Pourquoi l’IA de Google peine à épeler ‘Google’ (et bien d’autres mots

📋 En bref

L’intelligence artificielle de Google traverse une crise embarrassante : ses modèles linguistiques échouent à accomplir des tâches basiques comme épeler des mots simples. Une analyse récente a révélé que l’IA Overview du moteur de recherche ne peut pas compter correctement les lettres dans « Google » (affirmant qu’il y a deux P au lieu de zéro), et commet des erreurs tout aussi flagrantes avec « poop » ou « journalism ». Ces défaillances soulignent une limite fondamentale des architectures transformer : elles ne « lisent » pas comme les humains, mais convertissent le texte en tokens numériques. Bien que Google reconnaisse le problème et promette une correction, ces erreurs d’orthographe révèlent que même les géants technologiques peinent à maîtriser les nuances du traitement du langage naturel. Pour les entreprises qui déploient des agents IA en production, cela pose une question cruciale : comment faire confiance à des systèmes qui échouent sur l’élémentaire ?

🔤 Quand l’IA de Google se trompe sur l’orthographe élémentaire

Imaginez confier vos données critiques à un système d’intelligence artificielle réputé, et découvrir qu’il ne sait pas épeler le nom de sa propre entreprise. C’est exactement ce qui s’est produit lorsque les utilisateurs ont testé les AI Overviews de Google, ces réponses générées par IA qui trônent désormais en haut des résultats de recherche.

Lors de mes déploiements en tant qu’architecte de systèmes autonomes, j’ai constaté que cette problématique reflète une tension croissante dans l’industrie : les LLMs (Large Language Models) peuvent accomplir des tâches complexes — coder une application en secondes, résoudre des équations que les mathématiciens peinent à résoudre — mais s’effondrent sur des opérations triviales. Les IA échouent à épeler des mots simples parce que leur architecture fondamentale n’a pas été conçue pour cette tâche.

Les exemples documentés sont troublants : Google affirme qu’il y a deux P dans « Google » (alors qu’il n’y en a zéro), identifie « exactement 1 R dans poop » (faux), et épelle « journalism » avec un D à la place d’un R (j-o-u-r-n-a-d-i-s-m). Le géant de la tech a même réussi à rester partiellement correct en reconnaissant qu’il y a un P dans le nom du président américain — mais l’a orthographié « t-r-p-u-m ».

🧠 Pourquoi les modèles linguistiques butent sur les comptes de lettres

La réponse réside dans l’architecture même des transformers, les fondations technologiques des modèles d’IA modernes. Contrairement à ce que le grand public imagine, les LLMs ne « lisent » pas le texte comme vous le faites en ce moment. Ils ne voient pas des mots, des syllabes ou des lettres distinctes.

Voici comment cela fonctionne réellement : lorsque vous entrez une requête, le système la convertit en tokens — des unités qui peuvent être des mots complets, des fragments, ou des caractères isolés selon le modèle. Ensuite, ces tokens sont transformés en représentations numériques appelées embeddings. L’IA n’opère que sur ces chiffres, pas sur le texte brut. Comme l’expliquait Matthew Guzdial, chercheur en IA à l’Université de l’Alberta : « Quand le modèle voit le mot ‘the’, il dispose d’une unique représentation de ‘the’, mais il ne connaît rien de ‘T’, ‘H’, ‘E' ».

Cette séparation entre la compréhension du mot et celle de ses composants crée une faille majeure. Les transformers excèlent à prédire la suite logique d’une phrase, à comprendre le contexte, à générer du code. Mais compter les occurrences d’une lettre ? Cela demande une perception letter-by-letter que l’architecture n’a jamais été optimisée pour.

💥 Le défi fondamental des tokens et du traitement du langage

La communauté de recherche a longtemps débattu de cette limitation. Google peine dans la course à l’IA en partie parce que ces défis touchent tous les acteurs du secteur, pas seulement le géant californien.

Sheridan Feucht, doctorante en interprétabilité des modèles de langage à l’Université Northeastern, a soulevé un point crucial : « Il est difficile de définir précisément ce qu’un ‘mot’ doit être pour un modèle de langage. Même si nous parvenions à faire l’unanimité parmi les experts sur un vocabulaire de tokens parfait, les modèles continueraient probablement à fragmenter les choses davantage. À mon avis, il n’existe pas de tokenizer parfait en raison de cette imprécision inhérente. »

Cela signifie que les chercheurs ne sont pas optimistes quant à une solution rapide. Le problème n’est pas un bug à corriger en quelques lignes de code, mais une limite architecturale profonde. Google a reconnu publiquement auprès de TechCrunch : « Le comptage au sein des mots est un défi connu pour les LLMs, et nous travaillons à corriger ce problème spécifique. » Mais cette correction demandera probablement des révisions majeures.

⚠️ Un problème qui s’étend au-delà de l’orthographe

Les débacles de Google ne se limitent pas aux erreurs d’épellation. L’année dernière, les AI Overviews ont cité des articles satiriques du Onion et de Reddit, conseillant aux utilisateurs de manger des rochers ou d’ajouter de la colle sur leur pizza. Plus récemment, une recherche sur le mot « disregard » affichait une définition apparemment normale, sauf qu’elle se lisait : « Understood. Let me know whenever you have a new prompt or question! »

Ces incidents illustrent une vérité gênante : l’intégration hâtive de l’IA générative dans les produits phares crée des risques. Les AI Overviews occupent une place proéminente dans les résultats, influençant les décisions des utilisateurs sans nuances. Quand ces systèmes se trompent, c’est désormais visible à des milliards de personnes.

🔍 Implications pour les entreprises et les architectes IA

Si vous déployez des agents IA ou explorez des solutions de traitement du langage, ces défaillances chez Google doivent vous faire réfléchir. Elles confirment une leçon que j’ai apprise sur le terrain : la validation et la double-vérification des sorties IA restent non-négociables, peu importe la réputation du fournisseur.

Dans mes projets d’orchestration d’agents utilisant LangChain ou CrewAI, j’implémente systématiquement des couches de validation. Par exemple, pour une tâche critique de comptage ou d’extraction structurée, je ne me fie jamais à la seule sortie du modèle. J’ajoute des vérifications déterministes — des scripts Python simples qui valident le format, comptent les éléments, ou croisent les données avec une base de données vectorielle de confiance.

La question n’est pas « l’IA peut-elle remplacer Google ? » mais plutôt « comment intégrer l’IA de manière responsable sans sacrifier la fiabilité ? » La guerre entre Google et les chatbots d’IA est bien réelle, et elle force l’industrie à affronter ces limites incontournables.

🛠️ Stratégies pour atténuer les risques en production

Lors de mes audits auprès d’entreprises FinTech et de gouvernance, j’ai développé une checklist pour mitiguer ces risques. Premièrement, segmentez les tâches : utilisez l’IA pour ce qu’elle fait bien (synthèse, génération créative, classification contextuelle) et relèguez les tâches sensibles à des algorithmes déterministes (comptage, validation de format, extraction structurée).

Deuxièmement, implémentez des audits réguliers. Testez vos modèles sur des cas triviaux — épeler des mots courants, compter des éléments, valider des formats standard. Si le modèle échoue là, il échouera probablement sur des tâches plus complexes. Troisièmement, documentez les limites connues et communiquez-les aux utilisateurs finaux. La transparence sur l’éthique de l’IA n’est pas une option marketing ; c’est une responsabilité opérationnelle.

🌍 L’avenir des modèles linguistiques : au-delà des tokens

Les chercheurs explorent plusieurs pistes pour dépasser cette limite des tokens. Certains travaillent sur des architectures hybrides combinant transformers avec des modules spécialisés pour le comptage ou la manipulation symbolique. D’autres revisitent les fondations mêmes : qu’en serait-il d’un tokenizer capable de préserver la structure letter-level sans alourdir le modèle ?

Cependant, il n’existe pas de solution miracle. Chaque approche implique des compromis en termes de latence, de consommation de ressources, ou de performance sur d’autres tâches. Google ne sera probablement jamais aussi bon pour épeler que vos vieux correcteurs orthographiques — et c’est acceptable, à condition que les utilisateurs le sachent.

L’enjeu réel de 2026 n’est pas de créer une IA parfaite, mais une IA honnête. Une IA qui reconnaît ses limites et fonctionne en tandem avec des garde-fous humains. Pour les architectes de systèmes autonomes, cela signifie construire des boucles de feedback, des validations en cascade, et des interfaces claires sur les niveaux de confiance.

Les erreurs embarrassantes de Google rappellent une vérité humiliante : nous avons construit des systèmes capables de conversations sophistiquées, mais incapables de compter les lettres. Cette contradiction n’est pas un défaut à corriger rapidement. C’est une invitation à repenser comment nous évaluons, déployons et gérons les systèmes d’IA générative à l’échelle.