Pourquoi l’IA ne respecte pas le nombre de mots demandé (et comment l’obliger)

En bref. Un modèle de langage ne compte pas les mots : il produit des tokens un par un, sans compteur interne et sans possibilité de revenir en arrière. Quand vous demandez 1 500 mots, vous obtenez le plus souvent entre 900 et 1 300 mots, presque toujours en dessous de la cible. La seule approche qui tient consiste à convertir la longueur en unités que le modèle contrôle réellement — nombre de sections, de paragraphes, de phrases — à fixer un budget par section, et à faire compter le résultat par un outil plutôt que par le modèle.

Ce qui se passe vraiment quand vous écrivez « 1 500 mots »

Un modèle génère du texte token par token. Un token n’est pas un mot : en français, il faut compter environ 1,4 à 1,6 token par mot, parce que les accents, les terminaisons et les mots longs sont découpés en plusieurs morceaux. Un article de 1 500 mots représente donc à peu près 2 200 tokens en sortie. Le modèle n’a aucun moyen de savoir combien il en a déjà produit : il n’existe pas de variable interne qui s’incrémente au fil de la rédaction.

Ce qu’il fait à la place, c’est une estimation statistique. Il a vu pendant son entraînement des millions de textes dont la longueur correspondait vaguement à leur type : une réponse de forum fait 200 mots, un article de blog 800, un livre blanc 3 000. Quand vous demandez un nombre précis, il vise la forme de texte qui, dans ses données, ressemble le plus à cette taille. C’est une intuition de format, pas une mesure.

Deux mécanismes aggravent l’écart. D’abord, l’ajustement par retour humain a poussé les modèles vers des réponses de longueur moyenne, jugées plus agréables : au-delà d’un certain volume, le modèle a tendance à conclure. Ensuite, une fois qu’il a écrit la moitié du texte, il ne peut plus corriger le tir sans tout réécrire — il n’a pas de plan chiffré à respecter, seulement le texte déjà produit comme contexte.

L’écart typique entre la demande et le résultat

Voici les ordres de grandeur constatés en usage courant sur les modèles généralistes de 2026. Ce n’est pas un test de laboratoire, mais le comportement se reproduit assez régulièrement pour servir de repère.

Longueur demandée	Longueur obtenue le plus souvent	Sens de l’écart
300 mots	250 à 420 mots	Souvent au-dessus
800 mots	600 à 800 mots	Légèrement en dessous
1 500 mots	900 à 1 300 mots	Nettement en dessous
3 000 mots	1 200 à 1 900 mots	Très en dessous
« Une phrase »	1 à 3 phrases	Au-dessus

La règle à retenir : plus la cible est courte, plus le modèle dépasse ; plus elle est longue, plus il reste court. Le point d’équilibre se situe autour de 700 à 900 mots, ce qui correspond à la longueur moyenne des textes sur lesquels ces modèles ont été le plus entraînés.

Ne demandez jamais au modèle de compter les mots de son propre texte. Il répondra « 1 512 mots » avec assurance pour un texte qui en fait 970. Cette réponse est une estimation présentée comme un calcul, et c’est l’erreur la plus coûteuse en temps sur ce sujet.

Méthode 1 : convertir les mots en unités visibles

Le modèle ne compte pas les mots, mais il compte très bien les éléments de structure : il sait produire exactement six titres, quatre puces ou trois phrases, parce que ces unités sont visibles dans le texte qu’il vient d’écrire. Traduisez donc votre cible dans ces unités avant de lancer la rédaction.

• 1 paragraphe rédigé ≈ 90 à 120 mots
• 1 section avec titre et deux paragraphes ≈ 200 à 250 mots
• 1 puce d’une phrase ≈ 15 à 25 mots
• 1 ligne de tableau de trois colonnes ≈ 12 à 20 mots

Un article de 1 500 mots devient alors : « six sections, chacune avec un titre et deux à trois paragraphes de 4 à 6 phrases ». Cette formulation produit un texte dans la bonne fourchette dès le premier essai, là où la consigne « 1 500 mots » échoue neuf fois sur dix.

Méthode 2 : le budget par section

Demandez d’abord le plan, avec un nombre de mots attribué à chaque section, et validez-le avant la rédaction. Le modèle traite ensuite chaque section comme une tâche courte — et sur des blocs de 200 à 300 mots, sa précision est bien meilleure que sur 1 500 d’un coup.

Concrètement, en deux temps : « Propose un plan en six sections pour un article de 1 500 mots sur X. Pour chaque section, indique le titre et le budget en mots. La somme doit faire 1 500. » Puis : « Rédige la section 1 en respectant son budget. Ne rédige que celle-là. » Le gain de précision vient du découpage, pas de l’insistance.

Méthode 3 : rédiger section par section

Cette méthode coûte plus d’allers-retours mais donne le contrôle le plus fin. Elle a un autre avantage : la qualité ne se dégrade pas en fin de texte. Sur une génération d’un seul bloc, les deux dernières sections d’un long article sont presque toujours les plus creuses, parce que le modèle sent qu’il doit conclure.

Si vous passez par une API, le coût n’est pas un frein : la facturation se fait au token, et régénérer trois fois un article de 1 500 mots coûte quelques centimes d’euro sur un modèle intermédiaire. Le vrai coût est votre temps d’aller-retour, ce qui justifie de préparer un prompt réutilisable plutôt que d’improviser à chaque fois.

Méthode 4 : faire compter la machine, pas le modèle

Le comptage doit venir d’un outil déterministe. Trois options, par ordre de simplicité :

1. Coller le texte dans un traitement de texte : Word et Google Docs affichent le nombre de mots en bas de fenêtre, gratuitement et sans erreur.
2. Activer l’exécution de code dans l’assistant, quand il en dispose : le texte est alors compté par un script, pas estimé. La différence est visible immédiatement sur des textes longs.
3. En ligne de commande, wc -w sur un fichier texte, si vous automatisez la production.

Une fois le chiffre réel connu, la correction devient chirurgicale : « Ce texte fait 1 040 mots, la cible est 1 500. Ajoute 460 mots en développant uniquement les sections 3 et 5, sans toucher au reste. » Vous donnez l’écart, la direction et la zone à modifier.

Méthode 5 : corriger par écart, jamais par répétition

L’erreur classique consiste à répondre « c’est trop court, refais » sans autre indication. Le modèle relance une génération complète, avec la même intuition de format, et vous obtenez un texte de longueur comparable — souvent moins bon, parce qu’il compense en délayant les mêmes idées.

Une consigne de correction efficace contient trois éléments : le chiffre réel mesuré, l’écart à combler, et l’endroit précis où l’ajouter. Sans le troisième, le modèle rallonge l’introduction et la conclusion, c’est-à-dire les parties qui apportent le moins.

Méthode 6 : contraindre le texte trop long

Le problème inverse existe aussi, surtout sur les formats courts : annonces, méta-descriptions, objets d’e-mail, publications sociales. Là, les unités visibles fonctionnent encore mieux, parce qu’elles sont petites et vérifiables. Pour un titre Google Ads limité à 30 caractères, ne demandez pas « 30 caractères maximum » mais « trois à quatre mots courts, aucun mot de plus de dix lettres », puis vérifiez avec un compteur de caractères.

Pour un texte long à raccourcir, la consigne qui marche est de nommer ce qui doit disparaître : « Réduis à 800 mots en supprimant les exemples redondants et les phrases de transition, garde tous les chiffres et tous les titres. » Sans cette liste, le modèle coupe au hasard, et ce sont souvent les données concrètes qui sautent en premier.

Un prompt à copier

Voici une structure qui donne un résultat dans une marge de 10 % de la cible, en un ou deux essais :

• Cible traduite en structure : « Article de six sections. Chaque section : un titre et deux à trois paragraphes de 4 à 6 phrases. »
• Budget explicite : « Environ 250 mots par section, 1 500 mots au total. »
• Interdiction de conclusion prématurée : « Ne rédige aucune conclusion générale avant la dernière section. »
• Interdiction de remplissage : « Pas de phrases de transition, pas de rappel de ce qui vient d’être dit, pas de paragraphe d’introduction par section. »
• Vérification déléguée : « À la fin, ne donne pas d’estimation du nombre de mots. »

Ce dernier point paraît anecdotique : il évite surtout de vous faire croire que la cible est atteinte alors qu’elle ne l’est pas.

Quand la contrainte de longueur ne sert à rien

Pour beaucoup de travaux, viser un nombre de mots précis est une contrainte importée d’un autre métier. Un article de blog n’a pas besoin de faire exactement 1 500 mots pour se positionner ; c’est la couverture du sujet qui compte, et un texte de 1 100 mots dense bat un texte de 1 600 mots délayé. La contrainte est réellement utile dans quatre cas : un cahier des charges client facturé au volume, un gabarit de page où le texte doit tenir dans un bloc, une limite technique de caractères, ou une traduction qui doit rester alignée avec l’original.

Dans les autres situations, remplacez la consigne de longueur par une consigne de contenu : « Traite ces cinq questions, une section par question, chacune avec un chiffre ou un exemple concret. » Vous obtiendrez la longueur naturelle du sujet, et un texte plus utile que celui qui aura été étiré pour atteindre un quota.

Questions fréquentes

Pourquoi l’IA me dit-elle que son texte fait 1 500 mots alors qu’il en fait 1 000 ?

Parce qu’elle ne compte pas : elle estime. Le nombre annoncé est produit de la même manière que le reste du texte, par prédiction de ce qui semble plausible. Seul un outil de comptage — traitement de texte, script, exécution de code dans l’assistant — donne un chiffre fiable.

Les modèles payants respectent-ils mieux la longueur demandée que les gratuits ?

Un peu, surtout sur les textes longs, parce qu’ils gèrent mieux les consignes structurées et gardent le plan en tête plus longtemps. Mais l’écart reste réel sur toutes les versions, et aucune formule à 20 ou 25 € par mois ne supprime le problème. Le découpage en sections apporte plus de précision qu’un changement de modèle.

Faut-il indiquer la longueur en mots, en caractères ou en signes ?

En unités de structure d’abord — nombre de sections, de paragraphes, de phrases — et en mots ensuite, à titre indicatif. Les caractères sont le pire repère pour un modèle, car ils ne correspondent à rien dans sa manière de générer du texte ; réservez-les à la vérification finale sur les formats courts.

Comment obtenir un texte vraiment long, de 3 000 mots ou plus ?

En le construisant en plusieurs passages : plan chiffré validé, puis rédaction section par section, puis assemblage et relecture d’ensemble pour supprimer les redites. Demander 3 000 mots en un seul message donne presque toujours un texte deux fois plus court, et la moitié restante est la plus faible.