Personam vs humanize.ai : pourquoi on bâtit l'inverse
Cette semaine, j'ai compté. 14 outils différents qui se vendent comme "anti-AI detector" ou "humanize my AI text" m'ont apparu sur LinkedIn et Twitter. Le marché explose.
Et pourtant, j'investis 6 mois dans Personam, qui résout exactement le contraire. Voici pourquoi je pense qu'on parie sur le bon côté.
Le résumé en 30 secondes
Les outils "humanize AI text" résolvent un problème de surface (la détection algorithmique) en ignorant le vrai problème (le lissage de ta voix). Personam attaque l'inverse : extraire ton ADN de marque et garantir que chaque génération reste fidèle à ta voix. Pas pour passer un classifieur, mais pour éviter de devenir interchangeable. C'est un pari à 3 ans sur l'évolution des plateformes et des LLMs.
2 approches opposées du même symptôme
Le symptôme visible : tes posts générés par IA sont identifiés comme AI et sous-performent.
L'approche A — outils "humanize" :
- Analyse statistique du texte généré par un autre LLM
- Réécriture pour casser les patterns AI typiques (n-grammes, structures triadiques, em-dashes)
- Output : un texte qui passe les détecteurs statistiques
L'approche B — Personam :
- Modélisation profonde de TA voix de marque (archétype, registre, vocabulaire, never-rules)
- Génération directement dans cette voix, mesurée algorithmiquement contre le profil
- Output : un texte qui sonne comme TOI, qu'il passe ou non un détecteur
L'approche A traite le symptôme. L'approche B traite la cause.
Pourquoi humanize.ai et les autres ratent le sujet
Soyons clair : les outils "humanize my AI text" font ce qu'ils promettent. Ils prennent un texte ChatGPT générique et le post-traitent pour réduire la signature AI. Le classifieur statistique sort un score humain plus haut. Mission accomplie.
Mais 2 problèmes structurels.
1. Le classifieur n'est pas le juge final
LinkedIn, Google, Perplexity et Claude ne se basent pas uniquement sur des classifieurs statistiques. Ils observent :
- La cadence de publication d'un compte
- La similarité inter-posts d'un même compte
- La profondeur sémantique d'un post
- L'engagement humain (commentaires substantiels versus émojis-bot)
Même un texte "humanisé" reste détectable par ces signaux non-statistiques. Et surtout : tes prospects humains ne se basent pas sur un classifieur. Ils sentent l'odeur du templating à 10 mètres.
2. Le texte humanisé reste un texte sans toi
Un outil "humanize" prend un texte et change ses patterns lexicaux. Il ne change pas le fond. Le texte reste celui que ChatGPT a produit pour ton sujet, avec les mêmes idées génériques. Juste habillé différemment.
C'est l'équivalent de passer une chemise différente sur la même personne anonyme. Toujours anonyme.
L'approche Personam
Personam ne traite pas le texte après. Personam configure l'IA avant.
L'OS de la personnalité numérique repose sur 5 piliers :
- Profil de marque sur 6 couches : identité, personnalité, voix verbale, visuel, émotionnel, audience. 136 champs au total qui composent l'ADN.
- brand_distance algorithmique : mesure en temps réel entre la sortie LLM et le profil de marque. 4 clusters de personnalité (Chaleur, Autorité, Expression, Style) avec 12 dimensions sous-jacentes.
- Anti-AI lint sectoriel : 90 patterns (55 lexicaux + 35 sectoriels) qui flag chaque signature AI dans le texte, contextualisée par le secteur de la marque.
- Multi-marques natif : 1 workspace, N profils. Conçu pour les agences, freelances multi-clients, founders multi-business.
- LLM-judge interchangeabilité : un second LLM vérifie que le contenu généré ne pourrait pas être celui d'un concurrent du même secteur.
Le pari : un texte qui sort distinctement de TA voix passe naturellement tous les filtres. Pas besoin de maquillage après.
La comparaison feature par feature
| Critère | Personam | Humanize.ai | Undetectable.ai | ChatGPT brut |
|---|---|---|---|---|
| Profil de marque modélisé | ||||
| Multi-marques (1 compte = N profils) | ||||
| Patterns sectoriels FR | ||||
| Mesure de distance à TA voix | ||||
| Évite la détection statistique | ||||
| Génère le contenu directement | ||||
| Test d'interchangeabilité concurrents | ||||
| Focus produit | Voix de marque | Détection | Détection | Génération générique |
Le pari à 3 ans
Voici pourquoi je suis convaincu qu'on parie sur le bon côté.
Dans 18 à 36 mois :
- Les classifieurs statistiques actuels seront battus en quelques mois par les LLMs eux-mêmes. Le marché "humanize AI" va se commoditiser et tomber à 5€/mois.
- LinkedIn, Google et les LLMs évolueront vers des signaux non-statistiques : profondeur, originalité sémantique, cohérence avec un compte ou une marque dans le temps.
- Le contenu qui survit sera celui avec une voix distincte assumée, peu importe l'outil utilisé pour le produire.
À long terme, les masques tombent. Les voix restent.
Questions fréquentes
Pour finir
Si ton objectif est de passer un détecteur statistique cette semaine, humanize.ai ou similaire fait le job pour un abonnement mensuel modeste. Problème résolu à court terme.
Si ton objectif est de construire une marque qui ne sonne pas comme tout le monde sur LinkedIn dans 6, 12 ou 36 mois, c'est un pari différent. Et c'est celui qu'on prend chez Personam.
L'avantage du pari long : si on a raison, le moat (profil de marque modélisé, patterns sectoriels, boucles d'apprentissage) devient impossible à répliquer en post-processing statistique. Si on a tort, on aura construit un outil utile pour les gens qui veulent une voix forte. Pas mal comme position de repli.