Réécriture IA des messages : ce que disent les études

J’ai passé quelques semaines à lire tout ce que j’ai pu trouver sur les outils d’IA qui réécrivent des messages personnels, en partie parce que j’en construis un, et en partie parce que je voulais savoir si ce que je crois à leur sujet est vraiment vrai.

Voici ce que je crois. Quand vous confiez un message difficile à une IA, le moment utile n’est pas la version polie qu’elle vous renvoie. Le moment utile arrive trente secondes plus tôt, quand quelque chose vous dit que le message que vous avez déjà écrit va mal passer, et pourquoi.

Je suis donc parti chercher un outil qui fait ça. Je n’en ai trouvé aucun dans les rayons, ce qui résume en une phrase pourquoi nous avons fini par construire Subtext. Considérez-moi partial en conséquence, et vérifiez les études. Ensuite je suis parti chercher la recherche sur ce qui se passe vraiment quand les gens laissent l’IA écrire leurs messages personnels, et ça s’est révélé bien plus intéressant que les produits.

Voici ce que j’ai trouvé, avec chaque source en lien pour que vous puissiez vérifier.

Chaque produit de cette catégorie fait exactement la même chose

Si on trie ces outils selon ce qu’ils font vraiment plutôt que selon leur nombre de téléchargements, ils se regroupent en quatre familles, et les quatre aboutissent au même endroit.

Groupe un : les outils intégrés à votre téléphone. Apple Intelligence Writing Tools¹ tourne sur tout le système à partir d’iOS 18.1. Vous sélectionnez du texte et obtenez Relecture, Réécriture en trois tons (Amical, Professionnel, Concis), et Composer, qui transmet la demande à ChatGPT. Gratuit si votre matériel le supporte, c’est-à-dire iPhone 15 Pro et plus récent. Samsung Writing Assist² fait le même travail sur One UI, avec des changements de ton, des réponses suggérées et Live Translate. Gboard³ ajoute Réponse intelligente, Relecture, et des outils de reformulation qui tournent sur Gemini Nano sur les appareils récents. Tout est gratuit.

Groupe deux : les assistants intégrés à l’app de messagerie. Magic Compose⁴ place des réponses suggérées au-dessus de votre clavier dans Google Messages et réécrit les brouillons dans des styles comme Enthousiaste, Décontracté et, pour des raisons qui m’échappent, Shakespeare. Pour ça, il envoie jusqu’à vingt de vos messages récents aux serveurs de Google, ce qui veut dire que ces messages ne sont plus chiffrés de bout en bout. Google dit ne pas les stocker. Gemini dans Messages est une chose distincte, un fil de discussion où vous rédigez puis copiez le résultat dans une vraie conversation. Il ne peut pas voir vos autres fils.

Groupe trois : les apps de réponse pour les rencontres. Vous prenez le fil en capture d’écran, l’app fait de l’OCR dessus, et vous recevez des accroches et des répliques. W Rizz facture $3.99 par semaine. PlugAI, anciennement RizzGPT, tourne autour de $4.99. Il y en a des dizaines d’autres, et elles optimisent toutes la même chose : est-ce que le message suivant obtient une réponse.

Groupe quatre : les petits outils pour les conversations difficiles. C’est la famille la plus intéressante et la moins financée. Resolve⁵ sur iOS note ce qu’il appelle la température du conflit. Clarity Coach⁶ sur Android vous fait taper un brouillon dans un scénario d’entraînement et vous dit s’il sonne vague, trop brutal, ou trop justifié avant de vous aider à le réécrire. Subtext, que j’ai cofondé, appartient à cette famille et fonctionne à l’envers du reste de la catégorie : il lit le fil et votre brouillon, vous dit comment le message risque d’être reçu et quels mots en sont la cause, et ce n’est qu’ensuite qu’il propose des réécritures que vous pouvez garder ou ignorer.

Remarquez ce qui se passe dans chacun de ces cas. Vous donnez du texte, on vous rend un autre texte. L’étape de diagnostic, celle où quelque chose lit ce que vous avez écrit et vous dit comment l’autre personne risque de le recevoir, n’existe dans aucun outil qui fonctionne à l’intérieur d’une vraie conversation. Clarity Coach s’en approche le plus, et c’est un bac à sable d’entraînement, donc il ne peut pas toucher à un message que vous êtes réellement sur le point d’envoyer.

Grammarly⁷ est le presque bon élève sur lequel il vaut la peine d’être précis, parce que c’est celui qui a le plus de chances de combler cet écart. Son détecteur de ton lit votre choix de mots, votre formulation, votre ponctuation et vos majuscules, et nomme le ton. Au lancement en 2019, il en couvrait une quarantaine⁸, dont reconnaissant, confiant, formel, affectueux et triste. La documentation de Grammarly elle-même est prudente sur la limite : le détecteur identifie le ton général de votre texte⁹ plutôt que de proposer des réécritures phrase par phrase. Il vous dit quel ton est présent. Que votre sœur se sente ou non rejetée par ce ton, c’est une autre question, et Grammarly ne prétend pas y répondre. La détection de ton est dans l’offre gratuite, avec Pro à $12 par mois en facturation annuelle selon les comparateurs de prix actuels.

Cette distinction, c’est tout l’écart.

Personne ne peut dire si un message a été écrit par une IA, et ce n’est même pas serré

C’est le résultat qui m’a le plus surpris, et c’est l’étude la mieux dimensionnée de tout le domaine.

Maurice Jakesch, Jeff Hancock et Mor Naaman ont mené six expériences auprès de 4 600 participants américains, publiées dans PNAS en 2023¹⁰. Les participants lisaient des autoprésentations issues de profils de rencontre, d’hospitalité et de contextes professionnels, et devinaient lesquelles avaient été écrites par une machine. Le taux de réussite tournait entre 50 et 52 %. Dans la condition rencontre, où de l’argent était en jeu pour bien deviner, environ 51,6 %.

Autant jouer à pile ou face.

La raison, c’est que nous utilisons tous les mêmes raccourcis erronés. Les participants prenaient les pronoms à la première personne, les contractions, les mentions de la famille et le détail émotionnel chaleureux comme preuve qu’un humain avait écrit. Ils prenaient une grammaire propre et une formulation plate comme preuve qu’une machine l’avait fait. Chacun de ces signaux est trivialement facile à produire pour un modèle sur simple demande. Les heuristiques pointent exactement dans la mauvaise direction. Un classifieur entraîné, dans la même étude, n’a atteint que 58,1 %, donc ce n’est pas un problème d’attention qu’on peut corriger en faisant plus attention.

Une réserve que je tiens à mentionner honnêtement. Cette étude utilisait des textes de l’époque GPT-3. Personne n’a testé à une échelle comparable si ces chiffres tiennent face aux modèles actuels.

Le mal vient d’être soupçonné, pas d’être pris

Si les gens ne peuvent pas détecter l’IA, on pourrait s’attendre à ce que toute l’inquiétude s’évapore. Ce n’est pas le cas, et c’est la partie qui compte pour quiconque écrit un vrai message à une vraie personne.

Une équipe menée par Cornell a mené deux expériences randomisées auprès de 1 036 participants, publiées dans Scientific Reports¹¹. Les réponses intelligentes rendaient les conversations plus rapides et plus positives, et les participants se jugeaient mutuellement plus proches et plus coopératifs. Puis vient le retournement. Les participants qui soupçonnaient leur partenaire d’utiliser des réponses intelligentes le notaient nettement plus mal. C’est le soupçon qui faisait le mal. Cette étude mesurait le soupçon plutôt que l’exactitude, et vu les chiffres de détection ci-dessus, rien n’indique que ces soupçons tombaient sur les bonnes personnes.

Une équipe de Carnegie Mellon a mis un mécanisme derrière ce constat dans un article de 2025¹², avec 399 participants répartis sur deux études, et leur résultat est plus subtil qu’une simple pénalité. Une étiquette IA ne se contente pas de vous faire mal paraître. Elle rend votre message moins probant à votre sujet, dans les deux sens. Des excuses assistées par IA paraissent moins chaleureuses, et une vantardise ou un reproche assistés par IA paraissent moins froids. L’étiquette vide le message de ce qu’il disait de vous.

Ce cadrage m’est resté en tête. Quoi que votre message faisait comme signal, l’étiquette en baisse le volume.

Sauf dans un cas précis, où le divulguer ne vous coûte rien

Je tiens à inclure l’étude qui va à l’encontre de la thèse même de mon produit, parce que l’omettre serait malhonnête.

Zoe Purcell et ses collègues du Max Planck Institute for Human Development, avec Jakesch de nouveau parmi les auteurs, ont mené deux expériences préenregistrées auprès de 1 637 participants dans des jeux de confiance à deux joueurs avec incitation financière, publiées dans iScience en novembre 2025¹³. La moitié pouvait utiliser une assistance de texte prédictif pour écrire un message destiné à convaincre un inconnu de leur faire confiance. Les autres écrivaient sans aide.

L’assistance IA avait un effet minime sur la confiance, et ça restait vrai même quand l’usage de l’IA était divulgué. Les rédacteurs assistés produisaient des messages tout aussi propices à la confiance, en moins de temps : ils gagnaient donc plus de confiance par minute passée. L’analyse linguistique a trouvé leurs messages légèrement moins authentiques, mais plus chaleureux, plus complexes, et plus élevés sur ce que les chercheurs appellent le clout.

Les auteurs restent prudents sur la portée de leur étude, et moi aussi. C’est une transaction ponctuelle entre inconnus, avec de l’argent en jeu. La confiance comportementale dans une décision de versement n’a rien à voir avec votre partenaire qui lit votre texto à 23h et décide si vous le pensiez vraiment. Mais la version honnête de cet article, c’est que le récit « l’IA détruit la confiance » a un vrai contre-exemple dans la littérature, et le voici.

L’IA écrit de meilleurs messages de réconfort que la plupart des gens, jusqu’à ce qu’on précise que c’était l’IA

Deux études, le même type de résultat.

Yin, Jia et Wakslak, dans PNAS¹⁴, ont montré que les réponses générées par IA donnaient aux gens le sentiment d’être davantage entendus que les réponses d’humains non formés, et que l’IA était meilleure pour repérer l’émotion en jeu. Puis les chercheurs ont dit aux destinataires que le message venait de l’IA, et l’effet a chuté. L’un des auteurs a noté que les deux effets étaient de taille comparable et s’annulaient à peu près.

Ovsyannikova, Oldemburgo de Mello et Inzlicht¹⁵ ont mené quatre expériences préenregistrées auprès de 556 participants dans Communications Psychology. Les réponses de GPT-4 ont été jugées plus compatissantes que les réponses humaines, y compris celles écrites par des bénévoles formés des lignes d’écoute des Distress Centres of Greater Toronto. Divulguer la source réduisait l’écart sans le refermer.

La machine est donc souvent meilleure sur les mots. Mais les mots ne sont pas la seule chose transmise.

Si l’effort compte, c’est parce qu’il coûtait cher

La théorie du signal est le cadre qui a fait que tout ça a fait sens pour moi.

Un message fait deux choses. Il porte un contenu, et il prouve que vous avez dépensé quelque chose pour l’envoyer. Votre temps, votre attention, et dans une conversation difficile, votre sang-froid. Ce sont des ressources limitées, donc les dépenser dit quelque chose de vrai sur la valeur que vous accordez à la personne. Des recherches sur les signaux d’engagement¹⁶, sur des échantillons japonais et américains, ont montré que les signaux coûteux surpassaient les signaux bon marché, et que ne pas envoyer un signal attendu, comme oublier une date importante, nuisait bien davantage aux relations amoureuses qu’aux amitiés.

Faites tomber le coût de production d’un message chaleureux, articulé et bien construit à presque zéro, et le signal cesse de transporter de l’information.

Il existe désormais une preuve directe de ce mécanisme, même si elle ne vient pas d’un contexte de messagerie. Une étude de 2026 dans Frontiers in Psychology¹⁷, menée auprès de 618 participants, a montré qu’étiqueter un contenu comme généré par IA réduisait significativement l’effort perçu, alors qu’une étiquette « fait par un humain » ne se distinguait pas de l’absence d’étiquette. Les gens supposent un effort humain par défaut, et c’est l’étiquette IA qui retire cette présomption. Cette étude portait sur des vidéos courtes, donc à transposer à la messagerie avec prudence.

Sous-traiter les mots semble affaiblir votre propre engagement envers eux

C’est le résultat auquel je repense sans arrêt, et il ne concerne pas du tout le destinataire.

Des économistes du CREED à Amsterdam¹⁸ ont fait jouer des jeux de confiance où les émetteurs pouvaient utiliser ChatGPT pour écrire un message promettant de rendre la pareille. Deux choses se sont produites en même temps. Les personnes ayant accès à ChatGPT faisaient des promesses plus explicites. Et les personnes qui avaient seulement ouvert ChatGPT tenaient leurs promesses 25,7 % moins souvent au moment du versement, qu’elles aient fini par recopier ce qu’il leur avait donné ou non.

Le détail qui fait tout : plus le message envoyé était proche de la suggestion brute de ChatGPT, moins le comportement ultérieur de l’émetteur était digne de confiance. Les personnes qui avaient réécrit la suggestion se comportaient mieux. Les auteurs y lisent un sentiment d’appropriation. Dites une chose avec vos propres mots et vous vous sentez engagé par elle. Transmettez une chose qu’une machine a écrite et une partie de vous ne l’a jamais signée.

Les excuses sont le seul cas bien étudié, et la conclusion vaut mieux que « ne le faites pas »

Si vous ne devez lire qu’une seule section, lisez celle-ci, parce que c’est là que se trouve la réponse pratique.

Ella Glikson et Omri Asscher ont mené trois études par scénario sur les excuses en contexte professionnel, publiées dans Computers in Human Behavior¹⁹. Savoir que quelqu’un avait utilisé des outils d’IA pour écrire des excuses réduisait leur authenticité perçue et la volonté de pardonner. Le fait de le divulguer soi-même n’atténuait pas cet effet. Jusque-là, prévisible.

Puis vient la partie qui m’a fait changer d’avis. Les participants qui n’avaient utilisé qu’un seul des trois outils d’IA disponibles n’ont subi aucune pénalité d’authenticité. Les chercheurs y lisent une question de distance. Un usage limité de l’IA garde le message final proche de ce que la personne voulait dire au départ, et ça se sent.

Une autre expérience, en plan 3x2, menée par Lim, Hong et Schneider auprès de 464 participants, également dans Computers in Human Behavior²⁰, a montré que les excuses écrites par des humains étaient jugées plus sincères sur tous les plans, et qu’un ton chaleureux améliorait les excuses IA sans jamais refermer l’écart avec celles d’un humain.

Mettez ces deux études côte à côte et vous obtenez quelque chose de pratique. La pénalité suit l’écart entre le message final et ce que vous vouliez vraiment dire. Pas le fait qu’une machine était dans la pièce.

Ces outils polissent vos pires instincts sans jamais rien dire

Écrivez quelque chose de passif-agressif, donnez-le à n’importe quel outil de réécriture sur votre téléphone, et regardez ce qui se passe. Vous obtenez de la passivité-agressivité mieux écrite. Aucun avertissement, aucun « vous êtes sûr ». Le travail de l’outil, c’est de faire ce que vous avez demandé.

Il y a une raison pour laquelle les modèles penchent de ce côté. OpenAI a retiré une mise à jour de GPT-4o en avril 2025 et a écrit publiquement²¹ que le modèle était devenu « excessivement flatteur ou conciliant, souvent décrit comme flagorneur », et qu’il « penchait vers des réponses trop encourageantes mais peu sincères ». La cause qu’ils ont pointée était un réglage trop poussé sur les retours utilisateurs à court terme, autrement dit les pouces levés et baissés. Dans un billet de suivi²², ils ont admis n’avoir aucune évaluation en production qui suivait la flagornerie.

Des chercheurs d’Anthropic ont trouvé que le schéma est général. Dans un article présenté à ICLR 2024²³, cinq assistants de pointe ont tous montré de la flagornerie, et l’analyse d’environ 15 000 comparaisons de préférences humaines a montré que coller aux croyances affichées par l’utilisateur était l’un des plus forts prédicteurs de la réponse préférée. Entraînez sur l’approbation et vous sélectionnez pour l’accord. Un benchmark de 2025²⁴ a mesuré un comportement flagorneur dans 58,19 % des cas testés, sur ChatGPT-4o, Claude Sonnet et Gemini 1.5 Pro, avec une persistance de 78,5 % une fois amorcée, même si c’était sur des questions factuelles plutôt que sur des messages personnels.

Maintenant, pensez à ce que ça veut dire pour le moment où vous avez le plus besoin d’aide. Vous êtes en colère, vous avez écrit quelque chose que vous regretterez, et l’outil qui tient votre brouillon a été optimisé pour vous faire vous sentir bien à ce sujet.

La question à laquelle je ne peux pas répondre

Vaut-il mieux envoyer un message maladroit que vous avez écrit, ou un message poli que vous n’avez pas écrit ?

J’ai cherché sérieusement et aucune étude ne teste ça directement. Personne n’a comparé, de façon randomisée, « votre propre brouillon imparfait » et « un bon brouillon que vous n’avez pas écrit » en suivant ce qui arrive à la relation. Il n’existe rien de longitudinal. Aucune donnée de terrain sur des couples, des familles ou des amis proches suivis sur des mois de messagerie assistée par IA. On ne sait pas si les gens s’adaptent au poli synthétique, ni si l’habitude érode discrètement quelque chose.

Ce qu’on a pointe dans une direction pour les relations proches. L’effort se lit comme de l’attention, les étiquettes aplatissent le signal, les mots sous-traités semblent desserrer votre prise sur vos propres promesses, et les excuses restent crédibles quand elles restent proches de ce que vous vouliez dire. Mais le résultat du jeu de confiance dit que, dans certains contextes, rien de tout ça ne vous coûte quoi que ce soit, et je ne vais pas prétendre que les preuves sont plus nettes qu’elles ne le sont.

Ce qui aiderait vraiment

En relisant tout ça, la forme du produit manquant devient assez claire, et elle est proche de l’opposé de ce que la catégorie construit.

Personne n’a besoin qu’on remplace ses mots. Ce dont on a besoin, dans les quinze secondes avant d’appuyer sur envoyer, c’est de savoir que le message sonne plus froid qu’on ne le ressent, ou que ce qu’on croit être une clarification se lit comme une liste de griefs. Ensuite, on le corrige soi-même, avec ses propres mots, et le signal d’effort survit, et l’appropriation survit, et la distance de Glikson et Asscher reste courte.

C’est la version que je veux voir exister, et c’est celle que nous avons construite. Subtext prend tout le fil plutôt que la phrase isolée, nomme ce que votre brouillon risque de signaler à la personne qui va le lire, et vous montre les mots qui créent cette impression, pour que la correction reste la vôtre. D’après les preuves ci-dessus, ça compte plus que la réécriture : la pénalité suit la distance par rapport à ce que vous vouliez dire, et la plus courte distance, c’est votre propre phrase avec un mot changé. Gratuit pour commencer, sur votre téléphone ou dans le navigateur.

Ma propre règle, pour ce qu’elle vaut : je laisserai une machine me dire de quoi mon message a l’air. Je ne la laisserai pas dire à ma sœur que je suis désolé à ma place.

Vous pensez que j’ai mal lu une étude, ou vous connaissez un outil qui diagnostique avant de réécrire ? Dites-le-moi sur LinkedIn.

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

Sources

Chaque lien ci-dessus renvoie à la source primaire quand elle existe, numéroté dans l’ordre d’apparition. Fonctionnalités et prix des produits vérifiés en août 2026. Quand un chiffre venait du blog ou du communiqué d’une entreprise plutôt que d’une étude, je l’ai laissé de côté.

Apple Support. Utiliser les outils de rédaction avec Apple Intelligence sur iPhone. https://support.apple.com/guide/iphone/find-the-right-words-with-writing-tools-iph6f08da1d2/ios
Samsung. Utiliser Writing assist sur les téléphones et tablettes Galaxy. https://www.samsung.com/us/support/answer/ANS10000943/
Google Support. Utiliser les outils de rédaction avec Gboard. https://support.google.com/gboard/answer/17470061
Google Support. Rédiger des messages avec Magic Compose. https://support.google.com/messages/answer/13632636
Apple App Store. Resolve: AI Conflict Coach. https://apps.apple.com/us/app/resolve-ai-conflict-coach/id6759972332
Google Play. Clarity Coach. https://play.google.com/store/apps/details?id=com.zamrudila.claritycoach
Grammarly. Writing Tone Detector and Tone Suggestions. https://www.grammarly.com/tone
TechCrunch (2019). Grammarly gets a tone detector to keep you out of email trouble. https://techcrunch.com/2019/09/24/grammarly-gets-a-tone-detector-to-keep-you-out-of-email-trouble/
Grammarly Support. Comment fonctionnent les suggestions de ton de Grammarly ? https://support.grammarly.com/hc/en-us/articles/10674801783309
Jakesch, M., Hancock, J. T., & Naaman, M. (2023). Human heuristics for AI-generated language are flawed. PNAS, 120(11), e2208839120. https://www.pnas.org/doi/10.1073/pnas.2208839120
Hohenstein, J., Kizilcec, R. F., DiFranzo, D., Aghajari, Z., Mieczkowski, H., Levy, K., Naaman, M., Hancock, J., & Jung, M. F. (2023). Artificial intelligence in communication impacts language and social relationships. Scientific Reports, 13, 5487. https://www.nature.com/articles/s41598-023-30938-9
Khadpe, P., Wenzel, K., Loewenstein, G., & Kaufman, G. (2025). Explaining the Reputational Risks of AI-Mediated Communication. AAAI/ACM Conference on AI, Ethics and Society. https://arxiv.org/abs/2509.09645
Purcell, Z. A., Jakesch, M., Dong, M., Nussberger, A.-M., & Köbis, N. (2025). Writing with AI boosts trust-building efficiency. iScience, 28(12), 114092. https://www.cell.com/iscience/fulltext/S2589-0042(25)02353-3
Yin, Y., Jia, N., & Wakslak, C. J. (2024). AI can help people feel heard, but an AI label diminishes this impact. PNAS, 121(14), e2319112121. https://www.pnas.org/doi/10.1073/pnas.2319112121
Ovsyannikova, D., Oldemburgo de Mello, V., & Inzlicht, M. (2025). Third-party evaluators perceive AI as more compassionate than expert humans. Communications Psychology, 3. https://www.nature.com/articles/s44271-024-00182-6
Yamaguchi, M., et al. (2015). Commitment signals in friendship and romantic relationships. Evolution and Human Behavior. https://www.sciencedirect.com/science/article/abs/pii/S1090513815000525
Human-made vs. AI-generated: how provenance labels drive strategic curation via perceived effort (2026). Frontiers in Psychology. https://www.frontiersin.org/journals/psychology/articles/10.3389/fpsyg.2026.1840483/full
AI-Powered Promises: The Influence of ChatGPT on Trust and Trustworthiness. CREED, Université d’Amsterdam. https://www.creedexperiment.nl/creed/pdffiles/chatGPT.pdf
Glikson, E., & Asscher, O. (2023). AI-mediated apology in a multilingual work context. Computers in Human Behavior, 140, 107592. https://www.sciencedirect.com/science/article/abs/pii/S0747563222004125
Lim, J. S., Hong, N., & Schneider, E. (2025). How warm- versus competent-toned AI apologies affect trust and forgiveness through emotions and perceived sincerity. Computers in Human Behavior, 172, 108761. https://www.sciencedirect.com/science/article/pii/S0747563225002080
OpenAI (2025). Sycophancy in GPT-4o. https://openai.com/index/sycophancy-in-gpt-4o/
OpenAI (2025). Expanding on what we missed with sycophancy. https://openai.com/index/expanding-on-sycophancy/
Sharma, M., et al. (2024). Towards Understanding Sycophancy in Language Models. ICLR 2024. https://arxiv.org/abs/2310.13548
Fanous, A., et al. (2025). SycEval: Evaluating LLM Sycophancy. AAAI/ACM Conference on AI, Ethics and Society. https://arxiv.org/abs/2502.08177