Un outil open source sur GitHub force les LLM à écrire en ASD-STE100, le langage contrôlé que l’aéronautique utilise depuis 1983 parce qu’un mécanicien fatigué ne doit pas mal lire une instruction. Le dépôt SimpleEnglish d’AminBlg a récolté 333 points sur Hacker News en 24 heures.

Ce qu’il fait. Au lieu de demander au modèle d’écrire clairement et d’espérer le meilleur, tu lui charges une compétence qui applique les règles de l’Simplified Technical English : vocabulaire restreint, phrases courtes, un verbe par instruction, aucune ambiguïté. Les exemples avant/après du dépôt transforment la sortie typique pleine de « seamlessly » et « leveraging » en instructions épurées de manuel technique.

Pourquoi ça te concerne. Si tu utilises les agents pour produire de la documentation ou des instructions pour des publics non spécialisés, le contenu vide de l’IA est un problème quotidien. Ici, l’approche est de contraindre l’écriture à la source, non la corriger ensuite. Les chiffres du dépôt (96 exécutions sur 6 modèles Claude pour 8 tâches, données du 30 juillet 2026) déclarent les violations des règles STE réduites de 72,9 % sur chaque modèle, la longueur moyenne des phrases passant de 11,2 à 9,7 mots, et le mot « seamlessly » éliminé.

La compétence suit la norme Agent Skills : elle fonctionne dans Claude Code, Cursor, Copilot, Codex, Gemini CLI et autres environnements. Le dépôt fournit les instructions d’installation et une version à coller dans le system prompt pour ceux qui n’ont pas le support natif. Licence MIT, aucune dépendance.

En détail

L’ASD-STE100 est une norme formalisée en 1986 (avec des antécédents depuis 1979) par l’Association européenne des industries aérospatiales, conçue pour un besoin concret : les manuels d’entretien aéronautique sont lus par des techniciens du monde entier, souvent de langue maternelle différente de l’anglais, souvent sous pression ou fatigués. Une phrase ambiguë dans ces conditions coûte des vies. La norme résout le problème à la racine avec un vocabulaire d’environ 900 mots approuvés, des règles grammaticales restrictives (une phrase, une instruction ; pas de forme passive quand elle crée une ambiguïté ; un mot par concept, pas de synonymes) et une structure d’écriture fixe.

Ce qui change avec un LLM. Les modèles produisent du texte fluide mais suivent le style de leurs données d’entraînement, qui est rempli d’anglais conversationnel, de marketing et de cette verbosité qu’on appelle du contenu vide d’IA : « leveraging », « seamlessly », « robust », des excuses cérémonielles, des subordonnées imbriquées. Demander au modèle « écris clairement » ne suffit pas, parce que le modèle n’a pas de critère formel de ce qu’est « clair ». La compétence injecte ce critère : les règles STE deviennent partie du system prompt ou du contexte de l’agent, et le modèle les suit comme il suit n’importe quelle instruction de style.

Comment c’est mesuré. Le dépôt rapporte 96 comparaisons : 6 variantes de la famille Claude, 8 tâches d’écriture technique (README, messages d’erreur, rapport d’incident, notes de version), chacune avec et sans la compétence. Le résultat déclaré est une réduction de 72,9 % des violations STE pour 100 mots, avec des améliorations sur tous les modèles testés. La longueur moyenne des phrases baisse de 11,2 à 9,7 mots, et les tokens en sortie diminuent, parce que le langage contrôlé est aussi plus court.

Où être prudent. Les chiffres viennent du dépôt lui-même, pas d’une évaluation indépendante. Les 6 modèles testés sont tous Claude : manquent GPT, Gemini, les modèles ouverts. Les exemples avant/après dans le README ne sont pas rétouchés selon les déclarations, mais ils sont sélectionnés : on ne sait pas quel pourcentage de sortie s’améliore réellement et combien reste à corriger à la main. L’ASD-STE100 est une norme pour l’anglais technique : celui qui écrit de la documentation en italien ou d’autres langues peut s’inspirer des règles mais ne peut pas les appliquer mécaniquement.

L’idée plus large. Le motif est intéressant au-delà du STE : au lieu de corriger la sortie de l’IA après qu’elle l’a produite, tu la contrains pendant qu’elle la produit avec un ensemble de règles formelles. C’est la même logique que le traducteur de jargon technique du site, où tu déclares le public et le glossaire avant de laisser le modèle travailler. La différence est que les règles ici sont un formalisme stable, éprouvé par des décennies, pas une liste écrite du moment.