Sur les inscriptions de la Rome républicaine, un point médian sépare les mots. L'usage remonte au IIIe siècle avant notre ère et se maintient longtemps sur la pierre monumentale. Dans les manuscrits, il recule : sous l'Empire, le latin lettré aligne les lettres à la grecque, sans interruption, et la scriptio continua s'impose comme norme de l'écriture savante pour plus d'un demi-millénaire.
La répartition est instructive. Le séparateur tient là où le lecteur est un passant, debout devant une dédicace qu'il n'a pas préparée. Il disparaît là où le lecteur est un lettré qui connaît la langue, le genre, souvent le texte lui-même.
Rome n'a pas perdu un outil. Elle a cessé d'en avoir besoin là où quelqu'un pouvait faire le travail à sa place.
Ce travail se chiffre. Dans une chaîne de n signes, il y a n moins 1 positions intersignes, chacune coupée ou non.
$$|S(n)| = 2^{n-1}$$
Une ligne de quarante lettres admet donc plus de cinq cents milliards de découpages. Le lecteur antique en retient un. Il élimine le reste sans y penser, avec sa langue et sa voix pour seuls instruments. La scriptio continua n'est pas une écriture pauvre : c'est une écriture qui délègue au lecteur la partie la plus lourde de l'opération.
Le dispositif réapparaît quand la délégation devient impossible.
Aux VIIe et VIIIe siècles, des scribes irlandais copient du latin. Le latin n'est pas leur langue. Ils n'ont pas la compétence orale qui permettait au lettré romain d'absorber le flux, et ils travaillent sur un corpus qu'ils ne peuvent pas anticiper. Ils aèrent d'abord, par blocs, puis séparent. L'usage gagne les îles britanniques, passe sur le continent à la fin du Xe siècle avec la réception des textes techniques et philosophiques, et se généralise aux XIIIe et XIVe siècles.
Le blanc apparaît exactement là où la compétence manque.
L'opération n'est pas une amélioration graphique. C'est un transfert. La coupe migre du corps du lecteur vers la surface de la page. Ce que chaque lecteur refaisait à chaque passage, invisiblement, devient une propriété fixe de l'objet, exécutée une fois par le scribe et héritée par tous les autres. Le mot cesse d'être un acte de lecture. Il devient un trait de l'écrit.
Le transfert a un prix, et c'est le lecteur qui le paie. Tant que la coupe restait à sa charge, elle restait ouverte : plusieurs découpages étaient disponibles, et le texte pouvait en supporter plusieurs. Un manuscrit séparé a tranché avant lui. Les segmentations concurrentes ne sont pas réfutées, elles sont retirées. Le lecteur reçoit un texte plus rapide et perd le droit de le couper autrement.
Le gain, lui, se mesure encore. En écriture latine, supprimer les blancs coûte de trente à cinquante pour cent de la vitesse de lecture et déplace le point de fixation du centre du mot vers son début. Le dispositif ne rend pas la lecture plus agréable : il change son régime moteur.
Puis viennent les conséquences que personne n'avait demandées.
En 1230, au couvent Saint-Jacques de Paris, les dominicains achèvent sous Hugues de Saint-Cher la première concordance verbale de la Vulgate. Elle ne cite rien. Elle liste des mots et, pour chacun, les endroits où il se trouve. Les versets n'existent pas encore : il faut fabriquer l'adresse, et chaque chapitre est découpé en sept sections repérées par une lettre. La concordance ne tient que si le mot est isolable, dénombrable, alphabétisable. Deux siècles après la généralisation du blanc, le mot est devenu une adresse.
De là, tout le reste. Le dictionnaire suppose l'entrée, l'entrée suppose la coupe. Le nombre de mots devient une mesure de longueur, une clause de contrat, un seuil de citation licite, une unité de facturation pour qui écrit et pour qui traduit.
On ne compte jamais des mots. On compte les coupes d'un dispositif.
Le caractère contingent de ce dispositif se vérifie par comparaison. Le japonais s'écrit sans blanc. Insérer des espaces dans un texte en hiragana pur facilite l'identification des mots et le guidage du regard ; dans l'écriture mixte ordinaire, kanji et hiragana mêlés, l'espace n'apporte rien, l'alternance des systèmes graphiques remplissant déjà la fonction. Le thaï, qui ne sépare pas non plus, gagne en revanche en vitesse quand on lui ajoute des blancs qu'il n'utilise pas. Les écritures consonantiques du Proche-Orient ancien, elles, ont conservé tôt un séparateur : quand la notation ne consigne pas les voyelles, elle compense ailleurs.
La fonction est stable, sa forme est arbitraire. Aucune écriture n'échappe à l'obligation de fournir un découpage, par le blanc, par le caractère, ou par la voix de celui qui lit.
Reste le point dur. On pourrait croire que le blanc a rendu visible une unité qui était là. Elle n'y était pas. Haspelmath a passé en revue dix critères servant à définir le mot : pause possible, occurrence libre, mobilité, non-interruptibilité, non-sélectivité, et les autres. Aucun n'est à la fois nécessaire et suffisant. Aucune combinaison ne produit une définition qui coïncide avec la pratique orthographique des linguistes eux-mêmes. La discipline découpe comme l'imprimeur découpe, puis théorise sur ce découpage.
La linguistique n'a pas trouvé le mot. Elle l'a hérité d'un scribe qui ne parlait pas latin.
Doctrine
Un flux n'a pas d'unités. Les unités sont produites par un dispositif de découpe, et ce dispositif se tient à l'un de deux endroits : dans la compétence de celui qui reçoit, ou dans la matière de ce qui est transmis. Le second emplacement n'est pas une copie du premier. Il stabilise la coupe, la rend transportable, et la soustrait à la discussion.
Une coupe inscrite fixe l'unité de compte de tout ce qui suivra : ce qui pourra être indexé, cité, dénombré, facturé, possédé. L'ordre est irréversible. Le dénombrement hérite de la coupe et ne l'examine jamais.
La perte est double. Les découpages écartés cessent d'être disponibles, et celui qui reçoit perd la compétence qui les rendait disponibles. Un dispositif qui prend en charge une opération finit par supprimer la capacité de l'exécuter.
Vecteur ouvert
Un modèle de langue ne lit pas des mots. Il lit des tokens, produits par une segmentation en sous-unités apprise sur un corpus, obtenue en 2016 par adaptation d'un algorithme de compression publié en 1994. La coupe y est optimisée pour la fréquence, pas pour le sens. Elle ne coïncide avec aucune unité linguistique et varie d'un modèle à l'autre.
Les scribes irlandais coupaient mal, mais ils coupaient en visant le mot. Ici, personne ne prétend que la coupe signifie quelque chose. Et c'est pourtant elle qui fixe l'unité de compte : la longueur du contexte, le prix de l'inférence, la granularité de ce qu'un système peut apprendre d'une langue se mesurent en tokens.
L'écriture séparée a mis six siècles à imposer son unité à la lexicographie, au droit et à l'édition. La question n'est donc pas de savoir si la tokenisation est fidèle : elle ne l'est pas et ne le revendique pas. Quand l'unité de compte d'un système n'a plus aucun correspondant dans la langue qu'il traite, qu'est-ce qui garantit encore que ce qu'il coupe et ce que nous lisons soient le même objet ?
