L’IA présente de réelles opportunités pour les entreprises d’améliorer leur efficacité. Elle apporte également de nouveaux défis, c’est pourquoi les entreprises cherchent de plus en plus à utiliser une forme spécifique d’IA contre l’IA : les détecteurs d’IA.

Il existe des raisons légitimes d’utiliser des détecteurs d’IA : protéger l’identité de marque, détecter les fraudes, repérer le plagiat, optimiser le rapport qualité-prix des prestataires, et bien plus encore.

Mais les détecteurs d’IA ne sont pas infaillibles, et pour la plupart des entreprises, les risques liés à leur utilisation l’emportent sur les avantages. Voici ce que vous devez savoir avant d’en utiliser un.

Comment fonctionnent les détecteurs d’IA ?

Les détecteurs d’IA sont des logiciels spécialisés qui analysent mathématiquement des schémas pour estimer la probabilité qu’un texte ait été généré par une machine. Les détecteurs populaires incluent GPTZero, Copyleaks, Originality.ai, Sapling, Turnitin et Grammarly AI Detector.

Ce que recherchent les détecteurs d’IA, en termes techniques, se résume à deux indicateurs :

  • La perplexité mesure à quel point une séquence de mots est prévisible. Une plus faible prévisibilité signifie une probabilité moindre d’implication de l’IA, car les modèles d’IA sont entraînés à deviner et à utiliser les mots les plus probables statistiquement. Les humains font des choix de mots plus variés et excentriques.
  • La burstiness mesure la variation de la longueur et de la complexité des phrases. L’écriture humaine progresse par « rafales » avec un mélange de types de phrases, tandis que l’IA, axée sur la probabilité, a tendance à écrire de manière régulière, fluide et presque mathématique. Une écriture à faible burstiness est un indicateur fort de l’implication de l’IA pour un détecteur.

Certains détecteurs d’IA utilisent également l’analyse stylométrique, évaluant le choix du vocabulaire et de la grammaire, traquant les structures anormalement rigides et formelles.

Une poignée de modèles d’IA commencent à utiliser le tatouage numérique, ce qui consiste à intégrer des schémas invisibles et détectables dans le texte généré par l’IA au moment de sa création. Mais comme la plupart des modèles ne laissent pas de trace actuellement, vous ne pouvez pas encore vous fier à cette solution.

Les détecteurs d’IA sont-ils fiables ?

Les détecteurs d’IA ne sont jamais fiables à 100 %, et ils le sont souvent beaucoup moins que cela.

La précision varie considérablement d’un outil à l’autre, selon le type de contenu et (surtout) la manière exacte dont l’IA a été utilisée pour créer le contenu analysé, si tant et qu’elle ait été utilisée.

Quand les détecteurs fonctionnent

Collez le résultat brut (ou « non modifié ») d’une IA dans n’importe quel détecteur d’IA et celui-ci le détectera. Le contenu brut est facile à identifier pour le détecteur car le schéma statistiquement probable qu’il recherche n’a pas été rompu.

Par exemple, nous avons collé du texte généré directement par Claude Sonnet 4,6 dans Sapling. Sapling était sûr à 99,5 % que ce texte généré par IA l’était effectivement.

Sapling signale correctement le paragraphe brut généré par l’IA.

Originality (un autre détecteur d’IA de premier plan) a signalé le même paragraphe comme étant de l’IA avec une confiance encore plus grande : 100 %.

Originality est encore plus sûr que notre texte brut généré par IA provient d’une IA.

Les détecteurs peuvent également identifier les textes rédigés par IA lorsque le texte soumis n’est pas généré à 100 % par une IA, bien que de manière nettement moins fiable, en particulier lorsque le texte est court (moins de 300 mots) et que les schémas recherchés par les détecteurs n’ont pas le temps de s’établir.

Quand les détecteurs échouent

Il est bien documenté que les détecteurs d’IA génèrent des faux positifs : des signaux d’utilisation de l’IA dans des textes entièrement écrits par des humains. Une récente étude évaluée par des pairs sur les écrits académiques(nouvelle fenêtre) a évalué la précision globale d’Originality et de Turnitin pour identifier les textes académiques générés par IA à seulement 69 % et 61 % respectivement.

Un problème est que les humains écrivent souvent naturellement comme une IA, en particulier s’ils ne sont pas de langue maternelle anglaise et qu’ils utilisent (comme les LLM) des formulations simples et très grammaticales. Une étude de Stanford(nouvelle fenêtre) a fait analyser par sept détecteurs d’IA populaires des dissertations du TOEFL rédigées par des étudiants chinois. Le taux moyen de faux positifs était de 61,22 %.

Il est également difficile pour les détecteurs de repérer les moments où les humains perturbent délibérément les schémas statistiques qu’ils recherchent. Les auteurs assistés par l’IA n’ont pas besoin de faire grand-chose pour briser ces schémas : réécrire quelques phrases, varier la structure des phrases, utiliser des mots moins prévisibles.

Si cela semble nécessiter trop d’efforts, ils peuvent le faire faire par l’un des nombreux outils d’« humanisation » qui sont inévitablement apparus pour contourner les détecteurs.

Ils peuvent aussi simplement s’en tenir au LLM de leur choix et utiliser des prompts plus intelligents. Une étude de 2025 portant sur 12 détecteurs d’IA(nouvelle fenêtre) a révélé qu’une « retouche minimale avec GPT-4o peut conduire à des taux de détection allant de 10 % à 75 %, selon le détecteur ».

Nous avons demandé à Claude Sonnet 4,6 de rédiger un essai de 300 mots sur la précision des détecteurs d’IA, et nous lui avons demandé d’écrire comme un humain, avec des longueurs de phrases variées, des avis directs et des choix de mots inattendus. Sapling a estimé que le texte n’avait que 12 % de chances d’être généré par une IA.

Capture d’écran d'un outil de détection d'IA montrant un passage de texte de 360 jetons expliquant pourquoi les détecteurs d'IA ne sont pas fiables. Deux phrases vers la fin sont surlignées en rouge comme signalées : « So does any prose that prioritizes precision over personality » et « Put plainly: these tools can catch lazy, unedited AI output with reasonable confidence. Everything else is guesswork dressed up as data. » Sous le texte se trouvent un bouton vert « Check Again », une liste déroulante « Try a Sample », un bouton d'importation « Choose file » et un résultat indiquant « Fake : 12,0 % ».
Sapling ne parvient pas à identifier le texte de Claude rédigé avec des consignes intelligentes.

Originality a analysé le même texte et a déclaré être sûr à 100 % que le texte avait été généré par une IA.

Capture d’écran de l'éditeur de documents d'Originality.ai scannant le même passage concernant le manque de fiabilité des détecteurs d'IA, avec la plupart des paragraphes surlignés en rouge/rose indiquant du texte signalé. Le panneau des résultats sur la droite montre une jauge indiquant « 100 % Confident That's AI », une note indiquant que cela reflète la certitude que le texte est généré par IA (et non que 100 % du texte a été produit par IA), une invitation à « Run Deep Scan » pour des explications détaillées, et un nombre de caractères de 1 704 / 12 000.
Originality attribue au même texte un score de 100 % d’IA : le verdict opposé, avec la même assurance.

Originality semble être l’outil supérieur d’après ce test, mais il est important de reconnaître que les deux outils étaient tout aussi confiants dans leur analyse. Si vous avez écrit le texte analysé, vous saurez quel détecteur a raison. Si ce n’est pas le cas, alors vous ne pourrez jamais en être sûr.

Comment les détecteurs d’IA mettent en danger vos données

Le principal problème avec les détecteurs d’IA est un aspect que de nombreuses entreprises ignorent complètement : les risques qu’ils présentent pour le respect de la vie privée et la sécurité de vos données. Ces risques sont similaires à ceux posés par l’IA en général :

  • Risques de conformité : Les modèles de détection héritent des biais des données d’entraînement, ce qui crée un risque de résultats discriminatoires et enfreint les lois sur l’égalité des chances. De nombreux détecteurs sont des « boîtes noires », et des cadres réglementaires tels que la loi de l’UE sur l’IA(nouvelle fenêtre) et le cadre de gestion des risques de l’IA du NIST(nouvelle fenêtre) exigent que les organisations fournissent une logique claire pour expliquer les résultats de l’IA.
  • Risques liés à l’IP et aux données d’entraînement : De nombreux détecteurs d’IA ont des conditions d’utilisation du service (ToS) qui accordent au fournisseur le droit de stocker, d’analyser et d’utiliser les données soumises pour entraîner de futurs modèles. Cela peut signifier que votre fournisseur a le droit légal d’utiliser les feuilles de route de produits, les projections financières et les recherches exclusives que vous avez soumises, sans aucune obligation de garantir le respect de la vie privée de ces données ni d’empêcher qu’elles n’apparaissent dans les résultats d’un concurrent.
  • Risques pour la sécurité des données : Les détecteurs d’IA sont vulnérables aux cyberattaques, et soumettre du contenu à un détecteur tiers étend votre surface d’attaque à celle de votre fournisseur. Si votre fournisseur subit une fuite de données, vos données y seront exposées. Les outils gratuits et non vérifiés — exactement le genre d’outils que les employés peuvent être tentés d’utiliser — ne vous permettront pas d’auditer à l’avance les pratiques de sécurité d’un fournisseur.
  • Risques liés à la souveraineté des données : Soumettre un document à un détecteur peut impliquer le transfert de texte vers des serveurs étrangers, ce qui risque de le priver des protections locales et de l’exposer à la surveillance gouvernementale extraterritoriale en vertu du CLOUD Act(nouvelle fenêtre).

Pour la plupart des entreprises, la question n’est pas de savoir si les détecteurs d’IA fonctionnent, mais plutôt de savoir si les risques liés à leur utilisation en valent la peine. Si vous travaillez avec des données sensibles, originales ou confidentielles, la réponse est non.

FAQ sur les détecteurs d’IA

Comment fonctionnent les détecteurs d’IA ?

Les détecteurs d’IA scannent le texte à la recherche de schémas qu’ils ont été entraînés à associer à des textes générés par IA. Ces schémas apparaissent parce que l’IA génère du texte en prédisant et en utilisant de manière algorithmique le mot suivant le plus probable.

Que recherchent les détecteurs d’IA ?

Les principaux indicateurs de texte généré par IA recherchés par les détecteurs sont de faibles niveaux de « perplexité » (choix de mots imprévisibles) et de « burstiness » (variation de la longueur et de la structure des phrases).

Certains modèles d’IA commencent à expérimenter le tatouage numérique, ce qui signifie intégrer des schémas invisibles (mais détectables) dans le texte au moment de sa génération. Cependant, comme seuls quelques modèles ont commencé à le faire, le tatouage numérique ne constitue pas encore un test infaillible pour les textes générés par IA.

Les détecteurs d’IA fonctionnent-ils ?

La précision dépend du détecteur utilisé, du type de texte analysé et de la manière dont l’IA a été utilisée (le cas échéant) pour générer le texte. Les détecteurs sont performants sur les résultats bruts et non modifiés de l’IA. Pour tout ce qui est plus complexe — contenu modifié, écrits humains rédigés par des personnes dont ce n’est pas la langue maternelle, résultats d’IA légèrement paraphrasés —, la précision chute considérablement.

Au-delà de la précision, le plus grand problème des détecteurs d’IA est la menace que leur utilisation peut faire peser sur la sécurité de vos données. Soumettre du contenu à un détecteur tiers implique de le transférer vers des serveurs externes, ce qui l’expose potentiellement à des cyberattaques, à la collecte de données, à la surveillance extraterritoriale, et accorde à un fournisseur des droits légaux sur le contenu que vous avez soumis.

Pour la plupart des entreprises, en particulier celles qui travaillent avec des contenus sensibles, originaux ou confidentiels, les risques pour les données liés à la détection d’IA par des tiers l’emportent sur les avantages.