Comment fonctionnent vraiment les détecteurs d'IA (et pourquoi ils vous signalent)

Ce qu'un détecteur d'IA mesure réellement

Un détecteur d'IA ne sait pas qui a écrit une phrase. Il n'a jamais vu votre document auparavant et ne peut pas le comparer à une base de données cachée de réponses ChatGPT. Il évalue plutôt à quel point votre texte est prévisible par rapport aux schémas que les grands modèles de langage ont tendance à produire.

Les détecteurs modernes sont eux-mêmes des modèles d'apprentissage automatique entraînés sur des millions de passages humains et IA. Ils recherchent les empreintes statistiques que la génération laisse derrière elle, puis produisent une probabilité. Rien dans ce processus ne vérifie la paternité du texte. Un détecteur ne peut pas voir votre historique de navigation ni vous regarder taper ; il peut seulement dire que votre texte ressemble, ou ne ressemble pas, aux écrits machine sur lesquels il a été entraîné.

Pensez-y comme à un filtre antispam. Il a appris à quoi ressemble généralement le courrier indésirable et signale donc les messages qui partagent ces caractéristiques, mais il ne peut jamais être certain pour un e-mail donné. La détection d'IA fonctionne de la même manière, ce qui signifie que chaque score est une intuition déguisée en chiffre. Cela change aussi la façon dont vous devez lire un résultat : "85 % IA" ne veut pas dire que 85 % de votre texte a été écrit par une machine. Cela veut dire que le détecteur est assez confiant dans une supposition.

La perplexité : à quel point vos mots surprennent

La perplexité est le signal le plus important. Elle mesure à quel point un modèle de langage est surpris par chaque mot que vous avez choisi. Si chaque mot suivant est exactement celui que le modèle aurait prédit, la perplexité est basse et le texte semble écrit par une machine. Les humains sont moins prévisibles : nous choisissons un adjectif inattendu, enfreignons une règle ou formulons quelque chose de façon légèrement maladroite, et chacun de ces choix fait monter la perplexité.

Une paire d'exemples concrets rend cela visible. Première phrase : "L'exercice régulier est important car il améliore à la fois la santé physique et mentale." Deuxième phrase : "Je continue à faire du sport parce que mes genoux se plaignent moins et que ma boîte mail me semble moins terrifiante après." Les deux sont grammaticalement correctes et disent en gros la même chose, mais la première est entièrement assemblée à partir de mots qu'un modèle de langage classerait comme les choix suivants les plus probables ; "l'exercice régulier est important car" est pratiquement un gabarit. La seconde prend de petits risques : des genoux qui se plaignent, une boîte mail qui terrifie. Un modèle qui évalue la probabilité mot à mot trouve la première phrase sans surprise et la seconde vraiment difficile à prédire, donc la première se lit comme de l'IA et la seconde comme de l'humain.

C'est aussi pourquoi une écriture soignée et générique se fait signaler même quand une personne a écrit chaque mot. La perplexité ne mesure ni l'effort ni l'honnêteté, seulement la prévisibilité, et certains textes parfaitement humains sont très prévisibles.

La burstiness : le rythme de la vraie écriture

La burstiness mesure la variation dans la structure et la longueur des phrases. Les gens écrivent par à-coups : une phrase longue et sinueuse suivie d'une courte. Trois mots. Puis une proposition complexe chargée de détails qui s'étire plus longtemps qu'elle ne le devrait probablement.

La production de l'IA est plus lisse. Laissé sur ses réglages par défaut, un modèle produit des phrases qui tournent autour de la même longueur, s'ouvrent sur des constructions similaires et retombent avec la même cadence régulière, paragraphe après paragraphe. Mettez les deux côte à côte et vous pouvez souvent repérer la différence avant même de lire un mot : le texte humain paraît irrégulier sur la page, le texte machine ressemble à un mur de briques.

Les détecteurs quantifient cette irrégularité. Une burstiness basse plus une perplexité basse, c'est la signature classique de l'IA, et quand les deux sont présentes, un détecteur devient confiant que le texte a été généré, même si le sujet et la grammaire sont irréprochables. Chaque signal pris isolément reste pourtant faible. Un poète écrit avec une burstiness débridée et un juriste avec presque aucune, et tous deux sont humains, c'est pourquoi les outils sérieux combinent toujours les deux.

La probabilité des tokens sous le capot

Les modèles de langage écrivent un token à la fois, et chaque token est associé à un score de probabilité. Les détecteurs approximent ces probabilités et vérifient si votre texte se situe dans la "zone de confort" du modèle, celle des choix probables. Quand un passage est construit presque entièrement à partir de tokens à haute probabilité disposés selon un rythme régulier, il correspond à la façon dont ChatGPT, Gemini et Claude génèrent par défaut, et le détecteur convertit ce schéma en pourcentage que vous voyez à l'écran.

Cela explique aussi pourquoi les extraits courts sont peu fiables à tester. Avec seulement une phrase ou deux, il n'y a pas assez de signal pour distinguer un humain appliqué d'un modèle, donc les scores oscillent énormément. La plupart des éditeurs en conviennent discrètement : plusieurs refusent d'évaluer tout texte de moins de quelques centaines de mots, car en dessous de cette longueur, le calcul relève plus du pile ou face que de la mesure.

Détecteurs statistiques vs détecteurs à base de classifieurs

Les outils de détection se répartissent en deux familles, et savoir à laquelle vous avez affaire explique beaucoup de résultats étranges. Les détecteurs statistiques utilisent un modèle de langage de référence pour calculer directement les probabilités : ils font passer votre texte dans le modèle, mesurent la perplexité, la burstiness et des grandeurs associées, puis appliquent un seuil. Les méthodes de recherche comme GLTR et DetectGPT fonctionnent ainsi, tout comme le scoring derrière de nombreux vérificateurs gratuits. Leur force est de ne nécessiter aucune donnée d'entraînement étiquetée ; leur faiblesse est que le verdict dépend fortement du modèle de référence qui effectue le scoring.

Les détecteurs à base de classifieurs sont, eux, entraînés. L'éditeur rassemble de vastes corpus de textes humains et IA identifiés, puis affine un modèle, souvent un transformeur de type RoBERTa, pour distinguer les deux. Turnitin, Originality.ai et Copyleaks sont construits ainsi. Les classifieurs captent des indices subtils au-delà de la perplexité brute, ils tendent donc à être plus précis sur les textes qui ressemblent à leurs données d'entraînement, mais ils se dégradent sur les écrits de modèles plus récents, d'autres langues ou de domaines qu'ils n'ont jamais vus, et personne en dehors de l'éditeur ne peut inspecter ce qu'ils ont réellement appris.

La plupart des produits commerciaux sont désormais des hybrides des deux approches, ce qui explique en partie pourquoi leurs scores sont difficiles à interpréter et encore plus difficiles à comparer d'un outil à l'autre.

Pourquoi les textes de ChatGPT, Gemini et Claude sont signalés

Les modèles de pointe sont entraînés à être clairs, sûrs et fluides, et la dernière étape de cet entraînement récompense les réponses que la plupart des évaluateurs jugent bien écrites. Cela pousse la production vers des phrases équilibrées, des transitions bien rangées comme "de plus" et "en conclusion", et un vocabulaire qui reste dans la moyenne statistique.

Ces mêmes qualités sont exactement ce que traquent les détecteurs. Plus l'écriture est soignée et "moyenne", plus sa perplexité et sa burstiness sont basses, et plus le score d'IA est élevé. Ironiquement, les brouillons humains bruts pleins de coquilles et de bizarreries passent souvent plus facilement qu'un premier jet IA propre, parce que les défauts sont précisément ce qui porte le signal humain.

Ce que GPTZero, Turnitin, ZeroGPT et les autres vérifient réellement

Les principaux outils partagent la même logique de base mais la règlent différemment. GPTZero a popularisé le scoring par perplexité et burstiness et rapporte les deux au niveau de la phrase. Turnitin AI intègre la détection dans sa suite antiplagiat pour les établissements scolaires, en découpant les documents en segments qui se chevauchent et en signalant ceux que son classifieur estime écrits par un modèle.

ZeroGPT propose une lecture rapide et gratuite phrase par phrase, tandis qu'Originality.ai cible les éditeurs et les équipes SEO avec un score strict pondéré par la confiance. Copyleaks met en avant la couverture multilingue et le reporting pour les entreprises. Tous sont probabilistes, c'est pourquoi aucun ne peut honnêtement se prétendre parfait, et pourquoi le marketing de précision de chaque éditeur décrit discrètement des tests que l'éditeur a lui-même conçus.

Pourquoi les détecteurs se contredisent entre eux

Collez la même dissertation dans trois détecteurs et vous pouvez obtenir 2 % d'IA chez l'un, 45 % chez un autre et 88 % chez un troisième. Cet écart n'est pas un bug chez l'un d'eux ; c'est ce qui se passe quand des systèmes différents font des suppositions différentes à partir des mêmes indices.

Chaque outil est entraîné sur son propre corpus, note avec son propre modèle de référence, découpe le texte différemment (document entier ou phrase par phrase) et fixe son propre seuil pour ce qui compte comme "probablement IA". Un outil calibré pour éviter les fausses accusations sera prudent et sous-signalera ; un outil vendu pour attraper les tricheurs sera agressif et sur-signalera le même texte. Ils se mettent aussi à jour à des rythmes différents, si bien qu'un détecteur réglé avant le lancement d'un nouveau modèle jugera mal le style de ce modèle pendant des mois.

La leçon pratique est qu'aucun score isolé n'est définitif, et que le désaccord entre outils est la preuve directe de la part de conjecture en jeu. Si votre école vérifie avec Turnitin, seul le verdict de Turnitin compte, et un score propre ailleurs ne le prédit pas et ne vous en protège pas.

Les faux positifs : les chiffres publiés

Parce que les détecteurs jugent la prévisibilité, ils se trompent régulièrement, et ces ratés ne sont pas hypothétiques. Le propre classifieur d'OpenAI, lancé en janvier 2023, n'identifiait que 26 % des textes écrits par IA tout en étiquetant à tort 9 % des textes humains comme IA, et l'entreprise l'a retiré en moins de six mois pour manque de précision. Turnitin revendique un taux de faux positifs inférieur à 1 % au niveau du document, mais a reconnu que les phrases signalées individuellement sont bien moins fiables, raison pour laquelle il retient les scores sur les documents ne contenant que de petites quantités de texte suspecté d'être de l'IA.

La découverte la plus troublante concerne les personnes dont l'anglais n'est pas la langue maternelle. Des chercheurs de Stanford ont testé sept détecteurs populaires sur des dissertations écrites par de vrais étudiants pour l'examen TOEFL et ont constaté qu'en moyenne, 61 % de ces textes écrits par des humains étaient signalés comme générés par IA, et que presque tous étaient signalés par au moins un détecteur. Les dissertations d'étudiants américains anglophones natifs passaient à travers les mêmes outils presque sans encombre.

Le mécanisme est exactement celui que décrit cet article : les personnes qui écrivent dans une langue seconde ont tendance à utiliser un vocabulaire plus sûr et des structures de phrases plus régulières, ce qui abaisse la perplexité, ce qui se lit comme du texte machine. Le biais est inscrit dans la méthode elle-même. C'est pourquoi les écoles responsables traitent un score de détecteur comme le début d'une conversation, pas comme une preuve. Un chiffre n'est pas une preuve.

Le watermarking : la solution qui n'est jamais sortie

Les chercheurs soutiennent depuis longtemps que la vraie solution est le watermarking, le tatouage numérique : faire en sorte que le modèle d'IA lui-même intègre une signature statistique invisible au moment de la génération. Dans le schéma le plus connu, le modèle favorise secrètement une "liste verte" tournante de tokens pendant qu'il écrit. Un lecteur ne peut pas remarquer le motif, mais un détecteur qui détient la clé peut le tester avec une précision bien supérieure aux conjectures par perplexité.

Pour l'essentiel, cela n'a jamais été déployé. OpenAI a construit un système de tatouage de texte réputé en interne efficace à environ 99,9 % sur les longs passages, et l'a laissé dans un tiroir, invoquant le fait que la paraphrase ou la traduction efface la marque, le risque de stigmatiser les locuteurs non natifs qui utilisent légitimement l'IA pour peaufiner leurs textes et, de façon moins noble, la crainte que les utilisateurs passent simplement à des outils sans tatouage. SynthID-Text de Google est l'exception, intégré à Gemini et publié en open source, mais il ne marque que la production de Gemini.

C'est là le problème central : un tatouage ne couvre que les modèles dont les créateurs coopèrent, et les modèles à poids ouverts que chacun peut exécuter localement n'en porteront jamais. Le détecteur que votre école ou votre employeur utilise aujourd'hui fait donc toujours des statistiques, pas de la lecture de tatouages, avec toute l'incertitude que cela implique.

Comment les détecteurs gèrent les textes mixtes humain-IA

Les vrais documents sont rarement d'un seul tenant. Un étudiant rédige une introduction à la main, demande à ChatGPT de développer deux paragraphes du corps, puis révise l'ensemble. Les détecteurs gèrent cela en faisant glisser une fenêtre sur le document, en notant chaque phrase ou segment séparément et en surlignant les passages qui semblent générés.

Le mélange affaiblit tous les signaux. Les modifications humaines dans un paragraphe IA font monter sa perplexité ; les phrases IA dans une section humaine tirent son rythme vers l'uniformité. Le résultat est un score intermédiaire qui peut vouloir dire "moitié IA" ou "entièrement humain, mais écrit bizarrement", et les surlignages phrase par phrase sont nettement moins fiables que le chiffre global. Turnitin, par exemple, a déclaré que ses signalements au niveau de la phrase comportent un taux d'erreur plus élevé que son score au niveau du document, et a pendant un temps refusé d'afficher les faibles pourcentages tant ils étaient fragiles.

En bref : plus le document est mélangé, plus le verdict est flou, et les phrases surlignées dans un rapport méritent encore plus de scepticisme que le pourcentage global.

Comment l'humanisation fait baisser le score

Si les détecteurs récompensent une perplexité et une burstiness élevées, la solution est d'écrire davantage comme une personne : varier la longueur des phrases, utiliser des choix de mots moins prévisibles, ajouter des transitions naturelles et casser le rythme uniforme. Le faire à la main sur un document entier est lent, c'est pourquoi un humaniseur d'IA existe : réécrire le texte et restaurer automatiquement cette variation humaine.

Un outil comme Humanize AI reformule la production du modèle pour qu'elle retrouve une burstiness naturelle et des formulations moins prévisibles, l'aidant à contourner la détection d'IA tout en préservant votre propos. Surtout, il affiche un score avant/après provenant de vrais détecteurs, pour que vous mesuriez le changement au lieu de l'espérer. L'objectif n'est pas la tromperie mais une écriture qui, enfin, vous ressemble.

Ce que cela signifie pour vous en pratique

Quelques habitudes découlent directement du fonctionnement de la technologie. Testez avant de soumettre, car deviner un score n'a aucun sens quand la vérification est gratuite ; vous pouvez passer votre brouillon dans l'humaniseur d'IA gratuit et voir les chiffres des détecteurs avant tout le monde. Ne faites jamais confiance à un verdict sur un passage court, et considérez les surlignages au niveau de la phrase comme des preuves faibles au mieux.

Si vous écrivez honnêtement, gardez vos justificatifs : versions de brouillons, notes et historique d'édition sont une bien meilleure preuve de paternité que n'importe quel contre-score, surtout si vous êtes un locuteur non natif écrivant dans le registre formel dont les détecteurs se méfient. Et si vous faites face à un vérificateur précis, apprenez son comportement précis ; Turnitin en particulier a des particularités qu'il vaut la peine de connaître, c'est pourquoi nous avons écrit le guide Turnitin en complément de celui-ci.

Surtout, rappelez-vous ce qu'est un détecteur. C'est un comparateur de motifs qui note la prévisibilité, construit par un éditeur, réglé sur un seuil, et qui se trompe à un taux mesurable dans les deux sens. Utile, parfois. Une preuve, jamais.

Foire aux questions