Quand un texte est passé sous un détecteur IA, qu’est-ce qui se passe ? le fonctionnement de ces outils ne détermine absolument pas la provenance ou encore l’identité de l’auteur, non. Ils établissent des probabilités à partir de certaines caractéristiques d’un texte, comme le style, la régularité syntaxique, ou tout simplement, la structure des arguments. Si vous aimez alors les textes avec un style très formel, très académique, votre texte pourra être assimilé (à tort) à un contenu IA.
Des résultats à interpréter avec prudence
D’ailleurs OpenAI (la maison mère de ChatGPT) le dit : son propre programme de classification de textes, n’était pas totalement fiable, et admettait que les faux-positifs existent bels et biens. Un texte entièrement réalisé par un humain est donc susceptible d’être reconnu comme étant une production IA. Ce sont des limites inhérentes à cette nouvelle technologie.
Et dans le monde académique, vous avez là un sujet brûlant et important ! Si la déclaration de l’indépendance des Etats-Unis a été détectée comme étant un texte 100% IA (Si, si !), comment peut-il en être autrement pour une thèse de doctorat ? Dans la pratique, ces modes de détection ne doivent pas être considérés comme des références ultimes.
Les mesures de références des détecteurs IA
D’emblée, il est utile de préciser que ce n’est en aucun cas les origines du texte qui sont détectés. Mais plutôt ses signatures statistiques. Autrement dit, l’accent est mis sur la trop grande régularité des phrases, la prévisibilité des vocabulaires ou encore des schémas syntaxiques « bateaux ».
Ces éléments, votre détecteur IA va les comparer avec des modèles entrainés sur beaucoup de textes humains et contenus générés. Le résultat sera donc une probabilité, un pourcentage. C’est ce mode de fonctionnement qui explique grandement pourquoi des textes très structurés, formels peuvent être signalé à tort. Les analyses juridiques, historiques et académiques possèdent des caractéristiques proches de textes générés par IA.
Les limites des détecteurs IA
Plusieurs études et recherches démontrent que la précision de ses détecteurs IA est loin d’être suffisante. Que ce soit des modèles payants ou gratuits, des erreurs notables peuvent survenir dès lors que les textes sont techniques, ou encore rédigés dans un style soutenu.
Beaucoup d’auteurs interpelle également sur les implications éthiques. Surtout dans le cadre d’un usage non contextualisé. Des scores automatisés de Turnitin par exemple ont valu à des étudiants de l’Australian Catholic University d’être recalés alors que les textes étaient authentiques. Une affaire relayer grandement par la presse locale.
Les faux-négatifs : quand l’IA passe sous le radar
Si les faux-positifs pénalisent injustement des auteurs humains, l’autre face du problème est tout aussi préoccupante. Les faux-négatifs, eux, désignent les contenus générés par IA que les détecteurs ne parviennent pas à identifier. Et là, le tableau est encore moins rassurant.
Pourquoi ? Parce que les modèles de génération de texte évoluent à une vitesse que les outils de détection peinent à suivre. GPT-4, Claude, Gemini : chaque nouvelle version produit des textes plus fluides, plus variés, moins prévisibles. Résultat : les signatures statistiques que les détecteurs recherchent s’effacent progressivement. Un contenu IA bien prompté, légèrement retouché, peut aujourd’hui passer sans encombre la plupart des filtres du marché.
Le parachute qui n’est pas toujours là
Ce décalage technologique crée une fausse sécurité. Des plateformes de contenus, des rédactions, des établissements scolaires s’appuient sur ces outils comme s’ils constituaient une barrière fiable. Or, un score de 2% IA ne garantit absolument pas qu’un texte est d’origine humaine. Il signifie simplement que le détecteur n’a pas trouvé les patterns qu’il connaît (pas ceux qu’il ne connaît pas encore).
C’est une limite structurelle, pas un bug à corriger. Les détecteurs fonctionnent toujours en retard sur les générateurs, pour la simple raison qu’ils ont besoin de données d’entraînement sur les nouveaux modèles pour les reconnaître. Un cercle qui se referme lentement, jamais complètement.
Alors, à quoi servent vraiment ces outils ?
Simplement à donner une indication, pas une certitude. Utilisés avec discernement, les détecteurs IA peuvent signaler des tendances, alerter sur des contenus suspects en masse, ou appuyer une analyse humaine plus poussée. Mais seuls, sans contexte, sans regard critique, ils ne constituent pas une preuve.
Ce qui change la donne, c’est la combinaison. Un détecteur IA croisé avec une analyse stylistique humaine, la connaissance du parcours de l’auteur, ou encore la vérification des sources citées. Voilà une approche qui commence à ressembler à quelque chose de sérieux. Le reste, c’est de la confiance aveugle dans un algorithme qui, lui-même, ne se fait aucune illusion sur ses propres limites.