L'IA peut deviner l'effet que fait votre message. Elle ne peut pas savoir ce que vous ressentez vraiment.

Je co-développe Subtext, une application qui aide les gens à lire leurs messages et à trouver quoi répondre. J’avais donc une raison intéressée de fouiller dans la recherche sur la détection de ton par IA: les bancs d’essai, les articles de l’ACL, les critiques venues de la psychologie, et la loi européenne qui interdit maintenant une partie de ce champ.

La version courte tient en deux phrases. L’IA d’aujourd’hui prédit assez bien l’effet qu’un message risque de faire sur un lecteur. Elle n’a aucun moyen fiable de savoir ce que ressent la personne qui l’a écrit. Tout ce qui suit détaille l’écart entre ces deux phrases.

La détection de ton, c’est cinq tâches différentes

L’expression sonne comme une seule fonctionnalité. En dessous, ce sont des problèmes distincts, qui deviennent plus durs à mesure qu’on descend la liste.

Le sentiment, c’est le plus facile: ce texte est-il positif, négatif ou neutre. Tous les grands fournisseurs infonuagiques le vendent. L’API de Google¹ renvoie un score de moins un à plus un, avec une magnitude pour l’intensité émotionnelle, Amazon Comprehend² classe le texte en positif, négatif, neutre ou mixte, et le service Azure de Microsoft³ ajoute une analyse d’opinion par aspect, si bien qu’une phrase comme « l’appli est géniale mais le service à la clientèle était nul » se sépare correctement au lieu de se faire moyenner dans la bouillie.

La détection d’émotion est l’étape suivante: colère, joie, peur, tristesse, et leurs nombreuses cousines. Plus dur, comme les chiffres vont le montrer.

Le ton interpersonnel, c’est ce qui vous préoccupe quand vous textez votre propriétaire. Est-ce que ça sonne chaleureux, direct, défensif, accusateur. Des chercheurs modélisaient déjà la frustration, la formalité et la politesse dans les courriels de travail dès 2018⁴, et ça fonctionnait raisonnablement bien parce qu’ils traitaient ces éléments comme des dimensions séparées plutôt que comme une seule étiquette d’émotion.

Viennent ensuite le sarcasme et le sous-texte, qui dépendent plus du contexte que des mots. Tout en bas se trouve l’état émotionnel intérieur de la personne qui écrit, ce que la plupart des campagnes marketing laissent entendre et ce que la recherche appuie le moins.

Alors quand une page produit annonce qu’elle détecte le ton, ma première question, c’est laquelle de ces cinq tâches elle veut dire.

Les chiffres de précision qu’on ne met jamais sur la page d’accueil

L’ensemble de données de référence pour l’émotion fine dans le texte, c’est GoEmotions⁵ de Google: 58 000 commentaires Reddit, étiquetés à la main avec 27 émotions plus le neutre, présentés à l’ACL en 2020. Son modèle de base BERT a obtenu un F1 macro de 0,46 sur l’ensemble complet des étiquettes. Des travaux plus récents⁶, avec des modèles plus robustes et des astuces sur les données, ont fait grimper ça à environ 0,49 à 0,51. Des années de progrès, et les meilleurs modèles spécialisés ratent encore une grande part des étiquettes fines.

Demandez à un robot conversationnel généraliste de faire le même tri en 28 catégories, et son score au banc d’essai tombe bien en dessous des petits modèles ajustés, en partie parce que les modèles à réponse libre inventent des étiquettes hors taxonomie et ne se calibrent pas sur les seuils du test. Ce qui semble accablant jusqu’à ce qu’on apprenne que, dans une étude de 2025⁷, des juges humains ont souvent donné raison aux étiquettes de GPT-4 plutôt qu’à celles du jeu de données officiel. Parfois le modèle est en désaccord avec le banc d’essai parce que c’est le banc d’essai qui est le maillon faible.

Le tri grossier entre positif et négatif obtient des scores nettement plus élevés, tous domaines confondus. L’effondrement se produit exactement là où vivent les distinctions intéressantes: agacement contre colère, déception contre désapprobation.

Les humains ne s’entendent pas non plus sur le ton

La partie qui a changé ma façon de voir tout le sujet, c’est ce qui arrive quand on vérifie les humains. L’article GoEmotions rapporte l’accord entre ses propres étiqueteurs humains, et pour la plupart des émotions, le kappa de Cohen se situe entre environ 0,1 et 0,5. La gratitude est facile, à 0,75. Le deuil tombe à 0,09, presque de l’étiquetage au hasard. Quand des humains formés, lisant la même phrase, n’arrivent pas à s’entendre pour dire si elle exprime de la déception ou de la désapprobation, un modèle qui obtient 0,46 sur ces étiquettes-là pousse contre le plafond de la tâche elle-même.

Ça va plus loin encore. De quel sentiment parle-t-on, au juste? Un jeu de données appelé EmoBank⁸ a annoté les mêmes phrases deux fois, une fois du point de vue de la personne qui écrit et une fois du point de vue de celle qui lit, parce que ce sont en fait deux variables différentes. Les mêmes chercheurs ont trouvé en 2017 qu’annoter du point de vue de l’auteur donnait une meilleure qualité globale. Et la grande tâche d’émotion SemEval 2025⁹, qui couvrait plus de 30 langues issues de sept familles linguistiques, vise délibérément l’émotion perçue: ce qu’un lecteur ordinaire attribuerait au texte, et non ce que l’auteur ressentait à l’intérieur.

Le test le plus tranchant est arrivé en 2025. Une étude de l’ACL¹⁰ a demandé à des auteurs d’étiqueter leurs propres émotions, puis a fait deviner des humains externes et des modèles de langage. Les deux groupes sont restés en deçà de ce que rapportaient les auteurs eux-mêmes, et les modèles ont surpassé les humains inconnus presque partout. Chaque moitié de ce résultat compte. L’IA lit désormais mieux qu’un inconnu au hasard, en se basant seulement sur le texte, et elle reste incapable de reconstruire de façon fiable ce que vous avez ressenti.

Une conséquence pratique: une comparaison de 2023 dans Heliyon¹¹ a fait tourner huit API commerciales de détection d’émotion sur les mêmes jeux de données, et elles étaient en désaccord entre elles, avec des classements qui changeaient d’un jeu de données à l’autre. Tout fournisseur qui cite « une détection d’émotion précise à 95 % » sans préciser les étiquettes, les données et la langue cite un chiffre qui ne peut pas porter le poids de son affirmation.

Les modèles excellent aux tests d’émotion et manquent quand même la personne

Deux résultats de recherche semblent se contredire, jusqu’à ce qu’on sépare ce qu’ils mesurent chacun.

Dans une étude de 2025 publiée dans Communications Psychology¹², six modèles, dont ChatGPT-4, Gemini 1.5 Flash, Claude 3.5 Haiku et DeepSeek V3, ont passé cinq tests standards d’intelligence émotionnelle, le genre de test conçu pour évaluer des humains. Les modèles ont obtenu 81 % de bonnes réponses en moyenne, contre 56 % pour la moyenne humaine des études de validation de ces tests. Dans Nature Human Behaviour¹³, GPT-4 a égalé ou dépassé les humains sur des tâches classiques de théorie de l’esprit, comme repérer les fausses croyances et les demandes indirectes, même s’il trébuchait sur la reconnaissance des impairs sociaux. Et dans JAMA Internal Medicine¹⁴, des évaluateurs autorisés ont lu des réponses à de vraies questions de patients et ont préféré celles du robot conversationnel à celles des médecins dans 78,6 % des cas, les jugeant 9,8 fois plus susceptibles de faire preuve d’empathie. Une réserve à garder en tête: les réponses du robot faisaient en moyenne 211 mots contre 52 pour celles des médecins, et la préférence rétrécissait quand les médecins écrivaient plus long.

Pendant ce temps, EmoBench¹⁵, un banc d’essai conçu pour exiger un raisonnement émotionnel plutôt que la reconnaissance de motifs, trouve encore un écart net entre les modèles et l’humain moyen.

Les deux résultats peuvent être vrais en même temps parce que connaître les émotions et connaître l’émotion de quelqu’un sont deux compétences différentes. Un modèle a lu plus de choses sur la jalousie, le deuil et les excuses maladroites au bureau qu’aucun humain vivant. Ce qui lui manque, c’est le contexte propre à la personne qui a écrit ce message précis.

Quatre personnes peuvent taper les mêmes mots: « Félicitations. Je suis content pour toi. » L’une le pense vraiment. Une autre vous en veut. Une troisième a le cœur brisé et fait bonne figure. La quatrième est sarcastique. Chaque version est identique à l’écran, donc aucun modèle de texte ne peut les séparer, et un inconnu humain non plus. Cette information vit en dehors des mots.

Le contexte fait l’essentiel du travail

Prenez la réponse « Correct. »

Toute seule, elle peut exprimer l’accord, la déception, l’irritation, l’indifférence, ou une porte qui se referme tranquillement. Placez-la après « Tu as encore reporté l’échéance, ça fait la troisième fois » et la lecture se resserre vite. Rien dans le mot n’a changé. C’est le contexte.

La recherche sur le sarcasme arrive toujours à la même conclusion: même les humains ont souvent besoin de la conversation environnante pour saisir une intention sarcastique¹⁶¹⁷, ce qui explique pourquoi les évaluations plus récentes testent les modèles sur des dialogues entiers plutôt que sur des phrases isolées. La règle pratique pour tout outil de ton en découle directement. Donnez-lui le fil complet, la relation, les enjeux. Juger un seul message isolé, c’est demander au modèle d’échouer poliment.

Le ton est culturel, et la plupart des modèles ont grandi sur l’anglais américain

Un banc d’essai de 2025 appelé BESSTIE¹⁸ a testé des modèles en sentiment et en sarcasme sur l’anglais australien, britannique et indien. La performance était systématiquement plus faible sur l’anglais indien, le sarcasme étant le cas le plus difficile, et les modèles avaient du mal à généraliser d’une variété à l’autre.

Ce résultat rejoint l’expérience de tous les jours. « Kindly do the needful » se lit d’une façon en anglais professionnel indien et d’une autre pour un modèle calibré sur les normes de bureau américaines. Après 13 ans à Berlin, je peux ajouter la version allemande: une franchise qui compte ici comme du respect pour le temps de l’autre peut se faire étiqueter froide par un logiciel élevé à la politesse américaine. Des étiquettes comme impoli, chaleureux ou trop direct sont des jugements culturels déguisés en objectivité. Un outil de ton qui ignore qui écrit à qui, et dans quelle culture, va confidemment mal lire les deux côtés.

La lecture du visage, c’est là où l’IA d’émotion a perdu le fil

Tout ce qui précède concerne le texte. La branche de cette industrie qui scanne les visages a un bilan plus rude, et elle façonne la façon dont les régulateurs traitent maintenant toute la catégorie.

En 2019, la psychologue Lisa Feldman Barrett et ses collègues ont passé en revue plus d’un millier d’études¹⁹ et ont conclu qu’on ne peut pas déduire de façon fiable ce que quelqu’un ressent à partir de ses mouvements du visage. Les gens froncent les sourcils en se concentrant, sourient en étant anxieux, et pleurent aux mariages. La même année, une étude a fait passer les photos de 400 joueurs de la NBA dans deux systèmes commerciaux et a trouvé que les deux lisaient plus d’émotion négative sur les visages des joueurs noirs²⁰ que sur ceux des joueurs blancs, à expression comparable.

L’industrie a réagi. Microsoft a retiré la déduction d’émotion de son API Face²¹ en 2022. HireVue a abandonné l’analyse faciale dans ses évaluations d’embauche en 2021, après que le groupe de défense des droits numériques EPIC a déposé une plainte auprès de la FTC²². Les outils de texte sont une technologie différente, mais ils héritent de ce scepticisme, et ils le méritent chaque fois qu’ils prétendent lire des états intérieurs plutôt que des mots choisis.

L’UE a tracé une ligne, et le texte reste en dehors

Depuis le 2 février 2025, l’article 5(1)(f)²³ du règlement européen sur l’IA interdit l’IA qui déduit les émotions des gens sur les lieux de travail et dans les écoles, avec des exceptions étroites pour les usages médicaux et de sécurité, comme la détection de fatigue au volant. Enfreindre les pratiques interdites entraîne des amendes pouvant atteindre 7 % du chiffre d’affaires annuel mondial.

La portée de la loi compte pour quiconque construit ou utilise ces outils. Les lignes directrices de la Commission européenne rattachent l’interdiction aux données biométriques²⁴: visages, voix, dynamique de frappe, posture corporelle. Un système qui déduit des émotions à partir de texte écrit est explicitement en dehors de l’interdiction²⁵. Analyser l’effet que risque de faire un courriel, c’est légal. Pointer une webcam sur des employés pour noter leur humeur, c’est interdit. Cette ligne suit plutôt bien la science, et pour Subtext, ça se traduit en une contrainte de conception qu’on aurait choisie de toute façon: du texte seulement, aucune biométrie, aucune surveillance en milieu de travail.

À quoi servent les outils d’aujourd’hui

Le détecteur de ton²⁶ de Grammarly est l’exemple grand public le plus clair, et sa façon de se présenter est tranquillement la plus honnête du marché. Il analyse le choix des mots, la formulation, la ponctuation et les majuscules²⁶ pour vous dire comment votre message risque de sonner pour un lecteur, sur plus de 40 tons. Risque de sonner. Cette formulation fait un vrai travail scientifique.

Les API infonuagiques de Google, Amazon, Microsoft et IBM²⁷ sont bâties pour le volume: billets de service à la clientèle, avis, réponses de sondage. IBM a retiré son Tone Analyzer autonome en 2023 et a intégré l’émotion dans son produit langagier plus large. Ce sont les bons outils pour « qu’est-ce que les clients pensent de notre processus de paiement » et les mauvais pour « est-ce que mon texte sonne passif-agressif ».

Les grands modèles de langage généralistes sont l’option la plus capable pour les messages personnels, parce qu’ils peuvent utiliser le contexte, gérer plusieurs tons à la fois et expliquer leur lecture. Ils sont aussi les moins bien calibrés, alors traitez tout pourcentage de confiance comme une vibe. Du côté vocal, Hume AI²⁸ a levé une série B de 50 millions de dollars en 2024 pour mesurer la modulation vocale, surtout pour que les interfaces vocales puissent répondre avec un rythme et un ton adaptés. Un usage plus étroit, et plus défendable que de prétendre détecter des sentiments cachés.

Ce que ça change pour Subtext

Il lit les messages qui comptent le plus pour les gens: le texte de votre patron, de votre date, de votre mère. La recherche règle la question de comment ça devrait fonctionner.

Le résultat doit porter sur la perception. « Ça peut sonner comme du dédain » est une affirmation que les preuves appuient. « Elle est fâchée contre toi » en est une qu’elles n’appuient pas, et l’étude de l’ACL sur les auteurs eux-mêmes en est la preuve. On laisse aussi un message porter plusieurs tons à la fois, parce que les vrais messages en portent souvent plus d’un. Chaleureux et défensif à la fois, c’est une combinaison courante, et c’est exactement pour ça que les bancs d’essai récents traitent l’émotion comme multi-étiquette.

Les preuves valent mieux que les verdicts. Un outil utile pointe vers les mots qui créent une impression, comme « comme je l’ai déjà expliqué » qui fait discrètement tout le travail lourd dans un courriel tendu, pour que vous puissiez décider si c’est l’impression que vous voulez donner. L’incertitude reste visible aussi. Quand un message est ambigu, cette ambiguïté est souvent le constat le plus juste, et l’arrondir en une étiquette confiante serait de la fausse précision. Le contexte passe en premier: on préfère lire le fil et demander qui est le destinataire plutôt que de noter une phrase flottant dans le vide, parce que les mêmes neuf mots ne veulent pas dire la même chose pour un patron et pour un flirt.

La version honnête de cette catégorie est plus modeste que les présentations aux investisseurs, et plus utile que les sceptiques ne le croient. Lire les pensées reste hors de portée. Lire les mots est déjà possible aujourd’hui, et l’essentiel des dégâts en communication écrite commence là de toute façon. Ça m’a paru une raison suffisante pour construire ça.

---

Vous travaillez sur un de ces outils et pensez que j’ai mal lu votre banc d’essai? Dites-le-moi sur LinkedIn.

Samet Durgun est le cofondateur de Subtext, une application qui capte le ton émotionnel de vos messages et les réécrit avec vos mots. Il vit à Berlin.

---

Sources

Chaque lien ci-dessus mène à la source primaire quand elle existe, numéroté dans l’ordre d’apparition. Deux entrées sont citées sans lien parce que je n’ai pas pu confirmer d’URL stable pour elles, et les deux dernières sont des lectures complémentaires plutôt que des affirmations faites plus haut.

1. Google Cloud. Natural Language API basics: sentiment score and magnitude.
2. AWS. Amazon Comprehend: sentiment analysis.
3. Microsoft. Azure Language: sentiment analysis and opinion mining.
4. Chhaya et al. (2018). Frustrated, Polite, or Formal: Quantifying Feelings and Tone in Email. PEOPLES Workshop, NAACL 2018.
5. Demszky et al. (2020). GoEmotions: A Dataset of Fine-Grained Emotions. ACL 2020.
6. Wang et al. (2024). Large Language Models on Fine-grained Emotion Detection Dataset with Data Augmentation and Transfer Learning. arXiv.
7. Rethinking Emotion Annotations in the Era of Large Language Models (2025).
8. Buechel and Hahn (2017). EmoBank, un corpus annoté à la fois du point de vue de l’auteur et de celui du lecteur, et « Readers vs. Writers vs. Texts », Linguistic Annotation Workshop 2017.
9. Muhammad et al. (2025). SemEval-2025 Task 11: Bridging the Gap in Text-Based Emotion Detection. SemEval 2025.
10. Li et al. (2025). Can Third Parties Read Our Emotions? ACL 2025.
11. Abu-Salih et al. (2023). Emotion detection of social data: APIs comparative study. Heliyon.
12. Schlegel, Sommer, and Mortillaro (2025). Large language models are proficient in solving and creating emotional intelligence tests. Communications Psychology.
13. Strachan et al. (2024). Testing theory of mind in large language models and humans. Nature Human Behaviour.
14. Ayers et al. (2023). Comparing Physician and Artificial Intelligence Chatbot Responses to Patient Questions Posted to a Public Social Media Forum. JAMA Internal Medicine.
15. Sabour et al. (2024). EmoBench: Evaluating the Emotional Intelligence of Large Language Models. ACL 2024.
16. Feng et al. (2024). Affect Recognition in Conversations Using Large Language Models. SIGDIAL 2024.
17. Hazarika et al. (2018). CASCADE: Contextual Sarcasm Detection in Online Discussion Forums. COLING 2018.
18. Srirag et al. (2025). BESSTIE: A Benchmark for Sentiment and Sarcasm Classification for Varieties of English. Findings of ACL 2025.
19. Barrett et al. (2019). Emotional Expressions Reconsidered: Challenges to Inferring Emotion From Human Facial Movements. Psychological Science in the Public Interest.
20. Rhue (2019). Racial Influence on Automated Perceptions of Emotions. SSRN working paper.
21. Microsoft (2022). Framework for building AI systems responsibly, annonçant le retrait de la déduction d’émotion dans l’API Face.
22. EPIC. In re HireVue, FTC complaint (2019).
23. EU AI Act, Article 5: Prohibited AI Practices, en vigueur depuis le 2 février 2025.
24. Lewis Silkin (2025). Understanding the EU AI Act’s prohibited practices, on the Commission’s February 2025 guidelines.
25. Future of Privacy Forum (2026). Red Lines under the EU AI Act: the prohibition of emotion recognition in the workplace and education.
26. Grammarly. Tone detector product page et how the tone detector works.
27. IBM. Watson Natural Language Understanding.
28. Hume AI.
29. Northeastern University (2021). You can’t determine emotion from someone’s facial movements, and neither can AI.
30. The Guardian (2024). Are you 80% angry and 2% sad? Why “emotional AI” is fraught with problems.