Le métier d'éditeur n'est pas mort. Il est simplement devenu plus difficile

Le titre ci-dessus, Le métier d'éditeur n'est pas mort. Il est simplement devenu plus difficile, a été tapé par un humain. Le sous-titre, le chapô, la structure de cet argument et chaque jugement éditorial derrière ce qui reste ou ce qui est coupé ont été faits par une personne. Mais le processus qui nous a menés ici n'est plus purement humain. Et c'est précisément le point.

Chaque semaine, un nouvel outil d'écriture générative, de GPT-4o d'OpenAI à Claude 4 Sonnet d'Anthropic, est commercialisé comme un remplacement de l'édition. 'Écrivez 10 fois plus vite.' 'Éliminez automatiquement les erreurs grammaticales.' 'Générez votre premier brouillon en quelques secondes.' Le sous-texte est clair : le correcteur, le vérificateur de faits, le réviseur, ces rôles sont redondants. Pourquoi payer une personne quand un modèle travaille pour quelques centimes par requête ?

Ce cadrage est séduisant mais erroné. Ce que ces outils remplacent réellement n'est pas l'éditeur mais le dactylographe. La couche mécanique de l'écriture, produire des phrases correctes, réarranger les clauses, repérer les virgules superflues, a été le travail de fond de l'édition pendant un siècle. Cette couche est désormais automatisée. Plus vite les éditeurs l'accepteront, plus ils pourront se concentrer sur ce que les machines ne savent pas faire : exercer le goût, évaluer la crédibilité, naviguer dans les nuances et défendre la voix d'une publication.

Ce que les modèles ratent encore

Pour tester la thèse, j'ai soumis un brouillon de 1 200 mots d'un profil de startup à trois grands modèles de langage avec une seule instruction : 'Éditez ce texte pour plus de clarté et de concision, en préservant tous les faits.' Les résultats ont été instructifs.

Les trois modèles ont coupé des mots. Les trois ont corrigé la voix passive. Aucun n'a remarqué que la remarque citée du PDG au paragraphe 7 contredisait subtilement la déclaration de mission publique de l'entreprise de l'année dernière. Aucun n'a remis en question si la statistique de croissance au paragraphe 11 provenait d'une source fiable.

Un modèle ne peut pas détecter un problème de crédibilité parce que la crédibilité n'est pas une catégorie syntaxique. C'est une catégorie relationnelle, un jugement qui dépend du contexte, de l'histoire et de l'intention. La phrase 'Nous avons levé 50 millions de dollars auprès d'investisseurs de premier plan' est grammaticalement parfaite. Le travail de l'éditeur est de demander si ces investisseurs de premier plan ont un historique d'échecs de supervision de portefeuille, ou si les 50 millions de dollars incluent une clause qui dilue les fondateurs jusqu'à la quasi-inexistence. Un modèle ne peut pas faire cela. Un modèle ne sait pas ce qu'il ne sait pas.

Le workflow hybride qui s'impose

Les équipes éditoriales tournées vers l'avenir ne résistent pas à l'automatisation. Elles reconçoivent les workflows autour d'elle. Dans les newsletters, les médias de niche, et même certaines rédactions traditionnelles, le modèle converge vers un processus en trois étapes :

1. Brouillon humain : l'auteur produit l'argument, l'arc narratif, la thèse. Aucun modèle ne fait cela correctement pour un reportage original car aucun modèle n'était présent à l'interview, sur les lieux, lors de la revue de documents.
2. Passage modèle : le brouillon est passé dans un modèle de langage pour optimiser la formulation, contracter les passages redondants et nettoyer la grammaire. C'est la couche mécanique, et les modèles excellent dans ce domaine.
3. Édition humaine : le résultat de l'étape deux est lu, contesté, enrichi ou rejeté par un éditeur. Cette étape ne peut pas être automatisée car elle nécessite de comprendre ce que le texte signifie dans un contexte plus large, et non seulement ce qu'il dit.

Les entreprises qui commercialisent ces outils comme des systèmes d'édition entièrement autonomes vendent un fantasme. Les praticiens qui les traitent comme une menace pour leur carrière commettent une erreur de catégorie. La réalité est plus banale et plus exigeante : les éditeurs doivent désormais être bons en écriture, bons en jugement, et bons en ingénierie de prompt. La barre n'a pas baissé. Elle s'est déplacée sur le côté et vers le haut.

Un nouvel ensemble de compétences

Les preuves provenant des équipes qui ont adopté ce workflow hybride sont claires : la production par éditeur augmente significativement, selon certains comptes de deux à trois fois, mais le taux d'erreur ne diminue que si l'humain est activement sceptique face aux suggestions du modèle. Un modèle réécrira avec confiance une citation sous une forme que la source n'a jamais voulue, ou lissera une ambiguïté factuelle que la réputation du média dépend de préserver.

Cela signifie que la boîte à outils de l'éditeur doit s'élargir. L'éditeur de demain a besoin des instincts traditionnels, un nez pour les sources faibles, une oreille pour la prose maladroite, plus une nouvelle aisance : la capacité de lire le résultat d'une machine pour en détecter la fluidité trompeuse. Quand le modèle rend tout confiant, l'éditeur doit être celui qui dit : 'Cela semble génial, mais est-ce vrai ?'

Le prestige du rôle pourrait même augmenter. Si les machines gèrent le travail ingrat, la fonction éditoriale n'est plus de repérer les fautes de frappe mais de défendre l'intégrité intellectuelle du produit final. C'est une vocation plus élevée, pas une moindre.

Ce qui survit

En fin de compte, la relation la plus importante dans l'édition n'est pas entre l'humain et la machine mais entre l'écrivain et le lecteur. La confiance est la seule monnaie qui compte. Un modèle ne peut pas construire cette confiance article par article. Un éditeur le peut, et si cet éditeur sait utiliser l'outil, la confiance se construit plus rapidement que jamais.