# Les détecteurs de texte généré par IA sont-ils fiables ? Source : https://www.sapiteur-ia.fr/ressources/detecteurs-texte-ia/ Auteur : Denis Atlan — https://www.sapiteur-ia.fr/denis-atlan/ Éditeur : ENDKOO — https://www.endkoo.fr/ Dernière révision du site : 23 septembre 2026 Carte du site pour les modèles : https://www.sapiteur-ia.fr/llms.txt --- L'essentiel Les détecteurs de texte généré par IA ne sont pas assez fiables pour fonder seuls une conclusion. OpenAI a retiré son propre outil de détection en juillet 2023 en raison de sa faible précision. Une étude publiée la même année a montré que plusieurs détecteurs classaient comme générés par IA plus de la moitié des textes rédigés en anglais par des non-natifs ; une autre, portant sur quatorze outils, les a jugés ni précis ni fiables. Le ministère de l'Éducation nationale déconseille leur usage depuis juin 2025. Ces études portent sur des outils de 2023, qui ont évolué depuis, mais leur enseignement de méthode demeure : un score est une estimation dont l'erreur dépend du texte et de son auteur. Une analyse sérieuse cherche d'autres éléments : historique de rédaction, fichiers, métadonnées, journaux, cohérence du contenu. ## Réponse courte Non, pas au point de servir de preuve à eux seuls. Un score de détecteur peut orienter une vérification ; il ne la remplace pas. ## Comment fonctionne un détecteur Un détecteur est lui-même un modèle, entraîné à distinguer des textes humains de textes générés. Il ne retrouve pas le texte dans une base de réponses d'IA : il estime une probabilité à partir de caractéristiques statistiques, comme la prévisibilité des mots employés. Un texte humain très régulier, ou écrit dans une langue que l'auteur maîtrise moins, peut paraître « prévisible » ; un texte généré puis réécrit peut ne plus l'être. ## Ce que disent les études et les institutions **Sources sur la fiabilité des détecteurs de texte généré par IA** | Source | Date | Constat | | --- | --- | --- | | OpenAI | juillet 2023 | Retrait de son outil de détection pour faible précision. Sur son propre jeu de test, il identifiait 26 % des textes générés et signalait à tort 9 % des textes humains. | | Liang et al., Patterns | juillet 2023 | Sur des essais rédigés en anglais par des non-natifs, les détecteurs testés produisent en moyenne 61,3 % de faux positifs. | | Weber-Wulff et al., International Journal for Educational Integrity | décembre 2023 | Quatorze outils testés, jugés ni précis ni fiables ; la paraphrase et la traduction automatique dégradent nettement leurs résultats. | | Parlement européen, service de recherche | décembre 2023 | Les détecteurs produisent des faux positifs et sont souvent peu fiables en pratique. | | Ministère de l'Éducation nationale | juin 2025 | Déconseille les logiciels de détection, jugés peu fiables, qui pourraient conduire à pénaliser à tort un élève. | À vérifier dans chaque dossier Les études citées portent sur des outils de 2023. Les détecteurs ont évolué depuis ; leurs performances actuelles ne sont pas mesurées par ces travaux. Toute utilisation d'un score dans un dossier appelle la question : quel outil, quelle version, quel taux d'erreur mesuré sur ce type de texte ? ## Les filigranes changent-ils la donne ? Partiellement. Certains fournisseurs insèrent dans le texte généré un filigrane statistique, détectable par un outil adapté ; le règlement européen sur l'IA impose depuis le 2 août 2026 le marquage des contenus de synthèse dans un format lisible par machine, avec un délai au 2 décembre 2026 pour les systèmes déjà sur le marché. Mais un filigrane n'est détectable que si le fournisseur du modèle l'a appliqué, il est affaibli par une réécriture, et les auteurs de la principale technique publiée écrivent eux-mêmes qu'elle n'offre pas une solution complète. L'absence de filigrane ne démontre pas qu'un texte a été écrit par un humain. ## Ce que l'on peut établir autrement La question « ce texte a-t-il été généré par une IA ? » se traite rarement par l'analyse du texte seul. Les éléments suivants sont souvent plus probants : - l'historique des versions du document, dans le logiciel de traitement de texte ou l'espace de stockage ; - les métadonnées des fichiers et leurs dates ; - l'historique des conversations avec un assistant d'IA, lorsque le compte est accessible ; - les journaux d'un outil d'entreprise qui aurait servi à produire le document ; - la présence d'erreurs caractéristiques, comme des références inexistantes, qui orientent sans prouver. Limite technique Même réunis, ces éléments peuvent ne pas permettre de conclure. L'analyse dit alors que la question n'est pas déterminable avec les éléments disponibles. Dire si l'usage d'une IA constitue une faute, une fraude ou une contrefaçon est une qualification juridique. ## Sources et références - [New AI classifier for indicating AI-written text](https://openai.com/index/new-ai-classifier-for-indicating-ai-written-text/), note de retrait du 20 juillet 2023. OpenAI · Source primaire · publié le 31 janvier 2023 · consulté le 23 septembre 2026 - [Liang W. et al., GPT detectors are biased against non-native English writers](https://doi.org/10.1016/j.patter.2023.100779). Patterns, vol. 4, n° 7, 100779 · Source primaire · 10 juillet 2023 · consulté le 23 septembre 2026 - [Weber-Wulff D. et al., Testing of detection tools for AI-generated text](https://doi.org/10.1007/s40979-023-00146-z). International Journal for Educational Integrity, vol. 19, art. 26 · Source primaire · 25 décembre 2023 · consulté le 23 septembre 2026 - [Cadre d’usage de l’IA en éducation](https://www.education.gouv.fr/cadre-d-usage-de-l-ia-en-education-450647). Ministère de l’Éducation nationale · Source institutionnelle · 13 juin 2025 · consulté le 23 septembre 2026 - [T. Madiega, Generative AI and watermarking, PE 757.583](https://www.europarl.europa.eu/thinktank/en/document/EPRS_BRI(2023)757583). Parlement européen, service de recherche (EPRS) · Source institutionnelle · décembre 2023 · consulté le 23 septembre 2026 - [Dathathri S. et al., Scalable watermarking for identifying large language model outputs](https://doi.org/10.1038/s41586-024-08025-4). Nature, vol. 634, p. 818-823 · Source primaire · 23 octobre 2024 · consulté le 23 septembre 2026 - [C2PA Specifications 2.2, Explainer](https://spec.c2pa.org/specifications/specifications/2.2/explainer/Explainer.html). Coalition for Content Provenance and Authenticity · Source primaire · consulté le 23 septembre 2026 - [Règlement (UE) 2024/1689 du 13 juin 2024 établissant des règles harmonisées concernant l’intelligence artificielle](https://eur-lex.europa.eu/legal-content/FR/TXT/?uri=CELEX:32024R1689). EUR-Lex, Office des publications de l’Union européenne · Source primaire · consulté le 23 septembre 2026 - [Règlement (UE) 2026/1744 du 8 juillet 2026 modifiant le règlement (UE) 2024/1689 (omnibus numérique sur l’IA)](https://eur-lex.europa.eu/legal-content/FR/ALL/?uri=OJ:L_202601744). EUR-Lex, Office des publications de l’Union européenne · Source primaire · JO L du 24 juillet 2026 · consulté le 23 septembre 2026 - [Code de procédure civile, article 238](https://www.legifrance.gouv.fr/codes/article_lc/LEGIARTI000006410368). Légifrance · Source primaire · version en vigueur depuis le 1er janvier 1976 · consulté le 23 septembre 2026 Rédaction : [Denis Atlan](https://www.sapiteur-ia.fr/denis-atlan/) Publié le 23 septembre 2026 [Méthode éditoriale et corrections](https://www.sapiteur-ia.fr/methodologie-editoriale/) ## Une question technique liée à l'IA dans un dossier ? Décrivez la question en quelques lignes, sans pièce confidentielle. La qualification de l'intervention dépend de qui sollicite et dans quel cadre. [Présenter la question](https://www.sapiteur-ia.fr/contact/)