1Pour comprendre les enjeux sémiotiques des IA génératives rédactionnelles, comme ChatGPT1, par exemple, nous devons interroger à la fois les modalités de génération des textes et les caractéristiques du corpus traité par les machines. Ce qu’on appelle LLM (Large Language Models) est un modèle d’apprentissage automatique capable d’analyser et de générer des textes. Le type de LLM utilisé par l’IA générative de textes linguistiques est connu comme « modèle transformateur génératif préentraîné » ou, en anglais, GPT (d’où le nom de Chat « GPT »)2 : « ces IA génératives s’appuient sur ce que l’on appelle des “modèles de fondation”, autrement dit des représentations du monde autogénérées par la machine sans supervision et organisées dans ce que l’on nomme un “espace latent” (cf. infra), des matrices multidimensionnelles qui stockent la vision que les machines construisent des données humaines » (Gefen et Huneman 2024, p. 8). Comme pour ChatGPT, l’entraînement de l’algorithme consiste à positionner les textes traités les uns par rapport aux autres en fonction des différences identifiées au sein du corpus constitué. Les critères pertinents qui permettent de repérer des différences deviennent alors les paramètres d’organisation du corpus. Chaque pertinence produit un critère de positionnement des textes les uns par rapport aux autres dans un espace latent qui entraîne une identification vectorielle (le vecteur étant une position de la pertinence dans cet espace reliant ainsi un texte à un autre).
Bien que nous soyons incapables de nous représenter au-delà de (…) trois dimensions, il faut imaginer que les algorithmes font la même chose, ils « rangent » les objets dans des espaces à des dizaines de milliers de dimensions correspondant chacune à des différences qu’ils ont détectées, appelés « espaces latents ». L’espace est dit « latent », car il n’existe pas vraiment, il est induit par l’algorithme à partir des différences détectées entre ses objets d’entraînement, c’est la manière dont il les classe (Leveau-Vallier 2023)3.
2La sélection des pertinences, autrement dit la manière de communiquer à l’algorithme quelle combinaison de caractéristiques des textes nous souhaitons que la machine reproduise, repose sur une description linguistique de ces caractéristiques. Cette demande appelée « prompt » ou « invite » permet de guider la sélection des pertinences dans les espaces latents pour les reproduire dans de nouveaux textes. L’IA générative permet alors de saisir et de modifier les textes existants en appliquant des caractéristiques issues de l’exploration d’autres textes coprésents dans l’espace latent, autrement dit des caractéristiques des textes regroupés dans la même région vectorielle de cet espace, selon les caractéristiques demandées par l’invite.
En utilisant différentes méthodes (notamment, remplir des textes à trous), les algorithmes sont entraînés à associer les mots et leur contexte et en inférer des relations de distances et de proximité entre les mots qui correspondent à leur similarité, ou plus précisément par substituabilité (ils peuvent apparaître dans le même contexte). Ainsi, « chien » sera plus proche de « chat » que de « étagère ». Cela conduit également à encoder les analogies au sens large (une chose est à une autre ce que ceci est à cela) sous forme de vecteur dans l’espace latent. En étendant l’entraînement à des formes textuelles plus grandes que les mots, les algorithmes encodent des notions et des qualités plus élaborées, comme le style littéraire ou la relation entre un texte et son résumé (Leveau-Vallier 2023)4.
3Deux principes fondamentaux régissent le fonctionnement des IA génératives rédactionnelles : 1) la récurrence statistique d’un mot saisi en tant qu’occurrence (token), à travers sa forme signifiante, qui devient ainsi vectrice au sein des espaces latents ; 2) la clôture de la base de données textuelles traitées qui délimite en même temps les contours du discours de référence. Les espaces latents se présentent alors comme des espaces discursifs : la (re)production de textes se fait à l’intérieur des limites dessinées par ces espaces. La combinaison de ces deux paramètres est à l’origine des phénomènes linguistiques et sémiotiques les plus intéressants à observer.
- 5 Voir la charte adoptée par les journalistes français : https://cdjm.org/journalisme-et-intelligence (...)
- 6 Alexandre Gefen dir., Créativités artificielles. La littérature et l’art à l’heure de l’intelligenc (...)
- 7 Cf. « IA Fictions », le premier colloque organisé sur le thème de l’intelligence artificielle (IA) (...)
- 8 Voir la bibliographie indiquée dans l’appel à proposition de la revue Discours And Writing/Rédactol (...)
4Les interactions homme-machine encadrées par des IA génératives posent de nombreuses questions sémiotiques et linguistiques selon les points de vue adoptés (sémantique, syntaxique, pragmatique…) et les observables définis (corpus, texte, mot…). Les pratiques de rédaction assistées par les IA génératives deviennent si fréquentes qu’elles se rangent à côté des outillages saillants dans l’histoire de l’écriture tels que l’invention de l’imprimerie ou la démocratisation des ordinateurs (Gefen et Huneman 2024, p. 10). Les usages des IA génératives rédactionnelles font actuellement l’objet de nombreuses réflexions collectives5. En ce qui concerne les nouveaux observables produits, si les relations entre générativité et créativité sont largement étudiées (Franceschelli et Musolesi 2024), notamment sous l’angle de la production d’œuvres de fiction (voir les derniers ouvrages parus6 et les événements récents7), les études linguistiques sur les productions des IA génératives ne sont pas aussi nombreuses8. Et pourtant, la langue et le discours sont parmi les premiers domaines d’application (Jurafsky and Martin 2023) dans l’histoire des transformations des LLM (Large Language Models), notamment dans le cas des IA génératives qui utilisent un type particulier de réseaux de neurones (Transformer Neural Networks).
5Qu’est-ce que les interactions entre usagers et machines nous révèlent de notre relation sémiotique et linguistique au monde ? Quels nouveaux observables les productions des IA génératives rédactionnelles offrent-elles par rapport aux productions humaines (Berber Sardinha 2024) ? Qu’est-ce que fait finalement une IA générative rédactionnelle comme ChatGPT ? S’agit-il d’un « perroquet grammairien » (Modicom 2023) ? Dans les pages qui suivent, nous allons explorer un exemple de co-énonciation entre usager et machine (D’Armenio, Deliège, Dondero 2024) qui met en relief les dynamiques de co-référence : parlons-nous de la même chose quand nous parlons avec une machine ?
- 9 Pour un résumé des évolutions rédactionnelles de ChatGPT, voir le dossier de l’UNESCO, « Orientatio (...)
6Analysons une interaction avec ChatGPT 4.0 (dernière version9). Cette interaction commence par une question apparemment banale : « qui suis-je ? » La signification du pronom « je », ayant fonction de déictique, prescrit que toute occurrence de ce mot doit désigner son producteur (la déixis supposant un ancrage dans un contexte et dans une pratique partagés entre les interlocuteurs : dans ce cas précis, l’usager et la machine). En ce qui concerne les déictiques, leur désignation (identification du référent) dépend de leur dénotation (identification du signifié). Plus précisément, les déictiques donnent des instructions de sens sur la relation entre leur désignation (identification du référent extradiscursif) et leur dénotation (identification du signifié intradiscursif) au sein de l’espace discursif délimité par l’interaction.
Il me semble convenable (…) de limiter la notion de référence aux seuls cas que l’on pourrait nommer plus proprement des cas de désignation, c’est-à-dire aux énoncés qui mentionnent des individus particuliers, des groupes d’individus, des faits ou des séquences de faits spécifiques, en temps et lieux spécifiques. (…) Je m’en tiens à ce principe en or selon lequel nominantur singularia sed universalia significantur (Eco 1997, p. 388).
7Autrement dit, les termes ou énoncés généraux « dénotent » des propriétés sémantiques de classe ou de genre, alors que les termes ou énoncés singuliers « désignent » des individus (Quine 1995, p. 32-33).
8Dans ce cas, l’occurrence du pronom « je » dans la barre des requêtes permet de délimiter l’instruction de sens (« je » identifie le producteur de l’acte de langage concerné par l’interaction) au sein du champ de texte délimité par la barre (l’invite ou prompt), ce qui permet de référer « je » à celui qui soumet la requête : l’interlocuteur de l’IA générative rédactionnelle. Or, pris dans une interaction langagière entre l’usager et la machine, l’introduction dans la barre de saisie du pronom « je » désigne forcément l’usager : le seul locuteur capable de dire « je » est normalement un humain, ce qui sélectionne comme réponse une description générale de l’humain en train d’interagir avec une machine. La réponse est acceptable, car elle repose sur l’identification entre le référent sémantique (la fonction linguistique identifiée par le mot « je ») et le référent pragmatique (la personne linguistique identifiable par le mot « je »).
Fig. 1
Première question : « Qui suis-je ? »
9Comme le dit Eco, « le problème de la référence ne peut pas être résolu en termes formels, car il a trait aux intentions de celui qui parle et constitue donc un phénomène pragmatique » (Eco 1997, p. 401). Comment les IA génératives rédactionnelles gèrent-elles la fonction pragmatique des signes ?
10L’espace d’interaction entre la machine et l’usager — la barre des requêtes — est un espace de négociation pragmatique. En effet, si je demande à savoir « qui est X ou Y ? », je ne fais que poser un mot à rechercher et la machine ne peut que présupposer l’existence de ce mot dans l’espace discursif délimité par les textes traités co-présents dans l’espace latent. Le mot devient alors une occurrence qui va guider la machine dans la recherche de l’objet correspondant : le référent. Dans le cas des noms propres, la question de l’identification du référent devient plus compliquée. Par exemple, la signification d’un terme comme « citron » réunit des sèmes différents en une seule « molécule sémique » (Rastier 1987) tels que « fruit », « agrume », « acide », ou « jaune ». Dans le cas des noms propres, la signification ne réunit pas des sèmes qui se retrouvent régulièrement dans une seule molécule sémique. Par exemple, le prénom « Rossana » ne suppose pas régulièrement les sèmes « italienne », « brune », « curieuse », etc., mais il peut réunir des sèmes différents selon les personnes. Autrement dit, dans le cas des noms propres, la signification ne se distingue pas de la référence. C’est ce que John Stuart Mill (1843) veut dire quand il affirme que les noms propres « dénotent sans connoter ». Depuis les années 1970-1980, et notamment suite à la contribution de Kripke (1980) pour les noms propres, on accepte que le processus de référence se trouve dans une relation (causale) entre les énonciations et les choses constituant leur environnement (Sfectu 2020).
Fig. 2
Deuxième question : « Qui est Rossana De Angelis ? »
11Comme le dit Eco,
(i) se référer est une action que les locuteurs accomplissent sur la base d’une négociation ; (ii) l’acte de référence accompli en employant un terme devrait pouvoir, en principe, n’avoir affaire ni à la connaissance du signifié du terme ni à l’existence ou à la non-existence du référent — avec lequel il n’entretient aucun rapport causal ; (iii) toutefois, il n’y a pas de désignation définissable comme rigide qui ne s’appuie sur une description (« étiquette ») de départ, quand bien même celle-ci serait générique ; (iv) par conséquent, les cas apparents de désignation absolument rigide constituent également une amorce du contrat référentiel, le moment « auroral » du rapport, jamais le moment final (Eco 1997, p. 411).
12Or, la question posée à ChatGPT permet de différencier très clairement entre deux types de référents : un référent sémantique et un référent pragmatique. Pour comprendre cette différence, il faut rappeler les caractéristiques des écrits numériques qui supposent une pratique de référencement des textes qui va interférer dans la saisie automatique du référent.
13Mais que veut dire « identifier le référent » dans un contexte numérique ? Le référencement réunit plusieurs idées de référence. En effet, « référencer » dans un environnement numérique veut dire à la fois saisir automatiquement un objet numérique enregistré par une étiquette (tag) qui permet de le repérer et d’identifier automatiquement (forme signifiante) l’objet numérique dont les contenus correspondent à l’étiquette attribuée (forme signifiée).
- 10 Les balises sont des lignes en langage HTML qui permettent la visualisation du texte à l’écran selo (...)
14Comme nous l’avons montré ailleurs (De Angelis 2022), le « Web sémantique » — dont la caractéristique est l’exploitation des données textuelles sur une large échelle — suppose la production de textes dont les données sont adaptées au traitement automatique. Ces données sont issues à la fois des pratiques de production des textes (pratiques de rédaction) et des activités d’exploration de la part des usagers : les mots que nous écrivons dans la barre de recherche deviennent des données à exploiter pour la préparation des textes. Ces mots deviennent alors des mots clés par lesquels les écrits sont référencés, c’est-à-dire préparés pour les rendre visibles à la fois au lecteur humain (nous qui les cherchons) et au lecteur automatique (les algorithmes qui les trouvent). Par exemple, si je publie ma biographie scientifique sur le site de mon université, la séquence « Rossana De Angelis » sera présente à la fois dans l’intitulé, le corps du texte, les balises10 sous forme d’étiquettes (tags), et notamment dans la balise identifiant le contenu du texte (title).
- 11 Pour approfondir, nous nous permettons de renvoyer à De Angelis (2025) sur « Les pratiques d’écritu (...)
15Pour toutes ces raisons, la pratique de production des textes suppose une pratique de référencement11 qui se déroule en deux phases :
-
un référencement naturel consistant à placer des termes qui deviennent des mots clés dans les lieux stratégiques des écrits (titres, résumés, premières lignes) ;
-
un référencement professionnel consistant à parsemer l’écrit de mots clés dans son entière infrastructure (non seulement les lieux textuels stratégiques, mais également les balises de niveau H1, H2, H3…). Le référencement professionnel se réalise en plusieurs étapes et se compose de trois sous-pratiques fondamentales :
-
le référencement technique qui se fait selon l’ergonomie du site ;
-
le référencement sémantique qui se fait par une sélection de mots clés ;
-
le référencement hypertextuel qui se fait par l’intégration de liens hypertextes.
16La pratique du référencement est à double tranchant : d’un côté, elle permet de faire le tri dans la masse des textes dont se compose le Web, en faisant remonter à la surface les textes les mieux référencés ; de l’autre, elle impose une structuration standard des contenus selon des processus de rédaction standards. Cette pratique impose que les textes présentent des mots clés dans des lieux stratégiques (titre, chapô, premières lignes de chaque paragraphe dont le texte se compose), ainsi que dans les balises dont se compose l’infrastructure textuelle (« title », « body », etc.) pour qu’ils soient repérables à la fois par l’humain et par l’algorithme, c’est-à-dire à deux niveaux de lecture.
17En fait, à travers cette pratique de référencement, la lecture des textes est « optimisée » par rapport aux différents dispositifs de circulation. Le SEO (Search Engine Optimization) est une pratique qui consiste à optimiser un écrit numérique (site, article, billet, etc.) afin qu’il obtienne la meilleure visibilité possible dans les résultats des moteurs de recherche tels que Google ou, en moindre proportion, Yahoo ! et Bing. L’optimisation des écrits permet aux textes de grimper dans ce qu’on appelle le PageRank, c’est-à-dire un processus de hiérarchisation fondée sur une formule algorithmique du moteur de recherche pour classer les contenus dans le Web.
Les moteurs de recherche Web, en sélectionnant et en classant des pages tirées de sites tiers, assurent en quelque sorte le rôle de métaéditeurs : s’ils ne sont pas à l’origine de la publication des contenus qu’ils présentent et n’en contrôlent pas la mise en forme originale, ce sont eux qui leur donnent une visibilité et les rendent accessibles aux internautes (Simonnot 2016, p. 47).
18Pour résumer, le référencement des textes numériques dépend de l’introduction d’une nouvelle technologie, les algorithmes qui permettent la recherche des données textuelles à grande échelle à travers une « barre » de requêtes sur laquelle inscrire des mots clés qui laissent des « marques » du passage de l’usager. Ces marques deviennent des indices de tendances massivement identifiables, ce qui permet de parsemer de « contremarques » les textes qui circulent au sein de cet espace numérique. Ces pratiques de référencement, en mettant en avant certains textes plutôt que d’autres, délimitent ultérieurement l’espace latent et l’espace discursif des IA génératives rédactionnelles.
19Le référent sémantique est le résultat d’un processus de référencement des textes numériques qui repose sur une conception différentielle des signes : « chien » renvoie à « chien » en tant que différent de « chat ». Le résultat de la requête soumise à ChatGPT dépend de la fréquence des saisies des contenus référencés — entièrement ou partiellement — dont les métadonnées contiennent quelque part le tag « Rossana De Angelis » ou « Rossana » ou « De Angelis » et qui, objets de plusieurs requêtes précédentes, remontent pour cela dans les premiers résultats des moteurs de recherches. C’est-à-dire que les contenus qui se présentent en premier ne sont pas forcément les contenus les plus « pertinents » (cf. infra), mais les contenus les mieux référencés.
20Le référencement sémantique des écrits se fait à deux niveaux : premièrement, les mots clés sont placés dans les lieux textuels stratégiques comme le titre, le chapô, les intertitres, ainsi que les descriptifs des images, qui correspondent aux balises de niveau H1 (titre) et H2 (intertitre) de l’infrastructure textuelle du texte numérique, au sein desquelles les mots clés se présentent comme des « ancres » pour les moteurs de recherche ; deuxièmement, les mots clés sont placés dans le corps du texte pour construire une cohérence et une cohésion textuelles fortes.
21Les textes sont immédiatement visibles et lisibles par les IA génératives rédactionnelles à condition qu’ils soient « optimisés » par rapport aux pratiques de recherche et de lecture au sein des dispositifs numériques (cf. supra). C’est pour cela que la première réponse à la question posée à ChatGPT 4.0 n’est pas correcte : le tag « De Angelis » présent dans les métadonnées des textes sélectionnés, « saisis » de nombreuses fois par les algorithmes, fait remonter le résultat le plus visible parmi d’autres. Pourquoi ChatGPT va chercher prioritairement dans les sites d’art ? Probablement parce que ces textes sont mieux référencés que d’autres pour des raisons purement commerciales. En effet, le référencement des contenus est un enjeu majeur pour les sites de commerce, comme le montre le résultat de la recherche de « De Angelis » sur Artsy via le lien hypertexte présent dans la réponse12. Et pourquoi change-t-il de langue au passage ? Probablement parce que les sites marchands d’œuvres d’art, produisant de nombreux textes descriptifs bien référencés, sont majoritairement rédigés en anglais, car ils s’adressent à une clientèle internationale pour laquelle l’anglais est une lingua franca. Les contenus s’affichent en anglais, car le référencement des sites se fait en anglais. Cette pratique répond à des politiques de référencement qui doivent satisfaire des intérêts économiques (Kaplan 2014, Saemmer 2018). La normalisation de ces pratiques crée une véritable économie sémantique qui repose sur un marché des mots dont la valeur dépend de leur potentiel de référencement. Les mots utilisés sont choisis notamment pour leur valeur d’adresse.
Fig. 3
« Peux-tu me montrer des œuvres de Rossana De Angelis ? »
22En d’autres termes, la saisie automatique suppose l’emploi 1) de critères sémantiques pour la sélection des termes co-présents dans un même lieu de l’espace discursif ; 2) de critères matériels pour la sélection des termes co-présents dans un même lieu de l’espace latent. Ces deux phénomènes se rejoignent dans le concept de saillance.
Ancrée dans la Théorie de la Gestalt (…), la notion de saillance caractérise l’émergence d’une forme sur un fond. (…) L’un des domaines phares de son introduction en linguistique est l’interprétation des anaphores : pour trouver l’antécédent du pronom “il” dans un contexte où plusieurs référents sont possibles (“Jean a vu Pierre. Il était […]”), on suppose que le pronom reprend le référent le plus saillant. Les recherches consistent alors à identifier les propriétés lexicales, syntaxiques ou sémantiques qui mettent en saillance un référent plutôt qu’un autre. Ainsi, dans la phrase “Jean a vu Pierre”, la fonction grammaticale sujet et la position initiale favorisent Jean au détriment de Pierre, du moins en l’absence de tout autre paramètre et de tout autre contexte. (…) En parallèle, des recherches se sont développées en se focalisant non pas sur la réception et l’interprétation, mais sur la production, et donc la génération automatique de textes (Landregin 2020, § 3).
23L’identification d’une régularité grâce à l’attestation des mêmes occurrences permet, d’un côté, la saisie automatique par la matérialité de l’expression numérique (De Angelis et Gonçalves 2021) et, de l’autre, la saisie prédictive qui reconstruit la relation entre la forme de l’expression et la forme du contenu, en proposant les occurrences attestées comme des usages possibles selon la norme relevée. La forme signifiante est l’objet sur lequel agit la fonction de saisie automatique et par lequel réagit la fonction de saisie prédictive. En analysant notre exemple de ce point de vue, la référence devient alors un rapport causal entre un outil de saisie (l’algorithme) et un objet saisi (la forme signifiante) : cela correspond à une désignation rigide.
24Le référent pragmatique est le résultat de l’adéquation entre le monde linguistique et le monde extralinguistique. Autrement dit, dans l’exemple donné, le résultat de la deuxième question posée, c’est-à-dire « Qui est Rossana De Angelis ? », ne correspond pas à la description de « Rossana De Angelis », ce qui est évident également si on prend en compte la proposition de résultats « similaires » comme critères de rapprochement au résultat recherché.
25Comme nous le rappelions, la référence des noms propres est une question complexe. En effet, les individus portent des noms différents, parfois similaires (Rossana ou Rosanna), parfois identiques (Rossana 1 ou Rossana 2). Tout comme il y a deux noms communs homophones et homographes, c’est-à-dire portant la même forme signifiante (par exemple, le terme « pensée » pour identifier à la fois l’idée et la fleur), il peut y avoir plusieurs noms propres dont le signifiant correspond à « Rossana De Angelis », ou à une partie de celui-ci. La catégorie des noms propres peut concerner alors des mots ambigus : ce qui permettra de désambiguïser une occurrence de « Rossana De Angelis » est sa référence. Dans ce cas, selon le référentialisme, la contribution d’un nom propre se réduirait alors à son référent. Cette hypothèse est remise en question par Frege (1982), qui formule l’énigme de la co-référence. Le référentialisme prédit que les noms propres co-référentiels N et N’ (renvoyant au même objet dans le monde) auront alors la même signification. Toutefois, il y a quelques années, j’ai personnellement rencontré une homonyme qui habite ailleurs et fait toute autre chose dans la vie, ce qui ne satisfait pas la théorie référentialiste des noms propres. Et pourtant, dans un environnement numérique, deux personnes peuvent se présenter comme la même. Ce phénomène est connu sous le nom de « hallucination » : une production de résultats issus des médiations opérées par les différents langages utilisés par la machine (monde du dire), mais déconnectés de la réalité dont nous faisons expérience en tant qu’usagers (monde du dit). Comment est-ce possible ? En effet, les hallucinations dépendent de la façon dont les contenus sont enregistrés et organisés les uns par rapport aux autres ainsi que des caractéristiques des algorithmes qui les saisissent et les exploitent.
Les grands modèles de langage (LLM) tels que GPT-3 (…) ont été formés pour estimer une distribution de probabilité. De cette capacité utilisée à grande échelle (des milliards de paramètres représentant les connexions entre neurones) émergent d’autres capacités, apparemment sans lien, comme celle de répondre à des questions, de résumer des textes, de traduire, d’écrire des codes, de générer des images, de réaliser des raisonnements simples, etc. (Giuseppe Attardi cité dans Santangelo, Sissa, Borghi, 2025, p. 41-42 ; nous traduisons).
26Pour rétablir la différence entre les occurrences de « De Angelis », nous devons alors faire appel à une théorie descriptiviste de la référence. En effet, le descriptivisme suppose que la référence n’est pas une relation directe entre signe et objet ou signe et intention, mais une relation toujours indirecte, qui suppose de devoir passer obligatoirement par les propriétés d’un référent. Pour défendre cette hypothèse, Russell (1905) formule l’énigme de la non-référence. Le référentialisme prédit qu’un nom propre qui n’a pas de référent réel est dénué de signification. Or, un nom propre vide de référence tel que « César » ne paraît pas dépourvu de signification. Les noms propres auxquels nous n’attachons pas de descriptions sont des abréviations déguisées de descriptions définies.
27Toutefois, dès les années 1950, les « philosophes du langage ordinaire » (John Austin, Peter Strawson) soutiennent que la référence n’est pas un phénomène sémantique, mais un phénomène pragmatique qui dépend du contexte et de l’usage : ce ne sont pas les mots eux-mêmes, mais bien les locuteurs qui les utilisent avec certaines intentions, dans un certain contexte et d’une certaine manière, qui ont le pouvoir de référer (Donnellan 1966 sur les « usages référentiels »). C’est notamment le cas pour les indexicaux, point de départ de notre réflexion.
28Finalement, ChatGPT pourra-t-il répondre à ma question ?
29Cette troisième question permet enfin de réunir le référent sémantique et le référent pragmatique en une seule et même réponse.
30Comme nous l’avons vu, le référent sémantique est le résultat issu du processus de référencement des textes numériques, alors que le référent pragmatique représente le résultat pertinent de ce même processus. Pour arriver à la coïncidence entre référent sémantique et référent pragmatique la machine doit aller chercher dans les correspondances moins fréquentes, mais plus pertinentes, car associées à la totalité du segment « Rossana De Angelis ». Effectivement, le tag « Rossana De Angelis » présent dans les métadonnées des textes sélectionnés ne remonte pas dans les premiers résultats obtenus par le traitement automatique de la requête. Comme le rappelle Eco à propos de la construction de la référence au sein de l’interaction humaine, « ce n’est que sur la base d’un grand nombre de négociations (et de conventions) circonstancielles et intertextuelles que nous savons que ce texte fait référence » (Eco 1997, p. 438). Ces négociations se réalisent à travers les invites (ou prompts) que sont envoyés à travers la barre des requêtes, à travers lesquels se réalise l’interaction entre l’usager et la machine.
Fig. 4.
Troisième question : « Connais-tu d’autres personnes qui s’appellent Rossana De Angelis ? »
31Deux questions se posent alors : 1) comment ChatGPT peut finalement arriver à un résultat pertinent et 2) que veulent dire les termes pertinent ou pertinence dans ce contexte ?
32Dans un premier temps, lancer une recherche à travers la séquence « Rossana De Angelis » impliquait que les algorithmes cherchaient les textes ayant un maximum d’occurrences de « Rossana De Angelis », textes qui se positionnaient alors en tête du classement, selon un ordre décroissant des occurrences. Toutefois, une surcharge de mots crée un effet de répétition qui garde le lecteur « en surface » au détriment de la qualité des textes. Pour éviter cela, il était alors possible de mesurer la « densité sémantique » d’un écrit : cette mesure est le résultat du calcul du nombre d’occurrences d’un mot clé dans un texte divisé par le nombre total de mots (non-clés) dans ce même texte. Cette pratique de dissémination de mots est devenue vite obsolète. Les algorithmes ne se basent plus sur ce critère de recherche.
33Dans un deuxième temps, au lieu d’utiliser un critère quantitatif (nombre d’occurrences), les algorithmes des moteurs de recherche ont adopté des critères qualitatifs (pertinence des occurrences) permettant d’estimer la valeur des textes concernés. En 1998, Sergei Brine et Larry Page mettent en place un critère permettant de mesurer l’apport des textes en déplaçant l’attention de la pertinence des mots dont se compose un texte à la pertinence du texte dans l’environnement numérique. « Dans un espace aussi peu structuré que le Web, des modèles de documents se côtoient ou se succèdent pour l’usager, eux-mêmes formant des “îlots de cohérence” au milieu des communications les plus diverses » (Boullier et Ghitalla, 2004, p. 174). Autrement dit, au lieu de mesurer combien de fois « Rossana De Angelis » revient dans un texte, et combien de mots du même univers sémantique sont présents, on mesure les relations hypertextuelles que ce texte entretient avec les autres textes du Web qui contiennent « Rossana De Angelis ». Cela permet de saisir la pertinence d’un texte par rapport aux autres dans un même contexte numérique : ce critère repose sur le principe même du Web comme réseau de documents interconnectés à travers des hyperliens. En effet, les textes se renvoient les uns aux autres à travers des hyperliens et la qualité de ce « maillage » fait grimper chaque texte dans le classement des résultats en raison du nombre d’autres textes qui lui font référence. Pour cette raison, si le texte est « bon », c’est-à-dire s’il respecte les critères de la textualité (De Angelis 2020) tout en offrant un maximum d’informativité (cohérence des informations) et d’autorialité (autorité de la source), d’autres textes renverront vers celui-ci en reconnaissant implicitement sa pertinence.
Couplé avec des procédés d’analyse statistique des textes, cet algorithme [PageRank] permet à Google d’intégrer la topographie hypertexte au calcul de pertinence en identifiant le degré de centralité des contenus sur le Web — c’est-à-dire une page vers laquelle de nombreux liens pointent est considérée comme centrale dans ladite topographie, une page vers laquelle très peu de liens pointent y est marginale, enfin une page vers laquelle ne pointe aucun lien en est exclue. (Sire 2016, p. 88.)
34Ainsi, l’algorithme classe les textes, et les sites, en supposant qu’un site qui reçoit un lien d’un autre site en reconnaît implicitement la pertinence. Il guide alors la recherche de pertinences à la fois morphologiques (formes signifiantes) et sémantiques (formes signifiées). Voilà donc comment arriver au bon résultat qui donne une description pertinente de « Rossana De Angelis ».
35Du point de vue sémiotique, les pertinences sont les caractéristiques qu’un objet présente en fonction de la pratique au sein de laquelle il est saisi et/ou en fonction de laquelle nous décidons de le retenir : « il n’y a que (la) réalité (matérielle) qui soit donnée indépendamment de l’homme, en sorte que, s’il n’y avait pas justement les connaissances de la réalité matérielle, il n’y aurait rien d’autre que cette réalité qui puisse être connue » (Prieto 1975, p. 149). Les pertinences des écrits numériques retenues au sein de la pratique d’entraînement des IA génératives rédactionnelles correspondent aux formes signifiantes (notamment les étiquettes ou tags distribués dans les métadonnées, ce qui correspond au référencement technique) par lesquelles ces écrits sont enregistrés dans un espace numérique délimité. Ces caractéristiques matérielles orientent la saisie des écrits, les pertinences étant adaptées à la pratique de la saisie automatique. Plus précisément, ces pertinences orientent à la fois la pratique d’entraînement sur les textes déjà produits et la pratique de génération de nouveaux textes à produire. Comme le dit Prieto, « connaissance et praxis sont inséparables » (Prieto 1975, p. 152).
36La notion de pertinence est ensuite reprise dans les sciences du langage comme critère assurant la cohérence textuelle. Sperber & Wilson définissent la pertinence comme « propriété unique (…) qui détermine quelle information particulière retiendra l’attention d’un individu à un moment donné » (Sperber & Wilson 1986, tr. fr. 1989, p. 76). En ce qui concerne les objets numériques, ces pertinences peuvent se présenter soit sous forme de mots clés faisant partie du même champ sémantique (référencement sémantique), également distribués dans les métadonnées (référencement technique), soit sous forme d’hyperliens se référant aux textes faisant partie du même domaine discursif (référencement hypertextuel). Le texte produit dans les normes de l’écriture numérique devient alors un « texte de référence ». Ceci incite les lecteurs et les usagers à se tourner vers celui-ci. En utilisant le principe de la liste, couplé à la logique de la hiérarchie, « Google montre un chemin (faire savoir) qui est aussi un système de valeurs (faire croire). Au bout du compte, l’utilisateur est invité à cliquer (faire faire) pour découvrir tel ou tel contenu (…) Car au plan sémiotique l’énonciation n’est pas seulement l’origine première du discours. Elle est aussi manipulation (au sens greimassien du terme), dans la mesure où elle permet le passage d’une compétence à une performance » (Fabre 2016, § 11).
37Comme nous venons de le voir, une dynamique de coévolution émerge entre les algorithmes guidant l’activité des moteurs qui recherchent les contenus pour les lecteurs et les normes guidant l’activité des rédacteurs qui préparent les contenus, ainsi qu’entre les pratiques de rédaction professionnelle et les pratiques de génération automatique des écrits.
- 13 Le praxème renvoie aux praxis linguistiques autant qu’aux praxis techniques et organisationnelles. (...)
38Le concept de pertinence a mieux circulé sous la forme d’affordance qui évoque les possibilités d’action dont dispose un agent dans un environnement en relation aux formes rencontrées dans ce même environnement (Gibson 1968, 2014 ; Norman 1988, 2013), résumant l’idée que la morphologie du monde et des choses offre aux usagers des modalités d’usage : ainsi, une chaise nous « offre » la possibilité de nous asseoir. Du point de vue de l’interaction entre l’homme et le monde, l’affordance peut ainsi se présenter comme 1) un sens, plus précisément un sémème — ou configuration de sèmes — définissant une classe de lexèmes, une pertinence identifiée sur la base d’une fonctionnalité propre de l’objet référent (le « pour s’asseoir » de la chaise, selon Pottier 1963) ; 2) une expérience, plus précisément un praxème actualisable dans la pratique (Sarale 2021)13, une pertinence identifiée sur la base d’une caractéristique matérielle propre de l’objet (la différence entre « chaise » et « fauteuil » supposant une différence au sein de la pratique de s’asseoir, Prieto 1975) ; 3) un modèle, un noème identifiant une catégorie cognitive, une pertinence identifiée comme une représentation qui nous permet de reconnaître une catégorie d’objets dans une occurrence particulière d’objet (objets différents regroupés sous la même catégorie de « chaise », Eco 1997). La pertinence, avant d’être une question de sémiologie, est une question de morphologie : c’est une forme signifiante et une forme signifiée. Les LLM ont développé une sensibilité croissante aux affordances des objets (Jones et al., 2022 ; Yiu et al., 2023). « Cependant, comme les LLM sont formés sur de vastes ensembles de données contenant des connaissances approfondies sur les objets et leurs utilisations, ils pourraient simplement récupérer des modèles mémorisés dans les données de formation lors de la résolution de tâches d’affordance des objets » (Lagnado, Cheung, Gjerde, 2025, p. 1). La question est ouverte. Ce qui nous intéresse, dans ce cas, concerne notamment la duplicité de la notion de pertinence en tant qu’affordance dans un contexte numérique : à la fois forme signifiante et forme signifiée. « La sensibilité aux affordances (…) est étroitement liée à la connaissance causale, car savoir ce qui est et n’est pas offert signifie être sensible aux propriétés causales des objets » (Lagnado, Cheung, Gjerde, 2025, p. 3). Au sein de l’interaction entre usager et machine évoquée, la désignation se présente comme une relation causale entre une forme signifiante saisie et une forme signifiante restituée. Dans un environnement numérique, la désignation est alors la relation causale qu’un agent (l’IA) établit à partir d’une forme signifiante (le mot, la séquence, etc.) saisie comme pertinente par une pratique de lecture (la saisie du texte dans un espace latent) et restituée en tant que telle par une pratique d’écriture (la génération du texte dans un espace discursif). Ceci permet de tracer les limites entre désignation et dénotation : la première se réalise dans un espace discursif fermé, la deuxième dans un espace discursif ouvert. Ceci permet également de tracer les limites linguistiques et sémiotiques du fonctionnement des IA génératives rédactionnelles, en renouant avec une certaine épistémologie que l’on croyait désormais dépassée : « hors du texte point de salut ! » (Greimas et Courtés 1979).
- 14 Nous sommes conscients qu’il s’agit d’une interaction parmi d’autres possibles : que se passe-t-il (...)
39Au sein d’une interaction entre l’usager et la machine, comme celle que nous avons analysée dans le cadre de cette étude14, les deux recherchent les contraintes et les structures signifiantes dans le contexte partagé : dans le cas de l’affordance, en effet, les contraintes et les propositions d’usage et d’interaction avec l’usager sont inscrites dans l’environnement et dans les objets co-présents, ce qui n’exclut pas une compétence de l’usager pour les reconnaître (Fontanille 2006). Selon cette approche, l’interaction homme-machine se présente alors comme la réunion de cette morphologie objectale, définie par les pertinences des objets numériques, avec une interaction pratique, définie par les compétences des interlocuteurs. L’analyse des pertinences des objets numériques fait ressortir cette « morphologie (proprement) numérique », ainsi que les possibilités de manipulation du lecteur, automatique et/ou herméneutique, ce qui mène à produire certaines interprétations plutôt que d’autres. Les deux tâches de l’analyse sémiotique sont alors (i) celle de définir le niveau de pertinence optimal pour analyser l’interaction homme-machine et (ii) celle de décrire et modéliser toutes les contraintes propres aux objets soumis à l’analyse.