Pourquoi notre façon de parler peut changer la précision des chatbots

Un chatbot ne lit pas une demande comme le ferait une personne. Il doit inférer l’intention derrière quelques mots, une phrase incomplète, une faute de frappe ou un ton très direct. Or, la manière dont nous écrivons change selon que nous nous adressons à un conseiller humain ou à une machine. C’est ce décalage, en apparence anodin, que met en lumière une étude de Fulei Zhang et Zhou Yu, chercheurs chez Amazon, présentée le 19 octobre 2025.

Le résultat central est moins une recette pour « bien parler » à une intelligence artificielle qu’un enseignement pour celles et ceux qui les conçoivent. Dans les essais rapportés, un chatbot entraîné à rencontrer plusieurs façons de s’exprimer comprend mieux les demandes. À l’inverse, transformer systématiquement des formulations spontanées en messages plus formels peut lui faire perdre une partie du sens recherché.

Nous ne parlons pas de la même façon à un humain et à un chatbot

Dans une conversation avec un agent humain, beaucoup d’utilisateurs adoptent spontanément un registre plus soigné. Ils ajoutent des formules de politesse, construisent davantage leurs phrases et explicitent parfois leur demande. Face à un chatbot, ils tendent au contraire à aller droit au but : « où est ma commande », « mot de passe bloqué », « remboursement ». Ces raccourcis ne sont pas nécessairement imprécis pour une personne habituée au contexte, mais ils représentent un cas de figure spécifique pour un modèle de langage.

Les chercheurs ont analysé des milliers de messages afin de comparer ces deux situations. Ils relèvent une hausse de 14,5 % de formalité et de 5,3 % de fluidité grammaticale dans les messages destinés à des agents humains, par rapport à ceux envoyés à des chatbots. Ces écarts ne disent pas qu’un style est intrinsèquement meilleur que l’autre. Ils montrent surtout que les données produites dans une interaction humain-humain ne reflètent pas toujours les messages réellement adressés à une interface automatisée.

Une formulation elliptique est une formulation qui omet des éléments que le contexte est censé rendre évidents. « Mon colis ? » peut ainsi vouloir dire « Où en est la livraison de mon colis ? », « Pourquoi mon colis est-il en retard ? » ou « Comment modifier la livraison ? ». Pour fournir une réponse utile, le système doit identifier l’intention derrière cette forme brève, voire demander une précision lorsque plusieurs interprétations restent possibles.

Comment l’expérience a été menée

Pour examiner l’effet de ces différences de style, Fulei Zhang et Zhou Yu ont entraîné Mistral 7B à partir de près de 13 000 conversations réelles. Le modèle a ensuite été évalué sur environ 1 300 messages destinés à des chatbots. L’évaluation comprenait également des réécritures de messages : ce dispositif permettait de comparer des formulations exprimant une demande similaire dans des styles de communication différents.

L’intérêt de cette méthode est de séparer autant que possible le fond d’une requête de sa forme. Si une même demande est présentée de façon informelle puis dans un registre plus soutenu, une variation du résultat peut être attribuée au style linguistique plutôt qu’au sujet de la demande lui-même.

Les informations disponibles sur l’étude ne détaillent pas la répartition des conversations, les langues du corpus, ni la métrique exacte employée pour chaque évaluation. Il serait donc imprudent d’en déduire un classement général de tous les modèles ou de tous les chatbots du marché. En revanche, le protocole suffit à souligner une difficulté très concrète : un assistant formé principalement sur un langage lisse et standardisé peut être moins à l’aise avec les phrases courtes et irrégulières qui caractérisent une partie des échanges numériques.

La diversité des formulations améliore la détection des intentions

Le principal résultat est net : les chatbots exposés à une plus grande diversité stylistique se sont montrés 2,9 % plus efficaces pour cerner l’intention des utilisateurs. Mistral 7B a particulièrement bénéficié d’un apprentissage mêlant des messages authentiques et simulés, avec plusieurs manières de formuler une même demande.

Ce chiffre ne signifie pas qu’un utilisateur obtiendra automatiquement une réponse 2,9 % meilleure dans chaque conversation. Il s’agit d’un gain mesuré dans les conditions de l’expérience, sur la tâche de compréhension étudiée. Mais, dans un service client, une amélioration même limitée de l’identification des intentions peut avoir des effets visibles : moins de redirections inutiles, moins de réponses à côté du sujet et moins de demandes de reformulation.

Pour les équipes qui développent ces outils, la leçon est aussi méthodologique. La qualité d’un chatbot ne dépend pas uniquement de la taille du modèle ou de la sophistication de son interface. Elle dépend des exemples de langage auxquels il a été confronté pendant son entraînement et ses tests. Des demandes concises, des messages plus polis, des phrases imparfaites et des formulations détaillées ne sont pas des anomalies à effacer : ce sont les formes réelles d’une conversation avec un client.

Pourquoi rendre les messages plus formels peut échouer

L’étude apporte un résultat contre-intuitif. Les chercheurs ont testé la réécriture de messages informels dans un langage plus formel. Plutôt que d’améliorer systématiquement les performances, cette transformation a entraîné une baisse de près de 2 % de la compréhension des demandes.

Cela ne veut pas dire qu’il faudrait écrire de manière volontairement obscure ou négliger toute précision lorsqu’on utilise un chatbot. Une demande claire, comportant le contexte utile, reste plus facile à traiter qu’un message ambigu. Le résultat indique autre chose : une réécriture automatique peut modifier des nuances importantes. Elle peut supprimer un terme révélateur, rendre une demande moins naturelle au regard des exemples vus par le modèle ou introduire une interprétation qui n’était pas présente dans le message initial.

Prenons le cas d’une phrase très directe : « carte refusée ce matin ». Une version administrativement plus soignée peut sembler préférable à première vue. Pourtant, selon la façon dont elle est reformulée, elle peut déplacer l’attention vers le moyen de paiement, la banque, un achat particulier ou une procédure de vérification. Si le système doit déjà reconnaître l’intention, ajouter une couche de transformation entre le message original et le modèle peut compliquer la tâche.

La stratégie la plus robuste consiste donc moins à uniformiser toutes les entrées qu’à préserver le message original et à apprendre au chatbot à traiter les variations. Une réécriture peut rester utile dans certains cas, notamment pour clarifier une demande avant réponse, mais elle ne doit pas être considérée comme un correctif universel.

Ce que cette recherche change pour le service client

Les conséquences sont immédiates pour les entreprises qui déploient des assistants conversationnels. Un bot utilisé par le grand public ne rencontre pas seulement des phrases complètes et soigneusement ponctuées. Il reçoit des messages écrits dans l’urgence, sur mobile, avec des abréviations, des fautes ou très peu de contexte. Évaluer un système uniquement sur des requêtes idéales risque donc de donner une image trop flatteuse de ses performances réelles.

Quelques principes se dégagent de l’étude :

• entraîner et tester le système sur des formulations proches de celles reçues en situation réelle ;
• inclure plusieurs niveaux de langue pour une même intention, du message très bref à la demande détaillée ;
• vérifier qu’une étape de nettoyage ou de réécriture ne détériore pas la compréhension ;
• mesurer la capacité du chatbot à demander une clarification plutôt qu’à répondre avec assurance à une demande ambiguë.

Cette approche ne dispense pas d’une conception attentive des parcours utilisateurs. Un bon assistant doit aussi reconnaître ses limites, transmettre la main à un humain lorsque nécessaire et ne pas faire croire qu’il a compris une requête lorsqu’il hésite. Mais la diversité linguistique constitue une brique essentielle : elle rapproche l’entraînement du langage tel qu’il est effectivement employé.

Faut-il changer sa manière d’écrire à un chatbot ?

Du côté des utilisateurs, l’enseignement est plus nuancé que « soyez formel ». L’expérience montre précisément que la formalisation n’est pas un remède automatique. Le plus utile est de donner les éléments qui permettent d’identifier la demande : le sujet, l’action attendue et, lorsque cela est pertinent, une information de contexte.

Ainsi, une phrase courte peut parfaitement fonctionner si son objectif est explicite. En revanche, une formulation comme « ça ne marche pas » laisse au système trop de possibilités : de quel service s’agit-il, quelle action a échoué, quel message a été affiché ? Ajouter ces précisions réduit l’ambiguïté, sans obligation d’adopter un ton administratif.

La politesse reste un choix légitime dans une conversation, y compris avec une machine. Toutefois, l’étude ne démontre pas que les mots de politesse, à eux seuls, améliorent la précision d’un chatbot. Elle montre que le modèle gagne à avoir été entraîné sur la variété des styles que les personnes emploient réellement.

Ce qu’il faut surveiller

Cette recherche invite à regarder au-delà des démonstrations très contrôlées de l’intelligence artificielle conversationnelle. La prochaine question sera de savoir si le résultat se retrouve avec d’autres modèles, dans d’autres langues et dans des contextes plus spécialisés, comme la banque, les télécommunications ou les démarches administratives. Les informations rapportées ici ne permettent notamment pas d’étendre directement les résultats à tous les usages en français.

Il faudra aussi examiner la composition des jeux de données. Représenter les usages réels suppose de couvrir une diversité de niveaux de maîtrise de l’écrit, de vocabulaires et de manières de formuler une demande, sans réduire les personnes à leurs erreurs ou à leurs habitudes linguistiques. Dans le même temps, les entreprises devront protéger les données personnelles qui peuvent figurer dans des conversations de service client.

Au fond, l’étude rappelle une évidence souvent oubliée dans les débats sur les grands modèles de langage : la performance ne tient pas seulement à ce que la machine sait produire. Elle tient aussi à ce qu’elle a appris à écouter. Pour comprendre les utilisateurs, les chatbots doivent être préparés à la diversité de leurs mots, de leurs raccourcis et de leurs intentions.