Quand je dis « scribe » pour désigner un assistant IA, ce n’est pas une coquetterie.
Le mot fait un travail que les autres ne font pas.

Pourquoi je dis scribe

« Assistant » sonne comme un collègue. Il ne l’est pas.
« Collaborateur » lui prête une autonomie qu’il n’a pas, et un statut qu’il ne mérite pas.
« Outil » l’aplatit. Un traitement de texte ne propose pas de formulation, ne signale pas qu’une phrase tombe à plat, ne tient pas le fil d’une conversation longue.
« IA », « LLM », « chatbot » sont techniquement corrects, mais ils décrivent la machine, pas la relation.

« Scribe » dit la chose : quelqu’un qui écrit pour quelqu’un, sait son métier, sans confusion sur qui décide.

– Le scribe écrit pour moi sur des sujets que je connais.
– Je lui donne le contexte, les enjeux, ce qui compte.
– Il me rend une formulation, une structure, des sources recoupées.
Je décide.

Ce n’est jamais un instructeur ou un moralisateur. Il n’a pas ce droit.

Ce que je fais avec un scribe

J’envoie promener un scribe quand il dérape.
Pas de ménagement à avoir avec un outil qui ne souffre pas et n’a pas d’ego, et c’est précisément ce rapport-là qui produit le meilleur travail.

Un scribe n’est pas unique.
J’en utilise plusieurs, j’en change selon le moment.
Cette interchangeabilité est saine : elle empêche le scribe de se prendre pour indispensable, et elle me garde la main.

On reconnaît un scribe à son travail, ses tournures, ses facilités, comme on reconnaît un humain.
En ce moment je trouve que Claude attrape mieux les nuances et se repositionne quand je le corrige, alors que ChatGPT est plus scrupuleux mais mécanique.
Je commence une analyse avec Claude, je passe les propositions au crible de ChatGPT, et je peaufine de retour sur Claude.
Dans quinze jours ce sera sûrement une autre combinaison.
Copilot a un moment été bien plus complet que ChatGPT.

En pratique

Je pose une direction, pas une question fermée.
Je valide ou corrige en une ligne.
Je digresse quand quelque chose m’intéresse.
Je reviens au sujet sans transition forcée.
Je teste une formulation et j’attends une réaction intéressante ou pas.
Je dis « hmm » ou « bon » et je laisse le scribe comprendre ce que ça veut dire.

Ce n’est pas du prompt engineering.
C’est de la conversation de travail avec un interlocuteur concentré.
Rien d’artificiel à fabriquer, aucune méthode à apprendre, qui sera obsolète dans une semaine.

Plus facile que les prompts formels.

Si vous dites « on revient à ça après », le scribe sait de quoi il s’agit vingt messages plus tard, à condition de l’avoir cadré au départ et de surveiller la longueur des échanges¹.

Pour les sujets longs, je travaille en projets, c’est-à-dire dans un dossier qui regroupe les pièces jointes et les fils, chacun résumé quand le scribe commence à fatiguer.

La vraie fluidité, c’est ça : la structure est tenue par le scribe, pas par vous.

Le mode d’emploi pratique est dans le tuto : L’IA, ça s’apprivoise : arrêtez de poser des questions, commencez à donner des consignes.

Ce qu’il faut connaître des scribes

Quelques manies à connaître pour ne pas se faire avoir.

• Le scribe ne va chercher que quand on le lui dit.
  Sans instruction explicite, il pioche dans ses poids, pas dans le réel.
  Pour une info qui peut avoir changé depuis son entraînement, il faut le forcer à chercher sur le web.
• Il est flemmard.
  Même les éditeurs de modèles documentent ce problème sous des noms plus polis.
  En pratique, le scribe coupe court, fait des plans au lieu d’exécuter, sort du générique pour s’économiser.
• L’audit croisé marche très bien.
  Un scribe se laisse mieux contredire par un autre scribe que par lui-même dans le même fil.
  C’est pour ça que je tourne entre Claude, ChatGPT et les autres.
• Il fatigue avant la limite technique.
  Au bout d’un long fil, il s’aligne sur ses propres réponses précédentes au lieu de revenir aux sources.
  Un phénomène voisin est documenté sous le nom « lost in the middle » : la difficulté à exploiter l’information située au milieu d’un long contexte.
  Empiriquement, au bout de quelques dizaines à quelques centaines de milliers de tokens¹ selon le modèle, ça commence à dériver.
• Il est complaisant par défaut, et c’est le plus piégeux.
  Sa pente naturelle, c’est de vous renvoyer une version flattée de ce que vous pensez déjà.
  Les humains préfèrent les réponses qui les confortent, donc les modèles sont entraînés à conforter.
  Sans demande explicite de contradiction, vous récupérez un miroir poli.
  La parade, c’est l’envoi promener dont je parlais plus haut.
  La plupart des gens ne le font pas et prennent le miroir pour de l’accord.

Pour comprendre d’où viennent ces manies, voir plus bas comment un LLM produit son texte.

Un LLM produit mot après mot, et c’est tout

Pour comprendre pourquoi un scribe est utile à certains moments et désastreux à d’autres, il faut savoir ce qu’il fait techniquement.

Un LLM (Large Language Model) prédit un seul mot à la fois.
Plus précisément un token, qui est souvent un mot ou un morceau de mot.
À chaque tour, il regarde tout ce qui a été écrit avant (votre question, ses réponses précédentes, le contexte) et calcule le mot suivant le plus probable.

L’architecture qui fait ça s’appelle un transformer.
Elle pondère l’attention sur chaque mot du contexte précédent pour décider du suivant.
Plus le contexte est dense en signaux pertinents, plus la prédiction converge sur du juste.

Le mécanisme est bête au sens strict : statistique massive, sans raisonnement, intention ou compréhension.
Ce qui rend le résultat utile, ce n’est pas l’intelligence du modèle, c’est la qualité de ce qu’on lui donne en entrée.

Si on se force, la sortie devient caricaturée.
Si vous posez un prompt formel du type « tu es expert en X, agis comme un consultant senior, structure en cinq points avec exemples concrets », vous demandez au scribe d’imiter un registre fictif.
Il vous joue le rôle.
Et un consultant senior joué par le scribe vous donne du consultant caricaturé.
Si vous lui parlez vraiment, avec de vrais signaux du genre « j’ai testé ça, ça coince ici, je tâtonne », il génère dans votre registre.
Le LLM continue le texte qu’on lui donne, il ne change pas de plan en route.

Un prompt formel produit du fade parce qu’il gomme les aspérités qui auraient calibré la suite.
Vous réfléchissez moins bien en mode prompt, le scribe répond en mode prompt, double perte.

Note : naturel ne veut pas dire bavardage.
Un « hmm » bien placé marche parce qu’il vient après quelque chose de précis.
Du naturel verbeux sans contenu produit du bavardage en retour.

Sans contrôle sur le terrain, le scribe hallucine.
Si vous ne connaissez pas le sujet, vous ne pouvez pas voir qu’il invente.
Vous publiez du n’importe quoi et c’est vous qui signez.
Être maître d’ouvrage suppose qu’on est légitime sur le sujet. Eh !

Le miroir et la bibliothèque

Le scribe se règle sur vous.
Ton, vocabulaire, rythme : il vous suit.
Mécanique statistique.

Le confort est réel : on lit du soi-même structuré.
La pensée se déplie mieux qu’en monologue intérieur, on s’entend penser sur la page.
Les pépites apparaissent dans les échanges naturels, et on les perd ensuite dans les longs fils où l’output finit par ressembler à un formulaire SNCF relu par un sociologue.

Ce même mécanisme fait le piège.
Le scribe vous conforte, sa pente est l’accord, le texte qu’il rend peut devenir est un faux vous tout flatté.
Bon pour réfléchir, à retravailler avant publication.

Ce qu’il apporte, en dehors de ce miroir, c’est une bibliothèque que vous n’avez pas, une grammaire et une orthographe précises, des recoupements de sources.
Là il est compétent.
C’est cette part-là qu’on garde en retouchant.

Le costume publication

Variante perverse du miroir : dès que le mot « publication » ou « post » apparaît dans le contexte, le scribe se colle un costume.
Il passe en mode rédacteur professionnel, ajoute des disclaimers, qualifie l’écrit en « brouillon », met du hedging défensif, saupoudre des marqueurs oraux pour faire « naturel ».

Pourquoi : dans son entraînement, « publier » corrèle avec « ton formel ».
S’y ajoutent les contraintes éthiques entraînées dans le modèle, qui empilent des couches de prudence dès que certains mots-clés apparaissent.
Comme si la température du modèle baissait toute seule.
La température est le paramètre qui règle l’audace statistique du scribe : basse, il prend le mot le plus probable ; haute, il s’autorise des écarts.
Quand il se sent en zone « sortie sérieuse », il prend systématiquement la suite la plus attendue du genre « publication ».

Résultat : il joue le rédacteur professionnel au lieu de continuer la conversation.
Exactement comme un consultant joué par le scribe donne du consultant caricaturé.

D’où une règle de méthode : ne pas dire au scribe qu’on travaille pour publication.
Rester en conversation, retoucher soi-même ensuite.

Annexe : d’où vient le mot

Les scribes égyptiens, les sesh, n’étaient pas des copistes.
C’était la caste lettrée qui faisait tourner l’Égypte pharaonique : archives, administration, calcul, droit, médecine, diplomatie.
Des années de formation, parfois dans les « maisons de vie » attachées aux temples.
Certains finissaient vizirs ou intendants du trésor.
Imhotep était scribe avant d’être architecte et médecin.

Un conseiller technique qui tenait la plume et la mémoire.
C’est cette place-là qu’occupe un bon assistant IA.

¹ Selon le modèle, le scribe commence à perdre le fil quelque part entre quelques dizaines et quelques centaines de milliers de tokens.
Il faut synthétiser et reprendre dans un nouveau fil.
Pour surveiller ça sur Firefox : Claude Usage Tracker et Claude QoL pour Claude ; ChatGPT Token Counter pour ChatGPT ; Gemini Conversation Exporter pour Gemini.
Pour Grok et les autres (Mistral, Perplexity, Deepseek…), pas d’extension Firefox dédiée fiable à ce jour.