La détection de l’IA à l’épreuve de nos usages
Il y a quelques mois, un proche avait reconnu dans l’un de mes textes des tournures qu’il associait à l’intelligence artificielle. J’avais alors ressenti le besoin de justifier ma façon de travailler.
Plus récemment, la polémique autour de l’écrivain Thélyson Orélien, accusé sur la base d’analyses réalisées avec un détecteur de texte, a remis cette question en lumière. Dans la foulée, j’ai vu remonter dans mes fils de réseaux sociaux des contenus sur les outils de détection et de vérification de provenance.
Cela fait écho à mon quotidien : j’utilise l’IA pour écrire, structurer et confronter des idées, produire du code ou travailler sur des contenus visuels. Ces usages n’ont ni la même portée ni le même résultat. Que détectons-nous réellement lorsque nous cherchons « l’IA » dans un contenu ?
Déduire une origine à partir du texte
Un outil comme Pangram analyse les caractéristiques d’un texte : sa grammaire, sa ponctuation, le choix et l’organisation des mots. Il estime ensuite à quel point ce texte ressemble aux productions des modèles qu’il connaît.
Il ne retrouve pas une marque laissée par ChatGPT ou Claude. Un score élevé indique une ressemblance statistique, pas la proportion du texte écrite par une IA. C’est un indice à interpréter, pas une preuve suffisante pour attribuer son origine.
Retrouver une trace de provenance
Pour les images, les vidéos, l’audio ou certains documents, une autre approche consiste à conserver des informations sur la création et les transformations d’un fichier. Les Content Credentials, fondés sur le standard C2PA, et certains filigranes cherchent à répondre à ce besoin. On peut, par exemple, soumettre une image ou un fichier audio à OpenAI Verify pour y rechercher des signaux pris en charge associés aux outils OpenAI. Claude Check Files vérifie, lui, la présence de Content Credentials associés à Claude dans les fichiers compatibles. Ce dernier outil ne vérifie pas le texte.
La différence est essentielle : le détecteur de texte déduit une origine probable à partir du résultat ; un mécanisme de provenance recherche une trace associée au fichier. Et l’absence de trace ne démontre pas qu’aucune IA n’est intervenue.
Une intervention ne raconte pas tout
Je peux générer une image entière avec une IA, ou simplement retirer un élément d’une photographie. Dans les deux cas, l’IA intervient, mais « image générée par IA » ne décrit pas la même opération.
Il en va de même pour un texte : correction orthographique, reformulation, aide à la structure, première version générée puis profondément réécrite… Une mention unique masque des processus très différents.
Cet article en est un exemple. L’interrogation et les observations viennent de moi. Une IA participe à l’élaboration : je confronte mes idées avec elle, puis j’accepte, modifie ou écarte ses propositions. Réduire ce travail à « humain » ou « généré par IA » en dit peu sur ce qui s’est réellement passé.
Ce que la détection permet de conclure
Un score de ressemblance peut attirer l’attention. Une trace de provenance peut renseigner l’histoire d’un fichier. Ces informations sont utiles, à condition de ne pas leur faire dire davantage : aucune ne décrit à elle seule la contribution humaine, les vérifications effectuées ou les choix qui ont mené à la publication.
C’est ce que je constate aussi dans mon travail avec les agents de développement. L’agent peut produire du code ; il me revient de le comprendre et de vérifier ce que j’intègre. Pour cet article, une IA a participé à la rédaction, mais j’ai choisi les idées, repris le texte et décidé de ce que je signe.
La question utile n’est donc pas seulement « une IA est-elle intervenue ? », mais « qu’a-t-elle fait, qu’a-t-on vérifié et qui assume le résultat ? »