Demande de financement écrite avec l'IA : un vrai test et sa relecture

Les demandes de financement se prêtent naturellement à un premier jet rédigé avec l'IA, et il est risqué de s'en tenir là. Nous avons soumis à Humanizer v2 un résumé de projet rédigé par IA pour une demande de financement en agriculture. Sur le brouillon, les cinq modèles de détection ont voté IA. Sur le résultat, les cinq ont voté humain, et chaque phrase se lisait comme humaine.

Du point de vue des détecteurs, c'est le résultat le plus net de notre série d'études de cas. Mais le texte a aussi perdu une durée de projet, gagné un mot dont les évaluateurs se méfient, et modifié l'une des mesures de résultat de l'essai. Cet article montre tout, car c'est l'étape de relecture qui décide si le résumé peut être soumis.

Le brouillon et le passage

Le résumé suit l'arc classique : le problème, l'objectif, les partenaires, le protocole, un volet qualitatif, les livrables, l'impact. Il a le vocabulaire de mille projets financés : « mounting challenges », « interconnected challenges », « rigorously assess », « has the potential to significantly enhance ». Les sept phrases ont été signalées.

1. Recherche des signaux d'IASept phrases sur sept signalées ; les cinq modèles ont voté IA.
2. Réécriture des phrases signaléesLes sept phrases ont été réécrites.
3. Nouvelle vérification par les détecteurs d'IASept phrases sur sept se lisent comme humaines ; les cinq modèles votent humain.
4. Enregistrement du résultat1 352 caractères à 500 caractères par crédit, arrondi au supérieur : 3 crédits.

• Résumé de projet rédigé par IA5 sur 5
• Résultat de Humanizer v20 sur 5

Source : passage en production dans Humanizer v2. Le verdict du rapport est passé de AI-generated à Human-written.

The climate change scenario is also changing the agricultural environment in semi-arid regions and smallholder farmers are facing increasing uncertainties related to rainfall variability, soil quality degradation, and lack of effective information. To counteract this situation, this research aims to develop and evaluate an innovative low-cost SMS-based advisory service which provides localized planting and fertilization advice for farmers in two districts of northern Ghana. We will collaborate with 1,200 households, local extension officers and a regional meteorological agency to co-develop our advisory content and deliver it. We will perform a cluster randomized controlled trial to measure the effect of our approach on maize yield, inputs used, and food security. We will also conduct qualitative interviews with farmers to better understand their trust in digital advice and the barriers to adopting it, especially those specifically targeted towards women farmers. The project aims to produce a validated advisory model, open source data sets, and policy briefs for national agricultural agencies. This project should strengthen the resilience and livelihoods of smallholder farmers and offer valuable lessons that can be applied by other digital agriculture initiatives in sub-Saharan Africa.

Résultat réel de notre test. Les sept phrases se lisent comme humaines.

À la première lecture, ce résultat semble correct. Comparé au brouillon, il ne l'est pas.

L'étape de relecture : ce qui a été perdu et ce qui a été ajouté

Voici les deux phrases qui portent les engagements du projet : ce qui sera construit, avec qui, et sur quelle durée.

Avant

This project aims to address these interconnected challenges by developing and evaluating a low-cost, SMS-based advisory system that delivers localized planting and fertilization recommendations to farmers in two districts of northern Ghana. Over a three-year period, we will partner with 1,200 households, local extension officers, and a regional meteorological agency to co-design the advisory content and delivery schedule.

Après

To counteract this situation, this research aims to develop and evaluate an innovative low-cost SMS-based advisory service which provides localized planting and fertilization advice for farmers in two districts of northern Ghana. We will collaborate with 1,200 households, local extension officers and a regional meteorological agency to co-develop our advisory content and deliver it.

Trois problèmes en deux phrases :

• La durée de trois ans a disparu. « Over a three-year period » (sur une période de trois ans) a été entièrement supprimé. Dans un résumé de projet, le calendrier est un engagement central que les évaluateurs confrontent au budget et au plan de travail. Il doit être rétabli.
• « Innovative » a été ajouté. Le brouillon ne qualifiait pas le système d'innovant ; la réécriture l'a fait, sans preuve. Les revendications de nouveauté non étayées sont un reproche fréquent des évaluateurs, et celle-ci n'est pas celle de l'auteur.
• Le périmètre de la co-conception s'est rétréci. Les partenaires devaient co-concevoir le contenu et le calendrier de diffusion. Désormais, ils co-développent le contenu, et le projet se contente de « deliver it ». Co-concevoir le calendrier avec les agriculteurs est un vrai choix méthodologique, et il a disparu.

Les 1 200 ménages, les deux districts et le nord du Ghana ont tous survécu. L'idée centrale d'un service de conseil par SMS aussi. Les dégâts se situent dans les détails que note un évaluateur.

Les cinq autres phrases

Le reste du résultat demande la même lecture paire par paire. Voici ce que nous avons trouvé :

• Énoncé du problème. La réécriture commence par « The climate change scenario », un cadrage absent du brouillon, et « limited access to timely agronomic information » (accès limité à une information agronomique en temps utile) est devenu « lack of effective information ». Or le caractère opportun de l'information était tout l'intérêt d'un service par SMS.
• Résultats de l'essai. « Input use efficiency » (efficacité d'utilisation des intrants) est devenu « inputs used » (intrants utilisés). Ce sont deux mesures différentes : l'une est un rapport entre production et intrants, l'autre une quantité. « Household food security » a perdu « household », c'est-à-dire le niveau auquel elle serait mesurée.
• Dimension de genre. « With particular attention to women farmers » (avec une attention particulière aux agricultrices) est devenu « especially those specifically targeted towards women farmers », qui affirme désormais que les obstacles visent les femmes. C'est une affirmation différente et non étayée.
• Livrables. « Open-access datasets » est devenu « open source data sets ». L'accès ouvert concerne qui peut lire les données ; open source qualifie généralement une licence logicielle.
• Impact. « Has the potential to significantly enhance » est devenu « should strengthen », et « across sub-Saharan Africa » est devenu « in sub-Saharan Africa ». Le premier changement améliore sans doute le ton ; lisez-le quand même comme un engagement que vous prenez envers un financeur.

Rétablir les éléments précis

Aucune de ces corrections n'exige d'annuler le passage. Chacune est une retouche de formulation à l'intérieur d'une phrase qui se lit désormais comme humaine. Un auteur pourrait par exemple rétablir la phrase sur le partenariat ainsi (notre propre retouche, pas un résultat du Humanizer) :

Over three years, we will collaborate with 1,200 households, local extension officers and a regional meteorological agency to co-design our advisory content and its delivery schedule.

Ensuite, supprimez « innovative », rétablissez « input use efficiency » et « household food security », réécrivez la proposition sur les agricultrices, et remplacez « open source data sets » par « open-access datasets ». Après des retouches manuelles, revérifiez le texte. Les formulations rétablies peuvent réintroduire une partie de ce à quoi réagissaient les détecteurs, et le rapport vous le montrera le cas échéant ; vous pouvez alors humaniser à nouveau ces seuls passages et relire la nouvelle paire. Notre guide pour humaniser un texte IA à la main couvre ce type de retouche au niveau de l'expression.

Avant de soumettre, vérifiez les règles actuelles de votre financeur sur l'usage de l'IA dans les candidatures. Plusieurs financeurs les publient désormais, et elles diffèrent sur ce qui est autorisé et ce qui doit être déclaré.

Pourquoi nous avons publié les défauts

Il aurait été facile de montrer le graphique et de s'arrêter là : cinq votes IA réduits à zéro. Mais un résumé de projet est un ensemble de promesses, et un humanizer dont le texte se lit comme humain tout en supprimant discrètement un engagement de trois ans n'a pas fait le travail à lui seul. Le résultat des détecteurs et la vérification du sens sont deux tests distincts, et un résumé doit réussir les deux.

Academic Humanizer est conçu pour que le second test soit rapide. Le rapport de détection d'IA associe chaque phrase signalée à sa réécriture : une vérification comme celle ci-dessus prend quelques minutes, pas une relecture complète. Notre guide sur la préservation du sens lors de l'humanisation liste les points à vérifier, et la méthode de révision responsable montre où cette vérification s'insère avant l'envoi d'une demande.