Claude écrit-il moins bien en français depuis le 2 août ?
Depuis une dizaine de jours, le français produit par Claude nous paraît moins juste. Le 2 août, Anthropic a activé un filigrane statistique sur tous ses nouveaux modèles. Notre hypothèse : si ce marquage coûte quelque chose en qualité, il devrait coûter plus cher en français qu'en anglais. Voici pourquoi ce n'est pas absurde, et comment on compte le vérifier.
Commençons par la partie faible, parce qu'elle est faible et qu'il vaut mieux le dire tout de suite : depuis une dizaine de jours, le français que produit Claude nous semble moins bon. Des tournures plus lourdes, des choix de mots légèrement à côté, une syntaxe qui sent davantage la traduction de l'anglais. Rien de spectaculaire. Le genre de dégradation qu'on remarque sans pouvoir la pointer du doigt.
Cette observation, en l'état, ne vaut rien. Elle est subjective, non datée, non mesurée, et elle porte sur des textes qui n'ont rien de comparable entre eux. Une perception de qualité qui se dégrade est exactement le type d'impression que produit un observateur qui vient de se mettre à chercher un défaut. Nous ne sommes pas à l'abri de ce biais et il n'y a aucune raison de faire semblant.
Ce qui rend l'observation intéressante, ce n'est pas elle : c'est ce qui s'est passé le 2 août.
Ce qui s'est passé le 2 août
Le 2 août 2026, les obligations de transparence de l'article 50 du règlement européen sur l'IA sont entrées en application. Le 11 août, Anthropic a confirmé que tous les modèles Claude lancés à partir du 2 août intègrent un filigrane statistique invisible directement dans le texte généré. Le marquage n'est pas réservé à l'Europe : il est appliqué mondialement, sur tous les canaux d'accès. Les modèles antérieurs recevront la fonctionnalité au cours d'une période de transition.
La documentation d'Anthropic est explicite sur plusieurs points, et il faut les citer précisément parce que l'article tout entier tourne autour d'eux.
Sur la qualité, d'abord :
Vous ne le verrez pas, et cela ne change ni le sens, ni la qualité, ni la lisibilité de la réponse de Claude.
Sur la persistance, ensuite : le filigrane voyage avec le copier-coller et « peut persister à travers certaines modifications ». Mais Anthropic reconnaît qu'un contenu peut ne plus porter de marque détectable s'il est « fortement édité, paraphrasé, traduit ou mélangé à d'autres écrits ».
Sur ce qu'une détection prouve, enfin : une marque détectée indique que le contenu a pu être traité par Claude. Ce n'est ni une preuve de paternité, ni une preuve que Claude a produit les idées. Et l'absence de marque ne prouve rien du tout dans l'autre sens.
Aucun détecteur public n'est disponible à ce jour. Anthropic annonce une documentation technique à venir.
Notre observation porte donc sur la période qui suit immédiatement l'activation d'un mécanisme dont l'éditeur affirme qu'il est sans effet sur la qualité. C'est le genre de coïncidence qui mérite qu'on regarde de plus près — pas qu'on crie au scandale.
Un filigrane peut-il coûter en qualité ?
La réponse honnête est : ça dépend entièrement de la famille de filigrane, et Anthropic n'a pas dit laquelle il utilise.
Il existe deux grandes approches, et elles ne se comportent pas du tout pareil.
La première est celle des listes vertes, popularisée par les travaux de Kirchenbauer et ses coauteurs en 2023. À chaque étape de génération, une fonction de hachage dépendant d'une clé secrète et des jetons précédents partitionne le vocabulaire en deux groupes, et le modèle est poussé à préférer le groupe « vert ». Le texte produit contient alors une surreprésentation statistique de jetons verts, invisible à l'œil nu, détectable par test statistique si l'on connaît la clé. Cette approche biaise activement les probabilités du modèle. Elle a donc un coût en qualité, réglable : plus le biais est fort, plus la détection est facile, et plus le texte s'éloigne de ce que le modèle aurait produit sans contrainte.
La seconde est celle des méthodes sans distorsion en distribution, dont SynthID-Text, publiée par Google DeepMind dans Nature en 2024, est l'exemple le plus documenté. L'idée est d'utiliser l'aléa de l'échantillonnage lui-même comme support du filigrane, plutôt que de tordre les probabilités. En espérance, sur l'ensemble des générations possibles, la distribution reste celle du modèle non marqué. Le coût en qualité est alors théoriquement nul.
« Théoriquement nul en espérance » n'est pas la même chose que « nul sur votre texte à vous ». Une méthode sans distorsion garantit que la moyenne est préservée, pas que chaque génération individuelle est aussi bonne que celle qui aurait été produite sans marquage. Et ces garanties supposent une entropie suffisante : quand le modèle n'a réellement qu'un seul bon mot à écrire, il n'y a pas d'aléa dans lequel cacher un signal, et le filigrane doit soit renoncer, soit forcer.
C'est cette dernière remarque qui ouvre la question du français.
Pourquoi le français serait plus exposé que l'anglais
Voici la partie du raisonnement qui est de nous, et qui reste à démontrer.
Un filigrane a besoin de choix pour exister. Il s'inscrit dans les endroits où le modèle hésite entre plusieurs continuations acceptables. Là où il n'y a pas d'hésitation, il n'y a pas de place pour le signal.
Or l'espace de choix d'un modèle ne dépend pas seulement de la langue : il dépend de la façon dont le tokenizer découpe cette langue. En anglais, une grande partie du vocabulaire du tokenizer correspond à des mots entiers. Dans les autres langues, les mots sont plus souvent fragmentés en morceaux de mots, et le modèle avance par sous-unités qui ne portent pas de sens autonome.
Ce n'est pas une intuition isolée. Une étude publiée en octobre 2025 et consacrée à la robustesse du filigranage multilingue conclut que les méthodes existantes ne sont pas réellement multilingues : elles tiennent sur les langues bien dotées et s'effondrent sur les langues moyennement et faiblement dotées. La cause identifiée par les auteurs est précisément celle-là — un regroupement sémantique qui échoue « quand le vocabulaire du tokenizer contient trop peu de jetons de mots complets pour une langue donnée ».
D'où l'hypothèse, qui tient en une phrase : si le marquage a un coût, ce coût devrait être plus visible dans les langues où le modèle dispose de moins de latitude par jeton.
Il faut immédiatement en poser la limite. Le français n'est pas une langue faiblement dotée. Il est massivement représenté dans les corpus d'entraînement, correctement segmenté, et très loin des cas extrêmes qu'étudie cette littérature. Si l'effet existe pour le français, il sera petit — bien plus petit que ce qu'on observerait sur une langue à écriture non latine et à faible ressource. Un effet petit reste mesurable, mais un effet petit est aussi exactement ce qu'une perception biaisée peut fabriquer de toutes pièces.
Les hypothèses concurrentes
L'erreur serait de s'arrêter à celle qui nous plaît. Il y en a au moins cinq autres, et toutes expliqueraient aussi bien l'observation.
Le modèle a changé. Un nouveau modèle est sorti à peu près au même moment. Comparer le français d'aujourd'hui à celui d'il y a un mois, c'est peut-être simplement comparer deux modèles différents, dont les arbitrages d'entraînement ne sont pas les mêmes. C'est, de très loin, l'explication la plus économique.
Le prompt système a bougé. Les instructions système évoluent en continu, sans annonce. Une consigne de concision ou de neutralité ajoutée quelque part suffit à changer le grain d'un texte.
L'alignement a été retouché. Chaque itération d'entraînement par retour humain déplace le style. Les jurys d'évaluation sont majoritairement anglophones, et un modèle optimisé sur des préférences exprimées en anglais peut voir son français dériver vers l'anglais sans que personne l'ait voulu.
La quantization ou l'infrastructure de service. Une variation de précision ou de configuration d'inférence dégrade la qualité de façon diffuse, et frappe en premier ce qui était déjà le plus fragile.
Nous. Nos propres prompts ont changé, nos textes ne sont pas comparables d'une semaine à l'autre, et nous cherchons désormais activement un défaut que nous ne cherchions pas avant.
Tant qu'on n'a pas écarté ces cinq-là, l'hypothèse du filigrane n'est pas une conclusion. C'est une candidate parmi six.
Comment on compte trancher
Un protocole utile doit produire un résultat qui ne dépend pas de notre bonne foi. Voici celui qu'on va suivre, et il est perfectible — c'est même pour ça qu'on le publie avant de le lancer.
Un jeu de tâches fixe. Une trentaine de consignes de rédaction en français, figées, couvrant plusieurs registres : note technique, courrier commercial, reformulation, traduction depuis l'anglais, texte contraint. Les mêmes consignes, mot pour mot, à chaque exécution.
Le même jeu en anglais. C'est le point central du dispositif. On ne cherche pas à savoir si le français s'est dégradé dans l'absolu, mais s'il s'est dégradé plus que l'anglais. Une dégradation identique dans les deux langues pointe vers le modèle ou l'alignement, pas vers un effet lié à la segmentation.
Une comparaison entre modèles marqués et non marqués. Tant que la période de transition n'est pas terminée, il reste des modèles antérieurs au 2 août qui ne portent pas encore le filigrane. C'est la seule fenêtre de comparaison propre dont on disposera, et elle se referme. Raison de plus pour mesurer maintenant.
Des métriques qui ne dépendent pas de notre jugement. Perplexité sous un modèle tiers, longueur et variété lexicale, fréquence des calques de l'anglais, taux d'accord dans une évaluation en aveugle par des lecteurs francophones à qui on ne dit pas ce qu'on cherche.
Tout publié. Consignes, sorties brutes, scripts, dates, versions de modèles. Si le résultat contredit notre hypothèse, il sortira quand même — c'est la seule façon de rendre le protocole crédible avant de connaître son résultat.
Notre prédiction, posée à l'avance pour qu'on puisse nous l'opposer : un écart français/anglais faible, probablement dans le bruit sur un échantillon de trente tâches. Nous serions les premiers surpris de trouver un effet net.
La question de la clé, et où on s'arrête
Le raisonnement précédent conduit naturellement à une idée qui a de quoi séduire : si le français offre moins de latitude par jeton, alors le signal du filigrane y est plus contraint, donc en principe plus lisible. Et un signal plus lisible, c'est un signal qu'on pourrait peut-être caractériser — voire, à l'extrême, remonter jusqu'à la clé qui le produit.
L'intuition est compréhensible. Elle sous-estime plusieurs choses. La partition du vocabulaire ne dépend pas seulement d'une clé secrète mais aussi du contexte immédiat, ce qui veut dire qu'il n'y a pas une liste à retrouver mais une famille de partitions dépendant de l'historique. Les schémas sans distorsion n'exposent pas de biais de fréquence exploitable de la même manière. Et sans détecteur public, on ne dispose d'aucun signal de retour permettant de savoir si l'on chauffe ou si l'on refroidit. Le volume de texte nécessaire pour espérer caractériser quoi que ce soit se compte, au minimum, en ordres de grandeur au-dessus de ce dont dispose un média.
Mais surtout : même si la réponse était accessible, nous ne la publierions pas.
Mesurer la robustesse d'un système de provenance et publier le résultat, c'est de l'information — ça permet à chacun de savoir ce que vaut réellement une détection, et c'est utile précisément parce que ces systèmes vont servir à prendre des décisions sur des gens. Publier une méthode qui permet de faire passer un texte au travers du détecteur, c'est fournir un outil, et l'usage principal d'un tel outil est la tromperie. La série Watermark Wars s'arrêtera donc au banc d'essai et à ses chiffres. Elle n'ira pas jusqu'à la recette.
C'est écrit dans notre méthodologie, et c'est le genre de ligne qu'on préfère poser à l'avance plutôt qu'au moment où elle devient tentante.
Est-ce que vous le constatez aussi ?
C'est là que vous êtes utiles, et pas de façon décorative.
Si vous produisez du français avec Claude de façon régulière, vous avez quelque chose que nous n'avons pas : une base de comparaison sur vos propres textes, avec vos propres consignes, sur plusieurs mois. C'est un bien meilleur instrument de mesure que trente tâches fabriquées pour l'occasion.
Ce qui nous intéresse : la date de votre observation, le modèle utilisé, le type de texte, et si possible deux extraits comparables — un d'avant, un d'après. Ce qui nous intéresse moins : « je trouve que c'est moins bien », sans date et sans exemple. Ce n'est pas de la coquetterie méthodologique : sans date, on ne peut rien rattacher au 2 août, et c'est toute la question.
Les contributions arrivent par le formulaire de contact. Les observations reçues seront agrégées, anonymisées, et publiées avec les résultats du banc d'essai dans le prochain épisode — y compris, et surtout, celles qui vont contre l'hypothèse.
Sources
- Comment Claude marque les contenus générés par IA — documentation officielle Anthropic
- Anthropic says it will watermark text generated by its AI models — TechCrunch, 11 août 2026
- Anthropic watermarks all Claude outputs globally — The Decoder
- Is Multilingual LLM Watermarking Truly Multilingual? — arXiv 2510.18019
- A Watermark for Large Language Models — Kirchenbauer et al., arXiv 2301.10226
- Scalable watermarking for identifying large language model outputs — Nature, 2024 (SynthID-Text)
Article publié le 14 août 2026. Observation portant sur la période du 2 au 14 août 2026. Le banc d'essai annoncé ici n'a pas encore été exécuté : rien de ce qui précède ne doit être lu comme un résultat de mesure.