L'IA peut deviner comment votre message va sonner. Elle ne peut pas savoir ce que vous ressentez vraiment.

Je fais partie des deux personnes qui construisent Subtext, une app qui aide à lire ses messages et à trouver quoi répondre. J’avais donc une raison intéressée de fouiller la recherche sur la détection de ton par IA : les benchmarks, les papiers de l’ACL, les critiques venues de la psychologie, et la loi européenne qui interdit désormais une partie de ce champ.

La version courte tient en deux phrases. L’IA d’aujourd’hui est douée pour prédire comment un message risque d’être perçu par un lecteur. Elle n’a aucun moyen fiable de savoir ce que ressent celui qui l’a écrit. Tout ce qui suit détaille l’écart entre ces deux phrases.

Détecter le ton, ce sont cinq métiers différents

L’expression a l’air de désigner une seule fonctionnalité. En réalité, elle recouvre des problèmes distincts, de plus en plus difficiles 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 cloud le proposent. L’API de Google¹ renvoie un score entre moins un et 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’app est top mais le support était nul » se découpe correctement au lieu d’être moyennée en bouillie.

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

Le ton interpersonnel, c’est ce qui vous intéresse quand vous écrivez à votre propriétaire. Est-ce que ça sonne chaleureux, direct, défensif, accusateur. Des chercheurs modélisaient déjà la frustration, la formalité et la politesse dans les e-mails professionnels dès 2018⁴, et ça marchait plutôt bien parce qu’ils traitaient ces dimensions séparément, 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 privé de celui qui écrit, ce que la plupart des publicités laissent entendre et ce que la recherche soutient le moins.

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

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

Le jeu de données de référence pour l’émotion fine dans le texte, c’est GoEmotions⁵ de Google : 58 000 commentaires Reddit, annotés à la main avec 27 émotions plus le neutre, présentés à l’ACL en 2020. Sa baseline BERT a obtenu un F1 macro de 0,46 sur l’ensemble des étiquettes. Des travaux plus récents⁶, avec des modèles plus puissants et des astuces de données, ont poussé ce chiffre 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 chatbot généraliste de faire le même tri en 28 catégories, et son score au benchmark chute bien en dessous des petits modèles affinés, en partie parce que les modèles en texte libre inventent des étiquettes hors taxonomie et ne se calent 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 officielles du jeu de données. Parfois, le modèle est en désaccord avec le benchmark parce que c’est le benchmark qui est le plus faible des deux.

La classification grossière positif contre négatif obtient des scores bien plus élevés, toutes catégories confondues. L’effondrement se produit exactement là où vivent les distinctions intéressantes : agacement contre colère, déception contre désapprobation.

Les humains aussi sont en désaccord sur le ton

Ce qui a changé mon regard sur tout ce sujet, c’est ce qui se passe quand on vérifie les humains. Le papier GoEmotions rapporte l’accord entre ses propres annotateurs 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, proche du hasard. Quand des humains entraînés, en lisant la même phrase, ne s’accordent pas pour dire si elle exprime de la déception ou de la désapprobation, un modèle qui obtient 0,46 face à ces étiquettes touche déjà le plafond de la tâche elle-même.

Ça va plus loin. De qui mesure-t-on le ressenti, au juste ? Un jeu de données appelé EmoBank⁸ a annoté les mêmes phrases deux fois, une fois du point de vue de l’auteur et une fois du point de vue du lecteur, parce que ce sont, en fait, deux variables différentes. Les mêmes chercheurs ont montré en 2017 qu’annoter du point de vue de l’auteur donnait globalement une meilleure qualité. Et la grande tâche d’émotion de SemEval 2025⁹, qui a couvert plus de 30 langues issues de sept familles linguistiques, vise délibérément l’émotion perçue : ce qu’un lecteur ordinaire attribuerait au texte, explicitement pas ce que l’auteur a ressenti.

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 extérieurs et des LLM. Les deux ont fait moins bien que les déclarations des auteurs eux-mêmes, et les LLM ont battu les humains étrangers presque à chaque fois. Chaque moitié de ce résultat compte. L’IA est désormais meilleure qu’une personne au hasard pour vous lire à partir d’un texte, et elle n’arrive toujours pas à reconstituer fidèlement 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 les a trouvées en désaccord entre elles, avec des classements qui changeaient d’un jeu de données à l’autre. Tout fournisseur qui annonce « 95 % de précision pour la détection d’émotion » sans préciser les étiquettes, les données et la langue avance un chiffre qui ne peut pas porter le poids de son affirmation.

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

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

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 standard d’intelligence émotionnelle, du genre utilisé pour évaluer les 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 battu les humains sur des tâches classiques de théorie de l’esprit, comme repérer les fausses croyances et les demandes indirectes, même s’il a trébuché sur la reconnaissance des impairs sociaux. Et dans JAMA Internal Medicine¹⁴, des évaluateurs diplômés qui lisaient des réponses à de vraies questions de patients ont préféré celles du chatbot à celles des médecins dans 78,6 % des cas, les jugeant 9,8 fois plus susceptibles d’être empathiques. Une réserve à garder en tête : les réponses du chatbot faisaient en moyenne 211 mots contre 52 pour les médecins, et la préférence rétrécissait quand les médecins écrivaient plus long.

Pendant ce temps, EmoBench¹⁵, un benchmark construit pour exiger du raisonnement émotionnel plutôt que de 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 sur la personne précise 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 distinguer, et un inconnu humain non plus. Cette information vit en dehors des mots.

Le contexte fait le plus gros du travail

Prenez la réponse « Ça va. »

Seule, elle peut exprimer l’accord, la déception, l’irritation, l’indifférence, ou une porte qui se referme discrètement. Placez-la après « Tu as repoussé la deadline pour la troisième fois » et la lecture se resserre vite. Le mot n’a pas changé. Le contexte, oui.

La recherche sur le sarcasme aboutit sans cesse à la même conclusion : même les humains ont souvent besoin de la conversation environnante pour repérer une intention sarcastique¹⁶¹⁷, ce qui explique pourquoi les évaluations 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, la relation et 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 avec l’anglais américain

Un benchmark de 2025 appelé BESSTIE¹⁸ a testé des modèles sur le sentiment et le sarcasme à travers l’anglais australien, britannique et indien. Les performances étaient systématiquement plus faibles sur l’anglais indien, le sarcasme étant le cas le plus dur, et les modèles avaient du mal à généraliser d’une variante à l’autre.

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

La lecture faciale, c’est là que l’IA émotionnelle 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 il façonne la manière dont les régulateurs traitent aujourd’hui toute la catégorie.

En 2019, la psychologue Lisa Feldman Barrett et ses collègues ont passé en revue plus d’un millier d’études¹⁹ et conclu qu’on ne peut pas déduire de façon fiable ce que ressent quelqu’un à partir de ses mouvements faciaux. 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 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 pris note. Microsoft a retiré l’inférence d’émotion de son Face API²¹ en 2022. HireVue a abandonné l’analyse faciale dans ses évaluations de recrutement en 2021, après que le groupe de défense des droits numériques EPIC a déposé une plainte auprès de la FTC²². Les outils textuels 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.

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

Depuis le 2 février 2025, l’article 5(1)(f)²³ de l’AI Act européen interdit l’IA qui déduit les émotions des gens sur le lieu de travail et à l’école, avec des exceptions étroites pour des usages médicaux et de sécurité, comme la détection de fatigue au volant. Enfreindre les pratiques interdites expose à des amendes pouvant aller jusqu’à 7 % du chiffre d’affaires mondial annuel.

Le périmètre 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 d’un texte écrit est explicitement en dehors de l’interdiction²⁵. Analyser comment un e-mail risque d’être reçu est légal. Pointer une webcam sur des employés pour noter leur humeur est interdit. Cette ligne suit plutôt bien la science, et pour Subtext, elle se traduit par une contrainte de conception qu’on aurait de toute façon choisie : du texte seul, pas de biométrie, pas de surveillance au travail.

À quoi servent les outils actuels

Le détecteur de ton²⁶ de Grammarly est l’exemple grand public le plus clair, et sa façon de se présenter est discrètement 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 formule fait un vrai travail scientifique.

Les API cloud de Google, Amazon, Microsoft et IBM²⁷ sont construites pour le volume : tickets support, avis clients, réponses à des sondages. IBM a retiré son Tone Analyzer autonome en 2023 et a intégré l’émotion dans son produit de langage plus large. Ce sont les bons outils pour « comment nos clients vivent-ils notre parcours de paiement » et les mauvais pour « est-ce que mon texte sonne passif-agressif ».

Les LLM 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. Ce sont aussi les moins bien calibrés, donc traitez tout pourcentage de confiance comme une impression, pas une donnée. Côté voix, Hume AI²⁸ a levé 50 millions de dollars en série B en 2024 pour mesurer la modulation vocale, surtout pour que les interfaces vocales répondent avec le bon rythme et le bon ton. Un usage plus étroit, et plus défendable que de prétendre détecter des sentiments cachés.

Ce que ça change pour Subtext

Il analyse les messages qui comptent le plus : le texte de votre patron, de la personne que vous fréquentez, de votre mère. La recherche détermine comment ça devrait marcher.

Le résultat doit porter sur la perception. « Ça peut passer pour du dédain » est une affirmation que les preuves soutiennent. « Elle est en colère contre vous » n’en est pas une, et l’étude ACL en première personne en est la preuve. On laisse aussi un message porter plusieurs tons à la fois, parce que c’est ce que font les vrais messages. Chaleureux et défensif à la fois, c’est une combinaison normale, et les benchmarks récents traitent l’émotion comme multi-étiquette précisément pour cette raison.

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 tranquillement le gros du travail dans un e-mail tendu, pour que vous puissiez décider si cette impression est celle 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 sûre d’elle serait de la fausse précision. Le contexte passe en premier : on préfère lire le fil et demander qui est le destinataire plutôt que noter une phrase qui flotte dans le vide, parce que les mêmes neuf mots ne veulent pas dire la même chose selon qu’ils s’adressent à un manager ou à une histoire pas vraiment définie.

La version honnête de cette catégorie est plus modeste que les argumentaires de vente, et plus utile que ne le pensent les sceptiques. Lire dans les pensées reste hors de portée. Lire la formulation est possible aujourd’hui, et c’est là, de toute façon, que commence l’essentiel des dégâts dans la communication écrite. Ça m’a paru une raison suffisante de le construire.

---

Vous travaillez sur l’un de ces outils et pensez que j’ai mal lu votre benchmark ? 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

Tous les liens ci-dessus renvoient à la source primaire quand il y en a une, numérotés dans l’ordre d’apparition. Deux entrées sont citées sans lien parce que je n’ai pas trouvé 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 et Hahn (2017). EmoBank, un corpus annoté à la fois du point de vue de l’auteur et 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 et 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. Document de travail SSRN.
21. Microsoft (2022). Framework for building AI systems responsibly, qui annonce le retrait de l’inférence d’émotion du Face API.
22. EPIC. In re HireVue, FTC complaint (2019).
23. AI Act européen, 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. Page produit du détecteur de ton et comment fonctionne le détecteur de ton.
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.