On reçoit un texte par mail, un devoir, une candidature, un article de blog. Le style est fluide, la syntaxe propre, les idées s’enchaînent sans accroc. Et c’est précisément ce côté trop lisse qui met la puce à l’oreille. Savoir si un texte est généré par une IA comme ChatGPT relève aujourd’hui autant du réflexe de lecture que de l’outillage technique, et les deux ont leurs angles morts.
Signaux concrets d’un texte généré par une IA
Avant de lancer un détecteur, on peut repérer des indices à l’œil nu dans le texte. Les modèles de langage produisent des contenus qui partagent des tics récurrents, et les connaître fait gagner du temps.
A découvrir également : Quelles sont les matières en cybersécurité ?
Le premier signal, c’est l’absence de prise de position. Un texte IA survole un sujet en empilant des généralités sans jamais trancher. Il liste les avantages, puis les inconvénients, puis conclut par une phrase molle du type « cela dépend de vos besoins ». Un rédacteur humain, même maladroit, finit par donner un avis.
Deuxième signal : une régularité anormale dans la longueur des phrases et des paragraphes. Les modèles de langage tendent à produire des blocs de texte calibrés, avec des transitions systématiques (« par ailleurs », « en outre », « il convient de noter »). Cette mécanique crée un rythme monotone qu’on perçoit à la relecture.
A lire également : À quoi ressembleront les aéroports en 2026 ?
- Vocabulaire sur-poli : peu de mots familiers, pas de tournures régionales, aucune maladresse naturelle. Le texte semble traduit d’une langue neutre.
- Absence de sources précises : le texte affirme des choses (« selon les experts », « des études montrent ») sans jamais nommer une source vérifiable.
- Répétition sémantique : la même idée revient sous trois formulations différentes dans le même paragraphe, comme si le modèle cherchait à remplir un quota de mots.
- Intro et conclusion interchangeables : on peut souvent remplacer l’introduction par la conclusion sans que personne ne remarque la différence.
Ces indices ne constituent pas une preuve. Un rédacteur humain peut écrire de façon plate, et un texte IA retravaillé peut sembler naturel. On les utilise comme un premier filtre, pas comme un verdict.
Détecteurs de texte IA : ce qu’on peut en attendre concrètement
Quand la lecture seule ne suffit pas, on passe aux outils. Des plateformes comme GPTZero, Originality.ai ou le détecteur de Quillbot analysent les caractéristiques statistiques d’un texte pour estimer la probabilité qu’il soit généré par une IA.
Comment fonctionnent ces outils d’analyse
Le principe repose sur deux métriques principales : la perplexité et le « burstiness ». La perplexité mesure le degré de prévisibilité d’un texte. Un contenu IA utilise des enchaînements de mots très probables, ce qui donne un score de perplexité bas. Le burstiness évalue la variation dans la structure des phrases. Les humains alternent naturellement phrases courtes et longues, tandis que les modèles IA produisent des phrases de longueur plus homogène.
On colle le texte dans l’outil, on lance l’analyse, et on obtient un score (souvent un pourcentage). Au-dessus d’un certain seuil, le texte est signalé comme probablement généré par une IA.
Les limites que les détecteurs ne règlent pas
Les retours varient beaucoup sur la fiabilité de ces outils. Les taux de faux positifs restent un problème concret : des textes rédigés par des humains non francophones sont régulièrement signalés comme contenus IA. Ce biais linguistique a été documenté par Quillbot, qui souligne les préjugés culturels des détecteurs actuels.
Autre souci : un texte IA légèrement retouché par un humain (ajout d’anecdotes, reformulation de quelques phrases) suffit souvent à tromper les détecteurs. Les principaux laboratoires, OpenAI en tête, ont publiquement reconnu que la détection fiable d’un texte IA est considérée comme une bataille difficile à gagner pour les contenus purement textuels.
Watermarking et traçabilité : la piste qui change la donne
Plutôt que de détecter après coup, une approche plus prometteuse consiste à marquer le texte au moment de sa génération. C’est le principe du watermarking cryptographique : le modèle IA insère dans le texte des micro-patterns statistiques invisibles à la lecture mais identifiables par un outil dédié.
Cette technique ne dépend plus de la qualité stylistique du texte. Peu importe qu’il soit retouché ou reformulé partiellement, la signature reste détectable tant que la structure globale est conservée. La méthode RAIDAR, mentionnée dans plusieurs travaux de recherche, utilise une logique similaire en analysant la réécriture pour identifier l’origine d’un contenu.
Le frein principal reste l’adoption. Pour que le watermarking fonctionne à grande échelle, il faut que les fournisseurs de modèles (OpenAI, Google, Mistral, Meta) l’implémentent dans leurs outils. Rien ne les y oblige encore de manière contraignante sur le territoire français, même si plusieurs autorités comme l’Arcom, la CNIL et la DGCCRF se partagent désormais la surveillance des contenus IA.
Déclarer l’usage de l’IA plutôt que traquer les textes
Dans la pratique, beaucoup d’organisations françaises ont pris un virage pragmatique. Plutôt que d’investir dans des détecteurs peu fiables, elles mettent en place des politiques de transparence sur l’usage de l’IA : les collaborateurs déclarent quand ils utilisent ChatGPT ou un outil similaire, documentent leurs prompts et conservent les versions successives du texte.
Cette approche contourne le problème technique de la détection. On ne cherche plus à prouver qu’un texte est IA après coup, on intègre la déclaration dans le processus de production. Dans l’enseignement supérieur, plusieurs établissements expérimentent des cadres similaires où l’étudiant indique le rôle de l’IA dans son travail.
L’approche a ses limites : elle repose sur la bonne foi. Dans un contexte de fraude volontaire (candidature, examen, désinformation), la déclaration ne sert à rien. On retombe alors sur la combinaison lecture attentive et détecteurs, en gardant à l’esprit qu’aucune méthode ne garantit un verdict fiable à elle seule.
La détection d’un texte IA en 2025-2026 se joue sur trois niveaux : repérer les tics stylistiques à la lecture, passer le texte dans un détecteur en gardant un regard critique sur le score, et vérifier si l’auteur a documenté son usage de l’IA. Aucun de ces filtres ne fonctionne seul, mais combinés, ils donnent une image suffisamment nette pour prendre une décision.
