un résumé neutre, vous recevez la même ponctuation dramatique.

Tous les modèles généralistes font pareil. Claude est le plus souvent cité, la manie du tiret figurant parmi ses reproches les plus fréquents, et Gemini et Copilot montrent le même motif à un degré moindre. C’est ce qu’on attend si la cause est un entraînement et un décodage partagés — ce qui est le cas.

Ces comptages sont des estimations par échantillonnage répété, pas des chiffres d’éditeurs — la valeur exacte dépend du genre, de la longueur et des paramètres d’échantillonnage. Retenez l’ordre, pas les décimales.

Empilez les remèdes, car ils échouent à des rythmes différents. Une consigne dans le prompt est obéie la plupart du temps puis oubliée dans les longues conversations, ou dès que vous demandez « plus accrocheur ». Les instructions personnalisées persistent mais ne réécrivent pas complètement le registre par défaut. Le post-traitement est la seule étape sans point de défaillance, parce qu’elle ne dépend pas du modèle.

1. Demandez la contrainte dans le prompt : « pas de tirets cadratins (—), de demi-cadratins (–) ni de doubles tirets tapés (--). »
2. Insufflez-la dans les instructions personnalisées ou les préférences pour ne pas la répéter.
3. Supprimez les caractères mécaniquement du brouillon final avec le suppresseur de tirets IA, qui repère aussi les -- et --- tapés.