Lorsque l'on dispose de connaissances {\sl a priori} sur les sorties possibles d'un problème d'étiquetage, il semble pertinent d'inclure cette information lors de l'apprentissage pour simplifier la tâche de modélisation et accélérer les traitements. Pourtant, même lorsque ces contraintes sont correctes, et bénéfiques au décodage, leur utilisation lors de l'apprentissage peut dégrader sévèrement les performances. Dans cet article, nous étudions ce paradoxe et montrons que le manque de contraste induit par les contraintes entraîne une forme de sous-apprentissage qu'il est cependant possible de limiter.