Cette semaine, le rappeur Fenix Flexin a fini par reconnaître l'utilisation de l'IA autour de son morceau « Rubberz », entré au Billboard Hot 100 — après avoir affirmé quelques jours plus tôt que le titre avait été enregistré comme ses autres morceaux. Sa version actuelle : l'IA ne serait pas intervenue à l'enregistrement, et il n'aurait appris son usage qu'au moment du mixage. Les accusations, elles, couraient depuis la sortie du morceau.
Ce qui m'intéresse n'est pas qu'il ait triché. C'est qu'aucune preuve indépendante et concluante n'a été produite pour établir précisément comment l'IA est intervenue — l'éditeur du générateur soupçonné affirme que son propre détecteur reconnaît son travail, ce qui n'est évidemment pas une vérification neutre. Et que cette même difficulté à établir un fait frappe des gens qui, eux, n'ont rien fait.
Ma position en une phrase : on a industrialisé des outils qui calculent une probabilité, on s'en sert comme s'ils établissaient un fait, et le coût de cette confusion est payé par ceux dont l'écriture est la plus prévisible — souvent parce qu'ils écrivent dans une langue qui n'est pas la leur.
Mon verdict en 30 secondes
Les détecteurs d'écriture générée ne prouvent pas qu'un texte vient d'une IA. Ils cherchent une signature statistique associée à la génération automatique — et un humain dont l'écriture est peu idiomatique produit exactement la même. Une étude de Stanford publiée dans Patterns l'a démontré expérimentalement : sept détecteurs du commerce ont classé 61,22 % d'essais TOEFL écrits par des humains non natifs comme générés par IA. Pendant ce temps, contourner la détection demande une phrase de consigne. L'outil rate donc ceux qu'il vise et frappe ceux qu'il devrait épargner. Ma conclusion : sur un texte isolé, la question « est-ce écrit par une IA » n'a pas de réponse fiable, et il faut arrêter de faire comme si.
Ce que ces outils mesurent réellement
Un détecteur ne lit pas une intention. Il calcule une probabilité à partir de caractéristiques linguistiques.
Les premiers outils ont popularisé deux signaux. La perplexité : à quel point chaque mot est prévisible compte tenu de ceux qui précèdent — un modèle de langage produit du texte à faible perplexité, puisqu'il choisit les continuations les plus probables. Et la burstiness : la variation de rythme et de longueur entre phrases consécutives, que l'écriture générée a tendance à lisser.
Les systèmes actuels sont plus élaborés. Turnitin annonce un modèle propriétaire capable de repérer aussi le texte paraphrasé ou passé par un outil de contournement. Mais le résultat reste une inférence statistique : le système cherche des caractéristiques associées à des textes générés, et attribue une probabilité.
Le problème est immédiat une fois qu'on l'a formulé ainsi : un texte humain peu idiomatique produit les mêmes caractéristiques. Un mémoire très normé, un rapport professionnel, une copie d'élève appliqué qui a appris à faire des phrases régulières — tous cochent les cases.
L'algorithme repose sur un pari implicite : un humain écrirait forcément de manière imprévisible, avec des tournures originales et un vocabulaire varié. C'est une théorie de l'écriture humaine, pas une mesure. Et c'est une théorie fausse.
L'expérience qui met le problème à nu
En 2023, une équipe de Stanford menée par Weixin Liang a publié dans la revue Patterns une étude devenue la référence sur le sujet. Le protocole est simple, et c'est ce qui rend le résultat difficile à écarter.
Les chercheurs ont soumis à sept détecteurs du commerce deux corpus entièrement écrits par des humains : 91 essais TOEFL rédigés par des non-anglophones, et 88 copies d'élèves américains de quatrième.
Sur les copies américaines, le taux moyen de faux positifs s'établit à 5,19 %. Sur les essais TOEFL, le taux de faux positifs moyen atteint 61,22 %. Dix-huit essais sur quatre-vingt-onze sont signalés à l'unanimité des sept outils. Et quatre-vingt-neuf sur quatre-vingt-onze — soit 97,8 % — sont signalés par au moins un détecteur.
Les mêmes humains, la même absence d'IA. Seule change la maîtrise de la langue.
Mais l'étude va plus loin, et c'est la partie que presque personne ne cite. Les chercheurs ont fait deux manipulations symétriques.
Ils ont d'abord demandé à ChatGPT d'enrichir le vocabulaire des essais TOEFL. Le taux de faux positifs est tombé de 61,22 % à 11,77 %.
Puis ils ont fait l'inverse : demander à ChatGPT de simplifier le vocabulaire des copies américaines, pour imiter une écriture non native. Le taux de faux positifs est passé de 5,19 % à 56,65 %.
Autrement dit, on peut multiplier par dix les chances qu'un texte humain soit accusé, simplement en appauvrissant son vocabulaire. Et faire disparaître l'accusation en l'enrichissant. C'est la démonstration expérimentale que ces outils ne mesurent pas l'origine d'un texte : ils mesurent son style.
Ce que ça produit dans la vraie vie
OpenAI a retiré son propre classificateur en juillet 2023, en invoquant son manque de fiabilité. La documentation de l'entreprise indique qu'aucun outil n'a démontré sa capacité à distinguer de façon fiable un texte généré d'un texte humain.
Turnitin, qui revendique un déploiement dans plus de seize mille établissements, précise dans son guide destiné aux enseignants que ses indicateurs peuvent mal classer des textes et ne doivent pas fonder seuls une décision défavorable. L'Australian Catholic University a abandonné cet outil en mars 2025 après avoir constaté son inefficacité, et l'université Vanderbilt l'avait désactivé avant elle.
En France, Compilatio — conçu à l'origine pour le plagiat — a intégré la détection d'IA en 2023 et s'est répandu dans l'enseignement supérieur.
Les cas concrets ne manquent pas. En juillet 2025, Nina Viriot, dix-huit ans, lycéenne de Seine-Saint-Denis, a été accusée de fraude au baccalauréat alors qu'elle niait avoir utilisé l'IA. Son relevé de notes et son inscription sur Parcoursup ont été bloqués pendant la procédure.
Les fabricants disent que ça ne marche pas. On s'en sert quand même.
Le paradoxe qui rend tout ça absurde
Voilà le point qui devrait clore le débat.
La même étude de Stanford l'a mesuré dans l'autre sens. En demandant au modèle de réécrire son propre texte généré dans un registre plus soutenu, la perplexité remonte et la détection s'effondre. Les auteurs concluent que les approches fondées sur la perplexité sont vulnérables à une simple consigne de reformulation.
Autrement dit, celui qui triche vraiment contourne la détection en une phrase. Celui qui écrit honnêtement mais platement n'a aucun moyen de se défendre.
Il y a une conséquence presque comique. Grammarly, un assistant de reformulation utilisé par des millions de gens, reconnaît que ses fonctions génératives peuvent faire monter le score de détection d'un texte pourtant écrit par un humain. Des étudiants passent désormais leurs propres devoirs dans les détecteurs avant de les rendre, puis les réécrivent pour paraître plus humains. On a créé un dispositif qui apprend aux honnêtes à imiter l'humain qu'ils sont déjà.
→ Voir aussi : Le piège des agents IA : tu surveilles la mauvaise chose
Là où je me situe, et pourquoi ça complique le tableau
Je vais être franc sur ma propre position, parce qu'écrire cet article sans le faire serait malhonnête.
J'utilise l'IA pour produire. Je suis directeur éditorial de ce blog : je choisis les sujets, j'impose l'angle, je vérifie chaque fait sur le web, je tranche les verdicts, et je refuse ce qui ne me ressemble pas. Le point de vue est le mien, les erreurs aussi. Mais un outil est impliqué dans la chaîne, et je ne vais pas prétendre le contraire.
Passe un de mes articles dans un détecteur : je n'ai aucune idée de ce qu'il sortira, et le résultat ne dira rien d'utile dans un sens ou dans l'autre.
C'est exactement là que le système craque. La question binaire — écrit par un humain, oui ou non — ne décrit plus rien de réel. Entre le texte intégralement généré publié tel quel et le texte tapé sans aucune assistance, il existe un continuum entier que personne n'a envie de regarder : la correction, la reformulation, le plan discuté, la recherche déléguée, le brouillon retravaillé.
Un outil qui répond par un pourcentage à une question mal posée ne produit pas une information. Il produit une accusation.
Ce que je propose à la place
Trois choses, et aucune ne demande de technologie.
Juger le travail, pas le style. Un texte se juge sur ce qu'il affirme, sur la solidité de ses sources, sur la cohérence de son raisonnement. Un article dont les faits sont vérifiés et les sources liées vaut quelque chose, quelle que soit la manière dont il a été produit. Un article creux ne vaut rien même écrit entièrement à la main.
Demander le processus plutôt que le verdict. À un étudiant, on peut demander d'expliquer ses choix, de défendre une thèse à l'oral, de montrer ses brouillons. C'est plus coûteux qu'un pourcentage affiché en rouge, et c'est la raison pour laquelle on ne le fait pas.
Assumer la divulgation. Le reproche fait à Fenix Flexin n'est pas d'avoir utilisé un outil, c'est d'avoir laissé croire le contraire. La ligne n'est pas entre ceux qui utilisent l'IA et ceux qui ne l'utilisent pas — elle est entre ceux qui le disent et ceux qui le cachent.
Mon avis, assumé comme tel : tant qu'on cherchera à détecter, on accusera au hasard. La seule sortie est de changer de question. Pas « qui a écrit ça », mais « est-ce que ça tient debout ».
→ Voir aussi : J'ai construit mon site sans lire le code
→ Voir aussi : Ubisoft mise sur l'IA générative
Questions fréquentes
Les détecteurs d'IA sont-ils fiables ?
Non, pas au point de fonder une décision. L'étude de référence, publiée par une équipe de Stanford dans Patterns en 2023, a mesuré 61,22 % de faux positifs moyens sur des essais TOEFL entièrement écrits par des humains non anglophones, contre environ 5 % sur des copies d'élèves américains. OpenAI a retiré son propre détecteur et indique qu'aucun outil n'a prouvé sa capacité à distinguer de façon fiable les deux origines. Turnitin précise que ses indicateurs ne doivent pas servir seuls à sanctionner.
Comment fonctionne un détecteur de texte IA ?
Il calcule une probabilité à partir de caractéristiques linguistiques. Les premiers outils s'appuyaient sur deux signaux : la perplexité, c'est-à-dire à quel point chaque mot est prévisible compte tenu des précédents, et la burstiness, la variation de rythme entre phrases. Les systèmes actuels sont plus élaborés — Turnitin annonce détecter aussi le texte paraphrasé — mais l'approche reste statistique. Le problème est qu'un texte humain peu idiomatique produit les mêmes caractéristiques, sans qu'aucune IA soit intervenue.
Pourquoi les détecteurs accusent-ils plus souvent les non-natifs ?
Parce qu'une écriture dans une langue moins maîtrisée emploie un vocabulaire plus restreint et des structures plus répétitives — exactement la signature que ces outils associent à la génération automatique. L'étude de Stanford l'a démontré : les dix-huit essais TOEFL signalés par les sept détecteurs à la fois présentaient une perplexité particulièrement basse. Les chercheurs ont même établi la relation dans les deux sens, en faisant chuter le taux de faux positifs par enrichissement du vocabulaire, puis en le faisant exploser par simplification.
Peut-on contourner un détecteur d'IA ?
Facilement. L'étude de Stanford a montré qu'il suffisait de demander au modèle de reformuler son texte dans un registre plus soutenu pour faire chuter la détection, les auteurs concluant à la vulnérabilité des approches fondées sur la perplexité. À l'inverse, un texte humain simplifié devient beaucoup plus suspect : dans la même étude, appauvrir le vocabulaire de copies d'élèves américains a fait passer leur taux de faux positifs de 5,19 % à 56,65 %.
Que faire si on est accusé à tort ?
Demander sur quoi repose l'accusation. Un score de détection n'est pas une preuve, et les éditeurs eux-mêmes le reconnaissent dans leur documentation — Turnitin indique explicitement que ses indicateurs ne doivent pas fonder seuls une décision défavorable. Conserver ses brouillons, son historique de rédaction et ses notes de recherche reste la meilleure défense concrète. Citer l'étude de Stanford — Liang et al., Patterns, 2023 — donne par ailleurs une référence évaluée par les pairs à opposer à un score automatique.