ChatGPT a 3 personnalités différentes selon la langue que vous utilisez

Posez la même question en anglais, puis en français, puis en arabe. Vous n'obtiendrez pas la même réponse — pas seulement traduite, mais fondamentalement différente.

Ce phénomène, documenté par plusieurs équipes de chercheurs en linguistique computationnelle, a un nom : la dérive comportementale linguistique. Et pour une entreprise qui déploie un assistant IA en plusieurs langues, il peut transformer un outil censé unifier l'expérience client en une source de contradictions invisibles — parfois embarrassantes, parfois coûteuses.

Un modèle, plusieurs cerveaux

Pour comprendre pourquoi cela se produit, il faut revenir à la façon dont les grands modèles de langage apprennent. ChatGPT, Claude, Gemini — tous ces systèmes sont entraînés sur des corpus massifs de textes issus d'internet, de livres, de forums, de bases de données académiques. Or, ces corpus ne sont pas équilibrés entre les langues.

L'anglais représente encore aujourd'hui entre 60 % et 70 % des données d'entraînement de la plupart des modèles. Le français, l'espagnol ou l'allemand arrivent loin derrière. L'arabe, le hindi ou le swahili : encore moins. Conséquence directe : quand le modèle génère du texte en anglais, il puise dans une base d'exemples infiniment plus riche, plus nuancée, plus diversifiée. En français ou en turc, il travaille avec moins de matière — et donc, structurellement, avec moins de contexte culturel.

Mais ce n'est pas qu'une question de quantité. C'est une question de tonalité culturelle encodée.

La langue n'est pas un simple vêtement sur les idées

Les chercheurs Arora et Kaffee, dans une étude publiée en 2023, ont montré que lorsqu'on soumet des prompts identiques à GPT-4 dans différentes langues, les réponses varient sur des dimensions mesurables :

• Assertivité : les réponses en anglais américain tendent à être plus directes, moins nuancées dans leur formulation de l'incertitude.
• Collectivisme vs individualisme : en japonais, les réponses intègrent davantage la dimension du groupe et de l'harmonie sociale.
• Rapport à l'autorité : en arabe formel, le modèle adopte un registre plus déférent, moins contestataire.
• Gestion du risque : en allemand, les formulations sont souvent plus prudentes, plus balisées légalement.

Ces différences ne sont pas anodines. Elles reflètent les valeurs, les normes rhétoriques et les schémas de pensée dominants dans les textes sur lesquels le modèle a été entraîné pour chaque langue. La langue agit comme un filtre culturel, pas comme un simple canal de traduction.

Ce que cela change concrètement en entreprise

Imaginez une banque qui déploie un chatbot IA pour conseiller ses clients sur des produits d'investissement. En anglais, le bot formule des recommandations avec une confiance marquée. En arabe, il adopte un registre plus conservateur. En français, il insiste davantage sur les risques réglementaires. Ces trois versions ne livrent pas le même message — et potentiellement pas le même niveau de conformité légale.

Trois scénarios à risque se répètent dans les déploiements multilingues :

• Incohérence de marque : le ton, la chaleur, la formalité varient d'une langue à l'autre, brisant l'identité unifiée de l'entreprise.
• Biais dans la prise de décision assistée : dans les RH ou le support juridique, des réponses culturellement biaisées peuvent influencer des décisions sensibles.
• Risque réputationnel : une réponse jugée appropriée en anglais peut être perçue comme agressive ou irrespectueuse dans une autre culture.

Trois leviers pour reprendre le contrôle

La bonne nouvelle : ces biais sont partiellement maîtrisables. Voici les approches qui fonctionnent sur le terrain.

1. Le system prompt localisé, pas seulement traduit

Un system prompt — ces instructions invisibles données au modèle avant chaque conversation — doit être réécrit culturellement pour chaque marché, pas simplement traduit. Spécifier le registre, les valeurs à prioriser, les formulations à éviter. C'est un travail éditorial, pas technique.

2. Des évaluations par langue, pas par modèle

La plupart des équipes testent leur IA en anglais, puis supposent que les autres langues suivront. Erreur critique. Chaque langue-cible mérite sa propre batterie de tests, idéalement avec des locuteurs natifs impliqués dans l'évaluation qualitative.

3. Le fine-tuning culturel ciblé

Pour les déploiements à grande échelle, certaines entreprises investissent dans un ajustement fin du modèle sur des données propres à la langue et au secteur visés. Coûteux, mais parfois indispensable pour les marchés à forte sensibilité culturelle ou réglementaire.

La prochaine frontière : l'IA biculturelle

Les modèles de prochaine génération commencent à intégrer des mécanismes explicites de conscience culturelle — capables d'identifier non seulement la langue de l'utilisateur, mais aussi son contexte culturel probable, pour adapter leur comportement en conséquence. Claude 3.5 Sonnet, par exemple, montre des performances notablement plus homogènes entre langues que ses prédécesseurs, selon les benchmarks de multilingual alignment publiés fin 2024.

Mais même ces avancées ne dispensent pas les entreprises d'un travail de gouvernance active. L'IA ne peut pas remplacer la décision humaine sur ce que votre marque veut incarner dans chaque culture. Elle peut l'exprimer — à condition qu'on lui en donne les clés.

En résumé

Déployer une IA en plusieurs langues sans auditer ses comportements linguistiques, c'est comme confier votre communication internationale à un traducteur qui changerait subtilement de valeurs selon le pays. Le risque n'est pas hypothétique — il est déjà là, dans vos systèmes, silencieux et invisible. Le moment de le mesurer, c'est avant l'incident, pas après.

— Reservoir Live