L’intelligence artificielle excelle dans de nombreux domaines, mais l’écriture non-fictionnelle reste un défi majeur. Alors que les modèles de langage comme GPT-4.5 et Kimi K2 ont fait des bonds en avant en programmation et en mathématiques, leur capacité à produire du texte technique de qualité stagne depuis des années.
Un paradoxe dans l’évolution des LLMs
Les critiques de l’écriture par IA se concentrent souvent sur les textes créatifs, où l’expression humaine et la subjectivité jouent un rôle clé. Pourtant, c’est dans le domaine de la non-fiction que les modèles devraient théoriquement exceller. Après tout, générer du texte explicatif et organisé semble être une tâche plus accessible pour des systèmes basés sur des données.
Pourtant, les modèles actuels peinent à structurer et présenter clairement des concepts scientifiques établis. Cette lacune est particulièrement préoccupante pour ceux qui espèrent voir l’IA résoudre des problèmes scientifiques complexes de manière autonome. Aujourd’hui, les LLMs augmentent plutôt l’entropie dans les textes longs, rendant difficile la compression du savoir nécessaire pour générer des insights.
Les limites actuelles de l’écriture automatisée
L’auteur d’un récent manuel sur le Reinforcement Learning from Human Feedback a utilisé des LLMs pour diverses tâches annexes, mais constate que leur contribution à l’écriture elle-même reste limitée. Les modèles peuvent aider avec la mise en forme LaTeX ou la création de diagrammes, mais leur capacité à produire un chapitre cohérent laisse encore à désirer.
Plusieurs facteurs expliquent ce retard. D’abord, l’écriture bien structurée nécessite une compréhension approfondie du sujet, quelque chose que les modèles peinent encore à démontrer. Ensuite, le manque de données d’entraînement spécifiques pour l’écriture technique freine les progrès. Enfin, les tentatives pour améliorer ces compétences - comme Claude Code ou des prompts spécialisés - n’ont pas encore produit d’effets multiplicateurs.
Perspectives futures
Malgré ces limites, l’optimisme persiste. Les progrès en traduction automatique et en résolution de problèmes mathématiques montrent que les LLMs peuvent devenir des assistants précieux pour les scientifiques. Cependant, avant d’atteindre ce stade, il faudra résoudre le problème fondamental de l’organisation du savoir.
En attendant, les humains resteront indispensables pour guider ces outils puissants. L’écriture non-fictionnelle exige bien plus qu’une simple génération de texte : elle requiert une pensée claire, une structure logique et une capacité à transmettre des idées complexes avec précision. Autant de défis que l’IA n’a pas encore pleinement relevés.